docs: update markdown files to align with new filenames

2025-11-28 11:27:28 +08:00
parent 5bc33d2584
commit ad9c3c52e7
9 changed files with 44 additions and 44 deletions
@@ -5,7 +5,7 @@ LLM 调用｜Prompt 编写与设计｜多轮对话记忆｜独立搭建智能体
 ---
-### 1. `01_basic_llm_invocation`（LLM 模型调用）  
+### 1. `basic_llm_invocation`（LLM 模型调用）  
 使用 DeepSeek 官方推荐的调用方式，  
 这是后续所有 API 调用的通用结构，可直接复用。  
@@ -16,7 +16,7 @@ LLM 调用｜Prompt 编写与设计｜多轮对话记忆｜独立搭建智能体
 ---
-### 2. `02_conversational_agent`（多轮问答 Agent）  
+### 2. `conversational_agent`（多轮问答 Agent）  
 整合了 LLM + Prompt + Memory，实现有记忆的对话。  
 🔧 使用提示：  
@@ -5,14 +5,14 @@ Function calling 原理｜工具函数封装｜API 接入｜多轮调用｜Agent
 ---
-### 1. `01_custom_function_calling`（自定义函数调用）  
+### 1. `custom_function_calling`（自定义函数调用）  
 用一个**假函数**模拟完整流程，重点掌握：  
 ✅ 如何定义可调用函数  
 ✅ AI 如何触发函数调用
 ---
-### 2. `02_api_invocation`（API 调用）  
+### 2. `api_invocation`（API 调用）  
 接入一个**真实 API**，重点掌握：  
 ✅ 如何根据 API 文档封装工具  
 ✅ 让 AI 真正“动手”做事  
@@ -5,7 +5,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
 ---
-### 1. `01_models.py`（模型调用）  
+### 1. `models.py`（模型调用）  
 封装 LLM 实例，实现标准调用流程。  
 ✅ 掌握点：  
@@ -14,7 +14,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
 ---
-### 2. `02_prompt.py`（提示词构建）  
+### 2. `prompt.py`（提示词构建）  
 使用 `ChatPromptTemplate` 构建可复用的 Prompt 模板。  
 ✅ 掌握点：  
@@ -24,7 +24,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
 ---
-### 3. `03_chain.py`（链式调用）  
+### 3. `chain.py`（链式调用）  
 将 Prompt + LLM + Parser 组合成 Chain。  
 ✅ 掌握点：  
@@ -34,7 +34,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
 ---
-### 4. `04_memory.py`（记忆功能）  
+### 4. `memory.py`（记忆功能）  
 添加会话记忆，实现多轮对话。  
 ✅ 掌握点：  
@@ -44,7 +44,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
 ---
-### 5. `05_practice.py`（综合实践）  
+### 5. `practice.py`（综合实践）  
 整合所有组件，搭建一个带记忆的 AI 对话机器人。  
 ✅ 掌握点：  
@@ -5,7 +5,7 @@ Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent
 ---
-### 1. `01_define_toolbox.py`（工具函数定义）  
+### 1. `define_toolbox.py`（工具函数定义）  
 使用 `@tool` 装饰器将 Python 函数封装为 LangChain 可调用的工具。  
 ✅ 掌握点：  
@@ -15,7 +15,7 @@ Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent
 ---
-### 2. `02_general_agent.py`（通用 Agent 构建）  
+### 2. `general_agent.py`（通用 Agent 构建）  
 基于 `create_tool_calling_agent` 创建支持工具调用的智能体。  
 ✅ 掌握点：  
@@ -25,7 +25,7 @@ Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent
 ---
-### 3. `03_sql_agent.py`（SQL 专用 Agent）  
+### 3. `sql_agent.py`（SQL 专用 Agent）  
 一键构建自然语言查询数据库的智能体。  
 ✅ 掌握点：  
@@ -35,7 +35,7 @@ Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent
 ---
-### 4. `04_memory_general_agent.py`（带记忆的 Agent）  
+### 4. `memory_general_agent.py`（带记忆的 Agent）  
 将 Agent 与对话历史结合，实现多轮上下文感知。  
 ✅ 掌握点：  
