- 博客(24)
- 收藏
- 关注
RSS订阅原创 打包发布 & 插件系统——把你的 Harness 做成 pip 包——从零实现 Agent Harness
核心内容一句话包结构按功能模块分包，依赖单向配置体系YAML 文件 +类方法插件系统自动发现 +装饰器CLI进入交互聊天模式脚手架一键生成完整包结构MiniHarness 可理解、可修改；Deep Agents 更全功能。
2026-07-15 23:57:06
217
原创 Human-in-the-Loop——给 Agent 装上审批阀——从零实现 Agent Harness
核心概念一句话审批队列一次性收集所有待审批项，统一中断，批量审批collect_approvals 节点在 tool_node 之前收集工具调用，生成审批摘要approval 节点interrupt_before 挂在这里，使用 Command(resume) 恢复safe_tools 白名单查询类工具自动放行，只有"写入"类工具才需审批Subgraph 集成子任务内的工具通过审批队列上传到主图统一审批功能v1v2v3v4✅✅✅✅多轮对话✅✅✅✅内置工具✅✅✅✅。
2026-07-15 23:53:43
389
原创 MemoryManager——让 Agent 记住你是谁——从零实现 Agent Harness
核心概念一句话封装 Checkpointer + Store，提供统一记忆接口短期 vs 长期Checkpointer = 对话级，Store = 用户级画像提取从用户消息中自动识别姓名/城市并存入 Store从 Store 读取的画像文本，注入 system prompt上下文压缩消息超限时保留最近内容，用 Store 弥补丢失的历史Planner 分解任务时携带用户画像，结果更个性化功能v1v2v3✅✅✅多轮对话✅✅✅内置工具✅✅✅流式输出✅✅✅任务规划➖✅。
2026-07-13 23:48:33
234
原创 Planner——让 Agent 学会分解任务——从零实现 Agent Harness
核心概念一句话Planner用 LLM 把复杂问题分解为子任务列表Subgraph把 LLM→Tool→LLM 循环封装成独立的子图Plan→Execute→Check 循环每执行一个子任务就检查一次是否全部完成compile 节点所有子任务完成后整合成连贯回答功能v1（第 1 课）v2（第 2 课）✅✅多轮对话✅✅内置工具✅✅流式输出✅✅任务规划 (Planner)➖✅长期记忆➖➖ 第 3 课人类审批➖➖ 第 4 课pip 包➖➖ 第 5 课。
2026-07-13 23:46:42
189
原创 Harness 是什么——从“会用“到“会设计
LangGraph 本身已经很底层了——它给了你状态、节点、边、持久化、中断、流式。但正因为它太底层，从"有了这些积木"到"搭一个完整的 Agent 产品"之间，还有一段路。# 这个 Agent 要支持：多轮对话 + 记忆 + 工具 + 审批 + 流式# ─── 1. State 定义 ─── 约 10 行# ─── 2. Node 定义 ─── 约 30 行.........# ─── 3. 路由函数 ─── 约 10 行...# ─── 4. 构建图 ─── 约 20 行。
2026-07-08 23:39:37
335
原创 Hook 模式——在 Agent 生命周期里注入自定义逻辑——从零开始学 LangGraph（十三·番外篇）
这是系列的第 13 期（番外篇）。前 12 期我们覆盖了 LangGraph 的所有核心功能，但有一个模式一直没有以独立概念来讲——Hook（钩子）。Hook 是"在某个执行点自动触发的自定义逻辑"。它不一定暂停执行，不一定等待用户输入——它可以是"记个日志"、“改个状态”、“发个通知”。LangGraph 里能找到三种 Hook 机制Hook 类型时机是否暂停典型用途编译期 HookNode 执行前/后✅ 暂停调试、人工确认、状态修改运行时 HookNode 执行中✅ 暂停条件性审批。
2026-07-08 23:37:21
253
原创 全栈实战——用 LangGraph 搭建智能 RAG 知识库 Agent——从零开始学 LangGraph（十二）
