最小 ReAct 就是：让大模型先思考要不要调用工具，如果要，就执行工具并把结果写回状态，再继续思考，直到证据足够时输出最终答案。这一步非常重要，因为 observation 会进入下一轮状态，变成模型继续思考的依据。像“今日、今天、最新”这种词，如果不先锚定成绝对日期，模型就容易乱猜。模型负责思考，工具负责取信息，状态负责记过程，循环负责推进到答案。所以 ReAct 的重点不是“回答”，而是“边

demo验证: 参考: https://blog.csdn.net/ShuaiQIXiaoLuo/article/details/145134626(可以看看)使用浏览器访问http://ip地址:8000/api/v2/version显示版本号 即启动成功。创建虚拟环境: python -m venv llama-envpython 3.10 以上。激活: source llama-env/bi

虽然引用依赖是opengauss-jdbc,但opengauss-jdbc-3.1.0.jar中的路径依旧是 org.postgresql.Driver。引入OpenGauss的maven依赖(版本太高可能会出现依赖冲突,比如7.0.0会有slf4j的依赖冲突)连接使用navicat等使用postgreSQL或者opengauss驱动。所以driverClassName填写 org.postgre

3. 用 set_entry_point / add_edge / add_conditional_edges 定义边。2. 用 add_node 注册所有节点（名字→函数的映射）。1. 创建 StateGraph 实例,传入状态结构定义。4. 调用 compile() 编译为可执行的图。

interrupt_before/interrupt_after在某些节点前/后暂停, 此次代码在compile() 阶段配置。从 checkpoint 恢复：传 None, graph会根据config从checkpointer读取中断时的状态;async异步写入(后台异步写入,线程级异常,或者系统级异常上个节点状态可能来不及写入),其实是学习graph.stream() / graph.inv

原因是Command(resume=resume_value)是将数据传给human_review中的 review_result,并不是将resume_value转成 图状态(HumanInterruptState), human_review中的return 才是真的更新图的状态;同时注意graph.invoke(Command(resume=resume_value), config)使用的

参考: https://langchain-doc.cn/v1/python/langchain/quickstart.html。

内存存储 (Memory storage): LangGraph 将长期记忆作为 JSON 文档存储在存储 (store) 中。LangChain 的 create_agent 实际上是在 LangGraph 的运行时环境下运行的。活动的智能体发生变化，用户可以继续直接与新的智能体交互。你可以在工具 (tools) 和中间件 (middleware) 中访问运行时信息。当主智能体决定任务与子智能体

安装 VS Code 插件：Remote-SSH参考: https://blog.csdn.net/xy3233/article/details/149528434。参考: https://www.lixueduan.com/posts/ai/05-finetune-llamafactory/使用的 LoRA 微调，会生成单独的 LoRA 权重，当微调完成后需要将原始模型和 LoRA 权重进行合并

milvus操作参考: https://milvus.io/docs/zh/manage-collections.md。这种记忆库就是利用大模型,将对话提取/总结, 其效果非常依赖大模型的质量和prompt(默认prompt可能效果不佳)基础存储无记忆管理逻辑，仅提供基础增删改查。milvus安装之后可以使用 http://ip:9091/webui可视化页面查看。git地址: https://g