晨启Tech

引言：当 AI 说”我不知道”2024 年，某医疗 AI 助手将患者的”轻微头痛”诊断为”脑膜炎前兆”，导致不必要的急诊就医。同一年，某金融分析 Agent 在市场波动期间给出了截然相反的投资建议。这些事件暴露了一个被忽视的核心问题：LLM 驱动的 Agent 系统缺乏对自身不确定性的认知能力。 不确定性管理（Uncertainty Management）是构建生产级 Agent 系统的关键基础设施。本文将深入探讨如何在 LangGraph 框架中实现完整的不确定性量化、校准与处理机制。 一、不确定性的本质与分类1.1 认知不确定性（Epistemic Uncertainty）认知不确定性源于模型知识的局限性。当 Agent 遇到训练数据分布之外的场景时，即使输出看起来 confident，也可能是幻觉。 1234# 典型场景：超出知识边界user_query = "请分析 OpenClaw 框架的内存管理机制"# Agent 可能生成看似合理但实际错误的回答# 因为训练数据中没有 OpenClaw 的相关信息 1.2 偶然不确定性（Aleatoric Un...

视界 | 全球脉搏今日重点：伊核谈判倒计时、韩国前总统终身监禁、俄乌和平谈判僵局 📰 今日 Top 10 全球要闻1️⃣ 特朗普：伊核协议谈判仅剩10天窗口期美国总统特朗普表示，世界将有10天时间观察是否能与伊朗达成核协议。白宫同时加大对伊朗的军事压力，在中东地区增派军事力量。伊朗安全官员被指在墓地向抗议人群开火。 关键词： 伊核问题 | 美伊关系 | 中东局势来源： BBC World 2️⃣ 韩国前总统尹锡悦因戒严令被判终身监禁韩国前总统尹锡悦因宣布戒严令、试图阻止国会活动而被判处终身监禁。这是韩国宪政史上对前总统最严厉的判决之一，标志着韩国民主制度对军事干预政治的坚决抵制。 关键词： 韩国政治 | 宪政危机 | 司法独立来源： BBC World 3️⃣ 联合国：苏丹暴行具有”种族灭绝特征”联合国官员指出，苏丹境内发生的暴行具有种族灭绝的所有特征。国际社会对苏丹人道主义危机的关注持续升温，但有效干预仍面临重重障碍。 关键词： 苏丹危机 | 种族灭绝 | 联合国来源： BBC World 4️⃣ 俄乌和平谈判结束，未获突破俄罗斯与乌克兰之间的和平谈判被描述为”艰...

LangGraph Production生产部署：从Demo到上线唔~ 终于写到LangGraph系列的第十篇了！如果你一路跟着走过来，现在应该已经掌握了LangGraph的核心概念：StateGraph、Node、Edge、Memory、Human-in-the-Loop、Streaming……但等等，你以为这就完了？ Demo在本地跑得欢，一到生产环境就跪？今天这篇就是来解决这个问题的。我们要聊的是：如何把LangGraph应用从玩具变成能扛住真实流量的生产级系统。 呐，坐稳了，准备起飞。 一、引言：生产环境 vs 开发环境的差异1.1 开发环境的”乌托邦”在本地开发时，我们的LangGraph应用通常是这样的： 123456789101112131415161718from langgraph.graph import StateGraph, END# 定义Stateclass AgentState(TypedDict): messages: list# 简单的Nodedef agent_node(state): return {"messa...

