LangGraph是一个基于图结构的 Agent 编排框架，专注于描述和控制 Agent 的执行流程。它可以独立使用，也可以与LangChain 结合，用于更方便地调用模型、工具和记忆组件。通过LangGraph可以轻松构建出可靠的Agent应用。LangGraph并不依赖于LangChain，但是配合LangChain使用可以发挥更好的效果# step 1.定义状态"""定义状态"""# 冰箱门

由于 LLM的知识受训练数据限制，推理能力也存在一定局限，AI Agent技术则通过工具调用来弥补这些不足，从而获取最新信息、优化工作流、拆解任务，最终实现更复杂的功能。它让LLM充当"决策大脑"，根据用户输入自主选择和执行工具（如搜索、计算、数据库查询等），最终生成精准的响应。：实际执行决策的能力 比如：检索、推理、编程 6）协作：通过与其他智能体交互合作，完成更复杂的任务目标。：当遇到无法直接

在LangGraph图执行过程中，每一个节点执行后会将图状态生成一份快照保存起来，这些快照在图执行结束后也可以访问，这种机制被称为LangGraph的持久化在LangGraph中，持久化数据是由检查点管理器（checkpointer）来实现的，当图中的节点执行完一个超级步骤（super-step）时，会保存一份图状态快照信息（StateSnapshot）到线程（thread）中。

智能客服实战

MCP (Model Context Protocol,模型上下文协议),2024年11月底,由Anthropic推出的一种开放标准,旨在统一大型语言模型(LLM)与外部数据源和工具之间的通 信协议。MCP的主要目的在于解决当前Al模型因数据孤岛限制而无法充分发挥潜力 的难题,MCP使得AI应用能够安全地访问和操作本地及远程数据,为AI应用提供了 连接万物的接口构建为 LLMs 提供工具和数据的服

RAG（Retrieval Augmented Generation）检索增强生成，RAG是一种将信息检索和大语言模型文本生成相结合的技术。简单来说，RAG就是在大语言模型生成答案之前，AI应用先从外部知识库中检索与用户提问相关的信息，然后将检索到的信息作为上下文通过提示词一起传递给大语言模型，从而让大语言模型根据检索出来的内容进行回答。

封装好的基础聊天模型和其他组件。LangChain集成包，目前LangChain会将一些重要的集成包单独拆分出来（例如langchain-openai ， langchain-anthropic 等），让集成包更轻量级，这些包将会由LangChain团队和集成包的开发者共同维护。构成AI应用的链、AI agent和检索器。社区维护的第三方集成包。⽐如：Model I/O、Retrieval、Too

react中的常用钩子函数总结Hook 是 React 16.8 的新增特性。它可以让你在不编写 class 的情况下使用 state 以及其他的 React 特性一、useState:让函数组件也可以有state状态, 并进行状态数据的读写操作1、语法:const [xxx, setXxx] = React.useState(initValue)2、解释：useState()说明:参数: 第一次

docker的安装及常用容器的生成

在删除时：deletefrom sys_role_menu s left join sys_menu m ON s.menu_id = m.menu_idwhere m.sys_type=1 and s.role_id in<foreach item=“roleId” collection=“array” open="(" separator="," close=")">#...