门户网站上的广告怎么做问卷调查网站

门户网站上的广告怎么做,问卷调查网站,河北省城乡与住房建设厅网站,哪个网站是专门做装修的简介 文章介绍如何使用LangChain 1.1的Middleware机制实现Claude Skills动态工具过滤#xff0c;让AI Agent在运行时智能选择所需工具#xff0c;避免上下文窗口耗尽和选择困难。文章详细讲解环境配置、状态管理、中间件实现到Agent创建的完整过程#xff0c;帮…简介文章介绍如何使用LangChain 1.1的Middleware机制实现Claude Skills动态工具过滤让AI Agent在运行时智能选择所需工具避免上下文窗口耗尽和选择困难。文章详细讲解环境配置、状态管理、中间件实现到Agent创建的完整过程帮助开发者减少Token消耗提升模型推理效率与准确性构建高效可扩展的AI Agent。LangChain 1.1 实现 Claude Skills 动态工具过滤从原理到实践在搭建复杂的 Agent 时我们往往需要接入几十甚至上百个工具。如果把所有工具一次性丢给大模型LLM不仅会迅速耗尽上下文窗口Context Window还会加剧“选择困难”让模型在冗长的工具描述中迷失方向表现出明显的“降智”现象。本文将带你从零开始深入理解并通过 LangChain 1.1 实现 Claude Skills 的核心功能——动态工具过滤教你如何让 AI Agent 在运行时智能地选择真正需要的工具从而在面对大量工具时既避免无效信息占满上下文窗口又缓解“选择困难”显著降低 Token 消耗并提升模型在复杂任务中的 推理效率与准确性。完整代码免费赠送Claude Code Skills 背景介绍Vibe Coding (氛围编程) 的兴起标志着从传统的代码补全如 GitHub Copilot向 代理式编程Agentic Coding 的范式转变。开发者不再受困于语法细节而是转向更高层次的意图表达。Skill特定领域的“操作手册”在 Claude Code 的架构中Skill技能 扮演着至关重要的角色。如果说 Claude 模型是大脑MCP (Model Context Protocol) 是连接外部世界的手脚那么 Skill 就是存储特定领域专业知识的操作手册。虽然 Claude Opus/Sonnet 拥有广泛的编程知识但它并不了解某家特定初创公司的内部部署脚本、某种冷门框架的特殊配置或者某个团队特定的代码审查规范。传统的解决方案是将这些信息全部塞入系统提示词System Prompt或上下文窗口中但这会导致两个严重问题上下文窗口迅速耗尽增加了推理成本Token Economics。注意力分散过多的无关信息会干扰模型的注意力导致“迷失中间”Lost in the Middle现象。Skill 通过引入 动态加载Dynamic Loading和渐进式披露Progressive Disclosure 机制优雅地解决了这一难题。它允许开发者将海量的程序性知识Procedural Knowledge封装在本地文件系统中Agent 仅在识别到用户意图与某个 Skill 匹配时才会按需加载相关的指令和脚本。Claude Skills 给 Agent 开发带来的启发2.1 传统大模型的工具调用困境传统的 AI Agent 在处理任务时通常会将 所有可用的工具Tools一次性暴露给大语言模型。想象一下如果你有 50 个工具每次模型调用都需要处理这 50 个工具的描述信息传统架构┌─────────────────────────────────────────────────────────────┐│ Agent 启动时加载所有 50 个工具 ││ ││ 用户: 你好 ││ 模型收到: 50 个工具描述 用户消息 ← 浪费大量 Token ││ ││ 用户: 计算 11 ││ 模型收到: 50 个工具描述 用户消息 ← 还是 50 个工具 │└─────────────────────────────────────────────────────────────┘这会带来几个严重问题Token 消耗巨大每个工具的描述可能有几百个 token50 个工具就是上万个 token。大模型困惑面对过多选择模型容易选错工具或产生幻觉。响应延迟处理大量工具描述需要更长时间。成本高昂API 调用按 token 计费浪费严重。完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】​​2.2 Claude Skills 的核心思想Claude Skills 的核心思想是让模型在每次调用时只看到「相关的」工具而不是全部工具。这就像一个智能助手只有当你说我要分析数据时才会把数据分析相关的工具拿出来说我要处理 PDF时才会展示 PDF 处理工具。Claude Skills 架构┌─────────────────────────────────────────────────────────────┐│ Agent 启动时只加载 2 个 Loader 工具 ││ ││ 用户: 你好 ││ 模型收到: 2 个工具描述 用户消息 ← 只有 2 个工具 ││ ││ 用户: 分析这组数据 [1,2,3] ││ 第一次调用: 2 个工具 → AI 调用 skill_data_analysis ││ 技能加载后: skills_loaded [data_analysis] ││ 第二次调用: 4 个工具 (2 Loaders 2 数据分析) ││ → AI 使用 calculate_statistics 完成任务 │└─────────────────────────────────────────────────────────────┘接下来我们就通过底层技术来复现这个高价值的 Agent 开发模式。2.3 为什么选择 LangChain 1.0LangChain 1.1 版本最大的优势就是在 LangGraph 之上构建并集成了革命性的 Middleware API。