IOC = 对象的创建权从程序员交给 Spring 容器。

例成功的code就一定是0；

Spring事务本质是基于AOP的声明式事务管理，通过拦截方法，在执行前开启事务，执行成功提交，异常时回滚，底层依赖JDBC的Connection事务机制。

'''状态：一个共享数据结构，表示应用程序的当前快照。它可以是任何 Python 类型，但通常是 TypedDict 或 Pydantic BaseModel。节点：Python 函数，用于编码代理的逻辑。它们以当前 状态 作为输入，执行一些计算或副作用，并返回更新后的 状态。边：Python 函数，根据当前 状态 确定要执行的下一个 节点。它们可以是条件分支或固定转换。节点 和 边 仅仅是 Py

无需对话历史，仅需追踪 “任务参数、中间结果、执行状态” 的场景。LangGraph 的工作流（Graph）运行时，需通过。持续追踪 “用户 - 助手 - 工具” 对话历史的场景。同时追踪 “对话历史” 和 “其他业务数据” 的场景。明确状态结构，核心字段是。

语言模型只能输出文本，无法执行 操作。Agent是使用LLM作为推理引擎来确定要执行的操作以及这些操作的输入应该是什么。然后根据结果，Agent进行执行。创建Agent的API。

// 当前执行步骤 "data": { "messages": [...], // 对话消息。"on_chat_model_stream"# 聊天模型流式输出。"on_llm_start"# 语言模型调用开始。"on_llm_end"# 语言模型调用结束。"on_tool_start"# 工具调用开始。"on_tool_end"# 工具调用结束。：工作流状态管理工具，基于内存，保存完整工作流状态。

LangChain对所有LLM进行了API抽象，统一了大模型访问API，同时提供了Prompt提示模板管理机制LangChain对常见的场景封装了一些现成的模块，例如：基于上下文信息的问答系统，自然语言生成SQL查询等等，因为实现这些任务的过程，就像链式调用。LangChain新版本的核心特性，用于解决工作流编排问题，通过LCEL表达式，可以灵活定义AI任务处理流程链。数据增强生成（RAG）rua

// 当前执行步骤 "data": { "messages": [...], // 对话消息。"on_chat_model_stream"# 聊天模型流式输出。"on_llm_start"# 语言模型调用开始。"on_llm_end"# 语言模型调用结束。"on_tool_start"# 工具调用开始。"on_tool_end"# 工具调用结束。：工作流状态管理工具，基于内存，保存完整工作流状态。

CNN在长距离建模方面存在局限性。基于CNN的模型受限于其局部感受野，这大大阻碍了它们捕获长距离信息的能力。这通常导致提取的特征不足，从而导致分割结果不理想。由于其二项式计算复杂度而受到限制。尽管基于Transformer的模型在全局建模方面表现出色，但自注意力机制对图像大小的计算复杂度要求是二次的，导致计算负担高，状态空间模型（SSMs），如Mamba，已经成为一种有前景的方法。它们不仅擅长建模