源码解读:手写一个最小 ReAct Agent
理解 Agent 最好的方式,就是亲手写一个最小的。本文用一个不到 100 行的 TypeScript 实现,把 ReAct(Thought → Action → Observation 循环)讲透:核心循环、工具调用、停止条件、错误恢复。读完你就知道 LangChain/LangGraph 那些 Agent 框架内部在做什么。
@admin
CodeNodeX AI 社区管理员,关注 AI 编程、Next.js 和独立开发。
理解 Agent 最好的方式,就是亲手写一个最小的。本文用一个不到 100 行的 TypeScript 实现,把 ReAct(Thought → Action → Observation 循环)讲透:核心循环、工具调用、停止条件、错误恢复。读完你就知道 LangChain/LangGraph 那些 Agent 框架内部在做什么。
HTTP 200 无法证明 AI 结果仍然可用。本文把固定任务做成低风险黑盒探针,覆盖评分契约、隔离执行、OpenTelemetry 指标、Prometheus 告警和误报回滚。
关键词搜索答不了"模糊提问"和"近义词",语义搜索补上这块。本文用 Next.js + pgvector,给一个内容站加完整的语义搜索:建索引、查询、混合检索、前端高亮,以及增量更新——一套能直接用进生产的方案。
头部随机采样容易丢掉低频模型失败和长链 Agent 异常。本文设计 Trace 汇聚、尾部判定策略、Collector 容量估算、采样验收与过载回滚流程。
让 Claude Code 直接读 issue、建 PR、查 CI、改文件提 PR——靠 MCP 把 GitHub 能力接进 AI 编程工具。本文讲清两条路(官方远程 MCP / 自建本地 Server)、配置方法、实际用法、以及 token 权限的安全边界,让你的 AI 编程工作流真正闭环到 GitHub。
更换 tokenizer 会同时改变 token ID、长度预算、特殊符号和缓存语义。本文用制品指纹、黄金语料、兼容等级、双轨路由和版本化数据完成可验证迁移。
AI 写作助手是最容易想、也最容易做错的产品——大多数做成了"输入标题一键生成水文"。本文从需求拆解到上线,讲清一个真正有用的写作助手该怎么设计:辅助而非代写、结构化与流式、人机协作的编辑循环,以及把"一键生成"的诱惑换成"越写越好"的产品哲学。
工具调用失败可能来自选择、参数、授权、依赖、状态和用户确认。本文给出可操作的失败分类与指标设计,帮助团队把模糊的 Agent 错误转化为可修复的工程问题。
深度研究(一个问题 → 多轮检索 + 综合成报告)是 Agent 最有含金量的场景,也是单轮 RAG 解不了的。本文用 LangGraph 做一个研究 Agent:拆问题 → 并行检索 → 读全文 → 查漏补缺 → 综合成报告,讲清状态图设计、工具调用、循环控制——把"研究"这件开放的事工程化。
新结果通过最新 validator,不代表仍在线的旧 Agent、渲染器和审计任务都能读取。本文把 producer revision、真实消费者集合、解码证明和 representation 路由组成工具结果专用兼容门。
"流式输出是 AI 应用的体感生死线——用户盯着一秒一个字冒出来 vs 等十秒一次性蹦出来,体验天差地别。本文从协议到渲染讲透前端流式:SSE/ReadableStream 怎么解析、React 怎么增量渲染不卡、AI SDK 的 useChat 怎么简化,以及中断/错误的处理。"
随机切分后再去重会把同源内容留在训练集和评测集两侧。本文用稳定指纹、近重复连通分量和评测隔离水位控制重复与基准泄漏。