智能体

用 Responses API 调用前 token 计数、响应 usage 和应用侧预算阈值控制纯文本请求的估算成本。

给现有 LangGraph 应用开启 LangSmith trace，按模型、工具和最终输出定位单次故障。

用 Python 接收 Responses API 的 function_call，校验参数并以 call_id 回填函数结果。

用 LangGraph 的 checkpointer 与 store 分开验证会话状态和跨会话用户偏好。

按 RAGFlow Agent 画布连接 Begin、Retrieval、Agent 和 Message，用固定问题查看各节点结果。

用 Python 把示例文件加入 OpenAI 向量库，调用 File Search 回答问题，并分别核对引用与检索片段。

区分智能体系统指令与知识库资料，给出提示词注入样例及权限边界测试。

用企业文档问答和报销场景区分 RAG 检索、智能体工具调用与二者组合，并给出按读者任务选型和验收的方法。

从真实任务、业务边界和历史失败中构建智能体评测集，写清通过条件，保存工具调用与失败原因，并持续加入回归样本。

用一张虚构客服工单区分大模型、固定工作流和智能体，给出订单归属核对、接口失败转人工及工具权限的具体判断。