wangjunlei666的博客

DeepAgents是一个独立库，建立在 LangChain代理核心构建模块之上（关系类似于：SpringBoot和Spring Framework）！主要实现自主多智能体系统（Agentic AI）**！DeepAgents是构建由大型语言模型（LLM）驱动的代理和应用的最简单方式——内置任务规划功能、用于上下文管理的文件系统、子代理生成和长期记忆。可以用它完成复杂、多步骤、切自主规划的任务。：做 “动作”，是核心的代理框架。

大模型是参数规模巨大、基于海量数据与算力演进的深度学习模型，涵盖语言、多模态生成与理解等类型。其训练遵循“预训练+后训练”范式，通过提示词工程、RAG、微调、续训及智能体开发实现落地。关键技术如Function Call与MCP协议提升工具调用效率与复用性，推动AI应用向通用智能（AGI）演进。

LangGraph 是 LangChain 1.x 中用于复杂 Agent 工作流编排的底层框架，基于状态（State）、节点（Node）和边（Edge）构建有状态、可持久化、支持流式输出与人机协作的运行时。其核心机制为 Superstep 超步循环，分计划、执行、状态提交三阶段推进。提供 Graph API（声明式图结构）与 Functional API（命令式函数调用）两种方式，适用于不同复杂度场景。推荐使用 TypedDict、dataclass 或 Pydantic 定义状态 Schema，通过 S

本文介绍LangChain中记忆系统的设计与实现，重点阐述短期记忆（基于Thread ID的会话级状态）与长期记忆（跨会话持久化）的管理机制。通过State、Checkpointer与Thread ID三者结合，实现上下文的存储与恢复；支持内存与外部数据库（如PostgreSQL）持久化。针对上下文膨胀问题，提出消息裁剪等治理策略，优化LLM响应效率与成本。

LangChain的结构化输出通过Pydantic等方案，将大模型输出从自然语言转为类型安全、格式固定的JSON或对象，实现程序可直接消费。核心优势包括：Prompt简洁（字段描述即提示）、类型检查（编辑器补全与编译时验证）、输出稳定（低错误率）。支持可选字段、默认值、枚举、列表、嵌套结构及校验约束，结合.with_structured_output()，底层自动转换为JSON Schema并调用模型工具调用功能，提升生产可用性。

LangChain 是大模型应用开发的核心框架，提供统一接口对接多模型、外部数据源与工具，支持检索增强生成（RAG）、智能体（Agent）构建及多智能体协作。其核心优势在于抽象复杂逻辑、模块化设计与丰富生态集成。通过 LangGraph 实现有向图式工作流编排，Deep Agent 进阶支持规划、记忆与子智能体协作，助力构建高阶智能应用。适用于知识库问答、自动化决策等场景，是构建可扩展AI系统的基石。

路由模块由这三类构成，链式路由（依靠元数据，描述，工具标签分发用户请求），自定义意图路由（通常由赠则模板，规则树，深度学习分类器来进行分发），函数签名匹配（根据声明工具的描述进行匹配，路由到合适工具）任务智能体通常分为三个核心模块，分别是模型记忆工具（模型复责将任务规划为任务，工具是手脚负责执行任务，机遇在于维护上下文，追踪历史行为，保存用户偏好）维护一个类似注册中心的东西，作为智能体的能力声明平台，其上面的每个智能体都要声明三类核心信息，包含数据格式，上下文或工具依赖，人物类型和意图标签。

1.Agent Skill 就是解决这个问题的——把你说过的最好的那段话固化下来，变成 AI 永久拥有的能力，以后自动触发，不用再重复说。PromptRuleSkill对话里临时说的rules/ 文件skills/ 目录当次对话全局持续生效按需触发手动输入自动注入对话匹配触发一次性任务约束 AI 默认行为特定任务流程临时交代公司规章制度员工培训手册● Rule 是"AI 的行为准则"——永远生效，约束它的一切输出。

传统云原生多为无状态微服务，易于水平扩展，和快速启动，AI工作负载通常是有状态的（模型上下文，KV缓存），计算量大且耗时高，且需要高性能计算支持，对低延迟，高吞吐量和连续计算有特殊要求，其功能在于，上下文协调，在不同模型，数据库工具之间交换信息，安全与治理，防止prompt注入，限制敏感任务，人机协同，在关键结点引入人工监督，agent生命周期管理，定义创建部署监控优化。SDD开发流程，规范制定，规划设计，任务分解，实现与测试，部署交付，1.可靠性，2.成本，3.质量，4.合规。