这一期把前面学过的所有知识点——State 管理、Node/Edge 编排、Checkpointer、Human-in-the-Loop、Streaming、Store 长期记忆——整合成一个完整的RAG 知识库问答 Agent。用户提问↓1. 判断是否需要检索 → 否 → LLM 直接回答↓ 是2. 检索向量库 → 得到相关文档片段↓3. 组装上下文 → 生成回答（带来源引用）↓4. 人类审批 → 批准 → 返回给用户↓ 拒绝5. 修改后重新生成前置依赖。
2026-07-07 23:02:39
248
原创 Subgraph 与多 Agent 协作——三种模式详解——从零开始学 LangGraph（十一）
前 10 期我们一直在构建单个Agent。太复杂：一个 Agent 里塞了 8 个工具、5 个路由条件，代码爆炸职责不清：查天气的逻辑和写邮件的逻辑混在一个 Node 里难以复用：写好的"审批流程"想用到另一个 Agent 里，只能复制粘贴Subgraph（子图）就是来解决这些问题的。它把图中的一部分封装成独立的子图，然后作为节点嵌入到主图中。路由模式（Router）：主 Agent 分发任务到不同的子 Agent委托模式（Subagent）：Agent 把部分工作委托给子 Agent。
2026-07-07 23:00:35
180
原创 Memory 系统详解——短期记忆 + 长期记忆双架构——从零开始学 LangGraph（十）
第 6 期我们学了 Checkpointer——Agent 能在同一个 thread_id 里记住对话历史。它只在一个线程（会话）内有效。# 会话 A：Checkpointer 记住了# 会话 B：完全不记得会话 A“我昨天跟 Agent 聊过 Python 项目，今天它应该记得我的技术栈偏好”“用户每次来都问英文问题，Agent 应该记住他喜欢英文”“Agent 学会了用户的名字，换了一个会话不应该忘记”LangGraph 提供了两层记忆架构层级组件作用域存储用途短期记忆单线程。
2026-07-06 23:41:17
313
原创 Functional API——比 Graph API 更 Pythonic 的 Agent 写法——从零开始学 LangGraph（九）
前八期我们一直在用Graph API——声明 Node、画 Edge、编译成图。它是 LangGraph 最经典的使用方式，但不是唯一的。从 langgraph0.3.x开始，官方引入了。你不需要再画图了——用 Python 函数 + 装饰器就能写出等价的 Agent，同时拥有 persistence、human-in-the-loop、streaming 等所有能力。Graph API@taskreturn ...@taskreturn ...return r2看出区别了吗？
2026-07-06 23:39:08
380
原创 深入 Streaming——让 Agent 的思考过程实时可见——从零开始学 LangGraph（八）
你有没有用过 ChatGPT 那种逐字输出的效果？请求发出去，文字一个一个字地跳出来，不用等全部生成完。这种体验叫Streaming（流式输出）。第 7 期之前，我们一直在用invoke——它会等到 Agent 完全执行完才返回结果。如果是多步骤的 Agent 流程，用户对着空白页面干等，体验极差。用户：北京天气怎么样？Stream → "用户正在查天气..."Stream → "调用工具：get_weather(city='北京')"Stream → "工具返回：晴 25°C"
2026-07-02 00:13:12
264
原创 Human-in-the-Loop——让人类参与 Agent 的关键决策——从零开始学 LangGraph（七）
Agent 全自动执行很酷，但现实世界不允许"AI 完全自主"。Agent 要帮你发一封邮件——你真的让它自己点发送？Agent 生成了一篇文案——不需要你过目？Agent 发现了系统漏洞——它应该自己修还是等你确认？关键决策需要人过目。LangGraph 提供了interrupt机制，让 Agent 可以在任意节点"暂停"，等人输入了再继续。这就是。这一期我们彻底搞懂 interrupt，从原理到实战。概念一句话在 Node 内部暂停执行，等人输入。
2026-07-02 00:04:06
