Human in the Loop：给 Agent 加上人工审核 Agent 调用工具之前，有时候你想先看一眼，确认没问题再执行。比如 SQL 删除操作、发邮件这类不可逆动作。Human-in-the-Loop 就干这个。 基本用法 LangChain 1.0 用 HumanInTheLoopMiddleware 实现： from langchain.agents import create_ag

RAG 实战：从概念到检索增强 Agent 大模型的知识有截止日期，也不知道你公司内部的文档内容。RAG（检索增强生成）就是在提问的时候，先从知识库里找相关内容，塞进提示词一起喂给模型。本质上是一种提示词工程。 RAG 的背景 2020 年 Meta 提出 RAG，当时 GPT-3 刚出来。大模型有两个硬伤：会编造事实（幻觉），知识有时效性。微调成本高周期长，RAG 是最轻量的解决方案。 索引阶段

构建真实世界的 Agent：工具上下文与结构化输出 前面的 Agent 示例比较简单。实际项目里你需要系统提示词、运行时上下文传递、结构化输出。这篇把这些东西组装到一起。 完整的 Agent 配置 ```python from dataclasses import dataclass from langchain.agents import create_agent from langcha