agent开发

【Java/Go后端手撸原生Agent（第十一篇）：RAG检索——给Agent加上“查资料“能力】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → [Phase 7 Token预算与滑动窗口] → [Phase 8 摘要压缩] → [Phase 9 规划模式] → [Phase 10 Web UI] → Phase 11 RAG检索（本文）上一篇链接：【Java/Go后端手撸原生Agent（第十篇）：HTTP+SSE+W

小沈同学呀

【Agent开发第三期】短期记忆history，让模型“记住“上一句第 02 期你跑通了循环对话,但模型有"金鱼记忆"——你上一句说"我叫张三",下一句问"我姓什么",它答不上来。明明刚说过,转头就忘。

【Java/Go后端手撸原生Agent（第七篇）：Token预算管理 + 滑动窗口上下文裁剪】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → Phase 7 Token预算与上下文管理（本文）上一篇链接：Java/Go后端手撸原生Agent（第六篇）：流式输出让Agent思考过程"看得见"

【Java/Go后端手撸原生Agent（第八篇）：摘要压缩——让Agent“记要点“而不是“记流水账“】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → [Phase 7 Token预算与滑动窗口] → Phase 8 摘要压缩（本文）上一篇链接：Java/Go后端手撸原生Agent（第七篇）：Token预算管理 + 滑动窗口上下文裁剪

[AI]Agent开发——ADK框架使用AI时代，越来越多的Skill、MCP、Agent被创建出来。那么Agent是如何开发的，企业级Agent的开发流程是如何的，目前业内Agent开发框架比较多，主流的主要是Google ADK、OpenAI Agents SDK等。

【Java/Go后端手撸原生Agent（第九篇）：Plan-and-Execute规划模式——从“走一步看一步“到“先谋后动“】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → [Phase 7 Token预算与滑动窗口] → [Phase 8 摘要压缩] → Phase 9 规划模式（本文）上一篇链接：【Java/Go后端手撸原生Agent（第八篇）：摘要压缩——让Agent“记要点“而不是“记流水账“】

深海鱼肝油ya

基于FastAPI的AI智能体Web系统构建（二）目录一.FastAPI表单数据二.FastAPI异步处理三.文件上传四.FastAPI请求对象Request

早春的树长在理想三旬

从LLM到Agent：ReAct推理模式的底层原理你用过ChatGPT，但你有没有想过：为什么它能回答"今天天气怎么样"，却没法真的帮你查天气？这篇文章从零开始，带你理解"聊天机器人"和"智能助手"之间的那道坎——ReAct推理循环——到底是怎么回事。

AI Resume Forge：基于 LangGraph 的 AI 简历优化与模拟面试平台链接： https://github.com/elaysia-feng/ai-resume.gitAI Resume Forge 是一个面向求职场景的 AI 简历生成与优化平台。传统简历工具大多只能提供模板编辑，而这个项目更关注“岗位匹配”：用户输入目标岗位 JD，系统会分析简历与岗位要求之间的差距，并通过 AI Agent 自动给出针对性的修改建议。(GitHub)

Agent开发理解普通的大模型调用很简单，发起一次简单的LLM Api调用即可。Agent区分于普通的LLM Api调用，其关键在于让无状态的LLM Api调用能好用，不仅能够像有状态一样有记忆，还能分析思考，正确执行。与之延伸而来就有所谓的「记忆（历史会话）管理」、「工具调用（Mcp）」，Agent开发范式（react、plan&excute等），让LLM Api调用能够拆解问题，多次请求，共享会话，最终实现目标。想要模型能够结合实时知识，进而又出现RAG。基本能力开发好了，想节省token成本，需要利用好LLM 的

My First AI智能体！！！我第一个AI智能体： AI、AI、AI、最近我的生活中，到处都充满了AI，千问喝奶茶，豆包春晚发红包，元宝的小马卡，国内的AI大战就算如此的朴实无华；

AI Agent中的 ReAct 和 Ralph Loop对比说明在过去的两年中，AI 编程助手迅速从“辅助补全”走向“自主执行”，但其底层逻辑仍深受传统提示工程范式的限制。开发者普遍遭遇一个共性困境：大语言模型（LLM）在主观判断任务“已完成”时便主动退出，而这一判断往往与客观可验证的成功标准存在偏差。这种偏差导致了频繁的人工干预、上下文丢失以及开发效率的隐性损耗。尽管 ReAct、Plan-and-Execute 等智能体框架试图通过内部推理循环提升自主性，它们仍无法绕过 LLM 对“完成”的自我定义缺陷。正是在这一背景下，一种名为 Ralph Loop 的极简范式