LangChain middleware文档https://docs.langchain.com/oss/python/langchain/middleware/overview这个 Middleware API 允许我们在 Agent 的执行流程中插入自定义逻辑实现动态工具过滤在每次模型调用前修改工具列表。状态管理通过 state_schema 追踪运行时状态。请求拦截使用 request.override() 修改请求参数。在 LangChain 1.1 之前实现动态工具过滤需要复杂的 hack比如重写 Agent 类。现在通过官方支持的 Middleware API我们可以优雅地实现这一功能。特性LangChain 0.xLangChain 1.0工具过滤需要 hack官方 Middleware 支持状态管理手动实现state_schema 内置请求修改不支持request.override()下图展示了使用 LangChain 1.0 复现 Claude Skills 的核心工作流程从图中可以看到Middleware 是整个系统的核心。它在模型调用之前拦截请求根据当前状态skills_loaded动态过滤工具列表然后将过滤后的请求传递给模型。从零复现 Claude Skills 动态工具过滤开箱即用的 Claude Skills 动态工具过滤功能扫码加入 赋范空间 免费领取3.1 环境配置与依赖安装首先我们需要安装 LangChain 1.0 的核心库。确保你的环境中安装了以下包pip install -U langchain langgraph langchain-openai pdfplumber pandas numpy matplotlib python-dotenv接下来导入我们需要的所有核心组件。特别注意 langchain.agents.middleware 模块这是 LangChain 1.0 新增的关键模块。# 基础库导入import osimport sysfrom pathlib import Pathfrom typing import List, Callable, Any, Optionalfrom typing_extensions import TypedDict# 加载环境变量from dotenv import load_dotenvload_dotenv(overrideTrue)# LangChain 1.0 核心导入from langchain.agents import create_agentfrom langchain.agents.middleware import ( AgentMiddleware, ModelRequest, ModelResponse,)from langchain_core.tools import BaseTool, toolfrom langchain_core.messages import HumanMessage, AIMessage, BaseMessageprint(核心库导入成功)3.2 配置 DeepSeek-v3.2 模型在本教程中我们使用 DeepSeek 的 deepseek-reasoner 模型作为底层 LLM。这个模型的特点是支持「推理过程」输出可以让我们看到模型的思考过程。需要说明的是由于 DeepSeek-v3.2 模型较新其推理模式在 LangChain 旧版本中可能存在兼容性问题。如果遇到工具调用报错建议使用自定义的模型适配器。报错信息我们编写了一个自定义的 DeepSeekReasonerChatModel 适配器来解决这个问题。扫码免费领取# 添加项目路径用于导入自定义模型PROJECT_ROOT Path.cwd()sys.path.insert(0, str(PROJECT_ROOT))# 导入自定义的 DeepSeek 模型适配器# 假设你已经有了适配器文件 skill_system/models.pyfrom skill_system.models import DeepSeekReasonerChatModel# 检查 API Keyapi_key os.getenv(DEEPSEEK_API_KEY)ifnot api_key: print(未设置 DEEPSEEK_API_KEY) print(请在 .env 文件中添加: DEEPSEEK_API_KEYyour-key)else: print(fAPI Key 已配置 (前8位: {api_key[:8]}...))# 创建模型实例model DeepSeekReasonerChatModel( api_keyapi_key, model_namedeepseek-reasoner, temperature0.7)print(fDeepSeek 模型已创建)3.3 理解 LangChain 1.1 MiddlewareLangChain 1.0 引入的 Agent Middleware 遵循拦截器模式请求 ──▶ [中间件1] ──▶ [中间件2] ──▶ ... ──▶ [核心处理] ──▶ 响应 │ │ ▼ ▼ 可以修改请求 可以修改请求在 Agent 的上下文中Middleware 可以拦截模型调用请求在模型被调用之前获取请求信息。修改请求参数比如修改工具列表、系统提示等。传递给下一个处理器调用 handler(request) 继续执行。ModelRequest 是 Middleware 中最重要的对象它封装了模型调用的所有信息并提供了 override 方法class ModelRequest: messages: List[BaseMessage] # 消息历史 tools: List[BaseTool] # 可用工具列表 state: Dict[str, Any] # 当前状态关键 def override(self, **kwargs) - ModelRequest: 创建一个修改了指定参数的新 Request # 返回新的 ModelRequest保持不可变性request.override() 是实现动态过滤的核心方法。