<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_63974584的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_63974584</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_63974584]]></copyright><item><title><![CDATA[电商问数学习笔记-15-API 接口基础与 FastAPI 入门]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/169945127</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/169945127</guid><author>qq_63974584</author><pubDate>Tue, 03 Nov 2026 15:26:57 +0800</pubDate><description><![CDATA[本章介绍FastAPI中SSE流式响应技术选型，阐述为何选用SSE实现问数接口的实时进度推送。通过StreamingResponse与异步生成器结合，实现前端“一次请求、持续接收执行状态”的体验。重点讲解SSE协议格式（data:... \n\n）、FastAPI工程三件套——lifespan（应用级资源管理）、middleware（请求级横切逻辑）、Depends（依赖注入）的作用与使用场景。以最小可运行接口为例，完成/api/query路由搭建与测试验证，为下一章接入真实智能体工作流奠定基础。]]></description><category></category></item><item><title><![CDATA[亚信科技Agent实习面经]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/169849170</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/169849170</guid><author>qq_63974584</author><pubDate>Mon, 02 Nov 2026 21:23:46 +0800</pubDate><description><![CDATA[该岗位为京东成都武侯区AI Agent开发实习生，面向2027-2028届硕士生，实习时间可长期。职责涵盖Agent开发、多智能体架构设计、RAG系统优化及产品全周期管理。要求具备Python、LLM应用、LangChain等框架经验，熟悉Prompt工程与向量数据库。面试聚焦自我介绍、Agent理解、MCP、Dify/Coze平台认知、技术对比（如LangChain vs LangGraph）、项目实践与问题解决能力。候选人需具备较强技术探索与数据驱动优化意识，未来将主要参与基于Dify低代码平台的Age]]></description><category></category></item><item><title><![CDATA[电商问数学习笔记-14-SQL 生成与执行闭环]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/169849085</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/169849085</guid><author>qq_63974584</author><pubDate>Mon, 02 Nov 2026 21:10:17 +0800</pubDate><description><![CDATA[本章构建问数智能体核心闭环：生成→校验→校正→执行。通过generate_sql在结构化上下文约束下生成纯文本SQL，利用EXPLAIN提前校验语法错误，失败时由correct_sql基于错误信息最小修复，最终run_sql执行并返回字典列表结果。关键创新在于以数据库解析作为校验手段，实现错误回流与纠错闭环，确保从自然语言到查询结果的端到端可靠性。]]></description><category></category></item><item><title><![CDATA[电商问数学习笔记-13-SQL 生成前的信息过滤与补全]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/169558356</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/169558356</guid><author>qq_63974584</author><pubDate>Fri, 30 Oct 2026 15:34:18 +0800</pubDate><description><![CDATA[本章聚焦SQL生成前的上下文精筛与补全，通过filter_table和filter_metric节点，基于用户问题从候选表结构和指标中筛选必要项，减少噪声；采用YAML格式序列化结构化数据，提升模型可读性。add_extra_context补充当前日期、星期、季度及数据库方言版本等运行环境信息，确保相对时间表达与SQL语法兼容。三者协同构建精准、简洁的上下文，为后续高效生成正确SQL奠定基础。]]></description><category></category></item><item><title><![CDATA[langchain官方文档学习-Agent 智能体]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/169459652</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/169459652</guid><author>qq_63974584</author><pubDate>Thu, 29 Oct 2026 16:03:48 +0800</pubDate><description><![CDATA[本章概述LangChain智能体核心架构：智能体=模型+运行框架（harness）。模型在循环中调用工具直至任务完成，运行框架通过提示词、工具与中间件塑造行为。核心组件包括模型、工具、系统提示、结构化输出、状态管理及上下文配置。支持流式输出、持久化对话（via checkpointer）与运行时上下文传递。通过中间件扩展实现执行环境、记忆、规划委派、容错、护栏与人工引导等高级功能。