Duang007_-优快云博客

原创从脚本到智能体：构建基于 MCP 与 LangGraph 的生产级 AI Agent 实战

本文介绍了如何利用Model Context Protocol (MCP)和LangGraph构建生产级竞品调研AI Agent。针对传统爬虫脚本在非结构化数据处理、流程脆弱性和工作流集成方面的不足，项目采用领域驱动设计和六边形架构，实现核心逻辑与外部设施解耦。关键技术包括：MCP标准实现与AI工具的无缝集成、LangGraph构建的容错状态机、Pydantic确保数据质量。该项目展示了将自动化、编排、数据验证等技术结合构建可靠AI工具的方法，已开源并支持扩展。

2026-01-01 14:55:39 905

原创 Ep 03: 时间旅行者 (Persistence & Checkpointing)--Langraph

在 LangGraph 中，持久化不是用来“记录日志”的，而是用来**保存快照（Snapshot）**的。想象你在玩 RPG 游戏（比如《黑神话：悟空》）。每当你经过一个“土地庙”（关键节点），游戏会自动存档。如果你打 Boss 死了，你可以从上一个存档点复活（断点续传）。如果你对刚才的对话选项不满意，你可以读取存档重来（Time Travel）。LangGraph 的就是这个“土地庙”。它会在图执行的每一个“超级步（Super-step）”之后，自动把当前的State序列化并存入数据库。

2025-12-23 00:57:31 244

原创 Ep 02: 状态的艺术 (State Management & Reducers)--Langraph

本文介绍了LangGraph中状态管理的核心概念——Reducers（归约器），解决了在多轮对话中追加历史记录的难题。通过Annotated类型注解和add_messages函数，实现了智能的消息合并功能（追加、更新、格式化）。文章以构建ReAct循环Agent为例，展示了如何定义状态、初始化LLM绑定工具、设置条件分支和循环结构，最终实现"思考-行动"的交互流程。通过代码示例和流程拆解，详细说明了工具调用的底层机制，即LLM输出结构化JSON指令，由Python代码实际执行的协作模式。

2025-12-18 14:35:43 585

原创 Ep 01: 别再用 Chain 了，你需要一个图 (From Chains to Graphs)

我们今天学到了什么？StateGraph: 图的骨架，定义了数据流动的 Schema。: 实现了if/else的分支逻辑，这是 Agent 决策的基础。Nodes: 只是简单的 Python 函数，解耦了逻辑。资深工程师笔记注意看代码中的。在 LangGraph 中，Node 返回的字典会自动与当前的 State 进行Update（合并）操作，而不是覆盖。这对于状态管理至关重要。这个例子太简单了，因为我们手动处理了messages。

2025-12-16 16:10:21 577

原创《铸剑：从脚本到工业级系统 —— FastMCP 浏览器 Agent 开发实录》

本文深度复盘了一个基于 FastMCP 与 Playwright 的雪球网浏览器自动化 Agent 从“脆弱脚本”进化为“工业级系统”的完整实战历程。面对 LLM 参数幻觉、MCP 协议通信冲突、浏览器资源竞态等 AI 工程化核心痛点，文章详细记录了如何通过 Pydantic 构建防御性契约、利用 Stderr 重定向实现无损可观测性、以及引入 Asyncio 锁机制解决高并发下的状态“精神分裂”。最终，我们通过 Provider 模式完成了架构升维，将单机工具改造为具备多租户扩展能力的现代化应

2025-12-16 14:22:32 955

原创【万字】机器翻译MT全解析-文本预处理详解（Tokenization、BPE）--完整训练流程--损失函数、优化器、训练循环-评估指标详解（BLEU、ROUGE等）-解码策略 & 后处理详解

机器翻译的任务流程可以分为 **数据处理 → 模型训练 → 评估 → 预测 & 推理** 四个阶段

2025-03-09 23:29:11 1635

原创（学习记录）BERT每一层详解、公式、从零开始代码示例、文本分类任务、 Transformer 编码器

层次作用关键公式输入层将文本转换为词向量，添加位置信息和句子信息XX多头自注意力机制计算序列中每个词语对其他词语的关注度，捕捉全局依赖关系AttentionQKVsoftmaxQKTdkVAttentionQKVsoftmaxdkQKTV前馈神经网络通过非线性变换提高表达能力FFNxmax⁡0xW1b1W2b2FFNxmax0xW1b1W2b2残差连接 & 层归一化。

2025-02-23 15:55:34 2697 1

原创（学习记录）生成式自编码器（Variational Autoencoder, VAE）详解

VAE 既能进行数据降维，又能用来生成新数据，比如图片、文本等。让生成的 ( x’ ) 尽可能接近原始数据 ( x )（通常使用均方误差 MSE 或交叉熵）。普通自编码器的问题是，它只学习到了固定的编码 ( z )，无法生成新数据。，它不仅能进行数据压缩，还能生成新数据。其中 ( \beta ) 是一个超参数，控制 KL 散度的权重。不再输出一个固定的 ( z )，而是输出。让模型学习到合理的 ( p(z) )。

2025-02-22 20:13:18 845

原创（学习记录）无监督学习、自监督学习超详细自我解读——附代码示例

这种方法结合了无监督学习的优势，但它更像是在没有标签数据的情况下，通过给模型设计一种代理任务（pretext task），让模型自己创造标签，并通过这个任务来学习数据的特征。举个例子，如果你给我一个图片，并要求我去预测图像的一部分（比如遮住一个区域，要求我预测被遮挡的部分），我就可以通过这样的任务来学习图像的结构和特征。比如，假设我有两张图片，分别是“猫”和“狗”，通过对比学习，模型可以学习到“猫”和“狗”是不同的，而相同物体的不同图像应该有相似的特征。没有明确的答案指引，只能依靠数据本身的特点。

2025-02-22 15:24:16 1314