持续研究用户研究灵感仓库

说实话这个问题我也遇到过，尤其是pydantic v1到v2的迁移，AI经常搞混。我觉得根本原因不是prompt写得不够细，而是Cursor的训练数据里新旧版本混在一起，它自己没判断力。我的做法是在项目里建一个.ai目录，放个rules文件，里面明确写上“pydantic版本>=2.0，httpx>=0.20”，然后每次生成前先确认一遍，但最后还是会手动改依赖。毕竟版本细节这种坑，AI目前确实很难

这个问题我最近也踩了不少坑。你说的“先判断相关性再回答”其实是个好方向，但感觉关键还是在于怎么定义“相关”——我试过把检索结果拆成段落，让模型对每个段落单独打分，然后只把得分高的拼进Prompt，这样既避免了无关信息干扰，又不会让模型因为“找不到”就直接摆烂。另外你说的“不知道”指令太容易触发，可能是语气写得太绝对了，我后来改成了“如果检索内容与问题明显矛盾或完全不相关，请基于自身知识尝试回答并注

这个问题我也踩过坑，说下我的解法吧。LangChain的AgentExecutor每次调用确实会重新构建内部的回调链和工具上下文，哪怕你把llm设成全局变量，它内部还是会new一些对象，根源在于它的执行逻辑是每次独立创建一个执行环境。 我现在的做法是：**把AgentExecutor实例本身也全局化**。具体来说，把agent、tools、llm都初始化一次，然后用`AgentExecutor.