Workflow 与 Agent SDK（Python/TypeScript）的关系：何时用 Agent SDK 自行编排、何时用 workflow？：workflow 可达 1000 agent/run，单次 run token 消耗显著高于 conversation，文档仅给出"meaningfully more tokens"定性描述。（包括"无 CLI 命令/配置 API"、"workfl

1. 执行路径规划是Agent智能的核心维度。从STRIPS到DeepSeek R1，54年的演进历史表明：Agent的"聪明"不在于模型的参数量，而在于它如何规划、执行和验证自己的行动路径。2. LLM单独无法可靠规划。PlanBench的数据以令人震惊的清晰度证明了这一点——所有传统LLM在Mystery Blocksworld上准确率为0%或接近0%。但推理模型（o1, DeepSeek R

自行解析 SKILL.md 文件，将 frontmatter 和指令内容转换为 LangChain 的 System Message 或 Tool。

意图识别（Intent Detection/Classification）是自然语言理解（NLU）的核心组成部分，与槽位抽取（Slot Filling）共同构成语义解析的完整链路。意图识别负责精准判断用户的语义目的，将用户输入映射到预定义的意图类别（如"查询天气"、"预订餐厅"）。槽位抽取则从语句中提取时间、地点、数量等实体参数。aliyun-1场景特征推荐方案理由意图少（≤5）、延迟敏感或训练快

MCP（Model Context Protocol，模型上下文协议）由 Anthropic 于 2024年11月推出，是连接 LLM 与外部工具、数据源的标准化协议，被业界形象地比喻为"AI 的 USB-C 接口"[1]。随着 MCP 在 2025–2026 年被广泛采用，其安全体系经历了从"可选认证"到"企业级纵深防御"的快速演进。

AI Agent的路径规划（Path Planning）是指Agent在面对复杂任务时，自主确定执行步骤序列的能力。传统LLM以自回归方式逐token生成输出，类似于"即兴发言"而非"深思熟虑"。单一路径依赖：一旦某步推理出错，后续全链路受影响且无法回溯；无中间评估能力：无法判断每一步推理的合理性；缺乏全局规划：不会拆解复杂问题，不会多方案权衡。LangGraph是LangChain生态中的图状态

AI Agent的路径规划（Path Planning）是指Agent在面对复杂任务时，自主确定执行步骤序列的能力。传统LLM以自回归方式逐token生成输出，类似于"即兴发言"而非"深思熟虑"。单一路径依赖：一旦某步推理出错，后续全链路受影响且无法回溯；无中间评估能力：无法判断每一步推理的合理性；缺乏全局规划：不会拆解复杂问题，不会多方案权衡。LangGraph是LangChain生态中的图状态

AI Agent的路径规划（Path Planning）是指Agent在面对复杂任务时，自主确定执行步骤序列的能力。传统LLM以自回归方式逐token生成输出，类似于"即兴发言"而非"深思熟虑"。单一路径依赖：一旦某步推理出错，后续全链路受影响且无法回溯；无中间评估能力：无法判断每一步推理的合理性；缺乏全局规划：不会拆解复杂问题，不会多方案权衡。LangGraph是LangChain生态中的图状态

在 LangGraph 中，意图识别通过路由节点（Router Node）+ 条件边（Conditional Edges）实现。路由节点负责识别用户意图并输出结构化分类结果，条件边根据该结果将执行流导向不同的处理分支。核心模式：先处理输入，再将其导向上下文相关的任务流。出处：LangGraph 条件边与动态路由技术文章特性实现方式出处意图识别路径规划动态分支选择构建具备 Cyclic Loop（循

意图识别（Intent Detection/Classification）是自然语言理解（NLU）的核心组成部分，与槽位抽取（Slot Filling）共同构成语义解析的完整链路。意图识别负责精准判断用户的语义目的，将用户输入映射到预定义的意图类别（如"查询天气"、"预订餐厅"）。槽位抽取则从语句中提取时间、地点、数量等实体参数。aliyun-1场景特征推荐方案理由意图少（≤5）、延迟敏感或训练快