快乐冲浪与生活

系列文章第 2 篇 · AI Agent 六大主流架构拆解
本篇拆解 Plan-and-Execute，把“规划”与“执行”分离，并把它落到油菜新品种区域试验评价这一长周期多阶段任务上(场景与第 1 篇的「种质性状查询」互补)。

系列文章第 1 篇 · AI Agent 六大主流架构拆解 本篇拆解最经典的 ReAct(Reasoning + Acting)，并把它落到一个真实场景——油菜育种种质助手。

什么是 ReAct

ReAct 由姚顺雨等人在 2022 年论文《ReAct: Synergizing Reasoning and Acting in Language Models》中提出的 AI Agent 框架，其核心思想是:让大语言模型把"推理(Reasoning)“和"行动(Acting)“交错成循环 —— 每一步先想清楚下一步该做什么(Thought)，再去真正调用一个外部工具(Action)，拿到工具返回的结果(Observation)，再回想，如此往复，直到信息足够给出最终答案。

这是 Airflow 学习系列的第 2 篇。上一篇讲了 Airflow 是什么、为什么需要它、核心概念词汇表。这一篇钻进内部，把"齿轮怎么转"讲透——你看完之后，第 3 篇上手写 DAG 时，每一步操作都不会是黑盒。

这是 Airflow 学习系列的第 1 篇。本篇不写代码，先讲清楚一件事：Airflow 到底解决什么问题，它的核心抽象是什么，以及它适合什么样的场景。

凌晨三点的告警

先讲一个场景。

在 Apple Silicon（M 系列芯片）上，用 MLX-LM 对一个开源大模型做 LoRA 微调， 把它变成一个"油菜品种信息查询"垂域助手，并对比微调前后的效果。 本文记录了从环境准备、数据构造、微调到评测的完整过程，以及踩过的几个版本坑。

适用版本：Neo4j 5.x（社区版 / 企业版） 环境：已安装 Docker 与 Docker Compose 的 Linux / macOS 主机

前言

Neo4j 是目前最流行的原生图数据库，常用于知识图谱、关系网络、推荐系统等场景。使用 Docker 部署可以让环境保持一致、迁移方便，而图数据的备份与还原则是生产环境中不可忽视的一环。

Neo4j 是领先的开源图数据库管理系统，并且完全符合 ACID 标准。然而在真实的运维环境中，像一致性错误这样的意外问题依然可能发生——尤其是在非正常关机、崩溃或磁盘故障之后。

引言

索引是 Neo4j 中至关重要的辅助数据结构，能够显著提升 Cypher 查询的性能。有了索引，数据库无需执行昂贵的全量扫描即可快速定位具有特定属性值的节点。

Neo4j 索引基础

索引的工作原理

Neo4j 索引是将属性值映射到包含这些值的内部节点 ID。当 Cypher 查询中的 WHERE 子句对已索引的属性进行过滤时，Neo4j 可以快速查找相关节点，而无需扫描整个数据库。

引言

欢迎来到这篇深度教程，我们将探讨 Neo4j 最强大的特性之一：处理变长路径和关系。本指南将带你学习如何遍历复杂网络、查找实体之间的联系，以及在图数据中发现最优路线。

引言

约束是任何数据库系统中至关重要的组成部分，有助于确保数据的完整性和一致性。在像 Neo4j 图数据库中，约束提供了一种对图的结构和内容施加规则的方式，防止无效数据被添加，并维护应用程序的可靠性。