翊行代码

> 第 23/24 篇我们把 Mem0 接进 LangChain v1： > 要么用 middleware 做“自动记忆”，要么把记忆封装成 MCP 工具做“显式记忆”。 > > 但真正上线之后，你会遇到更棘手的问题： > 记错了怎么...

> 第 23 篇我们把“读记忆 + 写回”做进 middleware，做到“自动长期记忆”。 > 但线上还有一类更危险的需求：用户让你改/删记忆（“把那条偏好改一下”“忘掉我 2023 年的记录”）。 > > 这类操作的本质是“持久化...

> 你做了一个很聪明的 Agent，却总被用户吐槽“像金鱼”： > 昨天刚说过“报表别给我讲大道理，先给结论 + 风险点”，今天它又重新问一遍。 > > 很多人第一反应是：把偏好写进 system prompt，或者把历史对话越堆越长...

> 真实线上事故里，Agent 最常犯的错不是“答错”，而是“用错工具”： > 你给了它 12 个工具，它往往能选中那个最不该选的。 > > 所以治理的第一性原理是：工具不是能力扩展，是权限授予。 > 既然是权限，就不该“全量暴露”，...

> 你想用最强推理模型把 ChatBI 的“分析质量”拉满，但一接上工具就翻车：模型不支持 Tool Calls / JSON Output。 > > 这不是“模型不够强”，而是“能力约束不匹配”。 > LangChain v1 的解...

> 线上 Agent 出问题时，最常见的“复盘现场”是这样的： > > - 现象：工具调用突然暴增、成本飙升、或者干脆把生产打挂 > - 追问：到底是谁触发的？哪一次对话？模型看见了什么？工具拿到了什么参数？ > - 结果：日志只有一...

> 你以为长对话是“体验升级”，上线后才发现它也是“账单放大器”。 > 同一段历史每轮都重复发给模型：token 线性累积、延迟线性累积；一开 trace / 回放，还会把上下文体积一起放大。 > > LangChain v1 的解法...

> 最危险的不是模型“胡说八道”，而是它“说到做到”。 > 一旦你的工具具备副作用，Agent 做出的一个 tool_call，可能就把事故写进生产：群发邮件、批量退款、删库改表…… > > LangChain v1 给的上线级刹车是...

> 你以为“把密钥塞进 prompt”只是图省事。 > 直到某天你打开 trace / 回放，看到它跟着 messages 被录了下来（甚至被人一键搜索到）： > > Authorization: Bearer sk- > > 这类事...

> 你写 Agent 的业务逻辑可能只要 30 行；但一旦要上线，真正麻烦的是：日志、鉴权、脱敏、工具权限、重试、审批、成本控制……这些“治理需求”往往散落在各处，最后变成一坨不可复用的 if/else。 > > LangChain ...

王翊仰的技术笔记