LangChain入门（十三）- 6步实操Agent落地大法过去几年，大模型和 Agent 的讨论铺天盖地，但多数团队卡在同一个问题上：知道 Agent 很强，却不知道第一步该写什么代码。产品经理画了流程图，工程师接了 API，结果跑起来发现 AI 根本理解不了用户意图；或者能跑通几个例子，一上线就幻觉频出、成本飙升。问题不在技术，而在方法——我们沿用了传统软件开发的思维去构建一个概率性系统。Agent 不是功能模块的堆砌，而是推理链的编排。它需要一套全新的启动逻辑：先验证理解能力，再接入工具；先明确边界，再扩展场景。LangChain 团队在大量实践中总结出一套

langchain入门（五）- 用mongodb管理提示词以及以restful service暴露在 LLM 应用从原型走向产品化的过程中，一个常被低估但至关重要的环节是“提示词管理”。早期开发中，提示词往往直接硬编码在 Python 脚本里，看似方便，实则埋下隐患。一旦进入多环境部署、A/B 测试或多团队协作阶段，这种做法会迅速导致配置混乱、版本失控和调试困难。真正健壮的 LLM 应用，其核心竞争力往往不在于模型本身，而在于对提示词、参数和上下文的精细化控制能力。

从玩具到工具：LangChain 入门 (一)本文所用可运行langchain已经按照生产级框架配置，位于csdn的资源下载：从玩具到工具：LangChain 入门教程代码demo

七牛云行业应用

解决OSError: No space left... 给DeepSeek Agent装上无限云硬盘🛑 事故现场：当 GitHub 榜首项目撑爆服务器 DeepSeek V3.2 的 API 刚开放，GitHub 上那个 30k Star 的“全自动打工 Agent”项目（为了不引战，这里称之为 Auto-Agent-X）就火了。我看文档说它能“全自动爬取竞品网站并生成分析报告”，于是兴奋地在一台 2核4G、50G 硬盘的云主机上部署了它，扔给它 50 个目标 URL，打算让它跑一晚上。结果第二天早上，我连 SSH 都登不上去了。控制台监控显示：磁盘使用率 100%，内存溢出 (OOM) 导致进

好文与笔记分享 A Survey of Context Engineering for Large Language Models（中）在上下文工程的基础组件之上，本节探讨了将这些组件集成到实用智能架构中的复杂系统实现。这些实现代表了从理论框架到可部署系统的演进，这些系统利用上下文工程原理。每种实现都建立在基础组件之上，同时解决了上下文利用中的特定挑战，展示了理论原理如何转化为实用系统。

31、LangChain开发框架（八）-- LangChain 数据分析智能体实战本文将进一步丰富智能问答系统的功能，接下来的案例中，我们构建一个基于 Streamlit + LangChain + DeepSeek 的智能化数据分析助手，融合两个典型的企业级大模型应用场景：

七牛云行业应用

从API调用到智能体编排：GPT-5时代的AI开发新模式自大型语言模型向开发者开放以来，API（应用程序编程接口）一直是连接AI能力与应用场景的核心桥梁。开发者们已经习惯于通过调用API来完成特定的任务。然而，随着OpenAI在发布GPT-5时同步推出AgentKit等一系列开发者工具，一个清晰的信号正在浮现：AI应用开发的重心，正从“调用API”的模式，向“构建和编排AI智能体（Agent）”的全新范式迁移。

在未来等你

智能Agent场景实战指南 Day 23 : Agent安全与隐私保护欢迎来到"智能Agent场景实战指南"系列的第23天！今天我们将探讨智能Agent开发中至关重要的主题——安全与隐私保护。随着Agent在金融、医疗、客服等敏感领域的广泛应用，确保数据安全和用户隐私已成为Agent系统设计的首要考量。本文将深入讲解Agent安全防护的核心机制、隐私保护的最佳实践，以及如何在实际项目中实现端到端的安全保障。