Pines

您询问的是 **Agent 生命周期管理**的实现方式。 ## 生命周期概述 OpenAI Agents SDK 中的 Agent 生命周期管理主要通过 **`Runner` 类**和**生命周期事件钩子**实现。 [1](#9-0) Agent 本身是无状态的配置对象，其生命周期由 `Runner` 在执行过程中管理。 [2](#9-1) ## 核心组件 ### 1. Runner 生命周期 `Runner` 实例的生命周期设计为**长期存在**： [1](#9-0) - 在应用启动时创建一个...

这两个参数是用于**人工干预**和**流程控制**的重要功能，让您可以在代理执行的特定节点暂停，进行人工审核或修改。 ## 工作原理 ### `interruptBefore` 在指定节点**执行前**暂停，等待人工干预后再继续。 ### `interruptAfter` 在指定节点**执行后**暂停，可以检查结果并决定下一步操作。 ## 典型使用场景 ### 1. **人工审核工具调用** ```typescript const agent = createReactAgent({ llm: model, tools: [deleteFilesTool, sendEmailTool], // 在执行危险操作前暂停，等待人工确认 interruptBefore: ["tools"] }); //...

`store` 是用于**跨会话持久化存储**和**共享数据**的基础存储系统，与 `checkpointSaver` 不同，它主要用于存储业务数据而非执行状态。 ## 主要用途 ### 1. **用户数据持久化** ```typescript import { InMemoryStore } from "@langchain/langgraph"; const store = new InMemoryStore(); const agent = createReactAgent({ llm: model, tools: [userProfileTool], store:...

**不是的**！钩子函数只在调用 **LLM（语言模型）** 时执行，而不是在调用工具时执行。 ## 执行时机说明 ### `preModelHook` - LLM 调用前 - 每次代理需要**调用 LLM 进行推理**时执行 - **不是**在调用工具时执行 ### `postModelHook` - LLM 调用后 - 每次 LLM **返回响应**后执行 - **不是**在工具调用完成后执行 ## 典型的 ReAct...

createSupervisor 的 Python 版和 JS 版的参数不一致，JS 版本的 createSupervisor 没有提供 preModelHook/postModelHook 等钩子（Python 版有），猜测可能是更新滞后于 JS 版本。而上下文的监控和压缩是强依赖于 preModelHook 的钩子，需要想办法实现。 - JS 版：https://github.com/langchain-ai/langgraphjs/blob/main/libs/langgraph-supervisor/src/supervisor.ts - Python 版：https://langchain-ai.github.io/langgraph/reference/supervisor/ `createSupervisor` 返回的是 `StateGraph` 而不是编译后的图，所以你可以在编译前添加自定义节点。 ## 方案5：在 StateGraph 上添加自定义节点...

subagent 采用的正是单向最终报告机制。从代码和文档中可以清楚地看到这种设计： ## 1. 单次交互模式 ### 一次性执行 ```typescript const result = await Session.prompt({ messageID, sessionID: session.id, // ... 配置 parts: [ { id: Identifier.ascending("part"), type: "text", text: params.prompt, // 完整任务描述一次性传入...

从当前的代码分析来看，系统没有明确实现 Token 预算管理机制。让我检查相关的配置和模型管理部分来确认： 从代码分析来看，系统**没有实现明确的 Token 预算管理机制**。以下是相关的发现： ## 1. 模型配置中的限制信息 在 Provider 代码中可以看到模型定义包含了限制信息： ```typescript limit: model.limit ?? existing?.limit ?? { context: 0, output: 0, }, ``` 但这些限制信息似乎只是模型的元数据描述，而不是实际的预算控制机制。 ## 2. 成本信息但无预算控制 模型配置中包含成本信息：...

基于对代码的深入分析，系统实现了一套完整的**自动上下文压缩机制**： ## 1. 触发条件 ### Token 阈值检测 ```typescript // auto summarize if too long if (previous && previous.tokens) { const tokens = previous.tokens.input + previous.tokens.cache.read + previous.tokens.cache.write + previous.tokens.output if...

### 架构设计的核心优势 #### 1. 并行化检索 - 突破效率瓶颈 **设计思路**: - 多个检索子代理**同时**使用不同策略检索 - 语义检索、关键词检索、图检索并行执行 - 检索时间从 **串行累加** 变为 **最长单项** **效果**: ``` 传统方式: 语义检索(5s) + 关键词检索(3s) + 图检索(4s) = 12s SubAgent: max(5s, 3s,...

对比表格： ## **AI Coding 代码理解场景：三种搜索方式对比表** | 对比维度 | Ripgrep (文本搜索) | Symbol Search (符号搜索) | Embedding Search (语义搜索) | |---------|-------------------|------------------------|---------------------------| | **核心原理** | 正则表达式文本匹配 | AST/LSP 结构化解析 | 向量化 +...