Agent 后台执行机制：异步任务与结果回流
1、问题 很多命令都是慢操作，例如： npm install pytest docker build 在阻塞式主循环里，模型只能干等，无法继续做别的事。这对复杂任务的执行效率影响很大。 阅读前提 这一节
Lin
3 分钟阅读
LinAgent 任务系统设计：DAG 依赖与持久化状态
1、问题 s03 的 TodoManager 只是一个内存里的扁平清单，它有几个明显不足： 没有依赖关系 没有顺序表达 状态粒度太粗 一旦上下文压缩，内存态就可能丢失 真实项目里的任
Lin
3 分钟阅读
Agent 长上下文治理：压缩、摘要与记忆延续
1、问题 上下文窗口是有限的。 教程举的例子很直观：读一个 1000 行文件，可能就会吃掉几千 token；再读几十个文件、跑几十条命令，上下文很快就会被撑
Lin
3 分钟阅读
Agent 技能系统：按需加载领域知识
1、问题 Agent 常常需要遵守很多额外知识，比如： Git 工作流 测试规范 代码审查清单 特定领域的操作手册 如果把这些内容全部塞进系统提示词，会让 prompt 非常臃肿，而
Lin
3 分钟阅读
子 Agent 架构实践：上下文隔离与任务拆解
1、问题 随着 Agent 不断读文件、执行命令、查看日志，messages 会越来越大。 很多时候父 Agent 只需要一个很小的结论，比如“这个项目用的是 pytest
Lin
3 分钟阅读
Agent 任务规划机制：TodoWrite 与多步执行控制
1、问题 多步任务里，模型很容易出现下面这些问题： 重复做已经做过的事 跳过中间步骤 随着上下文增长逐渐跑偏 教程对这个问题的概括很直接：没有计划的 A
Lin
3 分钟阅读
Agent 工具系统设计：从 Bash 到文件读写编辑
1、为什么只有 bash 不够 上一节只有一个 bash 工具，所有动作都走 shell。 这种方式虽然灵活，但问题很明显： 读取文件时输出可能被截断 特殊字符和转义经常
Lin
4 分钟阅读
从零实现 Agent 核心循环：工具调用与执行闭环
1、问题 语言模型本身只能生成文本，它能“推理”应该去读文件、运行命令、查看报错，但它碰不到真实环境。 如果没有循环机制，每次工具执行都需要开发
Lin
4 分钟阅读
LangChain4j-AIServices使用教程
1. 简介 上一篇讲了如何使用LangChain4J的底层组件来进行AI的交互，如 ChatLanguageModel、ChatMessage、Ch
Lin
9 分钟阅读
LangChain4j框架开发AI应用
1. 简介 LangChain4j 是一个基于 Java 的开源框架，用于开发 人工智能驱动的应用程序，尤其是涉及 大语言模型（LLM）交互 的场景。它的设计目标是简化开发者与大语言模
Lin
10 分钟阅读
Lin 的博客 A merry heart goes all the way.
关于我
Lin 的 ❤️ 博客
技术专题：Java Agent 工程化：从知识库问答到可靠业务执行。围绕 RAG、工具治理、任务恢复与 Java 平台架构整理设计思路和验证方法。
记录一些 🌈 生活上，技术上的事
- 🛠️ 技术阵地： 深耕 Java 开发 ，目前向 AI 应用领域探索与拓展。这里主要记录我从后端架构到 AI 赋能的进阶之路、技术思考以及日常的 debug 血泪史。始终致力于写出优雅且没有 bug 的代码（尽量）。
- 🌈 生活侧写： 偶尔脱下极客的外衣，我也会在这里分享生活中的灵光一现。不管是好用的效率工具，还是周末的一场骑行，都是构成我真实生活的一部分。
社交链接
本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。
背景使用了 Pexels 上 Francesco Ungaro 拍摄的图片。