✅基础记忆：通过实现跨轮次状态保持；✅智能裁剪：利用中间件动态精简上下文，避免 token 耗尽；✅主动遗忘：按需删除敏感或冗余信息，提升安全性与效率。这些能力使得 Agent 不仅“聪明”，而且“可靠”——既能记住重要信息，又不会被冗长的历史拖累。

的作用是允许工作线程安全地与主线程的事件循环交互，确保回调函数在正确的线程（事件循环所在的线程）执行。其中获取当前asyncio事件循环。

特性LangChainLangGraph核心定位快速构建功能完善的LLM应用框架为智能体设计复杂控制流的运行时主要目标开发效率与标准化，提供开箱即用的组件精细控制与灵活性，支持定制化工作流擅长场景通用AI应用（如聊天机器人、文档问答）复杂、有状态的自主智能体（如模拟、多步推理）类比提供了一套完整的乐高积木和搭建手册提供了设计和连接复杂齿轮与传动系统的工具关系提供了智能体的核心组件（工具、记忆等）基

Model Context Protocol（MCP）是一种开放协议，旨在为AI模型与其运行环境之间建立标准化的通信机制。通过MCP，AI模型可以发现和使用各种工具、资源和提示词，从而扩展其能力边界。标准化接口：提供统一的API规范，便于不同组件间的互操作可扩展性：支持自定义工具、资源和提示词的添加多传输协议：支持多种通信方式，包括HTTP、SSE、stdio等安全性：通过明确定义的接口控制模型对

我们需要了解，当我们给Agent输入一个query时，它会经过哪些处理，最终得到输出呢？通过了解这整个过程，可以使我们对Agent有一个更深入的理解。@tool"""发送邮件 - 该工具可以发送电子邮件给指定收件人Args:to: 收件人邮箱地址或姓名subject: 邮件主题body: 邮件正文内容"""email = {"to": to,# ...邮件发送逻辑print(f"📧 工具执行:

但当 batch size 很大时，中间激活和梯度会占用大量显存，可能超出 GPU 显存。当batch size很小，比如为1时不会超过GPU显存，它会每训练一个样本，然后计算一次梯度，由于样本之间的差异很大，导致更新的梯度忽大忽小不可控，导致训练过程不稳定、收敛缓慢，甚至无法收敛。得到平均梯度，然后一次性更新模型参数，从而在不增加显存占用的前提下，获得大。都是参数，他们会在反向传播的过程中会进行

Canny算法实现需要五步：高斯模糊灰度转换计算梯度非最大信号抑制高低阈值输出二值图像算法原理参考：Canny算法原理下面展示 代码。import cv2 as cv# 边缘检测述算法def edge_image(image):# 高斯模糊blurred = cv.GaussianBlur(image, (1, 1), 0)# 转灰度图gray = cv.cvtColor(blurred, cv.

✅基础记忆：通过实现跨轮次状态保持；✅智能裁剪：利用中间件动态精简上下文，避免 token 耗尽；✅主动遗忘：按需删除敏感或冗余信息，提升安全性与效率。这些能力使得 Agent 不仅“聪明”，而且“可靠”——既能记住重要信息，又不会被冗长的历史拖累。

工具执行可能失败（如除零错误）。我们可以通过中间件拦截异常并返回友好提示。try:str)",@dataclassAgent 默认记住对话历史（messages），但我们还可以添加自定义字段，如user_info。本文通过六个递进式实验，系统性地展示了 LangChain/LangGraph 框架下构建高阶 Agent 的关键技术路径。能力维度技术实现机制核心价值典型应用场景工具集成与推理链编排通

在前面的章节中，我们学习了查询优化和路由技术。但是，检索质量不仅取决于查询，还取决于如何组织和索引文档。本章将深入探讨高级索引和检索策略。基础索引的局限性问题1: 文档过长问题2: 上下文丢失问题3: 多语义内容问题4: 检索冗余文档分块（Chunking）是将长文档切分成更小片段的过程。好的分块策略能显著提升检索质量。方法1: 固定长度分块方法2: 句子级分块方法3: 语义分块 ✅ 推荐1.1.