docs:专栏更新

Author: Java-Edge

Diff for: .vscode/.server-controller-port.log

@@ -1,5 +1,5 @@
 {
-  "port": 9146,
-  "time": 1722851162103,
+  "port": 9145,
+  "time": 1723122064966,
   "version": "0.0.3"
 }

Diff for: docs/.vuepress/config.js

@@ -468,7 +468,7 @@ module.exports = {
                                     link: '/md/ck/clickhouse概述.md'
                                 }]
                             },
-                            
+
                             {
                                 text: 'HBase',
                                 items: [{
@@ -518,7 +518,7 @@ module.exports = {
                                     link: '/md/bigdata/01-大数据的尽头是数据中台吗？.md'
                                 }]
                             },
-                            
+
                             {
                                 text: 'Hadoop',
                                 items: [{
@@ -695,6 +695,10 @@ module.exports = {
                                 text: 'Agent项目实战',
                                 link: '/md/AI/01-three-minute-fastapi-ai-agent-setup'
                             },
+                            {
+                                text: 'LangGraph',
+                                link: '/md/AI/00-introduce-to-LangGraph'
+                            },
                         ]
                     },
 
@@ -849,6 +853,7 @@ module.exports = {
                                 "08-视频推荐索引构建",
                                 "09-交易中台-如何防止订单二次重复支付？",
                                 "小游戏的大促实践",
+                                "事件中心架构概述",
                             ]
                         },
                         {
@@ -1109,6 +1114,7 @@ module.exports = {
                                 "JDK21新特性",
                                 "JDK22新特性",
                                 "IntelliJ IDEA 2024.1 最新变化",
+                                "What’s-New-in-IntelliJ-IDEA-2024.2",
                             ]
                         },
                     ],
@@ -1233,6 +1239,15 @@ module.exports = {
 
                             ]
                         },
+
+                        {
+                            title: "事件驱动",
+                            collapsable: false,
+                            sidebarDepth: 0,
+                            children: [
+                                "integrating-event-driven-microservices-with-request-response-APIs",
+                            ]
+                        },
                         {
                             title: "DDD大厂实践",
                             collapsable: false,
@@ -1268,6 +1283,7 @@ module.exports = {
                         sidebarDepth: 0,
                         children: [
                             "00-Spring响应式编程",
+                            "05-流式操作：如何使用 Flux 和 Mono 高效构建响应式数据流？",
                         ]
                     }],
 
@@ -1315,6 +1331,7 @@ module.exports = {
                                 "nature-of-kubernetes",
                                 "02-Kubernetes核心组件之kube-proxy实现原理",
                                 "pod-in-kubernetes",
+                                "kubernetes-workloads-controllers-deployment",
                                 "23-0-声明式API",
                                 "23-1-Envoy",
                             ]
@@ -1328,7 +1345,7 @@ module.exports = {
                                 "使用 Kubernetes 部署 Nginx 应用",
                             ]
                         },
-                        
+
                         {
                             title: "Kubernetes云平台KubeSphere",
                             collapsable: false,
@@ -1354,6 +1371,7 @@ module.exports = {
                         collapsable: false,
                         sidebarDepth: 0,
                         children: [
+                            "netty-basic-components",
                             "ChannelPipeline接口",
                             "(06-1)-ChannelHandler 家族",
                             "(08)-学习Netty BootStrap的核心知识，成为网络编程高手！",
@@ -1369,6 +1387,7 @@ module.exports = {
                         children: [
                             "00-Kafka专栏大纲",
                             "Kafka门派知多少",
+                            "kafka-versions",
                             "08-全网最全图解Kafka适用场景",
                             "09-消息队列的消息大量积压怎么办？",
                             "15-基于kafka实现延迟队列"
@@ -1435,6 +1454,7 @@ module.exports = {
                             "客户端基本操作",
                             "为啥要学习ClickHouse",
                             "为啥适合OLAP？",
+                            "clickhouse-jdbc",
                         ]
                     }],
 
