在 第二部分 中，我们手动实现了一个带记忆的 ReAct 智能体。但在真实项目中，你不会从零开始写 ReAct 循环。 你会使用像 LangChain 这样的成熟框架。那么，如何将 Mem0 集成进去呢？ LangChain 的 Agent 架构 LangChain 提供了一个强大的 AgentExecutor，它已经实现了完整的 ReAct 循环。你只需要： 1. 定义工具 (Tools) 2. 提供 LLM 3. 运行 executor.run() from langchain.agents import initialize_agent, Tool from langchain.llms import OpenAI…
在 第一部分 中，我们理解了 ReAct 智能体的记忆问题。现在，让我们动手构建一个真正能"记住"的智能体。 我们将从零开始实现一个 ReAct 循环，然后逐步加入 Mem0 记忆层。 ReAct 循环的核心结构 在开始之前，让我们先理解 ReAct 循环的本质。它是一个 Thought → Action → Observation 的迭代过程。 while not task_complete and steps < max_steps: # 1. Thought: 智能体分析当前状态并制定计划 thought = llm.generate(f"当前状态: {state}\n下一步应该做什么？"…
如果你正在构建 AI 智能体，你可能已经遇到了一个让人抓狂的问题：智能体似乎患有"阿尔茨海默症"。 它刚刚花了 3 步去搜索某个 API 文档，但 5 分钟后，当你问同样的问题时，它又重新搜索了一遍。它无法记住自己做过什么、学到了什么，更不用说记住用户的偏好了。 这不是某个框架的 bug，这是 ReAct 智能体架构的固有问题。 什么是 ReAct？ 在深入记忆问题之前，让我们先理解 ReAct（Reasoning and Acting）范式。 ReAct 是由 Yao 等人在 2022 年提出的一种 Agent 架构模式。它的核心思想是：让 LLM 交替进行"思考"…
牢笼建好了，犯人也关进去了。最后的问题是：我们怎么知道他在里面干了什么？ 对于 Code Interpreter 来说，用户的代码输出（Stdout/Stderr）必须实时、完整地传回给前端。而且，如果代码死循环了，我们得能把它杀掉。 这两个看似简单的需求，在实现时也让我们踩了不少坑。 坑一：IO 阻塞与 Goroutine 泄漏 最初，我们简单地用 cmd.StdoutPipe() 获取管道，然后在一个 Goroutine 里读。 // 错误示范 go func() { io.Copy(outputChan, stdoutPipe) }() 但在高并发场景下，我们发现 Goroutine 数量飙升。原来，如果 Python 进程异常退出或者被 kill 掉，有时候管道的 Read…
把 Go 代码注入到 Python 进程后，我们拿到了控制权。现在的任务是：把这个进程关进“监狱”里。 在 internal/core/lib/python/add_seccomp.go 中，我们定义了这座“监狱”的构造。 第一步：切断退路 (Chroot) 首先要解决的是文件系统的隔离。我们不希望用户代码能看到 /etc/passwd，也不希望它能看到宿主机的任何文件。 chroot 是最古老也是最有效的手段之一。 // internal/core/lib/python/add_seccomp.go func InitSeccomp(uid int, gid int, enable_network bool) error { // 1.…
在上一篇中，我们确定了“进程级沙箱”的路线。但摆在面前的第一个技术难题是：如何在 Python 进程启动的那一刻，强行插入我们的安全代码？ 我们需要在用户代码执行之前，完成 Chroot 和 Seccomp 的设置。如果等到用户代码开始跑了再限制，黄花菜都凉了。 尝试一：直接修改解释器源码？ 最硬核的办法是下载 CPython 源码，在 main 函数里加几行代码，重新编译一个 safe-python。 但这太蠢了。 1. 维护噩梦：每次 Python 发新版，我们都得重新打补丁、编译。 2. 不通用：那 Node.js 怎么办？Java 怎么办？难道都要改源码？ 我们需要一种非侵入式的方案。 尝试二：LD_PRELOAD？ Linux 有个黑魔法叫…
做 LLM Agent 开发时，Code Interpreter 是个绕不开的功能。让 AI 写代码容易，但让它安全地运行代码，却是个棘手的工程问题。 在设计 go-sandbox 之初，我们面临的最大抉择就是：到底是用 Docker，还是自己造轮子？ Docker 的诱惑与代价 最开始，我们自然而然地想到了 Docker。它成熟、安全、隔离性好。我们尝试为每个代码执行请求启动一个容器： docker run --rm -it python:3.10 python -c "print('hello')" 但在高并发测试中，问题很快暴露了： 1. 慢：即使是热启动，容器的创建和销毁也需要几百毫秒。对于用户来说，…
摘要：手持 X99 平台和一张只有 2GB 显存的 GTX 960，还能玩转 Docker 和 AI 吗？本文详细对比了 Docker Desktop 与 WSL Native 两种部署方案，并深入讲解了最令人头秃的网络代理配置、数据迁移。 X99 平台凭借多核心优势，至今仍是很多开发者的主力机。但当你想在 Windows 上通过 Docker 运行 AI 模型时，往往会面临选择困难症：是装简单易用的 Docker Desktop，还是追求极致性能的 WSL 原生命令行？ 本文记录了在 Windows (X99) + GTX 960 (2GB) 环境下的完整折腾记录。 第一部分：路线选择——你属于哪一派？ 在…