在构建复杂 Agent 时，上下文（Context）管理 是最关键的问题之一。当工具调用结果非常庞大时——例如网络搜索或 RAG 返回的大量信息——上下文窗口会被迅速填满，导致 Agent 无法持续运行。 File System 中间件 正是为了解决这一问题而设计的：它把文件系统作为 Agent 的

当大模型开始"思考"，Demo 和 Production 之间隔着一道叫做 Agent Engineering 的鸿沟。 前言 你或许已经听过无数次"AI Agent"这个词。但一个尴尬的现实是：90% 的 Agent Demo 永远停在 demo。 它们能在本地惊艳地跑通，可在真实用户面前，要么"

让 LLM 工具调用既精准又清晰——两个中间件，搞定 Agent 的两大痛点。 📖 写在前面 随着 LangChain Agent 越来越普及，开发者会很快撞上两堵"墙"： 工具太多：给 Agent 挂了 20 个工具，模型在调用时一脸懵。 任务太长：跨多步的复杂任务跑下来，用户只看到一行最终回复

当 Agent 对话越来越长，模型开始"记不住"早先聊过什么——这时候，Summarization 中间件就是你的救命稻草。 本文将带你从概念、创建、触发流程、规则制定到参数调优，彻底掌握 LangChain Summarization 中间件。 📑 目录 什么是 Summarization 中间

随着 LLM Agent 越来越"敢动手",我们开始需要一种机制 —— 让 AI 在做关键动作前停下来,让人看一眼,再由人来决定放行、修改还是拒绝。 这就是 Human-in-the-Loop (HITL):AI 不再是"自动执行",而是"提建议 → 被审核 → 必要时修正"。 本文带你从概念到 L

读懂中间件机制，让你的 Agent 从"能跑"走向"可控、可观测、可生产"。 写在前面 如果你已经用 LangChain 搭过 Agent，大概率会遇到这些痛点： 想给 Agent 加上日志，却不知道在哪一层埋点 想做调用次数限流，防止 token 成本失控 想在关键工具调用前让人工把关，但不想重写

如果你正在学习 LangChain 或基于 LangChain 搭建 Agent，那么「Message（消息）」是绕不开的第一道坎。 它既是模型的输入输出，也是对话的上下文单元，更是 Agent 状态机的"燃料"。 本文将带你系统掌握 Message 的全部要点：4 种消息类型 → 工具调用流程 →

写在前面 大语言模型（LLM）很强，但"只会说话"是它最大的短板。Tools（工具） 就是 LangChain 给出的解法——通过标准化的接口让模型能够调用外部能力，从而真正"动手"。 本文从一张概念图出发，系统讲清楚： @tool 装饰器如何把一个普通函数变成工具 模型发出 tool_calls

智能体 (Agent) = 大语言模型 + 工具 + 系统提示，让 LLM 拥有"手脚"和"行为准则"，能自主规划、调用工具、迭代求解复杂任务。 本文基于 LangChain v1.0，系统梳理 Agent 的核心概念、Tools 定义、Agent 构建、系统提示、结构化输出与多种调用方式，配套可直

💡 故障排查记录：阿里云 fnOS 网络不可达 (Network is Unreachable) 本文档记录了阿里云 fnOS 系统出现 network is unreachable 故障的完整排查与修复过程。 故障现象： 服务器突然断网，无法 ping 通外网。 1. 发现问题：查看当前路由表