@@ -1762,6 +1782,15 @@ module.exports = {
                                 "03-use-tts-to-make-your-ai-agent-speak",
                             ]
                         },
+
+                        {
+                            title: "LangGraph",
+                            collapsable: false,
+                            sidebarDepth: 0,
+                            children: [
+                                "00-introduce-to-LangGraph",
+                            ]
+                        },
                     ],
 
                     "/md/design/": [{

Diff for: docs/md/AI/00-introduce-to-LangGraph.md

@@ -0,0 +1,151 @@
+# AI Agent 终结者 LangGraph！
+
+⚡ 构建作为图的语言智能体 ⚡
+
+## 1 概述
+
+LangGraph是一个用于构建具有状态、多参与者应用程序的大语言模型（LLM）的库，用于创建智能体和多智能体的工作流程。与其他 LLM 框架相比，它提供以下核心优势：
+
+- 循环
+- 可控性
+- 持久性
+
+LangGraph 允许你定义涉及循环的流程，这对于大多数智能体架构至关重要，使其与基于DAG的解决方案区别开来。作为一个非常底层的框架，它提供了对应用程序的流程和状态的细粒度控制，这对于创建可靠的智能体至关重要。
+
+此外，LangGraph 包含内置的持久性功能，支持高级的“人类在环”（human-in-the-loop）和记忆功能。
+
+LangGraph 的灵感来源于 [Pregel](https://research.google/pubs/pub37252/) 和 [Apache Beam](https://beam.apache.org/)。其公共接口借鉴了 [NetworkX](https://networkx.org/documentation/latest/) 的设计。LangGraph 由 LangChain Inc. 创建，该公司也是 LangChain 的开发者，但它可以独立于 LangChain 使用。
+
+### 1.1 关键特性
+
+- **循环和分支**：在应用程序中实现循环和条件判断
+- **持久性**：在图中的每一步之后自动保存状态。你可以在任意时间点暂停和恢复图的执行，以支持错误恢复、“人类在环”工作流、时间回溯等功能
+- **人类在环**：在图执行过程中打断执行，以批准或编辑智能体计划的下一个动作
+- **流式支持**：在每个节点生成输出时进行流式传输（包括 token 流式传输）
+- **与 LangChain 集成**：LangGraph 可以与 [LangChain](https://github.com/langchain-ai/langchain/) 和 [LangSmith](https://docs.smith.langchain.com/) 无缝集成（但不要求使用它们）
+
+## 2 安装
+
+```bash
+pip install -U langgraph
+```
+
+## 3 示例
+
+LangGraph 的核心概念之一是状态。每次图执行都会创建一个状态，该状态在图中各节点执行时在它们之间传递，并且每个节点在执行后会用其返回值更新该内部状态。图更新其内部状态的方式由所选择的图类型或自定义函数定义。
+
+### 使用搜索工具的简单智能体
+
+
+
+```arduino
+pip install langchain-anthropic
+export ANTHROPIC_API_KEY=sk-...
+```
+
+可选地，我们可设置 [LangSmith](https://docs.smith.langchain.com/) 以获得最佳的可观测性。
+
+```python
+export LANGSMITH_TRACING=true
+export LANGSMITH_API_KEY=lsv2_sk_...
+from typing import Annotated, Literal, TypedDict
+
+from langchain_core.messages import HumanMessage
+from langchain_anthropic import ChatAnthropic
+from langchain_core.tools import tool
+from langgraph.checkpoint.memory import MemorySaver
+from langgraph.graph import END, StateGraph, MessagesState
+from langgraph.prebuilt import ToolNode
+
+
+# 为智能体定义工具
+@tool
+def search(query: str):
+    """调用以浏览网络。"""
+    # 这是一个占位符，但不要告诉 LLM...
