茯茶养生人的博客

本文讲解定时调度系统设计，核心是四层解耦模型：Scheduler（每秒轮询判断时间）、Queue（cron_queue缓冲）、Queue Processor（agent空闲时消费）、Consumer（agent_loop执行）。通过CronJob数据结构（含cron表达式、recurring、durable字段）实现到点自动入队、空闲自动执行。

本文介绍如何构建多 Agent 团队协作运行时，解决并行重构后端时任务分配、上下文隔离、结果回传等6个核心问题。核心方案包括：Lead 主线程管理分工、持久化 TeammateRuntime 队友循环（WORK/IDLE）、基于文件信箱的 MessageBus 通信（破坏性读保证消息只消费一次）、共享任务板原子认领、可选 git worktree 隔离并行修改、进程锁+文件锁双重锁定防数据竞争，以

本文讲解 MCP（Model Context Protocol）工具插件机制，解决 Harness 需为每个外部系统单独编写工具定义的问题。介绍了 MCP 协议核心的 tools/list 和 tools/call 两个 JSON-RPC 方法，对比 stdio、Streamable HTTP、WebSocket 三种通信方式的适用场景，并补充了真实 MCP Client 的 Python 实现代

本文讲解Agent工具执行前的三道权限闸门（硬黑名单、规则引擎、用户审批）构成责任链，默认拒绝策略保障安全；随后引入钩子系统（HOOKS事件总线+register_hook订阅+trigger_hooks发布），通过UserPromptSubmit/PreToolUse/PostToolUse/Stop四大生命周期锚点，将权限、日志、监控等非功能性需求从核心循环中彻底抽离，实现可编程可编排的Age

本文介绍Agent规划工具todo_write的实现：通过将任务清单显式写入上下文（CURRENT_TODOS全局状态）抑制多轮对话中的注意力漂移。核心包括三重机制：todo_write规划工具、Nag Reminder催办机制（rounds_since_todo计数器双重重置）、高度结构化的status状态机（pending/in_progress/completed）输入校验。

本文介绍LangChain框架的基础知识，涵盖其存在原因（解决大模型知识冻结、幻觉、无法调用外部工具的短板）、家族分工（LangChain管能力、LangGraph管流程、LangSmith管观测）、AI应用四条路线（纯Prompt、Agent+Tools、RAG、Fine-tuning），以及第二章中模型初始化的三种方式（专用模型类、OpenAI兼容、init_chat_model统一抽象），并

本模块系统讲解 Python 类型标注与 Pydantic 数据校验。涵盖 import 导入语法、函数类型标注、嵌套类型(list[dict[str,str]])解读、Python 3.10+ 竖线 | 语法、Literal 限定值、TypedDict 与 Pydantic BaseModel 的对比（运行时校验、Field 约束、default_factory）、以及为什么 LLM 输出必须用

本文系统讲解LangChain中RAG（检索增强生成）技术的核心概念与实战应用。首先阐述大模型知识滞后、知识缺失和幻觉三大局限，以及RAG通过检索+生成解决这些问题的设计意义、优缺点和六大工作流程（Source→Load→Transform→Embed→Store→Retrieve→Generate）。随后深入讲解文档加载器（TextLoader、CSVLoader、JSONLoader、PyPDFLoader、Word/Markdown/HTML加载器、DirectoryLoader）的BaseLoader与Document底层设计，以及文档切分器TextSplitter的五种Chunking策略、核心参数和三种调用方法，重点推荐递归字符切分作为首选策略。

本文系统讲解 LangChain/LangGraph 的上下文与记忆机制。核心要点：大模型无状态，需通过记忆模块保存历史交互；LangChain 1.x 记忆分为短期记忆（State + Checkpointer + Thread ID）和长期记忆（store 对象）；提供 InMemorySaver（内存持久化，适合测试）和 PostgresSaver（PostgreSQL 持久化，适合生产）两种实现方案，并对比其差异；最后介绍消息裁剪、删除、摘要等上下文治理策略，解决 token 消耗和上下文窗口限制问题。

本文系统讲解 LangChain Agent 中间件机制，涵盖中间件的概念（Agent 执行过程中的钩子函数）、价值（分离横切逻辑）、分类（自定义/内置/供应商定制，内置16个分六大类），并深入实战讲解 SummarizationMiddleware（摘要压缩上下文）、HumanInTheLoopMiddleware（人工审批）、PIIMiddleware（敏感信息保护）、TodoListMiddleware（任务规划）等核心中间件的参数配置与代码示例。

本文系统讲解LangChain 1.x中Agent智能体的核心概念与实战用法，涵盖Agent与普通模型调用的区别、四大核心组件（Action/Tool/Planning/Memory）、create_agent()统一创建入口、Agent调用与输出格式、LangGraph图本质、三种工具绑定方式、ReAct循环工作流、重试机制、系统提示词及结构化输出（response_format）等13个关键知识点，并提供完整代码示例。

本文系统讲解 LangChain 1.x 的结构化输出机制。核心内容包括：结构化输出的定义与价值（让模型返回可被程序稳定消费的 JSON/Pydantic 数据）、四种 Schema 定义方式（Pydantic 生产首选、TypedDict 轻量、JSON Schema 跨语言、@dataclass 简单）及其运行时校验差异、with_structured_output() 的四步工作流程、Field(description) 对模型输出的关键作用、Optional 与 default 的区别、Enum vs Literal 的选择、嵌套结构建议≤3层、include_raw=True 用于获取原始 AIMessage 排查问题，以及 JsonOutputParser 不推荐的原因。文末附有章节自测题，并指出 DeepSeek 模型不支持 json_schema 模式。