本文介绍了基于SpringBoot+Redis的电商秒杀系统实现方案。针对高并发、库存超卖等核心痛点，采用分层架构设计：前端防抖限流、网关拦截恶意请求、Redis原子操作预减库存、消息队列异步处理订单。系统利用Redis的INCR/DECR/SETNX等原子命令和Lua脚本保证库存一致性，通过RabbitMQ削峰填谷减轻数据库压力。详细说明了环境配置（SpringBoot 3.2+Redis 6+

不保存完整历史，而是用大模型对历史对话生成 “摘要”，只保存摘要内容 —— 大幅减少 Token 消耗。不存储原始对话，而是用 LLM 生成对话历史摘要；大幅减少 Prompt 长度，适合超长对话；缺点：有摘要损耗，可能丢失细节。# 初始化摘要记忆（指定用于摘要的LLM）llm=llm, # 用gpt-3.5-turbo生成摘要# 长对话conversation.invoke({"input":

Agent Skills 是为 AI 智能体（Agent）提供的模块化、标准化、可复用的专业化能力单元，是连接大模型 “推理能力” 与外部 “工具执行” 的核心中间层，让通用 Agent 能像专业人员一样完成特定领域任务。简单理解：Agent 是 “大脑 + 身体”，Skills 是 “专业技能包 + 操作手册”—— 没有 Skills 的 Agent 只会基础推理，有了 Skills 才能精准、

LangChain 是一个用于开发大语言模型（LLM）驱动应用程序的框架，它通过将 LLM 与外部数据源、工具和环境连接起来，构建端到端的应用程序。

智能体 = 大模型 + 工具 + 记忆 + 决策能力。突破大模型静态回答局限，能自主思考→选工具→执行→看结果→再思考，直到完成任务。智能体不是“一次性回答”，它是一个会反复思考和行动的循环系统。LangChain 1.0 统一用 create_agent() 构建，替代旧版 create_react_agent 等，更简洁、生产就绪。普通链（Chain）：固定流程，输入→处理→输出智能体（Age

检索增强生成（Retrieval-Augmented Generation, RAG） 是一种将信息检索与语言模型生成相结合的技术范式。其核心思想是：在语言模型生成答案之前，先从外部知识库中检索出与问题相关的文档片段，将这些片段作为上下文注入模型，从而让模型能够利用最新、最专业或私有数据生成更准确、更可信的回答。

LangChain 模型上下文协议（MCP，Model Context Protocol）是一套标准化、跨模型、可插拔的协议，用于让 LLM/Agent 统一发现、调用外部工具、资源与提示模板，解决工具集成碎片化、跨模型适配成本高、安全与权限难管控的问题LangChain。它让 LangChain Agent 能像 “插 USB” 一样接入各类外部能力，是企业级 Agent 架构的关键基础设施。

LangChain 的 Messages & Chat 是构建对话式 AI、多轮聊天机器人、智能助手的核心模块，它统一了大模型的消息格式、对话历史管理、多角色交互，解决了原生大模型（如 GPT、文心一言、通义千问）消息格式不统一、对话历史难以维护的问题。

当系统自带的 PromptTemplate / ChatPromptTemplate 不够用时，可以自己写一个完全可控的模板。继承 StringPromptTemplate 或 BaseChatPromptTemplate定义 input_variables在 format() 或 format_messages() 里拼提示词# 自定义模板# 定义你需要的变量# 在这里自由拼接提示词你是专业AI

如果内置解析器不满足需求，可以继承 BaseOutputParser 并实现 parse 方法。为了获得最佳实践，可以同时提供 get_format_instructions。继承 BaseOutputParser[T]实现 parse() 方法（处理字符串）可选实现 get_format_instructions()（告诉模型输出格式）功能：把 “姓名：张三，年龄：25” 解析成字典# 自定义解