- 博客(24)
- 收藏
- 关注
RSS订阅原创 langgraph checkpoint介绍以及案例
摘要（≤150字）： 本Demo演示LangGraph检查点机制在多轮对话中的应用。通过InMemorySaver实现状态持久化，利用thread_id隔离不同用户会话。支持获取最新状态、读取历史快照，并实现“时间旅行”——回退至中间检查点后重新执行。关键在于使用operator.add作为reducer，实现消息列表的自动追加，确保对话记忆连续。适用于需中断续跑、人工介入或调试的复杂工作流场景。
2026-11-10 16:09:37
254
原创 mcp demo以及详解
MCP（Model Context Protocol）通过标准化协议实现AI应用与外部工具的无缝连接。使用Python SDK，开发者仅需用类型注解定义函数，即可自动暴露为可调用工具。示例中，add函数通过@mcp.tool()装饰后，可通过HTTP或stdio方式部署。客户端通过Client调用工具，返回结构化结果。对接LangChain/LangGraph时，借助langchain-mcp-adapters的load_mcp_tools将MCP工具转换为标准Tool，直接接入Agent流程。支持本地st
2026-11-09 15:29:44
367
原创 Agent 开发知识图
本文系统梳理AI Agent开发的五层进阶体系：从模型接口控制（L1）到单Agent核心循环（L2），再到工作流编排（L3）、多Agent协作（L4）及生产工程化（L5），贯穿安全边界与最小权限原则。强调结构化输出、上下文管理、可观测性、评估体系与成本控制，倡导“项目驱动学习”，以可演示的实战项目验证能力，拒绝空泛证书。
2026-11-09 11:21:05
81
原创 LangGraph 初学者入门文档3（LangGraph 进阶知识整理（第三层））
要让 LangGraph 从“能跑的图”蜕变为生产系统核心，需掌握三大关键能力：Functional API实现代码化流程编排，支持异步、缓存与错误恢复；时间旅行与状态编辑允许基于历史检查点重放或修改状态，实现调试与人工干预；生产级可观测性与成本控制通过 OpenTelemetry trace、token 预算与降级链保障可审计、可控、低成本运行。结合持久化 checkpointer 与混合使用 Graph 与 Functional API，构建稳定、可维护的智能工作流系统。
2026-10-15 17:15:45
274
原创 LangGraph 初学者入门文档2(LangGraph 进阶知识整理)
掌握了基础图构建后，进阶方向集中在四个维度：状态精细控制（私有状态、上下文类型区分）、路由与派发模式（Command 合并逻辑、Send 并行）、多 Agent 协作架构（子图封装、跨图通信），以及运行时状态检查与调试。Lyft 的生产系统利用这一点实现意图 Agent 的“升级”——当驾驶意图子图判断问题需要更专业的 Agent 时，直接跳回 meta agent 重新路由。基础的条件边将“更新状态”和“决定下一步”分成两个地方：节点返回状态更新，条件边函数决定跳转。
2026-10-14 11:47:04
118
原创 LangGraph 初学者入门文档1
LangGraph 是一个用于构建有状态 AI Agent 工作流的编排框架，将流程建模为节点（执行逻辑）、边（跳转规则）和状态（共享数据）构成的有向图。它支持条件分支、循环与人工干预，适合复杂推理任务。通过最小示例起步，逐步掌握状态管理、节点定义、条件边与检查点机制，可实现如 ReAct 风格的迭代式 Agent。
2026-10-14 11:11:35
253
原创 智能体记忆系统：知识图谱（Knowledge Graph）实现
本文系统梳理知识图谱作为智能体长期记忆的构建与应用，涵盖概念、建模、存储、检索及与智能体集成。强调其在结构化关系表达、多跳推理与事实一致性上的优势，对比向量记忆的局限。通过轻量本体设计、实体消歧、时间维度建模，结合Neo4j等图数据库实现高效存储与Cypher查询。提出从对话中抽取三元组的LLM流程，支持混合检索与子图推理，并探讨与向量记忆融合的进阶方向，为智能体构建可解释、可维护的长期记忆体系提供完整方案。
2026-10-13 16:49:06
106
原创 智能体开发短期记忆和长期记忆的实现
本文系统梳理智能体记忆体系，区分短期（上下文窗口管理）与长期（外部存储+检索）记忆的实现机制。短期记忆通过滑动窗口、摘要压缩与Token预算管理优化上下文；长期记忆则依托向量库、数据库、知识图谱等实现语义、结构化与情节记忆，并结合检索注入与选择性写入提升效率。架构上采用分层设计，融合LangGraph等框架实践，强调检索优先、可遗忘与成本权衡。进阶方向包括自管理记忆、反思机制与多模态融合，适用于客服、助理等多样化场景。
