Long_像风一样自由

原创 Langchain系统教程目录（持续更新）

原创 ns-3 仿真微调（Tweaking）

绝大多数大型软件系统都会配套日志输出功能，ns-3 也不例外。部分系统仅向标准错误流（Unix 系统默认stderr）打印错误信息；有些会额外输出警告、详细提示日志；还有系统会输出海量调试信息，导致控制台刷屏杂乱。ns-3 设计了分级可选日志机制，你可以完全关闭日志、按模块单独开启日志、全局启用日志，同时自由选择日志详细等级。日志模块操作简单，能快速从仿真中提取运行信息。需要区分：ns-3 还有一套通用 \追踪（Tracing）\机制，仿真数据输出优先选用追踪系统（详见教程《追踪系统》章节）；

原创 ns-3 数据采集框架

程序内置useIpv6布尔参数，默认关闭 IPv4 模式；传入参数后切换至 IPv6 仿真。ns3-dev-seventh-debug [程序参数] [通用参数]程序参数：--useIpv6: 启用IPv6 [默认false]通用参数：--PrintGlobals: 打印全部全局变量--PrintGroups: 打印所有模块分组--PrintGroup=[分组名]: 打印指定分组下所有TypeId类型--PrintTypeIds: 打印系统全部TypeId。

原创 ns-3 追踪系统（Tracing）

追踪源（Trace Source）追踪接收端（Trace Sink），配套统一绑定机制将二者关联。追踪源：仿真内事件发生时主动推送数据的对象。例如网卡收到数据包、TCP 拥塞窗口数值变化，都会触发追踪源，对外暴露事件相关数据；追踪接收端：消费追踪源推送数据的自定义回调函数，是数据处理逻辑载体。二者完全解耦：内核可预埋海量追踪源，默认无任何输出；只有用户手动绑定接收端后，才会执行数据处理。一个追踪源可绑定多个接收端，不同逻辑互不干扰（同一报文事件，一个回调打印时延、一个回调统计丢包）。

原创 ns-3 搭建网络拓扑

本节将拓展ns-3网络设备与信道相关知识，讲解总线拓扑的实现案例。ns-3提供CSMA（载波侦听多路访问）网络设备与信道模型。ns-3的CS设备、信道参考以太网设计：真实以太网采用CSMA/CD带指数退避机制竞争共享链路，但ns-3的CSMA模型仅实现其中部分核心逻辑。和之前点对点拓扑配套的辅助类一样，本节会使用功能相似的CSMA拓扑辅助工具。教程目录下提供示例脚本，该脚本在之前点对点仿真的基础上新增CSMA总线局域网。使用编辑器打开，大部分代码你都已经能够看懂，下文会逐行解析并说明输出结果。和及所有

原创 ns-3 仿真微调

绝大多数大型软件系统都会配套日志输出功能，ns-3 也不例外。部分系统仅向标准错误流（Unix 系统默认stderr）打印错误信息；有些会额外输出警告、详细提示日志；还有系统会输出海量调试信息，导致控制台刷屏杂乱。ns-3 设计了分级可选日志机制，你可以完全关闭日志、按模块单独开启日志、全局启用日志，同时自由选择日志详细等级。日志模块操作简单，能快速从仿真中提取运行信息。需要区分：ns-3 还有一套通用 \追踪（Tracing）\机制，仿真数据输出优先选用追踪系统（详见教程《追踪系统》章节）；

原创 ns-3核心概念与第一个仿真脚本

该宏声明一个名为的日志组件，可单独开关该组件控制台输出。日志系统完整说明在文档《使用日志模块》中，你可在官网文档 API 页面的 Core（核心模块）→调试工具→日志章节查阅宏详细说明。

原创 ns-3入门指南：从零开始搭建仿真环境

ns-3由一套相互协作的软件库构成。用户可编写程序链接（或导入）这些库，编程语言支持C++与Python两种。ns-3仅以源代码形式分发，这意味着目标主机必须具备软件开发环境：先编译生成库文件，再编译用户仿真程序。理论上可为特定系统提供预编译库，未来项目可能推出该分发形式；但当前绝大多数用户会直接修改ns-3源码并重新编译库，因此源码本地留存会更便捷。若有人愿意为各操作系统制作预编译包，可联系ns开发人员邮件列表。下文将介绍三种下载、编译ns-3的方式：从官网下载官方稳定发行版并编译；

