最终结论Prompt 只是上下文的一部分。真正决定 Agent 质量的，是你能否控制模型每一步看到的全部信息。Context Engineering：比 Prompt Engineering 更重要的上下文工程：功能变化与行业影响解析_热闻岛。

长期记忆的核心不是“存”。而是“存什么、怎么存、什么时候召回、谁能删除”。LangChain / LangGraph 给你的不是一个神秘记忆魔法，而是一套清晰的工程接口：Store、namespace、key、value、runtime.store、BaseStore。记住最后这句话：短期记忆让对话不断片；长期记忆让 Agent 真正认识用户。《LangChain 系列》Long-term Mem

预训练：在大规模无标注语料上自监督学习，获得通用语言能力、世界知识和基本推理。监督微调（SFT）：用高质量“指令-回答”数据训练，使其理解并遵循指令。对齐：引入人类偏好、行为规范、安全约束，使模型行为符合期望。方法包括RLHF（奖励模型+PPO）以及DPO、ORPO、KTO等无需强化学习的偏好优化方法。第一阶段（GPT-1 → GPT-2）：“证明可行”验证Decoder-only架构和预训练-微

你有没有遇到过这种情况：在电商平台问客服“帮我找一款拍照好、续航长的手机”，结果客服机器人给你推荐了一堆完全不相关的商品？或者你问“苹果手机有哪些型号支持5G”，它只给你返回一个“苹果手机”的链接？传统的客服机器人大多基于关键词匹配或向量检索。关键词匹配只能识别你话里预设好的词，换个说法就失效；向量检索虽然能理解语义，但它不擅长处理关系——比如“苹果手机”和“iPhone”是什么关系？“拍照好”这

想象你是个刚入行的厨师。传统大模型：就像你把一本《中华菜谱大全》背得滚瓜烂熟。但如果客人点了一道你没背过的创新菜，你就只能凭感觉乱炒，结果往往翻车。RAG模式：你不需要背完整本书。客人点菜时，你立刻去查对应的菜谱（检索），照着菜谱的步骤和配料来做（生成这样做出来的菜，既快又准，而且菜谱随时可以更新。检索（R）：把用户的问题拿到知识库（向量数据库）里去搜索最相关的文档片段。增强（A）：把搜到的文档片

今天我们实现了一个能自主思考、调用工具、遵循业务规则的智能客服Agent。工具定义：用函数封装外部能力工具描述：通过JSON Schema让模型理解工具ReAct循环：反复调用模型，执行工具，直到获得答案实战场景：复合问题、链式决策优化：系统提示约束、并行调用你可以在此基础上扩展更多工具（如查物流、查积分、修改地址），甚至可以接入真实数据库和RAG系统。Agent的能力边界，只取决于你提供的工具丰

摘要中间件的作用很像“对话保洁员”。模型调用前，它先看 messages 是否接近 token 阈值。如果没有超，直接放行。如果超了，就压缩旧消息，保留最近消息。SummarizationMiddleware 在模型调用前压缩旧消息。注意一个细节：工具调用消息不能乱删。AIMessage 里的 tool_call 和后面的 ToolMessage 是一组。裁剪或摘要时拆坏这组消息，模型下一轮可能直

Tool Calling 让大模型从聊天机器人变成了业务系统的调度入口。它可以查数据库、调 API、跑计算、走搜索、生成工单。但能力越大，风险越大。真正靠谱的 Tool Calling，不是把一堆函数塞给模型。真正靠谱的是：工具少而准，Schema 清楚，权限明确，执行可控，日志可追。大模型负责判断“要不要调用”。LangChain 负责把调用标准化。业务系统负责执行和兜底。三者边界清楚，Agen

Self-Check（自我检查）是一种让AI Agent自己检查生成内容是否被检索资料支撑的技术。简单来说，就是让AI扮演“双重角色”——先是内容生成者，再是内容审查官。第一层：可靠性提升Self-Check机制确保每一句话都有据可依，从根本上杜绝“一本正经地胡说八道”。这不仅是技术优化，更是对用户的基本尊重。第二层：持续进化能力用户反馈不再是躺在数据库里的冷数据，而是驱动系统不断优化的燃料。第三

RAG 解决“模型不知道”的问题。Tools 解决“模型不能做”的问题。Tool 不是一段随便暴露给模型的函数。它是模型和业务系统之间的协议层、安全层、执行层。源码上，Tool 继承 RunnableSerializable，通过 invoke 进入 run，再经过参数解析、类型校验、真实函数执行，最后把结果返回给模型。工程上，Tool 必须有权限、校验、审计、超时、重试、脱敏和人工确认。真正成熟