本文介绍了在Docker环境中构建基础AI Agent的开发流程。首先强调理解底层数据流的重要性，提出Agent本质是一个包含观察、思考、行动、结果的循环过程。详细说明了Docker网络配置要点，包括服务名作为内部域名的使用方式。提供了虚拟环境配置指南，推荐使用pyproject.toml管理依赖。实战部分展示了如何定义工具集（如获取日期时间函数）并与LLM交互，通过纯Python实现一个能调用本

文章摘要： 本文介绍了如何为AI Agent添加持久化记忆功能，实现会话的断点续聊。通过LangGraph框架的Checkpointer机制，可将对话状态自动保存到数据库，下次运行时通过thread_id恢复上下文。文章详细演示了使用MemorySaver实现本地内存存储的步骤，包括引入检查点模块、修改编译配置和运行时传入thread_id等关键代码实现。同时预留了切换到Redis存储的接口，为后

MCP协议：AI系统连接外部世界的标准化方案 MCP（Model Context Protocol）是解决大模型与外部系统连接的核心协议，它超越了简单的函数调用，提供了一套完整的标准化交互框架。该协议主要解决三个关键问题：如何安全访问业务系统、如何发现可用工具、如何规范调用流程。 MCP协议包含三大核心能力： Tools（可执行动作） Resources（可读取资源） Prompts（可复用模板）

本文介绍了在Docker环境中构建基础AI Agent的开发流程。首先强调理解底层数据流的重要性，提出Agent本质是一个包含观察、思考、行动、结果的循环过程。详细说明了Docker网络配置要点，包括服务名作为内部域名的使用方式。提供了虚拟环境配置指南，推荐使用pyproject.toml管理依赖。实战部分展示了如何定义工具集（如获取日期时间函数）并与LLM交互，通过纯Python实现一个能调用本

LangGraph 是一个面向有状态 Agent 的低层编排框架，它通过 state、node、edge、reducer 和 checkpoint 来驱动复杂流程执行。到这里，前面的问题其实都已经融在正文里讲完了。如果你想最后快速复习，可以直接看这张表。问题简洁回答什么是 LangChain？一个面向 LLM 应用和 Agent 开发的高层框架，不只是“链式调用库”LangChain 的核心组件有

本文探讨了大模型从"问答系统"向"智能体(Agent)"演进的关键转变。文章指出，Agent系统通过引入目标导向、工具调用、状态管理和环境交互四大能力，使大模型能够持续完成任务而非仅生成一次性回答。文中重点分析了LangChain Agent的运行机制和ReAct范式，强调Agent不是简单的工具调用封装，而是包含模型、工具、状态、反馈循环、记忆和安全控制等

Django MVT与FastAPI DDD架构的核心区别在于设计哲学与组件结构。Django采用全功能集成式的MVT（Model-View-Template）模式，内置ORM、模板引擎等组件，适合快速构建全栈应用；而FastAPI基于路由和依赖注入，强调模块化与高性能，默认支持异步和API优先开发，适合微服务和高并发场景。关键差异包括：Django隐式处理依赖（如request对象），FastA

本文介绍了在Docker环境中构建基础AI Agent的开发流程。首先强调理解底层数据流的重要性，提出Agent本质是一个包含观察、思考、行动、结果的循环过程。详细说明了Docker网络配置要点，包括服务名作为内部域名的使用方式。提供了虚拟环境配置指南，推荐使用pyproject.toml管理依赖。实战部分展示了如何定义工具集（如获取日期时间函数）并与LLM交互，通过纯Python实现一个能调用本

摘要：Tortoise-ORM是一个异步Python ORM框架，基于Django ORM设计，适合FastAPI等异步应用。文章介绍了ORM的基本概念、Tortoise-ORM的配置方法（包括MySQL连接设置），以及使用Aerich进行数据库迁移的完整流程（初始化、生成迁移脚本、应用迁移等）。同时提供了详细的用户模型示例，展示字段类型定义和常用配置选项。

本文介绍了如何为RAG系统构建自动化评估体系，重点讲解了Ragas框架的集成方法。文章基于WSL2+Ubuntu+Docker的云原生开发环境，通过改造现有架构，新增评估适配器模块来实现自动化评估。主要内容包括：Ragas框架的优势（无参考评估、LLM自动打分、全面指标）、系统架构设计（新增评估逻辑文件和数据管道修改）、以及实战代码实现步骤（依赖安装、数据管道改造）。该方案能够将PostgreSQ