@@ -45,7 +45,7 @@ Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent
 ---
-### 5. `05_caching.py`（缓存优化技巧）  
+### 5. `caching.py`（缓存优化技巧）  
 在开发调试阶段避免重复调用 LLM，节省成本与时间。  
 ✅ 掌握点：  
@@ -55,7 +55,7 @@ Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent
 ---
-### 6. `06_streaming.py`（流式输出实战）  
+### 6. `streaming.py`（流式输出实战）  
 实现 AI 回复像打字机一样逐字输出，提升用户体验。  
 ✅ 掌握点：  
@@ -5,7 +5,7 @@ RAG 概念｜文本加载与分块 (Load & Split)｜向量化 (Embedding)｜向
 ---
-### 1. `01_load_and_split.py`（文本加载与分块）
+### 1. `load_and_split.py`（文本加载与分块）
 加载本地 `.txt` 文档，并使用 `RecursiveCharacterTextSplitter` 将其智能分割成“知识卡片”。
 ✅ **掌握点**：
@@ -25,7 +25,7 @@ RAG 概念｜文本加载与分块 (Load & Split)｜向量化 (Embedding)｜向
 ---
-### 3. `03_build_index.py`（向量存储与索引构建）
+### 3. `build_index.py`（向量存储与索引构建）
 使用 FAISS 向量索引库将向量化后的文本片段构建为可检索的向量数据库，并持久化到本地。
 ✅ **掌握点**：
@@ -35,7 +35,7 @@ RAG 概念｜文本加载与分块 (Load & Split)｜向量化 (Embedding)｜向
 ---
-### 4. `04_rag_chain_full.py`（LCEL 完整 RAG 链）
+### 4. `rag_chain_full.py`（LCEL 完整 RAG 链）
 使用 LCEL（LangChain 表达式语言）“手动组装”一个完整的 RAG 流程，实现“检索-增强-生成”的闭环。
 ✅ **掌握点**：
@@ -4,7 +4,7 @@
 ---
-### 1. war_and_peace.txt （知识库源文件）
+### 1. `war_and_peace.txt` （知识库源文件）
 托尔斯泰经典小说《战争与和平》的纯文本版本（约3.2MB），作为本篇 RAG 系统的私有知识库。
@@ -15,7 +15,7 @@
 ---
-### 2. `00_build_index.py` （构建 Chroma 向量数据库）
+### 2. `build_index.py` （构建 Chroma 向量数据库）
 将 `war_and_peace.txt` 加载、分块、向量化，并存入 Chroma 持久化向量数据库。
@@ -33,7 +33,7 @@
 ---
-### 3. `01_load_from_chroma.py` （从 Chroma 加载向量库）
+### 3. `load_from_chroma.py` （从 Chroma 加载向量库）
 加载已持久化的 Chroma 向量数据库，用于后续检索。
@@ -48,7 +48,7 @@
 ---
-### 4. `02_reranker.py` （引入精排序器）
+### 4. `reranker.py` （引入精排序器）
 在召回结果上应用 Reranker 模型，提升上下文相关性。
@@ -64,7 +64,7 @@
 ---
-### 5. `03_rag_as_tool.py` （RAG 工具化封装）
+### 5. `rag_as_tool.py` （RAG 工具化封装）
 将 RAG 链封装为 LangChain `@tool`，供 Agent 调用。
@@ -79,7 +79,7 @@
 ---
-### 6. `04_memory_rag_agent.py` （终极集成 Agent）
+### 6. `memory_rag_agent.py` （终极集成 Agent）
 首次融合 LangChain 六大核心模块，构建带记忆、能自主决策的智能体。
@@ -112,4 +112,4 @@
 ### 💡 **建议**：
-直接运行 04_memory_rag_agent.py 体验完整 Agent 能力；若想自定义知识库，可替换 war_and_peace.txt 并重新运行 build_index.py（记得先删除旧数据库目录）。
+直接运行 `memory_rag_agent.py` 体验完整 Agent 能力；若想自定义知识库，可替换 `war_and_peace.txt` 并重新运行 build_index.py（记得先删除旧数据库目录）。
@@ -4,7 +4,7 @@
 ---
-### 1. `01_state_node_edge.py` （LangGraph 最小状态机）
+### 1. `state_node_edge.py` （LangGraph 最小状态机）
 演示 LangGraph 最基础的三要素：State（状态）、Node（节点）、Edge（边）。
@@ -16,15 +16,15 @@
 - 输出：
  - 控制台打印状态变化过程。
-  - 生成 `01_workflow.png` 流程图。
+  - 生成 `workflow.png` 流程图。
 > 💡 此脚本**不涉及 LLM 或对话**，仅用于理解 LangGraph 底层机制。
 ---
-### 2. `01_workflow.png` （状态机流程图）
+### 2. `workflow.png` （状态机流程图）
-由 `01_state_node_edge.py` 自动生成的 Mermaid 可视化图。
+由 `state_node_edge.py` 自动生成的 Mermaid 可视化图。
 - 内容：
  - 展示 `START → A → B → END` 的线性执行流。
@@ -35,9 +35,9 @@
 ---
