"description": "获取指定城市的当前天气信息","city": {"description": "城市名称，如'北京'"},"unit": {"description": "温度单位"},三个必填字段字段作用要点name工具标识要语义化，LLM 靠名字猜功能功能描述越清晰 LLM 选工具越准parameters参数 SchemaJSON Schema 格式，required 必填@C

"description": "获取指定城市的当前天气信息","city": {"description": "城市名称，如'北京'"},"unit": {"description": "温度单位"},三个必填字段字段作用要点name工具标识要语义化，LLM 靠名字猜功能功能描述越清晰 LLM 选工具越准parameters参数 SchemaJSON Schema 格式，required 必填@C

LLM 本身没有记忆，Agent 的记忆系统分三层：短期记忆管上下文窗口（滑动窗口+摘要压缩）、长期记忆管跨会话持久化（向量数据库+检索注入）、工作记忆管任务执行状态（结构化黑板）。本文用 Java 代码拆解每层的工程实现，涵盖写入过滤、Top-K 检索、遗忘策略和常见踩坑。

LLM 本身没有记忆，Agent 的记忆系统分三层：短期记忆管上下文窗口（滑动窗口+摘要压缩）、长期记忆管跨会话持久化（向量数据库+检索注入）、工作记忆管任务执行状态（结构化黑板）。本文用 Java 代码拆解每层的工程实现，涵盖写入过滤、Top-K 检索、遗忘策略和常见踩坑。

本文是「AI Agent 开发实战」系列第2篇，拆解三大基石中最底层的 LLM 调用与 Prompt 工程。从消息角色（System/User/Assistant/Tool）、System Prompt 结构设计、Prompt 工程四板斧（结构化/Few-shot/思维链/约束输出），到 Function Calling 机制、上下文窗口管理策略、关键参数调优和多模型路由降本，配合 Java 代码

本文是「AI Agent 开发实战」系列第2篇，拆解三大基石中最底层的 LLM 调用与 Prompt 工程。从消息角色（System/User/Assistant/Tool）、System Prompt 结构设计、Prompt 工程四板斧（结构化/Few-shot/思维链/约束输出），到 Function Calling 机制、上下文窗口管理策略、关键参数调优和多模型路由降本，配合 Java 代码

本文是「AI Agent 开发实战」系列第1篇，从最基础的概念讲起，回答一个根本问题：AI Agent 到底是什么，它和聊天机器人差在哪里。文章澄清了"把 LLM 接到业务系统加个对话框就是 Agent"的认知误区，介绍了 Agent = LLM + Planning + Memory + Tools 的经典公式，通过股票分析案例对比传统应用与 Agent 的做法差异，并给出 Agent 四大核心

本文是「AI Agent 开发实战」系列第1篇，从最基础的概念讲起，回答一个根本问题：AI Agent 到底是什么，它和聊天机器人差在哪里。文章澄清了"把 LLM 接到业务系统加个对话框就是 Agent"的认知误区，介绍了 Agent = LLM + Planning + Memory + Tools 的经典公式，通过股票分析案例对比传统应用与 Agent 的做法差异，并给出 Agent 四大核心

本文是「AI Agent 开发实战」系列第1篇，从最基础的概念讲起，回答一个根本问题：AI Agent 到底是什么，它和聊天机器人差在哪里。文章澄清了"把 LLM 接到业务系统加个对话框就是 Agent"的认知误区，介绍了 Agent = LLM + Planning + Memory + Tools 的经典公式，通过股票分析案例对比传统应用与 Agent 的做法差异，并给出 Agent 四大核心

腾讯WorkBuddy爆火，但中国电信的TeleAgent也值得关注。本文从数据安全、开发者友好度、浏览器自动化三个维度对比两款AI Agent，分享5个实战场景、长期记忆架构设计，附一个月效率对比和使用建议。