将AI Agent视为一个功能强大的助手，他需要明确的指令和相关信息才能做好工作。上下文工程是设计和管理围绕 AI Agent的信息生态系统（称为“上下文”）的过程。这是为了在正确的时间以正确的格式向代理提供正确的信息，以便它能够准确有效地执行任务。与侧重于制定单一、措辞良好的指令的提示工程不同，上下文工程是更广泛的系统级方法，它涉及编排指令、对话历史记录、记忆和外部数据等多个组件来指导代理的行为

在开始之前，让我们先介绍一下RAG基础知识。RAG 主要包括两个步骤： 检索 （从数据库中查找相关信息）和生成 （使用 GPT 等 LLM 根据检索到的信息生成响应）。这有助于帮助LLM在真实数据中生成正确答案来避免“幻觉”（编造事实）。示例：您问人工智能：“气候变化政策的最新情况是什么？”，传统的 RAG 会将查询嵌入为向量，在向量数据库中搜索文档中的类似文本块，并将它们提供给 LLM 以获得响

GraphState 类会定义智能体需要的字段，StateGraph会返回一个用于构建图的构建器，在构建器上逐渐增加node和edge，从而可以构建完整的Graph。

ChatGPT 发布： 2022 年 11 月 30 日，OpenAI 推出了基于 GPT-3.5 的 ChatGPT，这是首个主流的语言学习管理（LLM）应用。ChatGPT 保留了用户熟悉的聊天机器人界面，但其背后是经过庞大互联网语料库训练的先进语言学习管理技术。Transformer 架构： GPT（生成式预训练 Transformer）基于 Google 于 2017 年推出的 Trans

推荐阅读列表在本博客中，我们将探讨不同类型的AI Agents ，包括它们的实现方式、实际应用、优势和局限性。从简单的反射型代理到Multi-Agent系统 ，我们将探索这些模型如何助力自动化、决策制定和智能问题解决。

在 HLE 测试中，DeepResearch 使用的模型在专家级问题上达到了 26.6% 的准确率，刷新了之前由 OpenAI o3-mini 保持的 18.2% 的纪录。但为了能生成专业的长篇报告，以及方便指导后续的信息搜索，生成有指导意义的写作大纲是有必要的，类似 "Plan-and-Solve" 的思路，先充分规划，再有效执行。：类似于系统的 "探索者"。：随着大语言模型（LLM）能力的不断

推荐阅读列表。

Qwen3-Embedding 的训练通过“合成数据生成→高质量精炼→模型融合”的三阶段框架，结合双编码器架构与指令微调技术，实现了多语言、长文本、高泛化性的语义表征能力。其开源的0.6B/4B/8B全规格模型（Apache 2.0协议）及阿里云API服务，大幅降低了企业落地高精度检索系统的门槛。开发者可通过Hugging Face或ModelScope快速部署。

从OpenAI的ChatGPT Agent，到国内各类智能助手，大家都在讨论：人工智能究竟能做到什么程度的自主理解与执行？尤其是在面对海量音视频内容时，传统工具越来越显得力不从心。行业共识是，未来的AI Agent不只是简单回答问题，更要主动理解信息、整理知识、辅助决策。无论是会议记录、在线课程还是播客内容，如果每条都需要人工整理，不仅效率低，还容易遗漏关键信息。换句话说，AI要真正成为我们的知识

比起在 create_agent 中通过 state_schema 定义自定义状态，通过中间件定义自定义状态是更可取的，因为它允许你将状态扩展在概念上限制在相关的中间件和工具范围内。智能体遵循 ReAct（“推理 + 行动”）模式，在简短的推理步骤和有针对性的工具调用之间交替进行，并将由此产生的观察结果输入到后续决策中，直到能够给出最终答案。在某些情况下，希望代理以特定格式返回输出，LangCha