排序
小节三：把 State 真正接进 Main Loop——Agent = Loop + State 到底怎么落到代码里？
现在我们把前两节合起来。 上一节是 Loop。 这一节是 State。 真正的 Agent 结构应该是： Loop 推进 State State 约束 Loop 这句话很关键。 不是 Loop 单方面使用 State。 而是两者互相影响。 ...
6小时前
案例分析二：收入下降分析——为什么单次 SQL 不够，Main Loop 才能真正做“下钻”？
场景背景 业务问，“为什么昨天收入下降了？” 普通 Text-to-SQL 可能只执行一条： 查询昨天与前天总收入 得到： 昨天：80 万 前天：100 万 这只能回答，“确实下降了 20%。” 并没有解释为什么...
8小时前
Agent 最核心的秘密：Main Loop
上一节我们已经把 Chain、DAG、Workflow 和 Agent 的差别讲清楚了。真正决定 Agent 味道的，不是“有没有大模型”，也不是“有没有工具”，而是模型是否能够在运行过程中，根据当前任务和执行反...
8小时前
案例分析二：一个 Data Analysis Agent 为什么不能只是“问题 → SQL → 答案”？
场景背景 再看另一个最终项目。 业务同学问，“昨天广告收入为什么下降？” 最简单做法是 Text-to-SQL： 用户问题 ↓ 生成 SQL ↓ 执行 SQL ↓ 返回结果 如果 SQL 只是查出： 昨天收入：80 万 ...
12小时前
案例分析二：Data Analysis Agent 状态混乱，为什么会重复查同一条 SQL？
场景背景 一个 Data Analysis Agent 接到任务，“为什么昨天收入下降？” Agent 先查： 总收入 再查： 按媒体拆分 发现： media_B 异常 接着应该继续： 查 media_B 的请求、曝光、eCPM 问题矛盾...
6小时前
章末自测
题目 1：为什么“LLM + 三个工具”不一定是 Agent？ 某系统接入了一个大模型，并提供“查天气”“计算器”“网页搜索”三个工具。程序固定规定：每次请求都先搜索网页，再查天气，最后调用计算...
8小时前
小节一：从“一次调用”到“循环调用”——Agent 真正开始出现的那一刻
我们先从最简单的 LLM 应用开始。 假设现在有一个函数： def chat(prompt: str) -> str: return '模型回答' 用户输入一句话，我们调用一次模型，然后直接返回答案。 这种结构可以完成很多任务：...
8小时前
小节四：State、Memory、Session、Trace 到底怎么区分——别把所有东西都塞进一个大字典
学到这里，很容易出现一个新问题，“既然 State 什么都能放，那 Memory、Session、Trace 还有什么意义？” 这是非常好的问题。 如果这个边界没想清楚，后面项目会出现一个巨大对象： state = { ...
6小时前
案例分析二：分析“昨天收入为什么下降”——Agent 和普通 Text-to-SQL 的分界线
场景背景 假设我们做一个数据查询系统。 用户问，“为什么昨天广告收入比前天低了 20%？” 最简单的 Text-to-SQL： 自然语言 ↓ 生成 SQL ↓ 执行 SQL ↓ LLM 总结 ↓ 返回 已经很有用。 问题矛...
8小时前章末自测
题目 1：为什么最终项目不能只写成一个 agent.py 文件？ 假设我们完全可以在一个 agent.py 中同时写 Flask Route、模型调用、工具执行、文件操作、Session 保存和日志记录...
12小时前