推荐使用create_agent构建灵活智能体，或基于DeepAgents快速启用预集成能力。]]></description><category></category></item><item><title><![CDATA[langchain官方文档学习-结构化输出Structured output ]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/169459499</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/169459499</guid><author>qq_63974584</author><pubDate>Thu, 29 Oct 2026 15:57:46 +0800</pubDate><description><![CDATA[本章介绍智能体的结构化输出机制，通过create_agent(response_format=...)实现模型按指定格式返回数据，结果存于structured_response。支持五种Schema定义方式（Pydantic、dataclass、TypedDict、JSONSchema字典、联合类型），并提供两种策略：ProviderStrategy（原生支持，最可靠）与ToolStrategy（通用回退）。自动选择规则基于模型能力，但JSONSchema需显式包裹在策略中。ToolStrategy支持自定]]></description><category></category></item><item><title><![CDATA[电商问数学习笔记-12-召回信息合并与上下文构建]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/169342124</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/169342124</guid><author>qq_63974584</author><pubDate>Wed, 28 Oct 2026 10:10:02 +0800</pubDate><description><![CDATA[本章核心是将三路召回的字段、指标、取值信息合并整理为结构化上下文。通过去重建字典、补全指标依赖字段与真实取值示例、按表分组、补齐主外键，最终生成table_infos和metric_infos两大核心结构。该过程确保大模型能清晰理解“表-字段”层级关系与指标计算逻辑，为后续SQL生成提供稳定、完整的业务上下文。]]></description><category></category></item><item><title><![CDATA[langchain官方文档学习-短期记忆short term-memory]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/169341618</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/169341618</guid><author>qq_63974584</author><pubDate>Wed, 28 Oct 2026 10:07:59 +0800</pubDate><description><![CDATA[短期记忆即对话历史（messages），通过Checkpointer按thread_id持久化，实现跨会话状态管理。核心机制：以AgentState的messages键为载体，结合InMemorySaver或PostgresSaver进行存储；通过自定义state_schema扩展字段，工具中用ToolRuntime读写状态，返回Command更新；中间件@before_model/@after_model/@dynamic_prompt实现剪裁、删除、总结等治理策略，确保上下文合规高效。治理按“剪裁→删除]]></description><category></category></item><item><title><![CDATA[langchain官方文档学习-Messages]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/169251626</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/169251626</guid><author>qq_63974584</author><pubDate>Tue, 27 Oct 2026 11:31:12 +0800</pubDate><description><![CDATA[消息是LangChain中模型上下文的基本单位，由角色（system/user/assistant/tool）、内容（文本/多模态）和元数据构成。支持三种输入形式：字符串、消息对象列表与字典格式。核心类型包括SystemMessage（系统指令）、HumanMessage（用户输入）、AIMessage（模型输出，含工具调用与元数据）及ToolMessage（工具结果）。消息内容通过content与标准化的content_blocks双层表示，实现跨供应商统一；支持多模态输入（图像、音频等），并可通过dum]]></description><category></category></item><item><title><![CDATA[电商问数学习笔记-11 - 关键词抽取与多路召回]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/169165314</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/169165314</guid><author>qq_63974584</author><pubDate>Mon, 26 Oct 2026 17:02:46 +0800</pubDate><description><![CDATA[本章聚焦问数智能体的关键词抽取与三路召回流程，阐明为何需先提取关键词并扩展，再分别进行字段、指标、字段取值的召回。通过LangGraph状态（State）与上下文（Context）管理，实现动态状态流转与工具注入。三路召回分别采用向量检索（Qdrant）与全文检索（Elasticsearch），解决“查哪列”“怎么算”“条件值如何写”问题。核心链路为：关键词→LLM扩展→Embedding→检索→去重→写回状态。