当上下文窗口接近极限时，需要对已有内容进行压缩。压缩不是简单的截断——你需要保留核心语义，去除冗余。# Python: 对话摘要压缩# 使用 Haiku 做摘要任务，成本最低"""将一段对话历史压缩为摘要"""system="你是一个对话摘要专家。请生成简洁但有信息量的摘要。",f"'用户'

当上下文窗口接近极限时，需要对已有内容进行压缩。压缩不是简单的截断——你需要保留核心语义，去除冗余。# Python: 对话摘要压缩# 使用 Haiku 做摘要任务，成本最低"""将一段对话历史压缩为摘要"""system="你是一个对话摘要专家。请生成简洁但有信息量的摘要。",f"'用户'

query: str“”“查询理解节点：解析问题，识别涉及的领域”“”# 此处调用LLM做意图识别与领域判断target_agents = [“finance_agent”, “hr_agent”]# 示例结果“”“财务领域检索智能体”“”# 此处执行财务领域的RAG检索逻辑result = “财务检索结果：2024年总营收12亿元，同比增长15%”“”“人力领域检索智能体”“”# 此处执行人办领

query: str“”“查询理解节点：解析问题，识别涉及的领域”“”# 此处调用LLM做意图识别与领域判断target_agents = [“finance_agent”, “hr_agent”]# 示例结果“”“财务领域检索智能体”“”# 此处执行财务领域的RAG检索逻辑result = “财务检索结果：2024年总营收12亿元，同比增长15%”“”“人力领域检索智能体”“”# 此处执行人办领

query: str“”“查询理解节点：解析问题，识别涉及的领域”“”# 此处调用LLM做意图识别与领域判断target_agents = [“finance_agent”, “hr_agent”]# 示例结果“”“财务领域检索智能体”“”# 此处执行财务领域的RAG检索逻辑result = “财务检索结果：2024年总营收12亿元，同比增长15%”“”“人力领域检索智能体”“”# 此处执行人办领

query: str“”“查询理解节点：解析问题，识别涉及的领域”“”# 此处调用LLM做意图识别与领域判断target_agents = [“finance_agent”, “hr_agent”]# 示例结果“”“财务领域检索智能体”“”# 此处执行财务领域的RAG检索逻辑result = “财务检索结果：2024年总营收12亿元，同比增长15%”“”“人力领域检索智能体”“”# 此处执行人办领

一个好的工具定义是工具可靠执行的前提。// TypeScript: 工具定义的完整 TypeScript 类型/** 工具唯一名称（使用 snake_case） *//** 工具功能描述（Model 根据此描述决定何时调用） *//** 参数 JSON Schema */required?: string[];/** 执行配置 */execution?: number;// 超时（默认 30000

一个好的工具定义是工具可靠执行的前提。// TypeScript: 工具定义的完整 TypeScript 类型/** 工具唯一名称（使用 snake_case） *//** 工具功能描述（Model 根据此描述决定何时调用） *//** 参数 JSON Schema */required?: string[];/** 执行配置 */execution?: number;// 超时（默认 30000

第1章我们建立了"Agent = Model + Harness"的认知框架，第2章我们深入了 Model 层面的 LLM 工程基础。本章是全书最核心的章节之一——我们将从架构层面深度解析 Agent 的内部构造，把"Agent = Model + Harness"公式从抽象概念落地为可执行的代码架构。读完本章，你将拥有一个完整的 Agent 框架骨架代码，后续章节（第4-8章）将逐一深入每个 H

第1章我们建立了"Agent = Model + Harness"的认知框架，第2章我们深入了 Model 层面的 LLM 工程基础。本章是全书最核心的章节之一——我们将从架构层面深度解析 Agent 的内部构造，把"Agent = Model + Harness"公式从抽象概念落地为可执行的代码架构。读完本章，你将拥有一个完整的 Agent 框架骨架代码，后续章节（第4-8章）将逐一深入每个 H