步骤钩子位置涉及中间件1. 人类询问→发给模型PII 脱敏 → Summarization 摘要 → ModelRetry 重试 → LLMToolSelector 筛工具2. 模型调用工具HumanInTheLoop 审批 → ToolRetry 重试 → ToolCallLimit 限次3. 工具回复模型before_model（回到循环）ContextEditing 清理 → Summari

告诉模型行为并提供交互上下文，给模型定角色、提供背景。SystemMessage(content="你是一个专业的 Python 翻译助手，只回答翻译结果")用途- 设置语调（正式/幽默/简洁）- 定义模型角色（翻译助手/代码专家/数据分析师）- 为 response 建立指导规则- 给模型一个"性格"和"回答风格"概念一句话理解Message模型交互的输入输出单元，携带 role + conte

概念一句话理解LLM经预训练+微调，无需再训练即可执行多种任务微调获得的能力，模型输出工具调用意图（JSON）类比前后端 JSON 规范，模型输出符合 schema 的结构化数据支持图片/音频/视频等非文本输入输出Reasoning模型是 Agent 的大脑，负责决策、解释、判断终止LangChain 接口标准化统一接口，可无缝切换不同模型提供商两种使用方式直接调用（简单任务）vs Agent 驱

告诉模型行为并提供交互上下文，给模型定角色、提供背景。SystemMessage(content="你是一个专业的 Python 翻译助手，只回答翻译结果")用途- 设置语调（正式/幽默/简洁）- 定义模型角色（翻译助手/代码专家/数据分析师）- 为 response 建立指导规则- 给模型一个"性格"和"回答风格"概念一句话理解Message模型交互的输入输出单元，携带 role + conte

这是整个框架的灵魂与基石，定义了所有组件的“标准接口”（如模型、提示词、输出解析器）。

调用方法特性典型应用场景单次输入，单次输出简单的问答、工具调用单次输入，流式输出Web 聊天界面、实时翻译多次输入，并行输出批量数据清洗、文档嵌入异步 (Async)非阻塞，并发处理高并发 API 网关、微服务。

这是整个框架的灵魂与基石，定义了所有组件的“标准接口”（如模型、提示词、输出解析器）。

注意力 = Q-K 匹配 + V 加权不是“修改信息”，而是“选择并组合已有信息”。Query 是“我在问什么”（Decoder 当前需求）Key 是“你能回答什么”（Encoder 各位置能力）Value 是“答案内容”（真正要取的信息）Softmax 是归一化工具，让权重可解释为“关注比例”。缩放（/√dₖ）不是可选项——它是稳定训练的关键技巧。多头注意力 = 多组独立 QKV→ 让模型同时关

自然语言处理（NLP）的核心发展经历了三次技术跃迁：传统统计时代： 基于规则与特征提取（如词袋模型、TF-IDF），利用概率论进行分类与标注，但面临“维度灾难”与“语义鸿沟”。深度学习时代： Word2Vec 实现了词汇的向量化表示；RNN 与 Seq2Seq 架构赋予了模型处理时序数据和上下文记忆的能力，但受限于长文本的“信息压缩瓶颈”与串行计算的低效。大模型时代： 注意力机制（Attentio

各种类加载器之间的层次关系被称为类加载器的“双亲委派模型（Parents DelegationModel）”。是一个自顶向下层级关系。双亲委派模型要求除了顶层的启动类加载器外，其余的类加载器都应有自己的父类加载器。不过这里类加载器之间的父子关系一般不是以继承（Inheritance）的关系来实现的，而是通常使用组合（Composition）关系来复用父加载器的代码。