第4部分:Python + Flask 服务化 为什么 Agent 不能永远运行在 Python 脚本里?
到上一部分结束,我们已经把 Agent Harness 最核心的一大块能力搭出来了。 现在这个 Agent 已经不再只是一个最小 while True Demo,而是已经拥有: Main Loop Agent State LLM Provid...
章末自测
题目 1:Reason → Action 与 Goal → Plan → Tasks 两种模式最大的区别是什么? 请分别从决策粒度、状态复杂度、适用任务和执行灵活性四个角度解释。 Reason → Action 每轮只决定下一步,状...
小节四:实现 TraceRecorder——真正把 AgentEngine、Provider、ToolExecutor 串起来
到代码实现时,最关键的问题是“在哪个组件记录什么”。把 Recorder 的接入点放进一次完整调用链,比单独记住几个 record_*() 方法更容易理解。 Engine 负责步骤与状态,Provider 负责模型请...
5. 关于with
概述:Python 中的with主要用于管理程序中“需要成对出现的操作”,例如: 上锁 / 解锁 打开 / 关闭 借用 / 归还 使用with的目标:编码者只管做具体的事,“进入”和“离开”的事,让 ...
7.5.4 RMSProp
RMSProp(Root Mean Square Propagation,均方根传播)是在AdaGrad基础上的改进,它并非将过去所有梯度一视同仁的相加,而是逐渐遗忘过去的梯度,采用指数移动加权平均,呈指数地减小过去梯度的...
小节三:为什么 Agent 比普通 Chatbot 更容易把上下文撑爆?
现在正式回答本节最核心问题。 Agent 比普通 Chatbot 更容易把 Context Window 撑爆。 原因至少有六个。 原因一:Agent 会产生 Tool Result 普通 Chatbot: User Assistant Agent: User Assist...
小节五:把 LLM 接进分析循环——模型负责提出“下一步最值得查的问题”,Query Tool 负责安全执行
模型接入之后,真正发生变化的是下一步分析动作由谁提出,而不是把查询校验和执行也交给模型。下面的循环图把它与 Query Tool 的执行职责拆开了。 模型结合最新 Observation 和当前状态产生 Que...












