项目演示地址及说明

发表于2026-09-04|更新于2026-09-04|AI/LLM

|浏览量:

给面试官的试用入口。两套演示都开着，不用装环境，浏览器打开即可。建议用 Chrome。

账号是专门给面试准备的普通用户，能聊天、能看有权限的内容，看不到后台管理。

项目	地址	账号	密码
Lvren 终端 Agent	demo.lvren.xyz	`demo`	`lvren-demo`
澄知 Clarity · 知识库 RAG	106.14.29.104	`interviewer`	`Clarity888`

Lvren 终端 Agent

打开 https://demo.lvren.xyz，用上面的账号登录。

这是隔离 Linux 容器里的真实 CLI，不是录屏。工作区有一个故意留了 bug 的小项目「Station」，可以让 Agent 读代码、跑测试、改文件。容器看不到宿主机博客、家目录和 Docker socket。

源码：github.com/whrgg/Lvren

澄知 Clarity · 知识库 RAG

打开 http://106.14.29.104，用上面的账号登录。第一次打开可能要等 2–5 秒，是演示机配置，不是页面坏了。

最短走通：

登录后进入聊天页，直接问和已有文档相关的问题。
若想自己试：左侧进知识库，上传一份短的 PDF / Word / txt，组织标签选默认可用的那一项，等状态变成「完成」再去问。

回车发送，Ctrl + Enter 换行。回答会流式出现；引用了知识库时，句末会带来源标记。

说明

演示机内存较小，偶发变慢等十几秒再试即可。
登录不上：确认账号密码没有空格，强制刷新一次。
澄知问了说「暂无相关信息」：先确认知识库里文件状态已完成，再换成文档里真正出现过的词。
这是可运行的演示，不是完整商业产品。

文章作者: 旅人

文章链接: https://lvren.xyz/2026/09/04/%E9%A1%B9%E7%9B%AE%E6%BC%94%E7%A4%BA%E5%9C%B0%E5%9D%80%E5%8F%8A%E8%AF%B4%E6%98%8E/

版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源旅人！

Agent AI LLM RAG

相关推荐

LangGraph 状态管理：State、Reducer 与 Message

建 LangGraph 的第一件事不是写节点，而是划分 State。 State 就像一块公共笔记板：prompt、历史消息、中间结果、计数器……所有节点需要共享的数据都放在这里。字段又叫 Channel。搞懂 State 的读写规则和 Reducer 的合并逻辑，后面写复杂 Agent 才不会乱。 State 的三层视角LangGraph 允许你为不同节点定义不同的 State 视角，但底层框架为了注入和高可用，实际是把所有 State 混合在一起的。类型作用 InputState 约束 invoke() 的入参，调用时只填这里定义的字段 OutputState 约束 invoke() 的返回值，result = graph.invoke(...) 只能拿到这些字段 PrivateState 内部字段，不用传给 StateGraph()，框架会自动映射几个容易误解的点：节点 return 时，不需要严格按 OutputState 来写——只要 return 的 key 在底层混合 State 里存在，框架就会自动更新 PrivateStat...

Agent 工作流模式与工程实践

LangGraph 给了你把 Agent 建模成图的能力，但「图长什么样」仍然需要你设计。 LangChain 文档总结了五种常见的工作流模式，覆盖了从简单流水线到复杂多 Agent 协作的大部分场景。选对模式，比堆更多 prompt 有效得多。 Agent 的核心等式在聊模式之前，先对齐 Agent 是什么： Agent = LLM + Tools + Memory + Planning LLM 是大脑 Tools 是手脚——描述写得好不好，直接决定 Agent 能不能正确行动 Memory 提供记忆力 Planning 决定逻辑能力 Agent loop 本质上就是一个 while 循环：推理 → 调工具 → 写回上下文 → 再推理，直到达到目标或停止。 Agent 面临的现实问题：记忆 — 上下文窗口有限，长任务容易忘烧 token — 每轮循环都在消耗推理路径易失效 — 走偏了就是资源浪费五种工作流模式1. Prompt Chaining（提示链）每步在前一步输出上增强，类似建造者模式。每步职责不同。例子：生成小说 → 检查剧情连贯 →...

LangGraph 入门：用有向图把 Agent 跑起来

如果你已经会用 LangChain 调模型、绑工具，但一碰到「Agent 要循环推理、要分支、要并行」就不知道怎么组织代码——LangGraph 就是为此而生的。它不是一个 prompt 框架，而是一个编排运行时：把 Agent / LLM 应用建模成一张有向状态图，每个节点读状态、做操作、写回状态，边决定数据往哪流。三个关键数据结构回到 LangGraph 的核心，Everything 都可以归结为三个概念：概念一句话本质 Node 数据处理的逻辑 Python 函数 Edge 决定数据流转的结构 Python 函数 State 存储数据的结构 TypedDict Node 和 Edge 本质上都是函数——Node 接收 State 做操作，Edge 决定下一个 Node 是谁。 State 是三者中设计成本最高的：划分不好，后面加节点、加并行、加汇总都会痛苦。所以第一篇入门，第二篇就专门讲 State，不是巧合。 LangGraph 把 LLM 应用的各部分拆成节点（Node）和边（Edge）：概念作用 Node...

LangGraph 图编排：边、Send 与 Command

节点和 State 搞定之后，下一关是控制图的流转。 LangGraph 提供了三种层次的编排能力：边（Edge）做常规路由，Send 做动态并行分发，Command 做「改状态 + 强制跳转」的特种操作。日常开发里，90% 的路由用条件边就够了；但剩下 10% 的边界场景——工具强制收尾、中断恢复、子图交还父图——Command 是绕不开的。边的四种形式边决定 Node 之间的连接方式，分两类 API：类型 API 说明普通边 add_edge("A", "B") 固定从 A 到 B 普通入口 add_edge(START, "A") 固定从 START 到 A 条件边 add_conditional_edges(...) 根据函数返回值选路条件入口 add_conditional_edges(START, router, {...}) 根据条件决定从哪开始条件判断函数可以返回节点名，也可以只返回 True/False，然后在 add_conditiona...

RAG：用检索增强生成打破大模型的知识局限

如果你曾用 ChatGPT 问过一个它训练数据之外的问题，或者需要它根据你的专业文档生成答案，你可能就遇到了大模型的两大”绝症”：知识过时和幻觉问题。 RAG（Retrieval-Augmented Generation）就是为解决这些问题而生的技术方案。它不是重新训练模型，而是聪明地把 LLM 变成一个”可查阅资料的专家”。为什么需要 RAG？大模型的四大痛点静态知识库 - 训练数据有截止日期幻觉问题 - 编造看起来真实的回答领域局限 - 专业知识覆盖不完整数据泄露 - 可能泄露训练数据信息 RAG 的核心价值：减少幻觉，提高答案准确性增加实时性，快速适配新数据扩展领域知识，支持专业应用降低数据泄露风险（配合私有部署） RAG 的完整流程 graph LR A["文档输入<br/>PDF/Word/Excel<br/>txt等"] B["文本分块<br/>切分策略"] C[&...