掌握各节点职责及数据流，为后续合并上下文与生成SQL奠定基础。]]></description><category></category></item><item><title><![CDATA[langchain官方文档学习-模型Models]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/169066672</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/169066672</guid><author>qq_63974584</author><pubDate>Sun, 25 Oct 2026 17:05:02 +0800</pubDate><description><![CDATA[本文介绍了LangChain中聊天模型的初始化与使用方法，强调手动编写代码以提升实战能力。通过init_chat_model可统一接入多提供商模型，支持独立调用、流式传输、批处理及工具调用。重点讲解了参数配置、结构化输出（如Pydantic）、多模态支持、速率限制与提示词缓存等高级功能，并指出对话历史格式规范的重要性。建议关闭自动补全，亲自动手实践以深化理解。]]></description><category></category></item><item><title><![CDATA[电商问数学习笔记-10-问数智能体总览与工作流骨架]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/168976496</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/168976496</guid><author>qq_63974584</author><pubDate>Sat, 24 Oct 2026 19:32:40 +0800</pubDate><description><![CDATA[本章聚焦电商问数智能体的工作流构建，基于LangGraph搭建多节点流程骨架。通过定义State与RuntimeContext，实现状态共享与依赖注入；使用StateGraph注册节点、连接普通边与条件边，完成从关键词抽取到SQL执行的完整链路编排。重点强调并行召回、条件分支与流式输出机制，利用stream_writer和astream实现执行进度实时观测。虽暂不实现节点内部逻辑，但已验证工作流可正常运行，为后续逐层填充业务细节奠定基础。]]></description><category></category></item><item><title><![CDATA[电商问数学习笔记-9-字段与指标检索能力构建]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/168874675</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/168874675</guid><author>qq_63974584</author><pubDate>Fri, 23 Oct 2026 14:33:36 +0800</pubDate><description><![CDATA[本章系统讲解问数系统中三路召回机制的构建：字段向量索引（基于Qdrant语义检索）、字段值全文索引（基于ES分词匹配）、指标向量索引（基于Qdrant）。通过将字段名、描述、别名拆分为多个语义点，实现自然语言对字段的精准召回；利用ES建立字段真实值索引，解决“华北地区”等取值匹配问题；同时将指标定义与字段关联关系写入元数据库，并构建其语义索引，支持GMV、AOV等业务口径的识别。整条链路由Service编排，各Repository分工协作，最终形成可检索、可验证的元数据知识库，为NL2SQL生成提供完整上下]]></description><category></category></item><item><title><![CDATA[电商问数学习笔记-7-元数据知识库总览与构建入口]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/168747257</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/168747257</guid><author>qq_63974584</author><pubDate>Thu, 22 Oct 2026 10:22:13 +0800</pubDate><description><![CDATA[本章聚焦元数据知识库的离线构建，核心是通过配置驱动实现“先搭架子、再填内容”。脚本入口build_meta_knowledge.py仅负责解析命令行参数、初始化依赖并调度流程，不掺杂业务逻辑。真正的构建逻辑在meta_knowledge_service.py中，根据meta_config.yaml配置文件，分步完成表/字段信息写入元数据库、向量索引（Qdrant）与全文索引（Elasticsearch）的建立。项目采用分层架构：配置文件定义同步范围，业务实体统一内部表达，ORM模型映射数据库结构，mappe]]></description><category></category></item><item><title><![CDATA[电商问数学习笔记-6-MySQL、Embedding 接入与日志管理]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/168654827</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/168654827</guid><author>qq_63974584</author><pubDate>Wed, 21 Oct 2026 15:14:12 +0800</pubDate><description><![CDATA[本章聚焦嵌入（Embedding）、MySQL与日志三大基础能力的集成。通过TEI服务实现文本向量化，由Embedding客户端管理器统一调用；MySQL同时承担元数据库与数仓模拟库角色，基于SQLAlchemy构建异步连接池与Session工厂，支持高效数据存取；日志系统采用Loguru，结合request_id与contextvars实现请求链路追踪，支持控制台与文件双输出，并通过配置化管理实现可维护的日志策略。三者协同支撑后续检索、生成与排障闭环。]]