在无人工标注的情况下，大模型也可自行判别，ragas评估框架引入了context recall（上下文召回率，类似利用率），context precision（上下文精准率，类似命中率）来表征评估指标，主流的文本分块策略，固定长度切分，自然段切分，滑动窗口切分，语义切分，混合分块策略（采取多种策略，根据段落和查询需要）agent的主要职责在于何时检索，何时生成，支持失败重试，源切换，方法切换，清理冗余上下文冲突，跨工具跨数据源操作。检索评估结果时，通常用上下文命中率，利用率作为核心指标，

agentic rag引入可决策的智能体，判断何时需要检索，是否需要重写query，判断检索结果是否足够好，自动多轮推理。检索级指标：检索召回率，检索相关度，索引文档是否命中正确主题，向量相似度平均值，差不多任何有意义文档的比例。让模型读懂海量文本的关键在于将非结构化的文档转化为易检索的向量，通常包括，文档分片，向量化，索引构建。RAG的本质是数据治理，检索策略，提示词工程，性能优化，可观测性，持续评估与迭代。传统rag的不足，是否检索的判断，检索结果质量评估，查询重写，多步推理，

用户发起请求，主机准备上下文（host提供工具列表，环境信息），模型决策与调用（选取合适的工具去调用），客户端转发执行（使用json-rpc2.0协议向服务器发起请求），服务器执行操作（完成任务并返回结果），结果整合与回答（模型基于结果整合输出）核心价值:标准化，统一工具调用语义，可组合，多server协作组成ai应用，可扩展，支持跨语言，跨运行时，可控可观测，具备企业级安全与审计能力。3.服务端，提供具体功能或服务接口，实现mcp规范，暴露工具，资源与提示模板，1.tools ，模型可调用的函数或操作。

提示词工程是一个不断迭代的过程，要包含1.试运行提示词，观察效果，2.使用测评集或者人工标注进行误差分析，发现问题，3.结构调整，示例重写，指令收紧，输出约束等持续优化。提示词一般包含这六个部分，1.设定模型的专业角色，2.告诉模型要做什么，3.给出背景知识，限制条件，4.示例，5.输出格式规范，6.语气风格。prompt本质上是任务描述，行为规约，输出约束的组合，优秀的提示词要指令明确，上下文充足，示例有效，格式固定，风格一致，无歧义。输出不一致，相同输入，输出不一致，固定随机种子，使用更具体的模板，

训练是模型成长阶段，推理是模型根据知识解决问题过程，推理质量依赖于训练结果，微调是训练的延伸，在预训练模型基础上使用特定数据训练，以增强模型在特定方面的推理能力。预训练就是让模型具备对语言，世界知识，逻辑能力，写作风格等底层能力的上限，形成能读，能写，能生成，能推理的基础智能体。infra层，提供底座支撑:调度，监控，安全与交付，k8s，Aiops，Ai gateway。agent层，具备构建决策与执行能力的智能体，工具编排或mcp协议。rag能在不改变模型的情况下，增强回答能力，保证实时性，准确性，

Flask是一个轻量级的Python Web应用框架，Flask被称为"微框架"，因为它保持核心简单但可扩展，不强制依赖特定的库或工具，给予开发者极大的灵活性和控制力。Flask的主要特点包括：轻量且高效：核心简洁，启动迅速，资源占用低灵活性：不强制特定项目结构或组件选择易于学习：API设计直观，学习曲线平缓可扩展性：通过丰富的扩展生态系统增强功能强大的路由系统：支持URL变量和HTTP方法内置开发服务器：便于本地测试和开发RESTful支持：轻松构建符合REST规范的API。

python 快速上手流程

python项目目录结构

表的集合运算，加减法集合在数学领域表示“各种各样的事物的总和”, 在数据库领域表示记录的集合. 具体来说,表、视图和查询的执行结果都是记录的集合, 其中的元素为表或者查询结果中的每一行。在标准 SQL 中, 分别对检索结果使用 UNION, INTERSECT, EXCEPT 来将检索结果进行并,交和差运算, 像UNION,INTERSECT, EXCEPT这种用来进行集合运算的运算符称为集合运算符。表的加法-unionSELECT product_id, product_name FROM p

数据库DBMS 主要通过数据的保存格式（数据库的种类）来进行分类，现阶段主要有以下 5 种类型.层次数据库（Hierarchical Database，HDB）关系数据库（Relational Database，RDB）这种类型的 DBMS 称为关系数据库管理系统（Relational Database Management System，RDBMS）。比较具有代表性的 RDBMS 有如下 5 种。* Oracle Database：甲骨文公司的RDBMS* SQL Server：微软公司的

