python 编程从入门到实践（第七章）

前言 由于毕设是做神经机器翻译相关，所以先尝试一下神经机器翻译的整个流程是非常有必要的。故将在news-commentary-v15语料上训练有监督中英NMT模型的整个流程，包括工具和数据的准备、数据的预处理、训练及解码等过程，以及过程中遇到的问题和解决方案记录在此，以供后期回顾，也希望能够给予别人一些帮助。附本人博客 1 相关工具及目录结构 1.1 相关工具 除jieba是使用pip install安装外，其他几个工具都是建议直接克隆库到自己的用户目录中，方便使用其脚本(moses/subword-nmt

本文介绍了AI Agent的参考架构与实现方法。文章首先阐述了AI Agent的核心概念，将大语言模型与工具、记忆、规划系统结合，可应用于代码助理、数据分析、客服等场景。然后提出了分层的参考架构，包括表达层、决策层、执行层和记忆层，并强调了解耦设计原则。文章详细展示了工具注册与函数调用的实现代码，包括统一的工具描述模型和决策循环。在记忆系统方面，提供了会话窗口管理和轻量级向量检索的实现方案。最后，文章指出AI Agent通过ReAct循环实现多步规划执行，能有效处理复杂任务。整体为工程化落地AI Agent

参与袭击的无人机为简易组装的固定翼飞机，采用小排量活塞发动机和手机GPS通信模块零件，机翼为轻木加泡沫板混合结构，尾梁为铝合金方管，主要依靠胶带粘接，以上全部配件均可在商用市场买到，成本较低，可在短时间内装配完成。③战场纵深短、瞬时性强。蜂群作战的参战数量显著增加，这一方面得益于无人机技术的飞速发展使得廉价无人机可以大量生产和仿制，另一方面凭借迅速发展的投放和回收技术以及集群控制技术，使得无人机蜂群可在极短时间内实现编队饱和攻击，在快速消耗敌方高价值防空武器系统的同时，保证己方物资系统的突防概率。

简单来说，提示词工程就是设计和优化输入内容（Prompt），以获得更理想的大模型输出结果的过程。它是你和大模型沟通的“咒语设计”。Agent的意思是“智能体”或“代理人”，它不仅仅是聊天，它可以根据目标自己规划、调用工具、执行任务，甚至进行多步推理。它是“大模型+工具+记忆+行动”的结合体。理解提示词工程、RAG与Agent，不只是技术人员的事，而是每一个想要在AI时代更高效工作、学习、创造的人都应掌握的基本技能。未来不是AI替代人，而是掌握AI工具的人替代不会用AI的人。

文章深入解析了AI Agent架构的五大核心要素：大模型、提示词、工具、Agent本体与MCP。MCP作为主控程序，是Agent的策略中枢，负责任务规划、资源管理、多Agent协作与错误处理。文章还探讨了如何通过配置驱动架构、AI注册中心和可观测性将Agent从概念推向生产实践，并展望了代码模型、端云协同和业务融合等未来发展方向。

针对当下大模型比较成熟的几种应用模式，包括智能问答、RAG、Agent、Agent+MCP等等，大家理解时容易陷入两种极端：当你刚开始入门时，看到这些概念一定很混淆，往往把大模型LLM想的很神奇，感觉它什么都能干，什么业务场景都能用。当你通过cherrystudio或dify等工具，按照网上一些教程来实现过一些场景时，往往又会感觉很僵硬，只会照着做，并没有理解大模型LLM的本质。本文以容易理解的信息化视角，将LLM视作一个黑盒的文字系统，通过比较输入提示词+输出成果在几种LLM应用模式下的不同，

本文以容易理解的信息化视角，将LLM视作一个黑盒的文字系统，通过比较输入提示词+输出成果在几种LLM应用模式下的不同，来分析这些应用模式的差异，本质上也是对使用LLM的过程做一个“祛魅”。

2025年AI记忆架构迎来关键转折，Agent记忆和RAG代表了上下文工程的两种根本路径。本文揭示二者在动态演化与静态检索、复杂推理与知识问答等核心维度的本质差异，并通过性能基准和工程实践帮助开发者精准选择技术方案。为什么复杂AI系统正从RAG转向Agent记忆？

文章解析了2025年AI记忆架构中Agent记忆与RAG的根本差异。Agent记忆采用动态演化机制，通过持续更新和主动学习构建智能基础设施，适合多轮对话和复杂推理；RAG则是静态检索系统，适合一次性知识问答。两者存在场景互补性，未来趋势是混合架构协同工作，让Agent记忆负责动态认知，RAG处理静态知识查询，实现最佳性能与效率。

针对当下大模型比较成熟的几种应用模式，包括智能问答、RAG、Agent、Agent+MCP等等，大家理解时容易陷入两种极端： 当你刚开始入门时，看到这些概念一定很混淆，往往把大模型LLM想的很神奇，感觉它什么都能干，什么业务场景都能用。 当你通过cherrystudio或dify等工具，按照网上一些教程来实现过一些场景时，往往又会感觉很僵硬，只会照着做，并没有理解大模型LLM的本质。

LLM是大脑，负责理解用户需求、生成文本；RAG提供最新景点和餐厅数据，避免推荐已关闭的店铺；Agent协调整个流程：先查天气，再调地图API算路线，最后用LLM生成行程；提示词则是你给AI的详细需求文档，确保输出符合预期。

2025年AI记忆架构呈现Agent记忆与RAG两条技术路径。Agent记忆通过动态演化、主动学习实现认知升级，适合多轮对话与复杂决策；RAG则以静态检索见长，适用于知识库查询。工程实践表明，混合架构(Agent记忆作"大脑"，RAG作"肌肉")成为趋势，通过分层协同实现性能与成本的平衡。技术选择取决于应用场景：需要持续认知用Agent记忆，仅需静态查询用RAG。

智能体，简而言之，就是能够在特定环境中执行任务的实体。它可以是物理的，如机器人，也可以是虚拟的，如软件程序。智能体的核心在于其自主性，它们能够感知环境、做出决策，并根据这些决策执行行动。

本文系统介绍大模型六大核心技术：Agent智能体的工具使用与记忆能力；RAG知识库解决幻觉与实时性问题；工作流搭建提升任务精度；MCP与Tool自定义扩展功能；微调使模型专注特定领域；以及各类应用所需的数据支持。这些技术共同构成大模型应用开发的关键技术栈，为开发者提供从基础到高级的完整解决方案。

在人工智能领域，提示词工程是优化大语言模型输出的关键技术。其核心原理是通过精心设计的输入指令，引导模型生成更准确、更符合预期的结果。随着任务复杂度的提升，传统静态提示词在应对多步骤推理、工具调用和状态管理时面临局限。这催生了智能体（Agent）与检索增强生成（RAG）技术的融合，它们分别扩展了模型的“行动能力”与“知识边界”。而LangGraph作为工作流编排框架，通过图（Graph）结构将Agent的逻辑可视化、可编程化，实现了从“文本撰写”到“流程编排”的范式升级。这种动态的Agentic RAG工作流

本文深入解析了SpringApplication.run()的核心流程，通过源码拆解揭示了从启动到容器就绪的完整生命周期。文章重点分析了三个关键阶段：prepareEnvironment的配置加载逻辑（系统属性>环境变量>配置文件）、createApplicationContext的容器类型推断机制（基于classpath判断Web/Reactive/普通应用），以及callRunners的启动后回调特性（按@Order执行初始化任务）。同时澄清了常见误区，如内嵌Tomcat实际在refresh阶段的onR