-### 3. `02_langsmith_trace.py` （状态机 + LangSmith 追踪）
+### 3. `langsmith_trace.py` （状态机 + LangSmith 追踪）
-在 `01` 的基础上启用 LangSmith，实现执行过程可视化追踪。
+在 `1.` 的基础上启用 LangSmith，实现执行过程可视化追踪。
 - ✅ 掌握点：
  - 设置环境变量：`LANGCHAIN_TRACING_V2=true`、`LANGCHAIN_PROJECT="my_demo"`。
@@ -50,7 +50,7 @@
 ---
-### 4. `03_conditional_router.py` （首个 ReAct Agent：无记忆）
+### 4. `conditional_router.py` （首个 ReAct Agent：无记忆）
 构建第一个真正意义上的 LangGraph Agent：支持工具调用与条件循环。
@@ -69,9 +69,9 @@
 ---
-### 5. `04_agent_with_memory.py` （完整 Agent：带记忆 + 系统提示）
+### 5. `agent_with_memory.py` （完整 Agent：带记忆 + 系统提示）
-在 `03` 基础上升级为生产级 Agent 范式。
+在 `4.` 基础上升级为生产级 Agent 范式。
 - ✅ 掌握点：
  - 启用 `MemorySaver()` 实现跨轮次记忆（`checkpointer=MemorySaver()`）。
@@ -89,15 +89,15 @@
 ### 🔔 全局注意事项
 - **学习路径建议**：  
-  `01`（理解图） → `02`（理解追踪） → `03`（理解 ReAct） → `04`（理解记忆+prompt）
+  `1.`（理解图） → `3.`（理解追踪） → `4.`（理解 ReAct） → `5.`（理解记忆+prompt）
 - 所有 `.py` 文件均依赖 `.env` 中的 `OPENAI_API_KEY` 和 `LANGCHAIN_API_KEY`。
 - 若想复用你的 RAG 工具，只需将 `get_weather` 替换为 `search_war_and_peace`，其余逻辑不变。
- `01_workflow.png` 仅反映 `01_state_node_edge.py` 的简单线性流，**不代表 Agent 结构**。
+- `workflow.png` 仅反映 `state_node_edge.py` 的简单线性流，**不代表 Agent 结构**。
 ---
 ### 💡 **建议**
- 尝试扩展 `04_agent_with_memory.py`，添加更多自定义工具（如RAG检索工具）
+- 尝试扩展 `agent_with_memory.py`，添加更多自定义工具（如RAG检索工具）
 - 实验不同的条件路由逻辑，实现更复杂的Agent决策路径
 - 使用LangSmith深入分析和优化Agent的推理过程
 - 尝试实现多Agent协作系统，通过LangGraph连接多个专业化Agent
@@ -4,7 +4,7 @@
 ---
-### 1. `01_human_approval.py` （人工审批机制）
+### 1. `human_approval.py` （人工审批机制）
 实现带有人工干预的智能体工作流，为敏感操作添加审批环节。
@@ -23,7 +23,7 @@
 ---
-### 2. `02_graph_as_a_tool.py` （子图工具化封装）
+### 2. `graph_as_a_tool.py` （子图工具化封装）
 演示如何将一个完整的 LangGraph 子工作流封装为单个工具（Graph-as-a-Tool 模式）。
@@ -42,7 +42,7 @@
 ---
-### 3. `03_multi_agent_orchestration.py` （多智能体协作系统）
+### 3. `multi_agent_orchestration.py` （多智能体协作系统）
 构建由总控节点协调多个专家智能体的协作系统，实现专业化分工。
@@ -63,7 +63,7 @@
 ---
-### 4. `04_supervisor_agent_ops_system.py` （企业级运维智能体系统）
+### 4. `supervisor_agent_ops_system.py` （企业级运维智能体系统）
 整合前述所有高级特性，构建一个完整的企业级 IT 运维智能体系统。
@@ -87,15 +87,15 @@
 ### 🔔 全局注意事项
 - **学习路径建议**：
-  `01`（人工干预） → `02`（子图封装） → `03`（多智能体基础） → `04`（企业级综合应用）
+  `1.`（人工干预） → `2.`（子图封装） → `3.`（多智能体基础） → `4.`（企业级综合应用）
 - 所有 `.py` 文件均依赖根目录 `.env` 中的 `OPENAI_API_KEY` 和 `LANGCHAIN_API_KEY`
 - LangSmith 追踪功能已默认开启，可在 [LangSmith UI](https://smith.langchain.com) 实时查看执行流程
- `04_supervisor_agent_ops_system.py` 是一个整合性示例，建议在理解前三个文件的基础上学习
+- `supervisor_agent_ops_system.py` 是一个整合性示例，建议在理解前三个文件的基础上学习
 ---
 ### 💡 **建议**
- 尝试扩展 `04_supervisor_agent_ops_system.py`，添加更多专业角色（如安全专家、性能分析师）
+- 尝试扩展 `supervisor_agent_ops_system.py`，添加更多专业角色（如安全专家、性能分析师）
 - 实验不同的 Supervisor 决策逻辑，优化任务分配策略
 - 将真实的运维工具或 API 集成到系统中，构建实用的运维助手
 - 探索在生产环境中部署此类系统的最佳实践，如性能优化、错误处理和监控