它允许我们创建一个新的请求对象其中某些参数被修改了而其他参数保持不变。3.4 实现一个简单的日志 Middleware在实现复杂的工具过滤之前我们先写一个简单的日志 Middleware帮助理解整个流程class LoggingMiddleware(AgentMiddleware): 日志中间件 - 记录每次模型调用的信息 def __init__(self, name: str Logger): super().__init__() self.name name self.call_count 0 def wrap_model_call( self, request: ModelRequest, handler: Callable[[ModelRequest], ModelResponse] ) - ModelResponse: 拦截模型调用打印日志信息 self.call_count 1 # 1. 调用前记录请求信息 print(f\n{*60}) print(f[{self.name}] 第 {self.call_count} 次模型调用) print(f{*60}) # 打印工具信息 if hasattr(request, tools) and request.tools: tool_names [t.name for t in request.tools] print(f可用工具 ({len(tool_names)}个): {tool_names}) # 打印状态信息 if hasattr(request, state) and request.state: print(f当前状态: {request.state}) # 2. 调用下一个处理器这里是实际的模型调用 response handler(request) # 3. 调用后可以处理响应 print(f模型调用完成) print(f{*60}\n) return response3.5 定义状态 Schema在 LangChain 1.1 中State Schema 用于定义 Agent 运行时需要追踪的状态信息。对于 Claude Skills我们需要追踪一个关键状态skills_loaded当前已加载的技能列表。from langgraph.graph import MessagesStatefrom typing import Annotated, List# 定义 reducer 函数累积模式def skill_list_accumulator(current: List[str], new: List[str]) - List[str]: 累积模式合并已加载的 Skills 保持所有已加载的技能而不是替换 ifnot current: return new # 合并并去重保持顺序 combined current [s for s in new if s notin current] return combined# 使用 MessagesState 作为基类class SkillState(MessagesState): Skill 状态 Schema skills_loaded: Annotated[List[str], skill_list_accumulator] []3.6 定义外部工具我们会创建三类工具来演示Loader 工具始终可见用于加载技能。数据分析工具只有加载了 data_analysis 技能后才可见。文本处理工具只有加载了 text_processing 技能后才可见。from langgraph.types import Commandfrom langchain_core.messages import ToolMessage# Loader 工具 tooldef skill_data_analysis(runtime) - Command: 加载数据分析技能。 instructions 数据分析技能已成功加载 现在你可以使用以下工具 • calculate_statistics(numbers): 计算一组数字的统计信息 • generate_chart(data, chart_type): 生成数据图表 return Command( update{ messages: [ToolMessage( contentinstructions, tool_call_idruntime.tool_call_id )], skills_loaded: [data_analysis] # 关键直接更新状态 } )tooldef skill_text_processing(runtime) - Command: 加载文本处理技能。 instructions 文本处理技能已成功加载 现在你可以使用以下工具 • summarize_text(text, max_length): 生成文本摘要 • extract_keywords(text, num_keywords): 提取关键词 return Command( update{ messages: [ToolMessage( contentinstructions, tool_call_idruntime.tool_call_id )], skills_loaded: [text_processing] # 关键直接更新状态 } )# 数据分析工具 tooldef calculate_statistics(numbers: List[float]) - str: 计算一组数字的统计信息。 