任务：电商评论情感二分类（正面 / 负面）模型路线：BERT 预训练编码器（1.02 亿参数）+ 线性分类头（BCE 路线，输出 1 个 logit）实测结果：测试集准确率95.04%（LSTM 项目为 91.48%）💡 这个项目的独特价值：与作者此前从零训练的 LSTM 情感分类项目（同数据集、同任务、同 SEQ_LEN，是"预训练微调 vs 从零训练"最公平的对照实验。

AI Agent 开发不是「提示词工程」或「模型训练」——是构建、测试、治理、管理自主目标驱动软件系统的正式工程学科核心挑战：概率性转变（Probabilistic Shift）f(5) 永远返回 10，返回 11 就是 bug——测试二元正确性（Pass/Fail），可能返回结果 A 或 B，两者都可能是有效的——天生非确定性，这改变了一切开发和 QA 方式「Agent 的 DevOps」——管

RAG = Retrieval-Augmented-Generation（检索增强生成）——企业生成式 AI 最常用的架构目标：用特定私有文档回答用户问题，而不是 LLM 训练数据口诀：别让 LLM 猜答案——把答案给它，让它总结「接地（Grounding）」机制——让 LLM 扎根事实，减少幻觉，能用新信息系统：线性单向「链」；智能：LLM 只在最后用一次（总结）脆弱——第一步（检索）不完美就全

Schema（工具说明书）：JSON 描述——①name：函数名（get_weather）②最重要，清晰自然语言描述工具做什么（“获取指定城市当前天气”）③parameters：参数描述（city: string, “城市名，如 London”）LLM（选择者）：推理——"目标关于天气，get_weather 的描述匹配；Orchestrator（执行者，我们的代码）：①收 JSON ②解析（na

8.安装你需要的第三方库，这里我安装的是 numpy、pandas、requests、scikit-learn。1.一键安装 Python3、Python 虚拟环境工具、pip 包管理工具。7.升级当前虚拟环境pip 工具到最新版本。，方便后续在其他环境一键复刻相同依赖。文件（可以写你的Python脚本）11.运行Python 脚本。的 Python 虚拟环境。10.Vim 编辑器新建。9.把当前

内部训练数据可能过时——必须计划：①search_for_info ②analyze_results ③write_report。

课程全称：Agentic AI Architectures with Patterns, Frameworks and MCP（智能体式 AI 架构：模式、框架与 MCP）。副标题承诺三个核心交付：将要学习：① Router & Specialist路由 + 专家分工② Tool Use + MCP + HITL工具调用 + 协议 + 人工确认③ ReAct + Reflection + Hand

课程：《Agentic AI Architectures with Patterns, Frameworks and MCP》笔记整理（第 464–512 页）

各服务说着自己的「方言」（Function-calling dialect、Microsoft Agent Framework dialect、Custom REST API……），混乱不堪。短期修复，长期架构债务巨大供应商锁定：OpenAI 的 Agent 被锁进 OpenAI 生态N 平方问题：连接 100 个 Agent 需要约5,000个自定义集成根本上不可扩展：无法扩展到全球 Agent

Agent不是工具，是「数字员工（Digital Employee）」——你给它一个目标（Goal），它有技能（工具/API），它自主工作达成目标。**感知（Perceive）**其环境**推理（Reason）**做决策行动（Act）（自主地）达成目标。