原创 NS3配套资源

所有 ns-3 用户都必须了解以下几类核心资源：，网站提供 ns-3 仿真器基础介绍。，该页面同时收录系统架构相关文档。，站内包含用户与开发者常见问题解答、故障排查指南、第三方贡献代码、相关学术论文等资料。，仓库内ns-3-dev目录为当前持续迭代开发主干。。

原创 ns-3 仿真器简介

ns-3 仿真器是一款离散事件网络仿真工具，主要面向科研与教学场景使用。ns-3 项目始于 2006 年，是一款用于开发 ns-3 的开源项目。本教程旨在以条理化的方式向 ns-3 新用户完整介绍这套工具。新手往往很难从厚重的参考手册中提炼关键信息，并将其转化为可运行的仿真程序。本教程会带领读者搭建多个仿真示例，在实操过程中讲解、阐释核心概念与功能特性。随着教程内容逐步展开，我们会完整介绍 ns-3 全套文档，并为希望深入探究仿真器底层运行原理的读者提供源码查阅指引。

原创 ns-3 快速上手

ns-3 是一款离散事件仿真器，通常通过命令行运行。它直接基于 C++ 编写，而非高层建模语言；仿真事件本质是 C++ 函数调用，由调度器统一管理。ns-3 用户需要获取 ns-3 源代码（下文说明），将源码编译为动态库（或静态库），再将库链接到用户自行编写的main()主程序。仿真场景的配置、仿真启停逻辑均在主程序中实现。工程内置大量示例程序，用户可复制、修改示例以搭建全新仿真场景；用户也常直接修改 ns-3 库源码并重新编译，以此改变仿真器底层行为。

原创 12. Langgrpah子图详解

Langgrpah子图详解。

原创 11. LangGraph 记忆机制

修剪或删除消息的弊端是可能丢失关键对话信息，因此部分应用可采用更优的策略：通过大语言模型总结对话历史，并用总结内容替代原始消息。# 扩展消息状态，添加总结字段# 定义对话总结节点# 获取已有总结# 构造总结提示词# 已有总结，扩展总结。

原创 10. LangGraph 时间旅行详解

在处理基于模型决策的非确定性系统（例如由大语言模型驱动的智能体）时，详细检查其决策过程非常有价值，具体包括：理解推理逻辑：分析促成成功结果的关键步骤调试错误问题：定位错误发生的位置及根本原因探索替代方案：测试不同执行路径，发掘更优解决方案LangGraph 提供的“时间旅行”功能可满足上述需求。通过该功能，你可以从之前的检查点（checkpoint）恢复执行——既可以重放相同状态，也可以修改状态以探索替代路径。无论哪种情况，从过往执行状态恢复都会在执行历史中产生一个新的分支。

原创 9. LangGraph 中断机制

tool"""向收件人发送邮件"""# 发送前暂停，载荷通过 result["__interrupt__"] 暴露"to": to,})# 恢复值可覆盖输入参数后再执行。

原创 8. LangGraph 流式传输完整教程

LangGraph流式传输教程摘要 LangGraph提供强大的流式传输功能，通过同步stream和异步astream方法实现实时数据推送。本教程完整介绍了v2版本统一输出格式，包含7种流式模式：values(完整状态)、updates(状态更新)、messages(LLM输出)、custom(自定义数据)、checkpoints(检查点)、tasks(任务事件)和debug(调试信息)。每种模式对应特定数据类型，通过type字段区分，支持类型检查和编辑器提示。教程包含基础用法示例，展示如何接收节点更新和自

原创 7. LangGraph 持久化执行详解：从原理到实践

恢复，无需重新执行已完成步骤。

原创 6. LangGraph 持久化机制详解

langgraph持久化。

原创 5. LangGraph 工作流与智能体详解

工作流与智能体。

原创 4. LangGraph思维构建智能体

本文介绍了使用LangGraph构建客户支持邮件智能体的核心方法。主要内容包括： 业务场景分析：处理客户支持邮件的分类、检索、回复等需求 构建流程：将工作流拆分为离散节点→定义节点类型和职责→设计共享状态→实现节点函数→连接节点 关键技术点： 节点分类（LLM步骤/数据步骤/动作步骤/用户输入步骤） 状态设计原则（必存/原始/解耦） 错误处理策略（临时错误/可恢复错误/用户可修复错误/意外错误） 该方法可推广用于构建各类复杂智能体，实现可持久化、可调试、支持人机协同的工作流。