import statistics ifnot numbers: return错误: 数字列表为空 returnf统计结果: mean{statistics.mean(numbers)}, max{max(numbers)}tooldef generate_chart(data: List[float], chart_type: str bar) - str: 根据数据生成图表模拟。 returnf已生成 {chart_type} 图表包含 {len(data)} 个数据点# 文本处理工具 tooldef summarize_text(text: str, max_length: int 100) - str: 生成文本摘要。 returnf摘要: {text[:max_length]}...tooldef extract_keywords(text: str, num_keywords: int 5) - str: 从文本中提取关键词。 words text.split()[:num_keywords] returnf关键词: {, .join(words)}# 组织工具LOADER_TOOLS [skill_data_analysis, skill_text_processing]DATA_ANALYSIS_TOOLS [calculate_statistics, generate_chart]TEXT_PROCESSING_TOOLS [summarize_text, extract_keywords]ALL_TOOLS LOADER_TOOLS DATA_ANALYSIS_TOOLS TEXT_PROCESSING_TOOLS3.7 定义工具映射与过滤逻辑为了实现动态过滤我们需要定义一个映射关系哪些工具属于哪个技能。# 技能到工具的映射SKILL_TOOL_MAPPING { data_analysis: DATA_ANALYSIS_TOOLS, text_processing: TEXT_PROCESSING_TOOLS,}def get_tools_for_skills(skills_loaded: List[str]) - List[BaseTool]: 根据已加载的技能列表返回应该暴露给模型的工具 # 始终包含 Loader 工具 tools list(LOADER_TOOLS) # 根据已加载的技能添加对应工具 for skill_name in skills_loaded: if skill_name in SKILL_TOOL_MAPPING: tools.extend(SKILL_TOOL_MAPPING[skill_name]) return tools3.8 实现 SkillMiddleware核心现在我们来实现整个系统的核心组件SkillMiddleware。class SkillMiddleware(AgentMiddleware): Skill 中间件 - 实现动态工具过滤 工作原理 1. 在每次模型调用前拦截请求 2. 从 request.state 中读取 skills_loaded 列表 3. 根据 skills_loaded 过滤工具列表 4. 使用 request.override() 替换工具列表 5. 传递给下一个 handler def __init__(self, verbose: bool True): super().__init__() self.verbose verbose self.call_count 0 def _get_skills_from_state(self, request: ModelRequest) - List[str]: 从请求状态中提取 skills_loaded skills_loaded [] if hasattr(request, state) and request.state isnotNone: if isinstance(request.state, dict): skills_loaded request.state.get(skills_loaded, []) else: skills_loaded getattr(request.state, skills_loaded, []) return skills_loaded def wrap_model_call( self, request: ModelRequest, handler: Callable[[ModelRequest], ModelResponse] ) - ModelResponse: 【核心方法】拦截模型调用动态过滤工具 self.call_count 1 # Step 1: 从状态中获取已加载的 Skills skills_loaded self._get_skills_from_state(request) # Step 2: 获取过滤后的工具 filtered_tools get_tools_for_skills(skills_loaded) # Step 3: 打印日志 if self.verbose: print(f\n{─*60}) print(f[SkillMiddleware] 第 {self.call_count} 次模型调用) print(fskills_loaded: {skills_loaded}) print(f过滤后工具: {[t.name for t in filtered_tools]}) # Step 4: 【关键】使用 request.override() 替换工具列表 filtered_request request.override(toolsfiltered_tools) # Step 5: 调用下一个 handler return handler(filtered_request) asyncdef awrap_model_call( self, request: ModelRequest, handler: Callable[[ModelRequest], ModelResponse] ) - ModelResponse: 异步版本 self.call_count 1 skills_loaded self._get_skills_from_state(request) filtered_tools get_tools_for_skills(skills_loaded) filtered_request request.override(toolsfiltered_tools) returnawait handler(filtered_request)3.9 创建 Agent最后使用 create_agent 将所有组件组装起来。