397
原创 持久化与 Checkpoint——让 Agent 拥有真正的记忆——从零开始学 LangGraph（六）
一次性的。你调用invoke，Agent 跑完，然后就没了。下一次调用，一切从零开始。你无法继续对话，无法回溯到某个步骤，Agent 崩溃后也无法恢复。# ❌ 第一次调用agent.invoke({"messages": [msg1]}) # Agent 记住了# ❌ 第二次调用（以为是新对话）agent.invoke({"messages": [msg2]}) # 完全不记得 msg1！这显然不行。多轮对话——用户说了上句，能接下句故障恢复——崩了能从断点重来状态回溯。
2026-07-01 00:02:18
340
原创 深度解析 Reducer——自定义归约器与 State 进阶玩法——从零开始学 LangGraph（五）
前两期我们一直在用 Reducer，但都是现成的——和。它们好用，但不是万能的。想往列表里加元素，但不是简单的 append，而是去重后追加想更新字典里的某个 key，而不是覆盖整个字典某个节点想直接覆盖一个带 Reducer 的字段，而不是经过 Reducer 处理多个 Redis 查询结果需要合并成一个大字典这些场景都需要自定义 Reducer。手写 Reducer。全部不需要 API Key。来看一个实际需求：你有一个标签系统，每个节点可能给文章打标签。标签不能重复。用。
2026-07-01 00:00:11
317
原创 从零搭建第一个 Agent——工具调用实战（完整可运行）——从零开始学 LangGraph（四）
三期铺垫，今天终于到了让 Agent 真正"干活"的时候。第三期我们演示了 Agent 循环的结构——LLM 决定是否调工具、调了工具再回 LLM。但那个例子比较简略，很多细节没有展开。这一期，我们用一篇文章一个完整项目，把工具调用从零讲透。看完你就能自己写一个能调任意工具的 Agent。前置要求：需要一个 OpenAI / Anthropic / 或其他支持 tool calling 的 API Key。如果你没有，也可以看完代码逻辑，了解全貌后再去申请。知识点做了什么@tool装饰器。
2026-06-30 00:42:05
301
原创 Node 与 Edge：构建可分支、可循环的 Agent——从零开始学 LangGraph（三）
前两期我们搭好了基础骨架和 State 系统。这一期，我们让图真正"活"起来。Node 做决策，Edge 传消息。一个 Node 决定"我该干什么"，Edge 决定"干完之后下一步去哪"。两者配合，就能构造出任意复杂的 Agent 逻辑——包括分支（branching）和循环（looping）。先说好：这一期前半部分不需要 API Key，后半部分的真·Agent 循环需要 API Key。概念一句话Node接收 State，返回更新的函数，里面可以干任何事普通边固定顺序，A 跑完一定去 B条件边。
2026-06-30 00:39:50
190
原创 State 深度解析：Reducer、Schema 与多状态设计——从零开始学 LangGraph（二）
第一期我们搭了一个最简单的 StateGraph，见识了三个概念：State、Node、Edge。其中State是最容易被低估的——很多人把它简单理解成"一个存数据的 dict"，然后就跳过去了。但等你真正开始写复杂的 Agent，你会发现程序里 80% 的 bug 都出在 State 上：“为什么消息被覆盖了？” “为什么 Node 收到了我没有传的参数？” “为什么 invoke 返回的数据比我想象的多？这一期，我们彻底搞懂 State。更新方式语法行为适用场景覆盖不加 Annotated。
2026-06-29 00:11:31
306
原创 LangGraph 入门：Agent 编排框架到底是什么？—— 从零开始学 LangGraph（一）
最近半年，AI Agent 这个概念火得一塌糊涂。调用 LLM 很简单，让 LLM 靠谱地完成一个多步骤任务，难。问题出在哪？一个典型 Agent 的工作流长这样：收到用户问题 → 判断是否需要查资料 → 调用搜索工具 → 分析结果 → 发现需要更多信息 → 再查一次 → 综合回答每一步都可能出错，每一步都可能超时，有些步骤需要人确认才能继续。如果你用if-else硬写这个流程，代码很快会变成一坨不可维护的意大利面。LangGraph 就是来解决这个问题的。
