最小二乘法（Least Squares Method）是一种数学优化技术，广泛用于数据拟合、回归分析等领域。最小二乘法起源于18世纪，最早由 卡尔·弗里德里希·高斯（Carl Friedrich Gauss） 和 阿德里安-马里·勒让德（Adrien-Marie Legendre） 提出。1801年，高斯在预测小行星谷神星的轨道时使用了最小二乘法，并于1809年在《天体运动论》中正式发表相关理论。 1805年，勒让德在《新方法》中首次公开描述了最小二乘法，称其为“méthode des moindres carrés”（最小平方方法）。
两人关于谁是首创者存在争议，但高斯声称他在1795年就已使用该方法。到19世纪，高斯进一步发展了最小二乘法的理论基础，结合概率论和正态分布，建立了误差分析的统计框架。
这篇文章是对 LLM 工作原理的一次梳理。现代 LLM 大多是通过把 transformer 块层层堆叠起来的，所以理解了 transformer 的内部机制，你就理解了大部分内容。
我会讲现代基于 transformer 的 LLM 内部的核心机制，但不涉及那些粘手的数学细节。别误会，数学你还是该学的，但这篇可以当作入门读物。
大多数现代 LLM 都共享同一套 transformer 家族的骨架。它们之间的差异主要来自训练数据、规模与配置选择，以及在此基础上做的后训练。读完本文，你应该能够阅读许多现代 LLM 论文或模型卡，并知道每一节在讲架构的哪个部分。
来源：Building Effective AI Agents
在过去一年里，我们与跨行业的数十支团队合作，构建基于大语言模型（LLM）的智能体。我们一致观察到：最成功的实现并没有使用复杂的框架或专门的库，而是用简单、可组合的模式来构建。
在这篇文章中，我们分享了从与客户合作以及自己构建智能体过程中学到的经验，并为开发者提供构建高效智能体的实用建议。
“智能体（Agent）”可以有多种定义。一些客户把智能体定义为完全自主的系统，能够长时间独立运行，使用各种工具完成复杂任务。另一些客户则用这一术语描述更具规约性的实现，按预定义的工作流执行。在 Anthropic，我们把所有这些不同形态都归为智能体系统（agentic systems），但在架构上对工作流（workflows）和智能体（agents）做出重要区分：
下面我们将详细探讨这两种智能体系统。在 附录 1: 智能体实践 中，我们描述了客户从这类系统中获得特别价值的两个领域。
原文：Voice AI & Voice Agents: An Illustrated Primer
LLM 很擅长对话。
如果你花过不少时间与 ChatGPT 或 Claude 进行自由形式的对话，就会直观地感受到：和 LLM 交谈相当自然，而且在很多场景中都很有用。
LLM 也很擅长把非结构化信息转换为结构化数据1。
新的语音 AI 智能体正是利用了 LLM 的这两项能力——对话，以及从非结构化数据中提取结构——来创造一种新的用户体验。
如今，语音 AI 已经被部署到广泛的商业场景中。例如：
在消费端，对话式语音（以及视频）AI 也开始进入社交应用和游戏。开发者每天都在 GitHub 和社交媒体上分享个人语音 AI 项目与实验。
在构建 AI Agent 应用时，一个常见的需求是 人在回路（Human-in-the-Loop，简写HITL）——让 Agent 在关键节点停下来，等人工审核/确认后再继续。LangGraph 提供了 interrupt 机制来实现这一功能。
本文将带你从零开始理解 interrupt，先讲清楚概念，再用代码一步步深入，最后总结踩坑经验。
interrupt 是 LangGraph 提供的一个函数，调用它可以让当前正在执行的图在某个节点 暂停（暂停整个图，不是只暂停当前节点），等待外部通过 Command(resume=...) 恢复执行。
它的典型工作流程：
用户输入 → LLM 推理 → 调用工具 → 工具内 interrupt()
↓
图暂停，等待 resume
↓
外部调用 Command(resume=data)
↓
工具继续执行 → 返回结果给 LLM → 输出
关键特性：
graph.stream() 调用都会返回Command(resume=...) 从暂停点恢复题记
“如果你无法用简单的语言讲清楚一个概念，那你就还没真正理解它。” —— 理查德·费曼
费曼技巧（Feynman Technique） 是一个非常高效的学习和理解方法，是一种通过 “教别人”来强化自己理解的学习法，适用于任何你想深入掌握的知识或技能。 它得名于著名物理学家 理查德·费曼（Richard Feynman），他以惊人的理解力和通俗解释复杂概念的能力而闻名，被称为“伟大的解释者”。
