本篇文章我们从0到1实战了从部署k8s集群，到训练一个CV算法模型的小案例，不仅掌握了构建集群和训练CNN模型的基本流程，还学习了如何评估使用模型进行推理，帮助将来使用的时候得心应手。K8S工具功能强大，如何进行计算资源分配，限制，调度等延伸能力，感兴趣的同学可以继续往下深究，如何训练模型，使用模型这些技能都是CV算法工程师的基础能力，若感兴趣可以在案例的基础上进行延伸扩展，试试模型优化参数调优。

这套监控功能还是挺强大的，就是Prometheus的表达式有点多。附上几个链接：Prometheus官方文档Grafana官方文档代码地址。

例如，如果您配置了 Telegram 机器人令牌，所有三个网关副本都将拥有相同的令牌，但 Telegram 一次只能将消息发送到一个活动的 Webhook 端点。一台配置良好的单台 VPS，配合 systemd、完善的监控和定期备份，就能处理绝大多数实际工作负载，而无需 Kubernetes 那样复杂的运维。中讨论的高级内存后端（QMD、Cognee、Mem0），则这些服务应该各自拥有独立的持久性

在这之前，我从未用过mcp，只用过最原始的 vs code插件，codex gemini Claude 的官方插件。我的claude 是 官网pro订阅（Google pay付款），codex是 一刀gpt team （贝宝付款）以下教程基于mac的vs code，如果你是windows，那么这个教程并不适用。简单说一下需要什么：算了，什么都不需要，需要一颗探索的心。慢慢摸索，通宵在我的mac上面

当需要信息时，将当前查询也转化为向量，在向量数据库中进行相似性搜索（Similarity Search），找到最相关的记忆片段，并注入到当前 Prompt 中。记住之前的对话上下文，避免用户重复信息，使 Agent 具有状态，能够跨越多次交互保留和回忆信息。它们一个管“当下”，一个管“过去”，相互协作，共同构成了Agent完整且强大的记忆能力，并且。，将详细的短期记忆压缩成简洁的长期记忆要点存入向

规划模块是AI Agent的“大脑决策中心”，负责将复杂任务分解为可执行的子任务序列，并动态调整执行策略。它使Agent能够处理多步骤、需要推理的复杂问题。

LangChain 在 1.0 版本中，将所有 Agent 的创建方式统一为了一个入口——create_agent()。它取代了旧版本中的 create_react_agent、create_json_agent、create_tool_calling_agent 等多种分支函数，真正让开发者用一行代码即可创建任何类型的智能体。在 LangChain 0.x 时代，框架内的 Agent 系统经历了

不仅实现了对微信群内关键内容的快速抓取，还能精准总结特定成员在某段时间内的发言，真正解决了“重要内容被埋没”的痛点。目前通义千问 Qwen3 模型不仅可以在阿里云百炼平台上直接体验模型，智能体和工作流内也已接入 Qwen3 模型，可以将 Qwen3 结合知识库，插件，MCP 能力，创建更强大的 AI Agent。可以看到，他先调用了时间，然后再群聊中筛选了记录，成功的总结了大佬的语录，并且进行了一

您可以将几乎任何REST API、CLI工具、SaaS平台、数据库、Webhook源或内部系统连接到您的代理。大多数 SaaS 集成都属于这一类：GitHub、Stripe、天气 API、航班跟踪器、CRM 端点、内部仪表板。，以便理解网关、代理、工具和模型层。中描述的 systemd 生产环境设置进行操作，则您的 Gateway 已经支持插件加载。代理程序仅在需要时加载该文件，即使您安装了许多技

AirFlow/NiFi/MLFlow/KubeFlow进展：https://blog.csdn.net/chenhuipin1173/article/details/100913909。cube开源一站式云原生机器学习平台：https://blog.csdn.net/luanpeng825485697/article/details/123619334。支持的训练架构-https://www.k