coder__zhao-优快云博客

原创 Python并发编程

CPU密集型：任务的完成受到I/O的限制，I/O在很短的时间就可以完成，CPU需要大量计算，CPU占用率高。CPU开始运行遇到IO操作切换另一个task执行，CPU和IO是可以同时并行进行的，本质还是一个CPU。IO密集型：任务的完成受到CPU的限制，CPU运算可以在很短的时间内完成，读取磁盘内存的操作。多进程：multiprocessing，利用多核CPU的能力，真正的并发执行任务。多进程Process；单线程执行过程：CPU->IO->CPU->IO。多CPU并行：CPU->IO->CPU->IO。

2026-10-09 19:03:19 80

原创零基础学agent（6）：langchain本包

工具是 Agent 能够执行的动作。@tool"""根据商品单价和数量计算总价。"""使用system_prompt="遇到商品总价问题时，先使用计算工具。",{"role": "user", "content": "单价 12.5 元，买 2 件，共多少钱？"}})是注册工具，不是立即执行工具。运行时，模型可以提出工具请求；Agent 执行对应函数，把结果送回模型，再由模型决定下一步。模型也可能不调用工具，因此需要检查实际运行记录，而不能仅凭tools参数断定工具已经执行。

2026-10-01 15:58:33 177

原创零基础学agent（4）：彻底理解langchain底层langchain-core

RunnableLambda是langchain-core中LCEL体系的核心基础组件，作用是把任意普通python函数包装成标准的Runnable接口对象，从而可以接入LCEL的链式调用，和Prompt、模型、解析器等其他Runnable组件拼接。invoke将字典中的键值"question"对应模板中的{question},将内容填充进去，填充完毕得到的是ChatPromptValue。在聊天模板预留一个位置，用来插入多条已经存在的消息，它本身不产生消息，也不保存历史，更不会自动调用模型。

2026-10-01 12:30:48 354

原创零基础学agent（5）：数据库基础

name，major=这两列，逗号分隔；打开新连接后，先执行一次USE，就不容易找错表的位置。习题：设计一张practice_users表：id是自动编号的主键；nickname是最多30个字符、不能为NULL的文本。id为自动编号，所以新增学生时候可以不填写它。删除students表格里面id为999的那条记录，如果不存在通常显示删除了0行。读成：“从学生表中，找出编号为1的学生，只显示姓名和专业”括号内各列之间用逗号分隔，最后一列后面不加逗号。建表时，要规定列名、数据类型和规则。

2026-09-30 14:24:23 229

原创零基础学agent（3）：从最简项目理解RAG

创建文件夹并且进入，然后创建一个Python的记事本脚本，只要你本地电脑中已经有Python就足够了，不需要再设置虚拟环境，因为接下来这段代码不需要安装其他Python的包，只需要Python自带的内容就可以完成了。4、元数据增强（记录重要数据）：检索时可做元数据过滤（比如只搜某份文件、某类主题），回答时可溯源到具体页码。在真实项目中，用户内容可能来自网页聊天框或者接口请求，可能还需要将问题处理为向量。人工构造 3 条文档片段，手动标注 id、关键词元数据，直接生成可用的文档列表。块太小→上下文语义断裂。

2026-09-27 16:18:18 137

原创零基础学agent（2）：LLM核心组件

）Agent适合于流程不固定，需要模型自主思考决策，接下来该怎么调用工具，适合路径不确定、需要多步思考的任务（如：查航班对比价格，选择最便宜的。答：定义了一个LCEL链：{topic}是模板变量，prompt是渲染提示词，管道符 | 将渲染结果传给ChatModel，StrOutputParser把模型返回对象解析为纯字符串。切太小：语义不完整，答案缺乏上下文。答：不对，LLM本身无状态，Memory的作用是把历史对话重新塞回每一轮的Prompt中，模型只是看到了上下文，并非是模型本身有记忆。

2026-09-26 22:28:33 221

原创零基础学agent（1）：从LLM基础开始

A. 生成 → 检索 → 切分 → 向量化 B. 切分 → 向量化 → 入库 → 检索 → 拼提示词 → 生成 C. 检索 → 微调 → 生成 D. 向量化 → 生成 → 检索 → 输出。A. 显存溢出 B. 语义被切碎、上下文不完整，检索质量下降 C. 向量数据库无法存储 D. Embedding 模型报错。文档加载->切分（chunking）->向量化（Embedding）->存入向量数据库->用户提问向量化->相似度检索Top-K->拼接进Prompt->LLM生成答案。一些常见模型的上下文窗口。

