当记忆层基础设施化完成后，下一步必然是「记忆的编排」（memory orchestration）——记忆的写入、消费、博弈（多 Agent 对同一事实的不同记忆如何收敛），将催生出一类新的中间件。比如「投诉升级 Skill」在接手一个退换货投诉时，可以跨命名空间检索到「订单 Skill 写入的 last_order」「退换货 Skill 写入的 credit_level」，从而获得完整上下文——当

回到标题那句「先想想你愿意折腾什么」——这才是分水岭。是一张白纸，你用代码画 Agent 的骨骼。它累，但每一笔都是你的，你会真正理解 Agent 是怎么转起来的。Pi Agent是一套乐高，积木已经开好模，你专注搭造型。它快，让你把精力放在「这个 Agent 要解决什么业务问题」上，而不是「Agent 怎么循环调用工具」。没有哪条路天然更高贵。工程师的成熟，体现在知道什么时候该省下造轮子的时间，

如果你在大厂做过几年后端、算法或前端，你一定有过这种错觉：Agent 不就是「LLM + 几个 if-else + 调几个 API」吗？模型会幻觉调用不存在的工具；多轮对话里上下文会爆炸；工具调用失败后没有重试与降级；上线后无法观测每一步到底发生了什么；成本、延迟、稳定性三座大山压下来，Demo 和生产的差距是数量级的。这篇文章面向「有工程基础、但没系统做过 Agent」的开发者，用一个能跑起来的

LLM 只会「说」，Agent 让它「做」。Agent（智能体）的本质是一个循环：模型接收任务 → 判断是否需要调用工具 → 如果需要就生成工具调用参数 → 外部代码执行工具 → 结果回传给模型 → 模型继续推理，直到给出最终答案。这个模式最经典的实现叫ReAct（Reasoning + Acting，推理与行动交替）。对程序员来说，Agent 就是给模型加了一个带「函数调用（Function C

智能体技能开发教程摘要 本文介绍了如何使用LangChain框架开发AI智能体的技能模块（Agent Skills）。教程分为六个部分：1) 解释Agent Skills作为可复用任务模块的概念；2) 环境准备与工具安装；3) 创建基础计算器技能；4) 开发网络搜索技能；5) 组装智能体并测试技能组合；6) 进阶开发天气预报API技能。教程包含完整代码示例，从安装依赖、配置API密钥，到封装函数为

LangChain的create_agent本质上运行在LangGraph的运行时（Runtime）之上。上下文（Context）：静态信息，例如用户ID、数据库连接或智能体调用所需的其他依赖项。存储（Store）：一个用于长期记忆的BaseStore实例。流写入器（Stream writer）：一个用于通过自定义流模式传输信息的对象。你可以在工具和中间件内部访问运行时信息。

State 是整个图的「共享内存」，所有节点读写它。用TypedDict声明，配合Annotated做增量更新。# 输入question: str # 用户原始问题# 中间产物rewritten_question: str # 改写后的查询documents: list[Document] # 检索到的文档generation: str # 生成的答案# 控制字段need_retrieval: b

Harness Engineering（挽具工程）是指围绕模型构建执行外壳的工程实践：它定义模型如何接收输入、如何调用工具、如何管理状态、如何被约束、如何被观测、如何被评估。类比ModelHarness汽车发动机底盘、变速箱、方向盘、刹车马马本身挽具、缰绳、车辕员工大脑工位、流程、权限、KPI模型再聪明，如果没有缰绳和车辕，也拉不动车。工具是 Harness 与外部世界交互的唯一通道。@datac

在开始动手之前，先对齐两个核心概念。DeepSeek是由深度求索推出的大语言模型系列，其对话模型与推理模型都提供了兼容 OpenAI 协议的 HTTP API。这意味着我们不需要重写一套新的 SDK，直接使用熟悉的 OpenAI SDK 就可以调用。Agent（智能体）可以理解为一个会「自己动手」的 AI：它不仅能生成文字，还能在模型输出的指引下调用外部工具（查询天气、执行代码、搜索文档等），然后

Agent 到底是什么？简单来说，Agent 是一种能够自主调用工具、多步推理并完成复杂任务的 AI 应用形态。普通聊天机器人：你问它答，只依赖模型自身知识；Agent：模型可以调用外部工具（如搜索网页、查询数据库、调用本地函数），并根据工具返回的结果继续推理，直到完成任务。Spring AI 是 Spring 官方推出的 AI 应用开发框架。统一的 AI 接口抽象：一套 API 适配 OpenA