LLM智能客服架构重构与优化
一次从"让 LLM 自由发挥"到"用状态机精确控制"的架构重构实践最近我对自研的 AI 智能客服系统做了一次比较彻底的架构重构——V4 版本。这次重构的核心变化是：从向量记忆驱动转向了状态机驱动。V4架构图：简单说就是：以前每个环节都丢给 LLM 去"自由发挥"，现在用结构化状态 + 显式规则来控制流程。效果很直接——Token 消耗大幅降低、流程完全可控、可观测性也好了很多。这篇文章分享一下这次重构的思路、做法和一些具体的代码实现。先快速回顾一下这个系统的
从零构建 AI Agent：手写实现最小可用智能体
这是《从零构建 AI Agent》系列指南的开篇之作，推荐循序渐进地学习。智能体（Agent）已成为人工智能领域最受瞩目的方向。然而初学者往往一上来就使用 LangChain、AutoGPT 等现成框架，跑通示例后一旦遇到错误便束手无策。根源何在？这些框架将底层机制过度封装。工具调用逻辑、错误信息处理等细节都被隐藏，排障时不得不深入源码追踪。因此，亲手实现 Agent 的目的并非"重复造轮"，而在于掌握轮子运转的内在原理。作为该系列的首篇文章，它将带你实现一个可运行的极简 Agent 类，核心代码仅约 6