数据量较小（104< 10^4104：可以使用Scanner，图个方便和快捷。数据量中等（104∼105104∼105：推荐换用确保不会超时。大数据量（105> 10^5105）或多组测试数据：必须使用 BufferedReader（或使用上述封装好的FastReader模板），保障程序的稳定运行。希望这篇博客能帮你在后续的刷题和比赛中避开 I/O 的深坑，顺利通过所有大测试点！如果你有任何关于

回到开头的那个问题：ChatGPT 开了联网搜索，就是 Agent 了吗？答案是否定的——那只是工具调用，是 Agent 能力拼图里的一块，而不是 Agent 本身。理解 Agent，抓住三件事就够了：它能自主规划，给一个复杂目标能自己拆解成多步；它能行动，通过工具调用与外部世界真实交互；它有闭环，每步结果反馈回来指导下一步，而非一次性生成完就结束。至于「模型只是大脑、真正执行的是代码」这句话，则

如果说模型代表推理，工具代表行动，那么记忆就代表身份、历史、偏好、时间意识和世界镜像。没有记忆的 AI，只能像失忆症患者一样依赖上下文。从 Mem0 最初的"向量插件"，到如今"类脑操作系统"的涌现，我们清晰地见证了一场范式革命：AI 记忆正在完成从"外挂工具"到"原生核心"的蜕变。记忆将与模型参数、工具系统并列，成为 AI 的第三大核心组件。这场关于记忆的竞赛才刚刚开始。而它的终点，是让每一个

如果说模型代表推理，工具代表行动，那么记忆就代表身份、历史、偏好、时间意识和世界镜像。没有记忆的 AI，只能像失忆症患者一样依赖上下文。从 Mem0 最初的"向量插件"，到如今"类脑操作系统"的涌现，我们清晰地见证了一场范式革命：AI 记忆正在完成从"外挂工具"到"原生核心"的蜕变。记忆将与模型参数、工具系统并列，成为 AI 的第三大核心组件。这场关于记忆的竞赛才刚刚开始。而它的终点，是让每一个

回到开头的那个问题：ChatGPT 开了联网搜索，就是 Agent 了吗？答案是否定的——那只是工具调用，是 Agent 能力拼图里的一块，而不是 Agent 本身。理解 Agent，抓住三件事就够了：它能自主规划，给一个复杂目标能自己拆解成多步；它能行动，通过工具调用与外部世界真实交互；它有闭环，每步结果反馈回来指导下一步，而非一次性生成完就结束。至于「模型只是大脑、真正执行的是代码」这句话，则

在 AI Agent 的面试和实际开发里，ReAct、Plan-and-Execute、Reflection 是出现频率最高的三个名词。但很多人的困惑在于：背得出定义，却说不清三者到底是什么关系，也讲不出实际项目该怎么选。这篇博客的目标，就是把这三者"掰开揉碎"，从论文溯源、运行机制、成本差异到选型策略，一次讲清楚。

在 AI Agent 的面试和实际开发里，ReAct、Plan-and-Execute、Reflection 是出现频率最高的三个名词。但很多人的困惑在于：背得出定义，却说不清三者到底是什么关系，也讲不出实际项目该怎么选。这篇博客的目标，就是把这三者"掰开揉碎"，从论文溯源、运行机制、成本差异到选型策略，一次讲清楚。

理解 Agent 的底层结构，不只是一个理论问题，它直接决定了你能不能在真实业务里把 Agent 用好。很多「翻车」的 Agent 项目，问题往往不在模型不够聪明，而在于记忆没有分层、工具描述写得含糊、规划模式选错。下一次当你准备动手搭建一个 Agent 时，不妨先问自己四个问题：大脑选什么模型、工具怎么标准化、记忆如何分层管理、复杂任务怎么规划——把这四根支柱立稳了，Agent 才算真正有了自主

理解 Agent 的底层结构，不只是一个理论问题，它直接决定了你能不能在真实业务里把 Agent 用好。很多「翻车」的 Agent 项目，问题往往不在模型不够聪明，而在于记忆没有分层、工具描述写得含糊、规划模式选错。下一次当你准备动手搭建一个 Agent 时，不妨先问自己四个问题：大脑选什么模型、工具怎么标准化、记忆如何分层管理、复杂任务怎么规划——把这四根支柱立稳了，Agent 才算真正有了自主

Ragas 的指标体系是可扩展的。官方 quickstart 模板里就内置了一个，你可以通过修改它的 prompt（评估标准）和（有效输出类别）来快速定义自定义指标，例如把输出限定为三档；也可以基于针对具体业务维度定制评估，比如电商客服场景下的"退换货政策回答准确性"。更关键的是，评估不该是一次性动作。把 Ragas 的评估流程接入 CI/CD，让每一次代码或检索策略变更都自动跑一遍测试集，再配合