2026-06-29 00:08:51
404
原创 用6个AI Agent开一家“一人公司“：从0到年营收百万的OPC实战设计
2026年，AI Agent技术已经成熟到可以支撑真正的商业运营。但技术只是工具，OPC的核心始终是人——你的判断力、你的价值观、你对客户的理解。Agent帮你做了80%的执行，但你必须做好20%的决策。这20%，才是OPC的护城河。一个人 + 一组智能体 = 一家公司的战斗力。但记住：战斗力再强，方向错了也是白搭。所以，做OPC之前，先想清楚——你要去哪？
2026-06-23 23:53:57
369
原创 AI Infra深度研究：2026年AI基础设施全景解析
AI Infrastructure（AI基础设施）是指支撑人工智能模型训练、推理、部署和运维的全栈技术体系。它涵盖从底层硬件到上层平台的完整技术栈，是AI应用落地的"地基"。AI Infra是AI时代的"卖水人"。当大模型应用百花齐放时，真正决定用户体验和商业可行性的，是底层的AI基础设施。2026年，AI Infra工程师不再是"调参侠"，而是架构师、优化专家、系统工程师的复合体。掌握本文介绍的技术栈，你将站在AI技术浪潮的最前沿。AI基础设施研究者，关注大模型训练优化、推理加速、RAG系统。
2026-06-16 08:30:00
720
原创 gstack -- AI 软件工厂架构解析 | 企业级技能包打造指南
gstack 是 Y Combinator 联合创始人兼 CEO Garry Tan 开源的一套 AI 工程工作流框架，由 23 个专职技能（Skills）和 8 个核心工具组成，安装后通过斜杠命令（/office-hours、/review、/qa 等）调用，将 Claude Code 等 AI 编程助手升级为一支"虚拟工程团队"。gstack 的核心价值，不是某个斜杠命令的技术实现，而是一种软件工程思维的范式转变：从"AI 帮我写代码"升级到"AI 帮我运营一个工程团队"。
2026-05-28 23:52:03
484
原创 OpenClaw Skills 系统深度解析：从源码到自定义技能
ClawHub 是 OpenClaw 的公共技能注册表公开、版本化、可搜索任何人都可以发布技能社区驱动的评分与评论自动审核（报告机制）让我们从头创建一个A 股股价查询技能，命名为。Skills 是 OpenClaw 的可插拔能力单元，通过SKILL.md定义，分层加载三层优先级：workspace > managed > bundled，同名覆盖无压力Gating 机制（`requires.*）确保技能仅在条件满足时加载，提升稳定性**ClawHub 生态。
2026-03-10 16:29:32
1751
原创 【万字长文】搞懂GRPO算法原理和基础代码，看这一篇就够了！
基础 GRPO：核心是对比策略 / 参考模型的概率，结合优势值优化生成偏好；裁剪 GRPO：限制 ratio 范围，避免单次更新幅度过大；KL 散度 GRPO：惩罚模型偏离参考模型，保留基础语言能力；实际落地中，带裁剪 + KL 散度的 GRPO是最稳定的选择，也是工业界微调大模型的主流方案之一。
2026-01-04 18:39:21
1360
原创 SignRoundV2 深度解析：大模型极低比特量化的 “精度救星”，2 比特也能稳跑生产级任务
SignRoundV2 的成功，本质是 “用更聪明的方法做资源分配”—— 通过 DeltaLoss 精准找到敏感层，用预调优初始化稳住极低比特训练，最终实现 “低比特、高精度、低成本” 的三者平衡。量化不是 “暴力压缩”，而是 “精准适配”，未来的大模型部署，必然是 “量化 + 稀疏 + 混合精度” 的组合拳，而 SignRoundV2 已经走在了前面。如果你正在做大模型部署，或者对量化技术感兴趣，强烈建议去读原文的代码和实验细节，相信会有更多收获～ 有任何疑问，欢迎在评论区交流！g_%7Baq%7D。
2025-12-12 14:04:31
890
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人