简单的agent开发

✅ 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！

按照这个方案部署后，你的 LangGraph Agent 系统就具备了生产级的稳定性、可扩展性和可维护性，可以安全地对外提供服务。

表格要素实现方式Thought（思考）让 LLM 分析当前状态，规划下一步是否需要计算Action（行动）调用calculator工具，传入数学表达式Observation（观察）计算器返回的计算结果，注入下一轮推理。

注意：在使用模型库的时候一定选用自己通过ollama run deepseek-r1:8b下载到本地的模型库。

自己学习的操作步骤

Agent 是一种基于大语言模型（LLM）构建的智能实体，能够自主感知环境、制定执行计划、调用外部工具、存储长时记忆、根据执行结果反思优化，最终完成用户给定的复杂目标，整个过程无需人类逐步骤干预。本质区别：普通大模型是「被动的信息处理工具」，Agent 是「主动的任务执行者」。核心门槛：Agent 不是靠更好的大模型，而是靠工程化的架构设计—— 把规划、记忆、工具、反思这些模块和大模型结合起来，形

规划是 Agent 接收用户的模糊 / 复杂目标后，自动拆解任务、制定执行计划、动态调整策略的核心模块，解决大模型「一步错、步步错」的致命问题，让复杂目标可落地。记忆是 Agent 负责存储、检索、管理全生命周期信息的模块，解决大模型「上下文窗口有限、跨会话失忆、无法积累经验」的问题，让 Agent 越用越贴合你的需求。工具调用是 Agent 突破大模型能力边界，调用外部系统、API、函数、软件来

神经网络：多层神经元堆叠，加权 + 激活，拟合复杂函数反向传播 BP：根据误差反向计算梯度，自动更新权重全连接网络 MLP：层与层全部相连，适合简单分类PyTorch 流程：加载数据 → 定义模型 → 损失 + 优化器 → 训练循环（前向→损失→反向→更新）→ 测试97% 左右已经能很好识别手写数字。

UV 是由 Astral 公司（Ruff 代码检查工具的开发者）用 Rust 编写的，速度比 pip 快 10-100 倍，可一站式替代 pip、pip-tools、virtualenv 和 pyenv 等多个工具。