大模型的 “幻觉”（Hallucination）是指模型在生成内容时，输出的信息。这种现象是当前大语言模型（LLM）的核心挑战之一，本质是模型 “记忆偏差” 与 “推理缺陷” 的综合体现，而非真正的 “欺骗”—— 模型本身无法判断输出的 “真实性”，仅基于训练数据的统计规律生成内容。可以说，当应用需求集中在利用大模型去，且知识库足够大，那么除了微调大模型外，就是非常有效的一种缓解大模型推理的“幻觉

Agent是动态协调大语言模型(LLM)与工具(Tools)的智能系统，通过LLM决策大脑自主调用工具完成复杂任务。其核心组件包括LLM、记忆(Memory)、工具(Tools)等，支持任务拆解与动态规划。Agent与AgentExecutor分工明确，前者决策，后者执行。实现方式分为Function Call模式（高效调用固定工具）和ReAct模式（自主决策+工具链式调用），两者可结合使用。通过

LangChain的Tools机制通过整合外部资源扩展了大语言模型的能力。摘要介绍了Tools的核心概念和两种自定义工具的方法：1）使用@tool装饰器快速创建简单工具；2）通过StructuredTool.from_function类方法实现更灵活的配置。两种方式都支持定义工具名称、描述、参数结构等要素，并可通过invoke方法调用。这些工具可以与Agent结合，使LLM能处理实时数据查询、计算

在 LangChain 中，Memory（记忆） 是用于在多轮对话或连续任务中保存和管理上下文信息的核心组件。它解决了大模型 “无状态” 的问题 —— 默认情况下，模型无法记住前序对话内容，而 Memory 能将历史交互数据（如用户提问、模型回答）存储起来，供后续步骤调用，从而实现连贯的多轮对话或任务上下文依赖。例如，在聊天机器人场景中，用户说 “帮我推荐一本科幻小说”，模型推荐《三体》后，用户接