2026-10-13 10:55:59
287
原创 LangGraph 对话内容筛选与存储实现指南
用LLM将对话历史压缩为摘要，用简短的摘要文本替代原始消息，保留关键信息。实现：在LangGraph图中创建一个专门的“摘要节点”，定期触发并将结果存入状态。LangMem 是 LangChain 团队专为 LangGraph 智能体（Agent）开发的开源长期记忆 SDK。它解决了 AI 在多轮对话中容易“失忆”的核心痛点，让智能体不仅能“记住”用户说过的话，还能从中“学习”和“进化”。
2026-04-17 10:31:19
477
原创 RAG技术介绍，工作流程，具体实现
RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了信息检索和语言模型生成的混合AI技术。它通过在生成回答之前，从外部知识库中检索相关信息来增强语言模型的回答质量。LangGraph是LangChain生态系统中的一个组件，用于构建状态机驱动的应用程序。节点（Nodes）: 执行特定任务的函数边（Edges）: 定义节点之间的连接和流转逻辑状态（State）: 在节点间传递的数据。
2026-04-15 09:57:00
467
原创 Anaconda部署python虚拟环境并创建langgraph项目
如果你的系统中已经安装了其他版本的 Python（例如系统自带 Python、通过其他方式安装的 Python 等），将 Anaconda 添加到全局 PATH 可能会覆盖原有的 Python 路径。如果你的系统环境比较复杂，或者不确定是否会有冲突，更推荐不添加到全局 PATH，而是通过“Anaconda Prompt”来使用，这是最安全、最稳定的方式。这个报错的意思是：你的 Conda 虽然安装了，但还没有“注册”到当前的命令行窗口（Shell）中，所以它不知道如何处理 activate 命令。
2026-03-31 10:26:46
423
原创 langchain query之后的工作流程
），LangChain 会使用与数据存入时相同的嵌入模型（Embedding Model），将你的文字问题转换成一个高维向量。LangChain 会将你原始的问题和上一步检索到的相关文档片段，按照预设的模板拼接成一个完整的提示词（Prompt）。简单来说，系统会先将你的问题转化为向量，去知识库里“查找”最相关的资料，然后将这些资料和你的问题一起交给大模型，让它生成一个精准的答案。溯源（可选）：如果你需要，LangChain 还可以返回生成答案时所参考的原始文档片段，让你可以追溯答案的来源，增加可信度。
2026-03-22 11:08:50
236
原创 langchain 数据保存到向量数据库的流程
自动化：在调用 Chroma.from_documents 或 FAISS.from_documents 等方法时，向量化（第3步）和存储（第4步）是自动完成的，你只需提供文本和嵌入模型即可。整个流程可以清晰地分为四个主要阶段：数据加载、文本分割、向量化和存入数据库。FAISS：由 Facebook 开发，检索性能极高，适合处理大规模数据集的本地部署。Pinecone：全托管的云服务，无需自己维护基础设施，扩展性强，适合生产环境。Chroma：配置简单，开箱即用，非常适合原型开发和本地小型项目。
2026-03-22 11:03:39
253
原创 MCP简介
在 MCP 出现之前，大模型（如 GPT、Claude、千问）想要调用外部工具（比如查天气、发邮件、访问数据库），开发者需要为每一个工具单独写一套复杂的对接代码，非常麻烦且不通用。它定义了一套统一的规则，让大模型能像插 USB 设备一样，简单、安全地连接和调用成千上万的外部工具和数据源。MCP 是当前 AI 圈子里非常火爆的一个概念，全称是 Model Context Protocol，即模型上下文协议。你可以把它理解为 AI 世界的 “USB-C 接口标准” 或者 “万能转接头”。
2026-03-05 16:13:16
337
原创 RAGFlow简介
你可以把 RAGFlow 理解为一个专注于“知识库”和“精准问答”的专业工具。如果说 Dify 是一个通用的 AI 应用“组装工厂”，那么 RAGFlow 就是一个专门用来处理复杂文档、构建高质量知识库的“精密机床”。RAGFlow 是一款由 infiniflow 团队开源的企业级 RAG（检索增强生成）引擎。
2026-03-05 16:12:35
81
原创 Dify大模型应用开发平台