></description><category></category></item><item><title><![CDATA[电商问数学习笔记-5：Qdrant 与 ES 快速入门与接入]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/168448807</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/168448807</guid><author>qq_63974584</author><pubDate>Mon, 19 Oct 2026 17:15:47 +0800</pubDate><description><![CDATA[本章详解Qdrant与Elasticsearch在“电商问数”中的分工：Qdrant基于向量语义相似度召回相关字段/指标，擅长理解“意思相近”；Elasticsearch通过全文索引匹配真实字段取值，解决“词法不一致”问题。两者协同工作，分别从语义层和文本层为大模型生成精准SQL提供上下文支持。项目通过封装QdrantClientManager与ESClientManager统一管理异步客户端，确保高效、可复用的检索服务。核心概念包括collection/point、index/document、mappi]]></description><category></category></item><item><title><![CDATA[电商问数学习笔记-4：项目结构与基础服务配置管理]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/168445956</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/168445956</guid><author>qq_63974584</author><pubDate>Mon, 19 Oct 2026 15:34:15 +0800</pubDate><description><![CDATA[本章系统讲解了shopkeeper-agent项目的工程结构与配置管理，重点介绍基于YAML和OmegaConf的配置加载机制。通过定义dataclass结构与YAML文件的映射，实现配置项的类型安全与统一访问。项目采用清晰分层架构，将代码、配置、提示词等分离存放，并通过Path(__file__).parents[2]等路径策略确保配置文件定位稳定。核心流程为：加载YAML内容 → 生成结构化schema → 合并并转换为可直接访问的Python对象。最终形成全局可复用的app_config，支撑MySQ]]></description><category></category></item><item><title><![CDATA[电商问数学习笔记-3：开发环境与基础服务准备]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/168246224</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/168246224</guid><author>qq_63974584</author><pubDate>Sat, 17 Oct 2026 16:58:59 +0800</pubDate><description><![CDATA[本章聚焦「电商问数」项目环境搭建，核心内容包括：使用uv管理Python虚拟环境与依赖，掌握uv add、uv remove、uv sync等常用命令；通过Docker Desktop统一部署MySQL、Qdrant、Elasticsearch、Kibana及Embedding推理服务；重点讲解docker-compose.yaml配置文件的工程意义，明确各服务职责与数据持久化机制。强调先完成环境与基础服务启动，再进入业务开发，避免因环境问题导致调试困难。]]></description><category></category></item><item><title><![CDATA[Agent项目-电商问数学习笔记-前言]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/168246027</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/168246027</guid><author>qq_63974584</author><pubDate>Sat, 17 Oct 2026 16:12:35 +0800</pubDate><description><![CDATA[本项目基于GitHub开源仓库didilili/shopkeeper-agent，打造一个融合MySQL、LangGraph、Qdrant、Elasticsearch与FastAPI的电商智能问数系统。通过构建元数据知识库，实现字段、指标与取值的混合检索，利用LangGraph编排多阶段智能体工作流，完成自然语言到SQL的生成、校验与执行，并通过SSE流式返回结果。项目覆盖从数据准备、检索增强、工作流编排到前后端联调的完整链路，是学习LangGraph与AI Agent实战的优质进阶案例。]]></description><category></category></item><item><title><![CDATA[苍穹外卖学习笔记-DAY10]]></title><link>https://blog.youkuaiyun.com/qq_63974584/article/details/168144179</link><guid>https://blog.youkuaiyun.com/qq_63974584/article/details/168144179</guid><author>qq_63974584</author><pubDate>Fri, 16 Oct 2026 21:01:26 +0800</pubDate><description><![CDATA[本节课主要讲解SpringTask定时任务与WebSocket实时通信。通过cron表达式实现订单状态定时处理（如支付超时自动取消、派送中订单每日凌晨完成），结合@Scheduled注解完成自动化逻辑。同时，利用WebSocket实现服务器与客户端的双向通信，支持来单提醒与客户催单功能，通过JSON格式消息推送，触发前端语音播报与弹窗提示，提升系统实时性与用户体验。]]></description><category></category></item></channel></rss>