+    if "sf" 在查询字符串中，或者查询中包含 "san francisco"：
+        return "现在是 60 度，有雾。"
+    return "现在是 90 度，晴天。"
+
+
+tools = [search]
+
+tool_node = ToolNode(tools)
+
+model = ChatAnthropic(model="claude-3-5-sonnet-20240620", temperature=0).bind_tools(tools)
+
+# 定义决定是否继续的函数
+def should_continue(state: MessagesState) -> Literal["tools", END]:
+    messages = state['messages']
+    last_message = messages[-1]
+    # 如果 LLM 进行工具调用，那么我们将路径设置为 "tools" 节点
+    if last_message.tool_calls:
+        return "tools"
+    # 否则，我们停止（回复用户）
+    return END
+
+
+# 定义调用模型的函数
+def call_model(state: MessagesState):
+    messages = state['messages']
+    response = model.invoke(messages)
+    # 我们返回一个列表，因为这将被添加到现有列表中
+    return {"messages": [response]}
+
+
+# 定义一个新图
+workflow = StateGraph(MessagesState)
+
+# 定义我们将循环的两个节点
+workflow.add_node("agent", call_model)
+workflow.add_node("tools", tool_node)
+
+# 将入口点设置为 `agent`
+# 这意味着这个节点是首先被调用的
+workflow.set_entry_point("agent")
+
+# 我们现在添加一个条件边
+workflow.add_conditional_edges(
+    # 首先，我们定义起始节点。我们使用 `agent`。
+    # 这意味着这些边是在调用 `agent` 节点后执行的。
+    "agent",
+    # 接下来，我们传入决定下一个被调用节点的函数。
+    should_continue,
+)
+
+# 我们现在从 `tools` 到 `agent` 添加一条普通边。
+# 这意味着在 `tools` 被调用后，`agent` 节点会接着被调用。
+workflow.add_edge("tools", 'agent')
+
+# 初始化内存以在图运行之间保存状态
+checkpointer = MemorySaver()
+
+# 最后，我们编译它！
+# 这将其编译为一个 LangChain 可运行体，
+# 这意味着你可以像使用其他可运行体一样使用它。
+# 请注意，我们在编译图时（可选地）传递了内存
+app = workflow.compile(checkpointer=checkpointer)
+
+# 使用可运行体
+final_state = app.invoke(
+    {"messages": [HumanMessage(content="sf 的天气如何")]},
+    config={"configurable": {"thread_id": 42}}
+)
+final_state["messages"][-1].content
+"根据搜索结果，我可以告诉你，旧金山目前的天气是：\n\n温度：华氏 60 度\n天气情况：有雾\n\n旧金山以其微气候和频繁的雾而闻名，尤其是在夏季的早晨和傍晚。60°F（约 15.5°C）的温度对于该市来说是非常常见的，因为该市一年四季温度都比较温和。雾气，当地人称之为 “Karl the Fog”，是旧金山天气的一个特点，特别是在早晨和晚上。\n\n你还想知道有关旧金山或其他地方天气的其他信息吗？"
+```
+
+现在当我们传递相同的 `"thread_id"` 时，会通过保存的状态（即存储的消息列表）保留对话上下文。
+
+```python
+final_state = app.invoke(
+    {"messages": [HumanMessage(content="那纽约呢")]},
+    config={"configurable": {"thread_id": 42}}
+)
+final_state["messages"][-1].content
+"根据搜索结果，我可以告诉你，纽约目前的天气是：\n\n温度：华氏 90 度（约 32.2 摄氏度）\n天气情况：晴天\n\n这种天气与我们刚刚看到的旧金山的天气截然不同。纽约目前的温度要高得多。以下是一些需要注意的几点：\n\n1. 90°F 的温度相当热，典型的纽约市夏季天气。\n2. 晴朗的天气意味着晴空万里，这对户外活动非常有利，但也意味着由于阳光直射，感觉可能会更热。\n3. 纽约这种天气通常伴随着高湿度，这会使实际温度感觉更高。\n\n看到旧金山温和、多雾的天气与纽约炎热、晴朗的天气之间的巨大差异，这确实很有趣。这种差异展示了美国不同地区，即使在同一天，天气状况也可能截然不同。\n\n你还想了解纽约或其他地方的天气情况吗？"
+```
+
+参考：
+
+- https://langchain-ai.github.io/langgraph/#installation