# 创建 SkillMiddleware 实例skill_middleware SkillMiddleware(verboseTrue)# 定义系统提示SYSTEM_PROMPT 你是一个智能助手可以使用各种技能来帮助用户完成任务。1. 你有两类工具Skill Loader技能加载器和功能工具。2. 当用户请求某个功能时如果当前没有对应的功能工具请先调用相应的 Skill Loader 加载技能。3. 加载后使用新获得的工具完成任务。# 创建 Agentagent create_agent( modelmodel, toolsALL_TOOLS, # 注册所有工具但 Middleware 会动态过滤 middleware(skill_middleware,), # 关键添加 SkillMiddleware state_schemaSkillState, # 使用我们定义的状态 Schema system_promptSYSTEM_PROMPT,)print(Agent 创建成功)LangChain Skills Agent 运行测试测试场景动态加载数据分析技能让我们测试核心功能当用户请求数据分析时观察工具的动态加载过程。# 构造输入test_input { messages: [HumanMessage(content我有一组销售数据 [150, 200, 180, 220, 190]请帮我计算统计信息)], skills_loaded: [] # 初始状态}# 调用 Agentresult agent.invoke(test_input)运行结果分析────────────────────────────────────────────────────────────[SkillMiddleware] 第 1 次模型调用skills_loaded: []过滤后工具 (2个): [skill_data_analysis, skill_text_processing]────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────[SkillMiddleware] 第 2 次模型调用skills_loaded: [data_analysis]过滤后工具 (4个): [skill_data_analysis, skill_text_processing, calculate_statistics, generate_chart]────────────────────────────────────────────────────────────AI 响应过程解析第一次模型调用skills_loaded 为空模型只能看到 2 个 Loader 工具。AI 决策发现需要数据分析功能调用 skill_data_analysis。技能加载skills_loaded 更新为 [‘data_analysis’]。第二次模型调用模型看到了 4 个工具新增了数据分析工具。任务完成使用 calculate_statistics 计算统计信息。这就是 Claude Skills 的核心价值模型在每次调用时只看到相关的工具大大减少了 token 消耗和错误率。总结与最佳实践本文介绍了如何使用 LangChain 1.1 的 Middleware 机制实现 Claude Skills 动态工具过滤。核心知识点Middleware 机制作用在 Agent 执行流程中插入自定义逻辑。核心方法wrap_model_call(request, handler)。关键操作request.override(toolsfiltered_tools)。State Schema作用定义 Agent 运行时需要追踪的状态。实现使用 MessagesState 或 TypedDict。动态工具过滤原理根据当前状态skills_loaded决定暴露哪些工具。优势减少 token 消耗、降低错误率、提升响应速度。通过这种架构我们可以构建出能力无限扩展、但推理依然高效的 AI Agent。如果你对 AI Agent、RAG、MCP、大模型微调、企业项目实战 等前沿技术感兴趣欢迎关注我们我们提供系统的课程体系帮助你从零开始掌握AI Agent 开发深入理解 Agent 架构与实战打造智能体。RAG 技术构建高性能的企业级知识库问答系统。MCP 协议掌握下一代 AI 连接标准连接万物。大模型微调掌握 Fine-tuning 技术打造专属垂直领域模型。企业项目实战15 项目实战多模态RAG、实时语音助手、文档审核、智能客服系统等将理论知识应用到实际项目中解决真实业务问题。​最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】​​为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。​​资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌​​​​如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】**​