2026-09-25 19:47:34 183

原创从 0 到 1：将 PyCharm Python 项目上传到 GitHub——Git 实战踩坑记录

这些文件并不是项目真正的源代码，一方面不应该上传，另一方面.env中有用户自己的apikey密钥不能泄露出去。因此，我把我一次完整上传Pyyhon项目到Github的过程记录下来，同时总结遇到的问题。虚拟环境不会影响Git，本质上Git管理的是文件，所以即使不进入虚拟环境也是完全可以的。对于准备找开发工作岗位的学生来说，GitHub不应该只是一个“存代码的网盘”。这里有一个非常重要的问题，并不是所有内容都要上传到GitHub上的。如果不小心传入上面的文件，分两类，一类是普通文件那就只需要像这样。

2026-09-18 16:26:02 139

原创从一个 Agent 仓库工具出发，彻底理解 Python pathlib、文件遍历与代码搜索

第一次看到时很容易觉得零散，但真正理解之后会发现，它们刚好组成了一个 Agent 操作代码仓库时非常基础的“文件系统工具层”。本文就从实际代码出发，梳理这些知识。

2026-09-17 22:01:13 61

原创 Agent 工具调用机制拆解：从 Function Calling 到可扩展 Tool Registry

然后拿到模型回复，这本质上仍然只是一次普通的 LLM 调用。而 Agent 更关键的能力在于：模型不仅能够“回答问题”，还能够判断什么时候应该调用外部工具、选择什么工具、生成什么参数，并根据工具执行结果继续完成后续推理。这篇文章结合我最近实现的几个 Demo，整理一下我目前对 Function Calling、ReAct 和 Agent 工具系统工程化的理解。

2026-09-17 13:26:21 133

原创从零实现 Agent 搜索工具：理解 LLM Agent 如何调用外部信息

近年来，大语言模型（LLM）快速发展，例如 GPT、Claude、Qwen 等模型已经具备很强的文本理解和生成能力。但是，单纯依赖大模型本身存在一个明显问题：模型只能利用训练阶段的数据，无法主动获取实时信息。例如：用户询问：如果模型没有联网能力，它无法知道训练截止日期之后发生的事情。其中搜索工具就是 Agent 连接现实世界的重要入口。

2026-09-17 13:20:32 141

原创从零实现一个网页读取工具：为 AI Agent 构建 Web 内容获取能力

如果希望Agent能够完成“访问网页->提取正文->总结信息->继续推理”这样的任务，就必须为它提供相应的Tool。网页读取就是其中最基础的一类能力。例如：当用户告诉Agent：帮我阅读这个网页，然后提取其中核心内容。因此，在学习Agent Tool开发中，我尝试完成了一个简单的read——webpage()函数。它能够：1.访问HTTP/HTTPS网页2.判断服务器请求是否成功3.判断返回内容是否为HTML4.使用BeautifulSoup解析网页5.删除导航栏、脚本、页脚等噪声。

2026-09-17 13:07:01 199

原创 agent开发入门教程

Token是模型处理文本的最小单位，1个Token≈0.75个中文字符≈1个英文字符。模型的 API 计费、上下文窗口限制，全部以 Token 为单位计算，而非字符数、字数。API Key 是大模型平台给你的。你的 Agent 代码必须通过这个 Key，才能证明 “是你在调用”，从而使用平台的大模型能力（也就是 Agent 的「大脑」）。没有它，你的 Agent 代码就是空壳，无法和大模型通信。可以使用国产大模型阿里通义千问，具体过程自己尝试。API Key不能轻易泄露，必须要以一定的方式保护起来。

2026-09-17 12:38:02 147

原创从零理解Agent工具注册机制：ToolRegistry到底是怎么工作的？

第一次看到很容易产生疑问，tool["func"]到底是什么，为什么函数可以存进字典，**arguments又做了什么，Agent、LLM和python工具到底是什么关系，因此本文从拆解一个最简单的ToolRegistry开始。python真正关心的是func因为程序执行需要真正的代码，而LLM关心的是name，description，parameters，因为模型需要知道有什么工具，这个工具是干啥的，调用时候需要传什么参数。实际上，它们真正的联系发生在Agent的主流程中。

2026-09-17 12:34:25 326

2302_80015640的博客