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。

在开始之前，请先确认 UV 已正常工作：powershell。

自己学习的操作步骤

全球最大开源 Prompt 仓库，Agent/CoT/ToT/ 反思全部官方模板，可代码一键调用。优质 Prompt 不用乱收集，按8 大分类整理成自己的库即可。聊天、CoT 数学、ToT 推理、反思代码生成、结构化输出、Agent ReAct这 6 类，足够你学完整个 Agent 体系。

AgentExecutor 是 LangChain 中负责运行 Agent、处理工具调用、管理执行循环、处理错误的核心类，它是 Agent 的「执行引擎」，没有它，Agent 只是一个静态的 Prompt + LLM 组合，无法真正运行。ReAct Agent 是基于ReAct 框架（Reasoning + Acting）的 Agent，它的核心思想是 **「先思考，再行动，根据结果再思考，再行动

简单来说，Memory 是 LangChain 中存储和管理对话历史、中间结果、用户偏好的模块，它能把之前的对话内容自动注入到当前的 LLM 上下文中，让 LLM 知道「之前聊了什么」，从而实现连贯的多轮对话。：提示词里必须加，用来插入对话历史：记忆管理函数，根据会话 ID 返回历史：给 Chain/Agent 加记忆的核心类session_id：调用时必须传，用来区分不同会话。

文档加载器是 LangChain 中负责把各种格式的非结构化文档（PDF、TXT、Word、PPT、网页、Markdown 等）加载成标准化Document对象的模块。因为大模型有上下文窗口限制（比如是 32k token），不能直接把整个几万字的文档放进去，所以需要用文本分割器把文档分割成小的、语义完整的文本块（Chunks）。

检索增强生成大模型本身不知道你的文档内容所以先去文档里检索相关内容把检索到的内容喂给大模型让大模型只根据文档内容回答这就叫RAG。RAG = 检索 + 提示 + 生成。

简单来说，嵌入就是把文本转成一串数字（向量），这串数字能表示文本的语义含义。语义相似的文本，它们的向量距离很近语义不同的文本，它们的向量距离很远「人工智能」的向量 →「AI」的向量 →（和上面的距离很近）「猫」的向量 →（和上面的距离很远）向量存储的核心价值：用语义检索代替关键词匹配，能理解文本的语义含义Chroma 的优势：轻量、简单、和 LangChain 集成最好，适合入门和小项目核心步骤：

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