梁子应该没事吧-优快云博客

原创【10】LangGraph 核心

"""调研节点：收集信息"""response = llm.invoke(f"调研这个问题:def research_node(state : WorkflowState) - > dict : """调研节点：收集信息""" response = llm . invoke(f"调研这个问题: {

2026-08-28 14:16:59 246

摘要：本文介绍了构建稳定多工具Agent的关键技术。针对Agent在多工具场景下易崩溃的问题，提出三大设计原则：单一职责、清晰描述和合理参数。重点讲解了错误处理机制，通过handle_tool_errors=True参数让Agent将工具失败视为正常情况而非异常，并提供了错误处理流程图。文章还介绍了结构化输出解析方法和使用LangSmith进行运行监控的技巧，最后给出常见问题的调试清单。这些方法能显著提升Agent在生产环境中的稳定性。

2026-08-21 11:10:45 407

原创【08】LangChain 入门：用 @tool 装饰器 5 分钟搭 Agent

本文介绍了如何使用LangChain框架快速搭建AI Agent，重点展示了@tool装饰器的便利性。相比手写200行代码，利用LangChain仅需100行即可实现相同功能。文章拆解了Agent三大核心组件（工具定义、AgentExecutor和提示模板），并通过天气查询和数学计算两个示例演示了5分钟搭建流程。关键优势在于@tool自动生成JSON Schema、内置ReAct循环和错误处理机制。最后提供了学习检查清单和延伸阅读资源，帮助开发者快速掌握LangChain Agent开发。

2026-07-28 14:46:47 467

原创【07】4 大框架横评手册：纯 Python / LangChain / OpenAI SDK / Claude SDK 怎么选

本文对比了四种构建AI Agent的框架选择：纯Python、LangChain、OpenAI SDK和Claude SDK。通过代码量、难度、灵活性等维度分析，建议学习路径从纯Python理解原理开始，再到主流框架LangChain，最后根据项目需求选择轻量级SDK或复杂流程工具。文章提供了决策树帮助选择框架，强调代码量减少可能意味着控制力下降，并附有学习检查清单和延伸阅读资源。

2026-07-23 10:54:17 305

原创【06】smolagents 源码导读：你写的 vs 工业级差在哪

维度你的实现smolagents工具定义字典类 + Schema 验证循环控制隐式 for 循环显式状态机模型抽象直接调用统一接口错误处理简单 try-except分层处理 + 重试机制可观测性print 语句内置 logging + tracing 钩子代码行数~200~2000+

2026-07-17 17:26:47 240

原创【05】Agent 的记忆系统：短期记忆与长期记忆

本文探讨了Agent系统的记忆机制，指出LLM本身不具备记忆能力，记忆是由代码维护的。文章将记忆分为短期记忆（类比计算机RAM）和长期记忆（类比硬盘存储），并分析了三种处理Token限制的截断策略：滑动窗口、摘要截断和优先级截断。同时介绍了长期记忆的持久化存储实现方法，强调记忆管理的本质是在有限空间内保留最有价值信息。文章最后提供了学习检查清单和相关资源链接，帮助读者掌握记忆系统的核心概念和实现原理。

2026-07-13 16:22:10 473

原创【04】50 行代码实现最小 Agent：不依赖任何框架

这篇文章介绍了一个仅用50行Python代码实现的最小化智能Agent系统，不依赖任何框架。核心要点包括：实现原理：通过ReAct模式（推理-行动-观察循环）构建Agent 核心组件：工具系统（函数+描述）结构化提示词（指导LLM按特定格式响应）消息历史循环（实现多轮交互）工作流程：LLM解析用户请求→触发工具调用→观察结果→生成最终回答设计特点：采用简单列表存储消息历史、正则解析工具调用、最大步数限制防止死循环教学价值：通过极简实现理解Agent内核原理，为进一步学习框架打下基础这个实现虽

2026-07-07 14:13:32 510

原创【03】Function Calling：让 LLM 拥有双手

本文介绍了 Function Calling 作为 LLM 结构化工具调用机制的核心优势与实现方法。相比正则解析文本输出，Function Calling 通过定义工具 Schema、结构化返回和强制 ID 关联，显著提升了可靠性和可观测性。文章详细解析了工具定义的三个要素（名称、描述、参数）、tool_choice 四种模式（自动/禁止/必须/指定）的应用场景，以及 tool_call_id 的关联必要性。最后通过对比表格展示了 Function Calling 在可靠性、解析难度和错误处理等方面的优势，

2026-07-02 14:39:27 469

原创【02】ReAct 循环：Agent 的思考引擎 — Think → Act → Observe

本文介绍了AI Agent的核心运行模式ReAct循环（推理+行动），通过Think→Act→Observe的迭代过程处理复杂任务。文章用流程图和代码骨架展示了Agent如何自主决策工具调用、整合信息并最终输出结果，解释了智能从循环中"涌现"的原理。关键点包括：1）循环结构使Agent能动态调整策略；2）简单for循环+LLM调用构成核心机制；3）可观测性对理解Agent决策过程至关重要。文章还提供了学习检查清单和延伸阅读资料，帮助读者掌握这一基础概念。

2026-06-30 10:47:00 444

原创【01】AI Agent 到底是什么？从 Chatbot 到 Agent 的本质跨越

文章摘要： AI Agent 是由大语言模型（LLM）、框架工具（Harness）和智能体系统（Agent）组成的完整解决方案。LLM 作为大脑提供推理能力，但无法直接执行任务；Harness 作为框架提供工具调用、循环控制和记忆管理等功能；Agent 则是能自主决策、使用工具并多步执行任务的智能系统。三者关系可类比为原料、加工厂和成品。Agent 的核心特征包括自主性、工具使用和多步执行，使其超越传统聊天机器人（Chatbot）的能力范围。学习 AI Agent 需要理解 LLM 的局限性、Harness

2026-06-29 17:19:08 663

原创 Lion-Skills：一套让 AI 编程更靠谱的 12 个 Skills

Lion-Skills 是一套面向开发者的 AI 编程技能套件，包含 12 个结构化 Skills，旨在提升 Claude Code、ZCode 和 Codex 等 AI 编程工具的输出质量。它通过标准化的 SKILL.md 文件为 AI 提供最佳实践指导，解决传统 prompt 方法存在的上下文占用、维护困难和不可复用等问题。项目采用跨工具架构，同一套 Skills 可无缝适配不同平台。每个 Skill 包含操作手册和测试用例，覆盖代码测试、调试、提交等高频场景，显著提升 AI 生成代码的可靠性和规范性。

2026-06-25 17:33:45 1500

技术的最终意义就是普及社会