开源与可私有化部署： Dify 是开源的（基于 Apache 2.0 协议），这意味着企业可以免费下载代码，部署在自己的服务器上，保证数据不外泄，这对于金融、政府等对数据安全要求高的机构非常有吸引力。你可以在这里把提示词（Prompt）、大模型、数据检索（RAG）、代码、工具调用等模块像搭积木一样连接起来，定义应用的逻辑。如果你把 大模型（LLM） 看作是“发动机”，把 智能体（Agent） 看作是“整车”，那么 Dify 就是那个提供“生产线”和“组装工具”的工厂。🌟 为什么 Dify 很受欢迎？
2026-03-03 08:41:27
289
原创 智能体（agent）和大模型的关系
大模型与智能体的关系可以类比为"大脑"与"完整的人"。大模型(LLM)是智能体的核心推理引擎，而智能体(Agent)则是在大模型基础上整合了规划、记忆、工具调用和反思等能力的完整系统。智能体能够主动拆解复杂任务、调用外部工具、保持长期记忆，并形成"思考-行动-反思"的闭环。这种架构让AI从单纯的对话能力提升到能够执行实际任务的应用形态，实现了从"能说"到"能做"的进化。
2026-03-03 08:34:15
773
原创 Skill（技能）原理介绍
Skill的核心运行机制是“渐进式披露”（Progressive Disclosure），即AI在启动时仅加载所有Skill的元数据（名称和描述）进行初步判断，当任务匹配到某个Skill时，才按需加载其完整内容和相关资源，从而有效降低Token消耗，提升执行准确率和系统稳定性。Skill（技能）指为AI智能体（Agent）封装的、可复用、可组合的标准化能力单元，本质是“场景最佳实践+所需工具”的封装，核心作用是将大模型的抽象推理规划转化为可落地、可验证的具体操作。
2026-03-02 15:40:15
1676
1
原创 Agent（智能体）与工作流（Workflow）的关系
例如，Agent在自主决策后，可以调用一个预设的工作流来完成某个标准化的子任务（如生成报告、数据备份），从而将智能决策与高效执行结合起来。Agent（智能体）与工作流（Workflow）是两种不同的任务执行范式，二者的核心区别在于流程的控制权与灵活性，但它们并非对立关系，而是可以相互融合、协同工作的互补概念。它是一系列预定义、结构化的步骤，流程和规则在设计时就已确定，执行过程稳定、可预测。因此，许多先进的AI应用是二者的混合体，利用工作流的稳定性来兜底，用Agent的智能性来拔高，以应对更复杂的业务场景。
2026-03-02 14:05:28
763
原创 LangChain的作用
它能将用户的问题与外部知识库（如文档、数据库）中的相关信息检索出来，并作为上下文提供给模型，从而生成更准确、实时的答案。统一的模型接口 (Model I/O)：它为各种大语言模型（如OpenAI的GPT、Anthropic的Claude、Hugging Face模型等）提供了统一的API接口，开发者可以轻松切换或集成不同模型，而无需重写大量代码。总而言之，LangChain通过其模块化的设计，为开发者提供了一套完整的工具链，极大地简化了从简单问答到复杂自动化流程的各类AI应用的开发、测试和部署过程。
2026-02-28 16:57:29
310
原创 配置 Spring Security 多认证源
配置多个SecurityFilterChain（或WebSecurityConfigurerAdapter），分别匹配不同的路径（如/admin/和/member/），每个链使用不同的AuthenticationManager（或共享但指定Provider）。Spring Security 允许我们定义多个 SecurityFilterChain，每个链可以匹配不同的请求路径模式，使用独立的 UserDetailsService、AuthenticationProvider 和过滤器。
2026-02-28 14:35:47
664
原创 若依框架的登录流程
在这个方法里，系统会根据用户名（如admin）从数据库（sys_user表）查询用户信息，并一并获取该用户的角色和菜单权限。认证管理器出手：AuthenticationManager（具体实现类是 ProviderManager）接手了这个令牌，并遍历其管理的所有 AuthenticationProvider，寻找能处理这个令牌的Provider。缓存用户信息：将这个 UUID 作为 key，将包含了用户信息和权限的 LoginUser 对象作为 value，存入 Redis 缓存，并设置过期时间。
2026-02-26 15:35:19
592
原创 js前端html页面转为canvas生成pdf打包zip下载
文章需要下载打印代码逻辑：循环文章列表，生成每篇文章的canvas,用then执行canvas之后的pdf生成，全部执行完成打包下载。
2025-09-01 11:47:58
180
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