llm_chat()systemuser跑一下，能打印出游戏列表就说明链路通了，可以往下走。

模型就"记得"前面聊过啥了。get_ai_response:它就是个搬运工，把拼好的messages丢给模型，把抠出来返回。所有"调模型"的动作都走它，后面接口也复用。rpushjson.loads跑完用能看到一整段对话原文。

先把投递记录捞出来，靠它拿到job_id和—— 这俩是后面所有查询的入口年龄这块是用出生年份减当前年份算的，够糙但够用（没管具体月份，差个把月无所谓）下面是求职意向和三段经历（工作 / 项目 / 教育），每个都查出来拼成 list，方便后面整段塞进 prompt 给模型看。项目经历、教育经历同理，都是查出来转成字典列表优势和技能这两段，原代码逻辑一样，也是逐条转字典拼 prompt 调模型。这里期

学历验证是 Function Calling：模型自己决定调工具、传参，结果回喂后总结，解决"操作外部系统"。RAG是检索增强：知识先向量化存库，提问召回片段喂模型，解决"基于私有知识准确作答"。共同：走百炼地址、用 qwen 系列；都把脏活封装成独立函数、主流程只做编排。

知识库的创建大致分为四步：1. 读文件2.文件分片3.文本转向量4.存入向量数据库四步走完就创建好了一个基础的向量库，后续再根据用户的问题，将其转向量去库中检索即可。

最近在我们系统里想给管理端和企业端都塞一个 AI Agent，聊着聊着发现 LangChain 的 agent 这套东西比想象中好上手。底层模型用的阿里云百炼的通义千问，走的是 OpenAI 兼容接口，所以 client 写法跟调 OpenAI 几乎没差。这篇不是教程，就是把我拆出来的三个 case 文件捋一遍：从最底层的图，到带工具带护栏的 agent，凑一条能跑通的学习路径。三个文件都在cas

最近在我们系统里想给管理端和企业端都塞一个 AI Agent，聊着聊着发现 LangChain 的 agent 这套东西比想象中好上手。底层模型用的阿里云百炼的通义千问，走的是 OpenAI 兼容接口，所以 client 写法跟调 OpenAI 几乎没差。这篇不是教程，就是把我拆出来的三个 case 文件捋一遍：从最底层的图，到带工具带护栏的 agent，凑一条能跑通的学习路径。三个文件都在cas

最近在我们系统里想给管理端和企业端都塞一个 AI Agent，聊着聊着发现 LangChain 的 agent 这套东西比想象中好上手。底层模型用的阿里云百炼的通义千问，走的是 OpenAI 兼容接口，所以 client 写法跟调 OpenAI 几乎没差。这篇不是教程，就是把我拆出来的三个 case 文件捋一遍：从最底层的图，到带工具带护栏的 agent，凑一条能跑通的学习路径。三个文件都在cas

最近在我们系统里想给管理端和企业端都塞一个 AI Agent，聊着聊着发现 LangChain 的 agent 这套东西比想象中好上手。底层模型用的阿里云百炼的通义千问，走的是 OpenAI 兼容接口，所以 client 写法跟调 OpenAI 几乎没差。这篇不是教程，就是把我拆出来的三个 case 文件捋一遍：从最底层的图，到带工具带护栏的 agent，凑一条能跑通的学习路径。三个文件都在cas

学历验证是 Function Calling：模型自己决定调工具、传参，结果回喂后总结，解决"操作外部系统"。RAG是检索增强：知识先向量化存库，提问召回片段喂模型，解决"基于私有知识准确作答"。共同：走百炼地址、用 qwen 系列；都把脏活封装成独立函数、主流程只做编排。