在实际搭建客服系统时，我会先用 MCP 封装订单查询、工单创建、退款等外部能力，再在上层构建 Skill，最后让 LLM 通过工具调用或直接触发 Skill 来完成用户的退换货、咨询等指令。整个架构会清晰很多。模型本身只会生成文本，但我们可以让它输出一种特殊格式的指令，告诉宿主程序：“我想调用这个函数，参数是这些”。到这里，我对 MCP 的理解就一句话：MCP 是一套标准协议，让工具可以被统一发现

Java输入输出方法总结：针对算法题和OJ平台，介绍了Scanner和BufferedReader两种常用输入方式。Scanner适合快速开发，但需注意nextInt()与nextLine()混用时的换行符问题；BufferedReader适合大数据量输入，常配合StringTokenizer分割字符串。同时推荐使用StringBuilder处理大量输出。文章提供了读取整数、数组和字符串的代码示例

本文介绍了一种基于RabbitMQ的消息推送架构设计，用于解决威胁情报平台中用户订阅通知的性能瓶颈问题。传统方案通过数据库轮询查询订阅用户会导致接口响应慢，而新方案利用RabbitMQ的Topic Exchange实现发布/订阅解耦。文章详细展示了Spring Boot集成RabbitMQ的完整实现，包括交换机配置、队列绑定、消息生产者和消费者逻辑，以及模拟用户订阅关系的测试数据。该架构通过标签路

本文探讨了大模型RAG（检索增强生成）工程化落地中的性能瓶颈问题，提出了一套基于Celery + RabbitMQ + asyncio的混合异步流水线解决方案。该方案通过RabbitMQ持久化任务、Celery编排任务流、asyncio实现单机高并发，有效解决了文档解析与向量化处理的效率问题。文章详细介绍了架构设计思路、核心代码实现，并总结了生产环境中的常见问题及应对策略，如协程冲突、MQ消息过大

本文探讨了LangGraph中Agent内部流程编排机制，通过客服Agent案例解析了State、Node、Edge三大核心概念。State作为数据载体在流程中流转，Node负责具体处理步骤，Edge则决定流程走向。文章澄清了常见误区，如State并非全局变量、Node执行顺序由Edge决定等，并提供了完整代码示例展示如何构建一个包含问题分类、信息查询和回复生成的多步骤Agent工作流。

本文介绍了LLM Function Call和Agent Tool Use的区别，以及如何写一个Demo。

本文探讨了LangGraph中的Checkpoint机制，解决Agent执行过程中因中断导致状态丢失的问题。Checkpoint作为State的快照，可在每个Node执行后自动保存，支持从最近存档点恢复，避免重复执行。文章对比了不同存储方式的适用场景，澄清了常见误区（如性能影响、数据恢复范围等），并提供了实现思路和代码示例，强调设计可恢复State及配置Checkpoint存储的关键步骤。适用于需

本文探讨了Agent中的"时间旅行"(Time Travel)机制，即在Checkpoint基础上实现状态回退和分支探索的能力。核心内容包括：Time Travel的两种模式（Replay回放和Fork分支）、与Checkpoint的区别（不仅能恢复还能回退）、常见误区澄清以及实现思路。通过旅行规划Agent的代码示例，展示了如何利用历史Checkpoint实现"回到决策点重选方案"的功能，解决了

本文探讨了Agent执行过程中的中断机制（Interrupt），重点解决高风险操作需要人工确认的场景。Interrupt允许Agent在执行关键步骤（如大额转账、数据删除）时暂停，等待人工确认后再继续执行。文章对比了Interrupt与Time Travel的区别，解释了两种中断模式（手动触发和自动触发），并澄清了常见误区。通过客服Agent退款案例，展示了如何在LangGraph中使用inter

前面的系列已经介绍了Langgrahp中的基础概念和如何使用，但只能实现简单工作流，实现复杂的Agent还需新的知识补充，比如Agent 要自动拆解成多个步骤再执行"。这才发现，原来 Agent 有两种截然不同的决策方式，分别适用于不同场景。：单步决策，实时响应，适合简单任务。代表是 ReAct 模式。：先规划后执行，有全局视角，适合复杂任务。混合架构：外层规划 + 内层执行，兼顾灵活性和效率。选