下面我用一个技术主题——《什么是 Kubernetes（K8s）》——完整示范一次 费曼技巧（Feynman Technique） 用于学习与写作流程。
我会故意展示：
如何从“自以为懂”到“真正讲明白”
如何发现知识漏洞
如何不断简化表达
如何让一个完全不懂技术的人也能理解
同时我也会指出常见错误，以及如何避免。
在理解 LangGraph 之前，我们需要回顾 LLM 应用编排框架的演进历程。这个演进本质上是 "如何让 LLM 应用的控制流从线性走向复杂" 的过程。
第一阶段：Prompt 模板 + API 调用（2022 年）
最初的 LLM 应用极其简单——写一个 prompt 模板，调用 OpenAI API，获取结果。这适合单轮问答，但无法处理多步推理。
LangGraph 是 LangChain 生态中最重要的低层编排框架之一，它让开发者能够以“图”（Graph）的形式构建复杂、状态持久、多 Actor 的 LLM 应用。不同于传统的 LangChain Chain 或 Agent，LangGraph 真正解决了“长生命周期、有状态、可恢复、可中断、可调试”的核心痛点，被广泛用于构建生产级 Agent、自主工作流、多 Agent 协作系统等场景。
本文从入门（零基础快速上手）到深入（源码级原理分析），再到实践（基于 LangGraph 原理手写一个简易版 LangGraph），帮助你真正“精通”LangGraph。所有代码均在 Python 3.10+ 环境下测试通过，基于官方仓库原理提炼。
LangGraph 的核心思想源于 Google Pregel（一种大规模图计算框架）和 NetworkX 图接口。它把 LLM 应用建模为有向图：
与 LangChain 的区别：
核心优势：
官方最新版本（2026 年 4 月）：langgraph==1.1.7a1（预发布），核心位于 libs/langgraph/langgraph/ 下，主要模块包括：
graph/：StateGraph、MessageGraph、分支逻辑。pregel/：_loop.py、_runner.py、_algo.py、_checkpoint.py 等实现 Pregel 执行引擎。channels/：LastValue、Topic、BinaryOperatorAggregate 等通道实现。假设你经营一家宠物医院。你有一个 "犬科专科住院部"，只收治狗狗。某天，由于"动物住院部"床位紧张，护士打算把一只刚送来的哈士奇安排进"犬科专科住院部"——毕竟狗也是动物，对吧？
问题出现了：如果允许这样做，其他医生可能基于"这是普通动物住院部"的认知，往里面收治一只猫。结果当你去查房时，期待看到一只狗，却发现笼子里是一只猫——类型契约被破坏了。
class Animal: pass
class Dog(Animal): pass
class Cat(Animal): pass
class Ward(Generic[T]): # 住院部
def admit(self, patient: T) -> None: ... # 收治（写入）
def discharge(self) -> T: ... # 出院（读取）
def general_ward(ward: Ward[Animal]) -> None:
ward.admit(Cat()) # 对于普通动物病房，收治猫很合理！
dog_ward = Ward[Dog]() # 犬科专科
general_ward(dog_ward) # ❌ 类型检查器阻止了这一步！
# 如果允许：下一行会在运行时出问题
dog: Dog = dog_ward.discharge() # 期望得到狗，结果可能是猫！
这个"猫住进犬科病房"的问题，引出了泛型编程中最核心的概念：型变（Variance）。
在 Python 编程中，资源管理是最容易引发错误的领域之一。文件未关闭、锁未释放、数据库连接泄漏——这些问题往往不会在代码运行时立即显现，而是在高并发或长时间运行的系统中突然爆发。
传统的 try-finally 模式虽然能保证资源释放，但会带来代码臃肿和逻辑分散的问题：
# 传统方式：繁琐且容易出错
f = open('data.txt', 'r')
try:
data = f.read()
process(data)
finally:
f.close() # 忘记写这一行，文件句柄就泄漏了
Python 的 Context Manager（上下文管理器） 正是为了解决这一痛点而生。通过 with 语句，它将资源获取与释放绑定在一起，实现了确定性清理（Deterministic Cleanup）。