原创 2. LangGraph 安装指南

LangGraph安装指南提供了完整的安装流程说明。核心包可通过pip或uv安装，支持Python 3.10+环境。实际使用通常需要集成LLM和工具，推荐安装LangChain包作为可选组件。第三方LLM提供商需单独安装对应集成包。安装后可通过Hello World示例验证，包含状态图构建、节点定义和流程执行测试。该指南明确了基础安装与可选集成的区别，确保用户根据实际需求灵活配置开发环境。

原创 AI 大模型应用开发前置知识：Python 泛型编程全教程

泛型（Generic Programming）是一种参数化类型机制，允许在定义类、函数、接口时使用类型占位符，在使用时再指定具体类型，从而实现：代码高度复用编译期类型安全不依赖 Any架构可扩展规则：引号内名称必须与变量名一致不变（Invariant）：默认。Generic[T]与Generic[S]无关协变（Covariant）：若 S 是 T 子类，则C[S]是C[T]子类逆变（Contravariant）：若 S 是 T 子类，则C[S]是C[T]父类协变 = 输出/返回/读取。

原创 AI 大模型应用开发前置知识：Python 类型注解全教程

类型注解是 Python 3.5+ 引入的静态类型标记，用于：标记变量类型标记函数参数类型标记函数返回值类型不影响程序运行仅用于提示、检查、文档被 IDE / mypy / 框架识别strintfloatboolNonename: str。

原创 AI大模型应用开发前置知识：Python迭代器和生成器深入详解

在 Python 中，能够直接被 **** 循环遍历的对象，统称为可迭代对象。这是学习迭代器与生成器的第一步，也是最基础的概念。迭代器是可迭代对象的升级版，是 Python 中真正负责逐个取出数据、控制遍历流程的工具，也是所有遍历操作的底层实现。不用把所有数据一次性加载到内存，而是用到一个取一个，极大节省内存。可迭代对象：能 for 循环，有__iter__()，可重复遍历迭代器：可迭代对象 +__next__()，一次性使用、节省内存iter()：将可迭代对象转换为迭代器next()

原创 AI大模型应用开发前置知识: Python 异步编程

异步编程的本质是单线程协作式并发，依靠await主动挂起任务，在I/O等待期间处理其他任务，完全避开Python GIL限制，专门为I/O密集型场景设计。在AI大模型开发中：大模型API调用 = I/O密集 → 异步提升10~100倍性能；RAG检索 = 多库并发查询 → 异步大幅降低延迟；流式对话 = 异步生成器 → 实现逐字输出；FastAPI服务 = 异步接口 → 单进程扛1000+并发；LangChain/LlamaIndex = 原生异步 → 必须使用异步接口。

原创 LangGraph工作流与智能体

本节介绍常见的工作流与智能体模式。工作流：拥有预先确定的代码执行路径，按固定顺序运行。智能体：动态自主，自行决定执行流程与工具使用方式。使用 LangGraph 构建智能体与工作流有诸多优势，包括持久化、流式输出，同时支持调试与部署。

原创 3. LangGraph快速入门

本示例中，我们将使用 Claude Sonnet 4.5 模型，并定义加法、乘法、除法工具。# 定义工具@toolArgs:"""@toolArgs:"""@toolArgs:"""# 为大模型绑定工具图的状态用于存储消息和大模型调用次数。LangGraph 中的状态在整个智能体执行过程中保持持久化。使用带的Annotated类型可以确保新消息追加到现有列表，而不是替换列表。模型节点用于调用大模型，并决定是否调用工具。return {],

原创 1. LangGraph 综述

借助 LangGraph 实现精准控制，设计能够的智能体。LangGraph 受到包括 Klarna、Replit、Elastic 等引领智能体未来的企业信赖，是一个底层编排框架与运行时，用于构建、管理和部署的智能体。LangGraph 非常底层，并且完全专注于智能体。本文档中我们会普遍使用 LangChain 组件来集成模型与工具，但。