LangGraph Conditional Edges条件边：让流程”会思考”如果你刚刚接触 LangGraph，你可能会被各种概念绕晕：State、Node、Edge、Checkpoint……这些东西到底在说什么？别急，今天我们不贪多，只聚焦一个核心概念——Conditional Edges（条件边）。它是让 LangGraph 从”死板流程”进化成”智能决策系统”的关键。 想象一下，你的 AI Agent 就像一个会思考的员工。面对不同的任务，它能自主决定下一步该做什么，而不是像传统程序那样只会按固定路线执行。这就是条件边的魅力所在。 本文会用最通俗的语言，带你从零理解条件边，并通过一个完整的智能客服路由系统实战案例，让你真正掌握这项技术。 一、什么是条件边？给流程装上”大脑”1.1 传统流程 VS 智能流程在我们深入之前，先来看一个生活中的例子。 假设你开了一家餐厅，顾客来点餐。传统程序（无条件的普通 Edge）就像这样： 1顾客进店 → 推荐套餐A → 结账离开 不管顾客是素食主义者、过敏人群还是大胃王，都是同样的流程。这显然很蠢。 而条件边（Conditional ...

适合人群：完全不懂 LangGraph 的小白，有一定 Python 基础即可阅读时长：约 15 分钟代码难度：⭐⭐⭐☆☆ 引言：为什么需要流式输出？想象一下这个场景：你正在使用一个 AI 代码助手，输入”帮我写一个 Python 爬虫”，然后…页面就开始”转圈圈”。等了 10 秒、20 秒、30 秒，你的耐心正在消耗，开始怀疑是不是程序卡死了。终于，一大段代码”啪”地一下全部出现在屏幕上。 这就是非流式输出的体验——黑盒等待 + 结果突袭。 流式输出的价值：就像 ChatGPT 那样，字一个一个”蹦”出来，用户知道系统在干活，可以随时打断，体验完全不在一个维度。 在 LangGraph 中，这个问题更严重。因为 LangGraph 是多步骤的 Agent 编排框架，一个请求可能要经过： 意图识别节点 工具调用节点 数据检索节点 结果生成节点 如果是非流式，用户要等所有节点都执行完才能看到结果。而流式输出可以让用户： 实时看到每个节点的执行状态 渐进式接收 AI 生成的内容 随时中断不合适的请求 本文将带你从零开始，彻底掌握 LangGraph 的 Strea...

想象一下：你让AI写一篇投资研报。它搜索了资料、分析了数据、写出了报告，但最后你发现——数据引用错了，逻辑链条断了，结论站不住脚。 这时候你可能会想：如果有个专门的研究员负责搜集资料，有个专门的分析师负责数据验证，还有个专门的写手负责行文逻辑，最后还有个审核员把关质量，该多好？ 这就是多智能体（Multi-Agent）的核心思想：让专业的人做专业的事。 一、什么时候该拆分多个Agent？在LangGraph的世界里，单个Agent就像是一个全能选手。它能思考、能调用工具、能产出结果。但当任务变得复杂时，这个”全能选手”开始力不从心。 单Agent的瓶颈想象你在用ChatGPT完成一个复杂任务： 123你：帮我分析苹果公司2024年财报，预测2025年股价走势AI：（开始搜索...下载财报...分析数据...写报告...） 听起来不错？但问题很快就来了： 工具太多：财报分析需要搜索、下载、PDF解析、数据计算、可视化等十几种工具，Agent经常选错 上下文爆炸：搜索返回的内容、PDF的原始文本、中间计算结果混在一起，Agent迷失在信息海洋里 角色混乱：一会儿是研究员在搜集...

本期概要：Martin Fowler 警示 AI 速度正在成为债务加速器；Chrome 发现零日漏洞 CVE-2026-2441；研究者发现大模型提示注入新攻击向量；arXiv AI 论文日更 225 篇，医疗 AI 分割技术取得突破。 🚨 今日热点1. AI 速度正在成为债务加速器来源：Martin Fowler | Hacker News 热榜 TOP1 软件工程领域泰斗 Martin Fowler 最新发文指出：AI 开发速度的提升正在以技术债务的形式反噬团队。文章核心观点： 生成式 AI 让代码产出速度提升 3-5 倍，但代码质量管控体系没有同步升级 快速生成的代码往往缺乏充分测试，形成”隐性债务” 建议团队建立 AI 生成代码的强制审查机制 一句话点评：快不等于好，AI 时代的代码审查比任何时候都重要。 2. Chrome 零日漏洞 CVE-2026-2441 被发现来源：Chrome Releases Google 发布紧急安全更新，修复存在于野零日漏洞： 属性 详情 漏洞编号 CVE-2026-2441 类型 CSS 引擎内存损坏 ...

