LangGraph复杂控制流 │ • 循环/条件/中断 │需要什么？│ • State 管理 │││ │ │▼ ▼ ▼│ 组件库 │ │ 多Agent │ │ 低/零代码 ││ 最大灵活 │ │ 角色分工 │ │ 最快交付 ││ 最多代码 │ │ 团队协作 │ │ 最少控制 │LangChain ← 需要最大灵活性，不怕写代码LangGraph ← 需要复杂控制流（循环、分支、人工审批）CrewA

实现一个"Plan-and-Execute" Agent——先用 LLM 制定完整计划（不执行），用户确认后再逐步执行。：改造 React Agent，让它支持一次输出多个 Action（并行工具调用），提高效率。这个方法不需要解析 Action/Action Input，但对于简单任务效果很好。如果你不想用 ReAct 这种严格的格式，一个更轻量的方法是。复杂任务一次性交给 Agent，它容易"

工具的定义是一段 JSON Schema，它告诉 LLM：“我有一个函数，名字叫 xxx，功能是 xxx，需要这些参数”。"""定义 Agent 可用的工具集"""# ── 工具1：天气查询 ──"""查询指定城市的天气（模拟数据）""""北京": {"temp": 25, "condition": "晴", "humidity": 40},"上海": {"temp": 28, "conditio

有时候对话虽然没超过上下文窗口，但已经很长了，每次发送完整历史太浪费。这时候我们可以对历史做摘要。"""记忆压缩 —— 将本节代码追加到上一节的完整代码中即可运行"""import os"""对对话历史做摘要，压缩成一段文字这样旧的对话不用逐条发送，只发摘要就行"""# 把历史格式化成文本content = msg["content"][:200] # 每条截取前200字符"""记忆压缩 —— 将

我们要做一个个人知识库问答系统📤 用户上传自己的笔记/文档（txt、md、pdf）🔍 Agent 理解文档内容并建立索引💬 用户可以针对文档内容提问🧠 Agent 能记住对话上下文🌐 有 Web 界面，不需要命令行。

在上一篇 LangChain 快速入门中，我们学习了 Chain——它将 LLM 的调用流程固定下来：这种方式适用于流程确定的场景。但现实中，很多问题是开放式的：这些场景的共同特点是：你不知道 LLM 需要做什么、做几次、以什么顺序做——这就是 Agent 的用武之地。Agent 运行的核心是一个**"思考-行动-观察"循环**（Thought-Action-Observation Loop）：这

原因很简单传统大模型属于离线知识库，仅学习训练数据集内的历史信息，不具备主动联网、获取实时动态数据的能力。天气预报属于时效性极强的外部实时信息，模型无法调取，因此不能完成条件判断与后续提醒。想要实现「查实时天气 + 条件判断提醒」的完整流程，就需要结合联网工具调用、流程编排能力，这也是 AI Agent 区别于传统对话大模型的核心能力之一。试着在你的代码里加一个错误返回，看看 Agent 的反应。

"""通用 Agent 类 —— 每个 Agent 实例就是一个"员工"使用前请先: pip install openai python-dotenv并在 .env 文件中设置: DEEPSEEK_API_KEY=sk-你的密钥"""import os# DeepSeek 客户端"""封装 LLM 调用，返回文本回复""""""带工具调用的 LLM 调用，返回结构化结果"""return {],e

从0到1学习Agent开发

LLM 不直接处理"字"，而是处理 Token（词元）。英文：1 个 Token ≈ 0.75 个单词中文：1 个 Token ≈ 0.5 个汉字（中文更"贵"一些）"你好世界" → 大约 4-6 个 token"Hello World" → 大约 2-3 个 token。