机器学习常用评价指标，分类问题：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1-score、ROC 曲线和 AUC 值、Log 损失（Log Loss），回归问题：均方误差（MSE，Mean Squared Error）、均方根误差（RMSE，Root Mean Squared Error）、平均绝对误差（MAE，Mean Absolute Error）、决

InMemoryStore 是 langgraph.store.memory 模块中的类，基于 Python 字典实现了一个高效的内存键值存储。它支持层次命名空间、批量操作和可选的语义搜索，适用于快速迭代和临时数据存储。由于数据存储在内存中，程序重启后数据会丢失，因此主要用于开发、测试或短期记忆场景。它适合开发和测试场景，因数据不持久化，生产环境建议使用其他存储（如 PostgresStore）。

在 LangChain 中，langchain_core.messages 模块是用于定义和管理消息对象的核心组件，广泛应用于聊天模型、代理（Agents）和对话链（Conversational Chains）。消息对象表示用户、模型、工具或其他实体之间的交互内容，通常用于构建对话上下文、传递工具调用结果或维护对话历史。核心类：HumanMessage：用户输入。AIMessage：模型响应，支持

在 LangChain 中，langchain_milvus.Milvus 是用于与 Milvus 向量数据库交互的向量存储类，适用于存储高维嵌入向量并进行高效相似性搜索。langchain_milvus.Milvus 的常用方法包括：添加数据：add_documents, add_texts, from_documents, from_texts。检索：as_retriever, similar

langchain_core.tools 模块提供了一套类和函数，用于创建、配置和管理工具。工具是封装特定功能的组件，例如数据检索、数学计算或 API 调用，允许语言模型通过调用工具与外部系统交互。该模块通过标准化的接口和灵活的配置选项，确保工具与 LangChain 的可运行对象（Runnable）生态系统无缝集成。通过基类（如 BaseTool）、工具实现（如 StructuredTool）和

RunnablePassthrough 是 LangChain 核心库中的一个简单 Runnable 类，用于在 LCEL 链中直接传递输入而不进行任何修改。它作为一个占位符或桥梁，确保输入数据可以无缝流向链的下一个组件，特别适合需要保留原始输入或将其与其他处理结果组合的场景。初始化：无需参数，简单创建。常用方法：invoke（同步）、ainvoke（异步）、assign（字段映射）。适用场景：R

create_sql_query_chain 是 LangChain 库中 langchain.chains.sql_database.query 模块的一个函数，用于创建一个 LCEL（LangChain Expression Language）链，将自然语言查询转换为 SQL 语句。它结合语言模型和数据库上下文（如表结构），生成符合数据库方言的 SQL 查询，适合需要从数据库中提取数据的场景。

langgraph.graph.add_messages 是 LangGraph 提供的一个实用函数，位于 langgraph.graph 模块中，用于处理和更新消息列表（List[BaseMessage]），特别适用于基于消息的工作流，例如对话系统或 MessageGraph。它的主要作用是：合并消息：将新的消息（来自节点输出或用户输入）追加或合并到现有的消息列表中。处理消息更新：支持消息的覆盖

langchain_core.tools.BaseTool 是 LangChain 框架中用于定义语言模型可调用工具的核心抽象基类。它提供标准接口，支持输入验证、错误处理、工件输出及与 LangChain 可运行对象的集成。开发者通过子类化 BaseTool 定义自定义工具，指定工具名称、描述、输入模式和执行逻辑。它与 @tool 装饰器和 InjectedToolArg 配合使用，适合构建复杂代

InMemorySaver 是 langgraph.checkpoint.memory 模块中的类，基于 Python 的 collections.defaultdict 实现了一个内存中的检查点保存器。检查点是 LangGraph 中用于保存图状态的机制，确保代理在多轮对话或多步任务中保持上下文连续性。InMemorySaver 通过 thread_id 跟踪会话，支持快速读写，但数据在程序重启