上一篇我们实现了一个简单智能体，可以和大模型对话了，但是此时是没有记忆的，每次对话都是独立的，这明显不是实际生产需要的，所以我们需要为智能体添加记忆。deepseek支持的model有两种，分别为flash非思考模式与pro思考模式，我们目前使用的是flash非思考模式。：来自用户的实际输入。当前的问题、任务、要处理的数据。也就是我们平时和使用网页和大模型聊天时我们每次输入的内容。通常用户看不到，

而真实企业场景里，这两者缺一不可。Text-to-SQL 是考验 LLM的经典场景：模型需要把自然语言“翻译”成精确的 SQL 语法、处理表结构、应对报错并重试。这个过程中，Agent 会展示完整的循环。没有它，你的 Agent 只是一个“检索路由”，有了它，Agent 才真正开始“动脑子”。

之前我们实战介绍了openai规范的接口调用，说明了三种提示词消息（其实还有role为tool的第四种消息，本篇会涉及到，需要大家自己挖掘）的作用，跑通了一个简单智能体，可以回答基础问题。但是大模型可以回答的问题都是它训练时候的数据，实时性几乎是没有的，而且对于不知道的问题，还会产生很多“幻觉”，这个时候我们就需要使用RAG。的全称是（Retrieval-Augmented Generation）

替换为你希望安装的实际路径，比如我安装在了OllamaSetup.exe /dir="d:\ollama。修改docker镜像源，在 setting - docker engine，我的是这样的。在 Windows 上，可以通过命令行参数或环境变量来指定安装路径。5.安装docker，docker可以帮助我们安装开发时所需要的数据库等软件。将docker安装在D盘，在docker文件目录执行cmd

上一个帖子让大家创建了.env文件，并添加了自己的apikey，接下来我们开始写代码。

大家可以看到，请求的数据结构，与我们上一篇讲的一直，而且因为我们添加了系统提示词，所以llm知道他叫小智，还有就是我的问题 "有多暖心" ，这句话单独拿出来语义是很割裂的，如果没有上下文的话，大模型根本不会回答的这么准确。最后总结一下：llm的接口每次都是单独调用的，也就是说，其实所谓的记忆，都是每次单次调用接口的时候我们加上去的，是我们人为给大模型构造出的记忆。对了，有个事情之前忘了说了，大家的

上一篇我们已经基本实现了一个有记忆，有通过向量的RAG的智能体，但也只是实验室级别的，距离真正的生产标准还有一定的距离。而且我们V1版本主要以实验为主，很多代码耦合度较高，没有细化分类，所以我们本篇会根据开闭原则（对扩展开发，对修改关闭）重构项目。

大家可以看到，请求的数据结构，与我们上一篇讲的一直，而且因为我们添加了系统提示词，所以llm知道他叫小智，还有就是我的问题 "有多暖心" ，这句话单独拿出来语义是很割裂的，如果没有上下文的话，大模型根本不会回答的这么准确。最后总结一下：llm的接口每次都是单独调用的，也就是说，其实所谓的记忆，都是每次单次调用接口的时候我们加上去的，是我们人为给大模型构造出的记忆。对了，有个事情之前忘了说了，大家的