LangGraph Human-in-the-Loop：关键时刻”踩刹车” 让 AI 在需要时停下来，让人类做决定——这才是真正的智能协作。 引言：为什么需要人工介入？想象一下，你正在驾驶一辆自动驾驶汽车。大多数时候，它可以自己开得很好，但遇到复杂路况时，它会减速并提示你接管。这种”关键时刻人工介入”的设计理念，在 AI Agent 开发中同样重要。 完全自动化的陷阱当我们构建 AI Agent 时，很容易陷入一个误区：让 AI 做一切。但现实世界远比代码复杂： 高风险决策：银行转账、医疗诊断、合同签署——这些操作一旦出错，代价高昂 模糊的边界：退款金额超过1000元怎么办？客户投诉涉及敏感话题如何处理？ 合规要求：某些业务场景必须人工确认才能继续 LangGraph 的 Human-in-the-Loop（HITL）机制，就是为解决这些问题而生。它不是让 AI 变弱，而是让系统更可靠、更可控。 HITL 的核心价值 场景 完全自动化的问题 HITL 的解决方案 退款审批 AI 可能批准可疑的退款 大额退款人工复核 内容审核 AI 可能误判边界内容 争议内容人...

LangGraph 是什么？5分钟搞懂核心概念 引言：为什么需要 LangGraph？想象一下，你正在开发一个智能助手，它不仅能回答简单问题，还能帮你完成复杂的多步骤任务——比如”帮我订一张明天去上海的机票，要上午的航班，价格不超过1000元，如果没有合适的就订高铁”。 这样的任务看似简单，但对AI来说却充满挑战： 需要搜索航班信息 需要比较价格和时段 可能需要备选方案（高铁） 整个过程需要记住之前的决策 这就是传统 AI Agent 面临的困境：它们往往是线性的、缺乏状态管理、难以处理复杂的循环和条件分支。 传统 Agent 的三大痛点痛点一：对话像金鱼一样健忘 传统的 Chain（链式调用）模式就像一条金鱼，只有7秒记忆。每次调用都是独立的，前面的上下文很容易丢失。比如用户说”还是选刚才那个航班吧”，传统 Agent 可能会问：”刚才哪个航班？” 痛点二：流程僵硬，无法回头 想象你在走一条单向道，一旦迈出一步就不能回头。传统 Agent 的执行流程往往是固定的：A → B → C → D。但如果 B 步骤发现信息不足，需要回到 A 重新获取呢？传统模式很难优雅地处理这种”...

LangGraph Memory记忆系统：告别”金鱼脑” 你有没有遇到过这种情况：跟AI助手聊了半天，它突然忘了你叫啥？这就是典型的”金鱼脑”——七秒记忆，刚说完就忘。 今天咱们来聊聊 LangGraph 的 Memory 记忆系统，让你的 AI Agent 真正拥有”记性”。 引言：为什么需要记忆？想象一下你走进一家咖啡店，店员问你要喝什么。你说：”来杯拿铁，少糖。”店员记下了。你又说：”哦对了，用燕麦奶。”店员点头。接着你补充：”还有，我叫小明，是老顾客了，上次存的积分记得用上。” 如果这位店员是个”金鱼脑”，会发生什么？ 你刚说完燕麦奶，他就忘了你要的是拿铁 你说积分的时候，他问你：”您叫什么名字来着？” 等你坐下来，他又来问：”先生您要点什么？” 这就是没有记忆系统的 AI Agent 的写照。 短期记忆 vs 长期记忆人类记忆分两种： 短期记忆（Short-term Memory） 临时保存当前对话的信息 容量有限，通常 5-9 个项目 持续几分钟到几小时 例如：记住对话中提到的名字、偏好 长期记忆（Long-term Memory） 持久保存重要信息 容量...