摘要： FunctionCalling（函数调用）是LLM工程化的核心协议，通过结构化JSON格式实现大模型与工具的交互。核心包含两部分：工具定义格式（描述函数名、参数等）和模型返回格式（调用指令）。使用流程为：定义工具→封装JSON→模型调用→执行函数→返回结果。关键点包括：工具描述决定调用成功率、参数类型需明确定义、需限制调用次数防止循环。框架如LangChain可自动处理JSON封装，简化开

摘要：本文阐述了生产级智能体的五大记忆模块协同工作机制，重点解决开发者常见误区——单独使用某种记忆导致的问题。文章提出"分层存储、按需检索、动态优化"的工业级协同标准，详细解析了会话、任务、长期、知识和记忆清理模块的定位与协作流程，并提供了可直接复用的养老智能体示例代码。关键点包括：1）五大模块各司其职又相互支撑；2）工业级落地技巧（Token控制、记忆精度优化等）；3）生产环

长期记忆通过向量存储实现跨会话、跨任务保存关键信息，解决智能体"重启即遗忘"问题。核心采用语义检索技术，将用户偏好、任务总结等信息转为向量存入数据库，支持后续精准检索复用。工业界常用LangChain的VectorStoreRetrieverMemory结合Chroma等向量数据库实现，建议只存储关键信息并控制检索数量（k=2-3）。实际应用中需结合会话记忆，并定期更新清理过期

FastMCP是基于FunctionCalling标准的Python框架，通过装饰器自动完成工具服务开发。它将Python函数自动转换为标准JSON格式，支持本地（stdio）和远程（SSE）两种传输方式，实现LLM与工具服务的无缝对接。开发者只需用@mcp.tool()装饰函数，无需手动处理JSON，即可快速构建可被LLM调用的工具服务，大幅降低开发复杂度。

大模型智能体的记忆体系通过工程化设计实现智能交互，核心在于语义存储、结构管理和分层适配。记忆分为会话级（短期缓存）、任务级（流程驱动）、长期记忆（跨会话个性化）和知识记忆（专业支撑）四大层级，各具不同生命周期和功能定位。工程化落地需平衡Token控制、检索精度与业务适配性，避免记忆混淆或资源浪费。实际应用需根据场景需求组合模块，如简单咨询只需会话记忆+RAG，复杂场景则需全模块协同。关键原则包括分

任务级记忆是智能体实现自主性的核心能力，它通过结构化存储任务全流程（步骤、状态、结果、工具调用等），使智能体能够自主规划、跟踪进度和处理异常。文章介绍了三种实现方式：1）简易的系统消息存储，适合新手验证；2）自定义TaskMemory类，工业级标准方案；3）LangChain内置Agent，适合快速落地。重点强调任务记忆与会话记忆的区别和互补性，指出开发者应避免用会话记忆替代任务记忆，否则会导致智

摘要：大模型工具模块是连接模型思考与实际执行的关键桥梁，主要包括三大核心工具：FunctionCalling作为基础底座，实现标准化外部系统调用；MCP扩展多模态处理能力，支持图文语音等交互；Skills封装专业业务逻辑，提升复杂任务执行效率。三者形成"基础-拓展-赋能"的协同体系，分别解决"能执行"、"能感知"和"能专业执行&

本文介绍了大模型智能体开发中会话级记忆的四种实现方式：1）会话缓冲记忆，适合5轮以内的短对话；2）滑动窗口记忆，保留最近3-5轮对话，是工业界主流选择；3）会话令牌缓冲记忆，按Token数量精准控制，适合生产环境；4）会话摘要记忆，自动总结对话内容，适合超长对话场景。开发者应根据对话长度和场景需求选择合适方案，短对话用缓冲记忆，中长对话用滑动窗口或摘要缓冲记忆，长对话用摘要记忆，生产环境优先考虑令

摘要： ClaudeSkills是Anthropic推出的模块化能力扩展工具，通过YAML配置+Markdown流程+可选脚本封装复杂操作为可复用“能力包”，支持联动外部系统和业务工具。其核心价值在于高效复用（避免重复编写Prompt）、降低使用门槛（无需代码）、功能扩展（集成业务系统）和稳定输出（流程化配置）。适用于开发者、运营等需高频处理标准化任务的用户。 与传统Prompt和MCP相比，Cl

摘要：大模型智能体的知识记忆与长期记忆存在本质区别。知识记忆存储结构化通用知识（如行业政策、专业常识），而长期记忆保存用户交互信息。知识记忆通过检索增强（RAG）和知识图谱两种主流方式实现：RAG将外部文档转化为向量存储，适合政策解读等场景；知识图谱通过实体关系构建结构化知识网络，适用于医疗诊断等需要逻辑推理的领域。最佳实践建议将知识记忆与会话记忆、长期记忆相结合，实现个性化与专业性的统一。关键点