例如简单的键值对（

范式核心机制优点缺点典型场景反应式刺激-响应规则快速、鲁棒无智能规划实时避障慎思式符号推理、规划强目标导向、可解释计算复杂、建模难任务规划混合式分层结合平衡实时性与智能性架构复杂自主机器人BDI信念、愿望、意图类人决策、适合协作计算复杂多Agent协作学习式机器学习自适应、处理复杂问题数据依赖、不可解释游戏、推荐系统社会型通信、协商分布式问题解决交互协议复杂电子市场、协同系统。

格式特点适用场景结构化、标准化，支持多工具调用，广泛集成主流 API 调用，生产级应用通用 JSON灵活，易定制，但需强提示约束自建 Agent，轻量级系统ReAct人类可读，自然语言混合，适合调试教学、研究、快速原型LangChain 抽象统一接口，兼容多种模型和格式基于 LangChain 的复杂 Agent 开发内容块结构，支持流式输出Anthropic 模型用户选择哪种格式取决于使用的模型

维度LangChain 的优势LangGraph 的优势开发阶段快速启动和原型设计。提供现成组件，让开发者能迅速拼凑出一个可用的智能体。深度优化和复杂部署。当智能体逻辑变得复杂，需要精细控制、循环和状态管理时，LangGraph 是更优选择。核心能力丰富的工具集成。通过工具（Tools）生态，让智能体能够连接世界。复杂的流程编排。通过有状态图，实现高度定制化、可预测的智能体行为。处理逻辑适用于线性

调用工具。判断是否成功？成功-> 返回结果给模型，继续下一步。失败->检查错误类型（格式错误、业务错误、网络错误）。格式化错误信息。将错误信息连同历史对话发回给大模型。增加错误计数。如果错误次数 < 3，让模型尝试修正并重试。如果错误次数 >= 3，触发哨兵机制，终止循环并告知用户失败。

这是最常用的策略。既然存不下所有历史，就把历史“变薄”。每当对话进行到一定轮次或接近Token上限时，触发一个“总结Agent”或调用LLM。让模型把当前的对话历史浓缩成一段摘要（例如：“用户询问了天气，然后订了餐厅，现在在问路线”）。清空历史缓冲区，只保留这个摘要 + 最近几轮完整的对话。每次总结时，不是从头总结，而是将旧的摘要 + 新的对话合并，生成新的摘要。保留了核心信息。会丢失细节（例如用

我们提出了 TableRAG，一个旨在保持表格结构完整性并促进异构推理的基于 SQL 的框架。如图 2 所示，TableRAG 由离线和在线工作流程组成。离线阶段负责数据库构建，而在线阶段则促进迭代推理。推理过程分为四个阶段展开：基于上下文的查询分解，以识别查询中文本和表格模态各自的角色；文本检索；SQL 编程与执行，此操作仅为需要表格数据推理的子查询选择性地调用；以及组合式中间答案生成。

使用自定义LLM# 在评估时指定metrics=[# 实现自定义评估逻辑评估是RAG系统迭代优化的关键环节，需要建立定期评估机制，并将评估指标纳入CI/CD流程。

切块：采用中小粒度块。检索：采用混合搜索或多路召回，设置较大的初始K值（侧重召回重排序：使用交叉编码器模型对结果重新打分。过滤：根据重排序分数截断，取Top M（如M=3-5），或者设置阈值（侧重精度送入LLM：将过滤后的高质量上下文交给大模型生成答案。这样，你就构建了一个“召回广、精度高”的RAG系统。

DeepSeek-V4系列模型在架构和性能上实现重大突破，主要包括：1）引入混合专家(MoE)架构的DeepSeek-V4-Pro(1.6万亿参数)和DeepSeek-V4-Flash(2840亿参数)，支持百万token上下文；2）创新性采用压缩稀疏注意力(CSA)和重度压缩注意力(HCA)的混合机制，显著提升长文本处理效率，使推理FLOPs降至V3.2的27%；3）引入流形约束超连接(mHC)