视图1.什么是视图视图是一个虚拟的表，不同于直接操作数据表，视图是依据SELECT语句来创建的（会在下面具体介绍），所以操作视图时会根据创建视图的SELECT语句生成一张虚拟表，然后在这张虚拟表上做SQL操作，2.表和视图的区别视图与表的区别—“是否保存了实际的数据”。所以视图并不是数据库真实存储的数据表，它可以看作是一个窗口，通过这个窗口我们可以看到数据库表中真实存在的数据。所以我们要区别视图和数据表的本质，即视图是基于真实表的一张虚拟的表，其数据来源均建立在真实表的基础上视图不是表，视图是虚

select查询通过SELECT语句查询并选取出必要数据的过程称为匹配查询或查询（query）。基本SELECT语句包含了SELECT和FROM两个子句（clause）SELECT <列名>, FROM <表名>;SELECT 语句通过WHERE子句来指定查询数据的条件。在WHERE 子句中可以指定“某一列的值和这个字符串相等”或者“某一列的值大于这个数字”等条件。执行含有这些条件的SELECT语句，就可以查询出只符合该条件的记录了,SELECT <列名>

窗口函数窗口函数（olap）：对数据库数据的实时分析处理，窗口函数。常规的SELECT语句都是对整张表进行查询，而窗口函数可以让我们有选择的去某一部分数据进行汇总、计算和排序。窗口函数的通用形式：<窗口函数> OVER ([PARTITION BY <列名>] ORDER BY <排序用列名>) []中的内容可以省略。窗口函数最关键的是搞明白关键字PARTITON BY和ORDER BY*****的作用。PART

准备数据import matplotlib.pyplot as pltimport numpy as np简单函数用法函数plot()—展现变量的趋势变化plt.plot(x,y,ls="",lw=2,label="plot figure")x:x轴上的数值y:y轴上的数值ls:折线图上的线条风格lw:折线图的线条宽度label:标记图形内容的文本标签#在0.05到10之间均匀地取100个数x=np.linspace(0.05,10,1000)y=np.cos(x)plt.

LightGBMLightGBM的主要优点：简单易用。提供了主流的Python\C++\R语言接口，用户可以轻松使用LightGBM建模并获得相当不错的效果。高效可扩展。在处理大规模数据集时高效迅速、高准确度，对内存等硬件资源要求不高。鲁棒性强。相较于深度学习模型不需要精细调参便能取得近似的效果。LightGBM直接支持缺失值与类别特征，无需对数据额外进行特殊处理LightGBM的主要缺点：相对于深度学习模型无法对时空位置建模，不能很好地捕获图像、语音、文本等高维数据。在拥有海量训练数据，并

机器学习-XGBoostXGBoost的主要优点：简单易用。相对其他机器学习库，用户可以轻松使用XGBoost并获得相当不错的效果。高效可扩展。在处理大规模数据集时速度快效果好，对内存等硬件资源要求不高。鲁棒性强。相对于深度学习模型不需要精细调参便能取得接近的效果。XGBoost内部实现提升树模型，可以自动处理缺失值。XGBoost的主要缺点：相对于深度学习模型无法对时空位置建模，不能很好地捕获图像、语音、文本等高维数据。在拥有海量训练数据，并能找到合适的深度学习模型时，深度学习的精度可以遥

机器学习算法 (一) ：基于逻辑回归的分类预测对于逻辑回归最为突出的两点就是其模型简单和模型的可解释性强。逻辑回归模型的优劣势:优点：实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低；缺点：容易欠拟合，分类精度可能不高学习目标了解 逻辑回归 的理论掌握 逻辑回归 的 sklearn 函数调用使用并将其运用到鸢尾花数据集预测代码流程Part1 Demo实践Step1:库函数导入Step2:模型训练Step3:模型参数查看Step4:数据和模型可视化Step5:模型预测

函数函数以def关键词开头，后接函数名和圆括号()。函数执行的代码以冒号起始，并且缩进。return [表达式] 结束函数，选择性地返回一个值给调用方。不带表达式的return相当于返回Nonedef functionname (parameters): "函数文档字符串" functionsuite return [expression]def printme(str): print(str)printme("我要调用用户自定义函数!

列表简单数据类型整型<class 'int'>浮点型<class 'float'>布尔型<class 'bool'>容器数据类型列表<class 'list'>元组<class 'tuple'>字典<class 'dict'>集合<class 'set'>字符串<class 'str'>1.创建，定义列表''' 列表的定义列表是有序集合，没有固定大小，能够保存任意数量任意类型的

变量，运算符与数据类型1.注释 1. #这是一个注释 2. print("hello 王俊磊") 3. ''' 4. 这是一个多行注释 5. '''## 2.运算符```print(1+1)print(2-1)print(3*4)print(3/4) #除print(3//4) #整除（地板除）print(3%4) #取余print(2**3) #幂 8print(2>1)print(2>=4)print(1<2)print(5<=2)p