LangChain与AutoGPT融合：手写ReAct循环实现Agent记忆与容错机制
当我的AutoGPT项目在处理连续12轮工具调用后因上下文窗口溢出而崩溃时，我意识到单纯堆砌LangChain组件无法解决Agent的长期记忆问题。本文将展示如何用LangChain 0.1.0构建一个仅需387行代码的ReAct Agent，包含自定义工具装饰器、基于SQLite的向量记忆、三级异常恢复机制，以及循环次数硬限制。实测在金融问答场景下，该Agent将工具调用成功率从68%提升至94
长期关注用户研究思考录
Lv.1Digitalbuilder，记录从构想到上线的过程，技术方向以软件开发为主。持续整理问题排查与调试、性能优化和可复用的工程方法；喜欢从问题、方案到复盘形成完整闭环。
3文章
0粉丝
0关注
0获赞
最新文章
RAG召回率从61%到89%：chunk重构、Embedding换代与Rerank落地的全记录
一个月前，我们内部的智能客服知识库RAG系统在500条真实测试集上，Hit@5召回率只有61%，答非所问是常态。经过对chunk策略的两次重构（256字固定切分改为语义段落树）、将Embedding从`text2vec-large-chinese`替换为`BAAI/bge-large-zh-v1.5`，并在检索链路末尾引入`bge-reranker-v2-m3`重排，最终将Hit@5提升至89%，
从零构建LangChain AI Agent：工具链·记忆环·异常恢复
当任务需要调用3个外部API并处理中途错误时，普通LLM调用失败率超70%。本文用LangChain 0.3+OpenAI GPT-4o，手写一个具备工具定义、记忆管理、错误重试和循环控制的Agent。通过实现Web搜索+代码执行+文件写入的复合任务，在5轮对话内完成数据采集与报表生成，成功率从32%提升至89%。全文包含完整可复现代码与性能对比表。