自己学习的操作步骤

Reflexion 是 ReAct 的直接扩展，完全兼容 ReAct 的执行逻辑，同时针对性解决了 ReAct 的核心缺陷，核心改进分为 4 个维度，完全对应你之前写 ReAct Agent 遇到的问题：表格对比维度ReAct 架构Reflexion 架构Reflexion 的核心改进学习范围回合内（intra-episodic）学习，推理局限于单次任务尝试，失败就结束回合间（inter-epis

是 LangGraph 实现循环、条件判断、异常降级的核心。

简单来说，自定义工具就是把你的 Python 函数包装成 LLM 能理解、能自主调用的工具。你写一个天气查询函数 → 包装成工具 → LLM 能自主调用查天气你写一个数据库查询函数 → 包装成工具 → LLM 能自主查数据库你写一个文件读写函数 → 包装成工具 → LLM 能自主读写文件@tool我们用OpenWeatherMap 免费 API来做天气查询工具，稳定、免费、国内可访问。import

✅ FastAPI 集成 LangChain。✅ Swagger API 文档。✅ 文件上传 + PDF 处理。✅ Docker 容器化。✅ RAG 系统接口化。，可以直接在线测试！

question: str # 问题retrieved_docs: str # 检索结果answer: str # 最终回答这是全局共享数据所有 Node 都能读写步骤之间传数据靠它这就是线性工作流开始 → 检索 → 生成 → 结束✅State= 工作流共享内存✅Node= 一个步骤 / 函数✅Edge= 步骤之间的连线✅StateGraph= 构建工作流✅= 运行工作流。

实现一个有循环的工作流（如反思循环）

从原理→工具集成→从零实现 ReAct Agent，完整讲清楚 LangGraph 工具调用，并对比为什么它比 LangChain Agent 更灵活、更好定制。

给 Agent 添加长期记忆，支持会话恢复。

用 LangGraph 把之前的 RAG 系统重构为的生产级架构。