原创 中间件:自定义中间件

中间件可以扩展智能体状态，添加自定义字段。作用：在执行中追踪状态（计数器、标志位）在钩子之间共享数据实现横切关注点（限流、审计、用户上下文）做动态条件决策。

原创 中间件:内置中间件

接近令牌限制时自动总结对话历史，保留最近消息，同时压缩较早的上下文。摘要中间件适用于以下场景：超出上下文窗口的长时间对话。历史记录庞大的多轮对话。需要保留完整对话上下文的应用。API 参考),],支持三种自定义检测器：正则字符串编译正则自定义检测函数import re# 正则字符串tools=[],"api_key",),],# 自定义检测函数import re})tools=[],"ssn",),],

原创 中间件:中间件（Middleware）综述

中间件（Middleware）提供了一种更精细地控制智能体内部行为的方式，在每一步控制和自定义智能体执行。通过将中间件传递给。

原创 高级用法:模型上下文协议（Model Context Protocol (MCP)）

数学服务器（stdio 传输）"""两数相加""""""两数相乘"""# 气象服务器（可流式 HTTP 传输）"""获取指定地点的天气"""拦截器是包装工具执行的异步函数，支持请求/响应修改、重试逻辑和其他横切关注点。它们遵循“洋葱”模式，列表中的第一个拦截器是最外层。

原创 高级用法:人工介入审核（Human-in-the-loop）

对于更专业的工作流，你可以直接使用中断原语和中间件抽象构建自定义人工介入逻辑。

原创 高级用法:运行时（Runtime）

LangChain 的底层运行在 LangGraph 的运行时之上。LangGraph 暴露了一个Runtime上下文（Context）：静态信息，例如用户 ID、数据库连接或其他 Agent 调用所需的依赖项存储（Store）：一个BaseStore实例，用于长期记忆流写入器（Stream writer）：用于通过"custom"流模式流式传输信息的对象运行时上下文为你的工具和中间件提供依赖注入。

原创 高级用法:LangChain 安全防护(Guardrails)

在调用开始时校验请求，可做关键词过滤、身份校验、限流等。= "human":return {}],# 使用],= "human":return {}],

原创 高级用法:长期记忆(Long-term memory)

LangChain 智能体使用 LangGraph 持久化实现长期记忆功能。这是一个进阶主题，使用时需要掌握 LangGraph 相关知识。

原创 智能体中的上下文工程

构建智能体（或任何大语言模型应用）最困难的部分，是让它们足够可靠。虽然在原型中可能正常工作，但在实际使用场景中经常失效。每个工具需要清晰的名称、描述、参数名和参数描述。这些不只是元数据 —— 它们指导模型判断何时、如何使用工具。) -> str:Args:"""pass模式定义指导模型。字段名、类型和描述精确指定输出应遵循的格式。"""从客户消息中提取的结构化工单信息。"""

原创 核心能力：结构化输出(2026.8.16更新)

本文介绍了LangChain框架中结构化输出（Structured Output）的实现方式。通过create_agent函数，开发者可以让智能体返回JSON对象、Pydantic模型等结构化数据，无需解析自然语言。response_format参数支持四种配置类型：ToolStrategy、ProviderStrategy、直接传入范式类型或设为None。其中，ProviderStrategy利用模型厂商原生能力（如OpenAI、Claude等），是推荐方式。文档提供了Pydantic模型、Datacla

原创 核心能力：短期记忆(2026.8.16更新)

默认情况下，智能体使用 AgentState管理短期记忆，依靠messages字段存储对话历史。你可以继承扩展 AgentState，新增自定义字段。创建智能体时，通过参数将自定义状态结构传入 create_agent。import ostools=[],state_schema=CustomAgentState, # 传入自定义状态模型# 在invoke调用时传入自定义状态字段"messages": [{"role": "user", "content": "你好"}],},

原创 Langchain系统教程目录（持续更新）

本文介绍了智能对话系统开发中的核心概念与高级功能。核心能力包括智能体、模型、消息处理、工具集成、记忆系统和输出控制等基础模块。中间件部分涵盖预制和自定义中间件的开发与应用。高级用法则涉及防护机制、上下文管理、多智能体协作、信息检索及长期记忆等前沿技术，特别是模型上下文协议(MCP)和人工审核机制，为构建安全可靠的对话系统提供了完整解决方案。