Self-Refine（自我优化）是一种AI模型的内部迭代范式，通过"生成→评判→修改"循环优化输出结果。其核心特点包括：1）纯模型内部迭代，不依赖外部工具；2）适用于文本润色、代码优化等简单场景；3）包含生成初稿、自我评判和修改优化三个关键步骤。该范式通过多次迭代逐步改进输出质量，但需注意控制迭代次数（通常3-5次）以避免过度消耗资源。实现方式上可采用LangChain等工具

Plan&Execute（规划-执行）范式是一种针对长任务和复杂任务设计的AI执行框架，其核心在于"先规划后执行"的工作流程。该范式通过首先生成全局计划（拆解为多个有序步骤），然后逐步执行并允许动态调整，有效解决了传统ReAct范式缺乏全局规划的痛点。其特点包括：结构化任务处理、工具调用能力、计划可更新性，适用于写作、数据分析和项目管理等场景。实现流程分为规划阶段和执行

ReAct（推理+行动）范式是一种结合思考与行动的智能体工作模式，通过"思考→行动→观察"的循环迭代完成任务。其核心特点是在CoT基础上增加了工具调用能力，适用于需要外部知识或工具支持的场景。典型应用包括通用助手、工具调用类任务和实时信息查询等。工程实现需注意工具定义清晰、控制迭代次数，并避免全局规划。该范式采用线性执行方式，成本中等，是工业界实用智能体的首选方案。

摘要：Chain of Thought（思维链）是一种基础的大模型推理范式，其核心是让模型通过线性思考步骤解决问题，仅依赖自身知识而不调用外部工具。该范式适用于简单数学计算、基础常识问答等场景，实现成本低但推理能力有限。工程实现上需通过Prompt明确要求模型分步推理，并控制温度参数在0.5-0.7之间。LangChain和LangGraph的示例代码展示了如何引导模型先列出推理步骤再给出答案，体

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