排序
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...
7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...
11小时前
小节二：状态流转——READY、THINKING、TOOL_CALLING 到底为什么要显式设计？
State 不只是“有哪些字段”。 更重要的是，这些状态之间怎么流转。 在继续列状态前，我们先区分两个层次： Run 生命周期：任务整体是否还在运行 步骤阶段：这一轮正在请求模型、执行工具，还是...
6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：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
小节一：Chain – 路径确定时，最简单的方案往往就是最好的方案
我们先从 Chain 开始。 Chain 的直觉非常简单：一件事做完，接着做下一件。 例如： 读取 CSV ↓ 去重 ↓ 填补缺失值 ↓ 计算指标 ↓ 输出结果 这里最重要的不是“有几个步骤”，而是，下一步在...
11小时前
案例分析一：一个“会修 Bug”的 Coding Agent，最终到底会经历哪些步骤？
场景背景 我们先提前看看课程最终项目之一。 用户上传一个 Flask 项目，然后提交任务，“这个项目启动时报错，帮我定位原因。如果能安全修复，就修改后重新测试。” 传统聊天模型需要你自己复制...
12小时前
小节二：DAG 与 Workflow——流程可以很复杂，但核心控制权仍在开发者手里
Chain 是一条线。 但真实工程里，很多任务不是线性的。 例如一个模型训练任务： ┌→ 数据质量检查 ─┐ 数据加载 ─────┼→ 特征统计 ─────┼→ 模型训练 └→ 标签检查 ─────...
11小时前
Agent State：一个 Agent 到底需要记录什么？
上一节我们已经把 Agent 最核心的 Main Loop 写出来了。你应该已经能看懂这样一个结构： while True: response = llm.chat(messages) if response.tool_call: result = execute_tool(response.t...
6小时前
小节一：State 到底是什么——它不是“聊天记录”，而是 Agent 当前运行事实的集合
我们先从一个最容易误解的地方开始。 很多人会说，“Agent 不是已经有 messages 了吗？这不就是状态？” 不完全是。 messages 是 State 的一部分，但它不是全部。 聊天记录主要...
6小时前
