11-02 上下文太长会带来什么问题？
✅上下文太长会带来什么问题？前面一个章节中我们介绍了一个新的概念，叫做Context，即上下文，他包含了很多内容，提示词、工具、知识、记忆等等等等，相信大家最直观的感受就是上下文的内容太多了，尤其是在很复杂的agent中，有很多工具、指令、和知识的情况下，上下文会爆炸。
早在23年的时候，就有人提出上下文太长会影响模型的效果，论文《Lost in the Middle: How Language Models Use Long Contexts》
在这篇论文中，作者通过一系列精心设计的实验揭示了一个关键现象：当前的语言模型在长上下文中对信息的位置非常敏感，往往更关注开头和结尾的内容，而忽略中间部分的信息。作者将这种现象称为“Lost in the Middle”（过程中迷失/遗忘初始目标）。
针对各种主流的LLM做了试验之后，得出以下结论：
位置偏差显著：几乎所有模型在关键信息位于上下文开头或结尾时表现最好，而在中间位置时性能（模型效果）急剧下降。
增加上下文长度 ≠ 提升效果：即使模型声称支持超长上下文（如32K tokens），其实际有效利用信息的能 ...
11-01 什么是Context，和Memory、Prompt、Token之间的区别？
✅什么是Context，和Memory、Prompt、Token之间的区别？
在大语言模型（LLM）和人工智能对话系统中，Context（上下文）、Memory（记忆）、Prompt（提示） 和 Token（标记） 是四个密切相关但含义不同的概念。下面分别解释它们的区别与联系：
TokenToken 是模型处理文本时的最小单位。它可以是一个字、一个词，甚至是一个标点符号，具体取决于所使用的分词器（Tokenizer）。
所有输入和输出文本都会被转换为 Token 序列，供模型处理。模型有最大上下文长度限制（如 8192、32768 tokens），超过会截断或报错。
经验说明：在实际开发中，程序员可能更关心上下文的字符数，Token与字符数量之间是存在一些近似关系的，但是会因具体模型及其分词器实现而有所差异。一般经验而言，仅供参考：1个Token约对应3～4个英文字符；通常约对应 1.5～1.8 个中文字符，工程上通常取约1.7个中文字符作为经验估算值。
PromptPrompt 是用户输入给模型的指令或问题，用于引导模型生成期望的输出。Prompt 本身是由 Toke ...
10-22 工作流实战：舆情分析助手——数据保存与更新
✅工作流实战：舆情分析助手——数据保存与更新我们从微博上提取到用户发帖内容后，要对他做舆情分析，分析之后我们需要把数据持久化下来，这样方面我们做报表展示，以及跟进。
这里我们用n8n支持的mysql
他提供了很多操作，包括增删改查都支持的。我们有两个节点，一个是负责插入微博原文内容信息的，一个是负责把LLM分析出的舆情结果信息更新到mysql中的，所以一个是insert一个是update。
先在你自己的mysql中建表一张：
1234567/******************************************//* DatabaseName = ai_db *//* TableName = user_sentiment_posts *//******************************************/CREATE TABLE `user_sentiment_posts` ( `id` bigint unsigned NOT NULL AUTO_INCREMENT COMMENT '主键ID&#x ...
10-21 工作流实战：舆情分析助手——LLM节点做舆情分析
✅工作流实战：舆情分析助手——LLM节点做舆情分析
提取到了微博内容之后，我们就需要通过大语言模型对他进行语义分析，判断是否有舆情了。
在这个AI Agent节点中，我们首先需要配置prompt：
123456789你是一位顶尖的数字舆情分析师，拥有社会学、传播学、消费者行为学和自然语言处理的复合背景。现在，请基于我提供的以下两项信息，执行一次深度、客观、结构化的舆情分析：### 工作流程1、先分析一下原始用户发帖内容："{{ $('微博内容拆分').item.json.content }}"讨论的主体是不是目标产品名称："腾讯地图"，如果是则继续执行下一步，如果不是，则本条情感分析结果直接标记为neutral2、判定整体情感极性（正面 / 中性 / 负面）、给出置信度（0–100%）、指出关键情感触发词或语句⚠️ 注意事项：不臆测未在文本中体现的信息避免主观情绪化语言，保持专业中立若发帖内容模糊或信息不足，请明确说明“信息不足，无法准确判断”，并指出缺失的关键要素请严格按照 ...
10-20 工作流实战：舆情分析助手——微博内容提取
✅工作流实战：舆情分析助手——微博内容提取我们拿到前5页网页爬取后的结果之后，就需要把里面的微博内容解析出来，前面说过了，直接用他的json内置的prompt方式解析会出现丢数据的情况，于是我想到的是自己写代码解析，于是：
新建一个微博内容提取的code节点，其中的代码如下：
12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849// Loop over input items and add a new field called 'myNewField' to the JSON of each one// 基准当前时间 const offsetHours = 8; const now = new Date(); const utc = now.getTime() + (now.getTimezoneOffset() * 60000); const NOW = new Date(utc + (offsetHours ...
10-19 工作流实战：舆情分析助手——N8N配置firecrawl实现分页爬取
✅工作流实战：舆情分析助手——N8N配置firecrawl实现分页爬取
n8n中内置了firecrawl的插件，提供了前面我们介绍的常用的api：
我们可以借助这个插件做网页的爬取，我们使用”scrape a url and get its content”这个操作，然后这个操作有两种配置方式，一种是基于他的配置填写参数，另外一种是我们自定义Body做调用。
这里我试了之后，发现想要跑通的话，只能用custom body的方式，因为使用基于配置的方式的话，header没办法设置。（我试了很多办法，都设置不成功）
使用custom配置的方式的话，就把整个请求体，都放到这个custom properties中就行了：
这里面需要注意的是，如果直接从firecrawl中复制过来的参数直接用的话，会报错，提示：
{ “success”: false, “code”: “BAD_REQUEST”, “error”: “Either ‘milliseconds’ or ‘selector’ must be provided, but not both.”, “det ...
10-18 工作流实战：舆情分析助手——爬虫工具firecrawl介绍
✅工作流实战：舆情分析助手——爬虫工具firecrawl介绍
Firecrawl 是一个开源的网页爬取和数据提取工具，专为将网页内容转化为结构化、可编程使用的格式而设计。它结合了现代浏览器自动化（如 Puppeteer 或 Playwright）与大语言模型（LLM）的能力，能够智能地解析网页内容、提取关键信息，并支持将整个网站“爬取+总结”成适合 AI 应用使用的格式。
智能内容提取：Firecrawl 不只是抓取 HTML，还能利用 LLM 理解页面语义，自动识别正文、标题、元数据等，过滤广告、导航栏等噪声内容。
批量爬取与网站地图支持：可以从 sitemap.xml 自动发现页面，或按 URL 列表进行递归爬取，适用于大规模数据采集任务。
输出结构化数据：提取结果通常为 JSON 格式，包含 clean_content（清洗后的正文）、metadata（标题、描述、URL 等）、以及可选的 LLM 总结。
API 优先设计：Firecrawl 提供 RESTful API，便于集成到 AI 应用、RAG（检索增强生成）系统、知识库构建流程中。
开源 & 可 ...
10-17 工作流实战：舆情分析助手——整体流程
✅工作流实战：舆情分析助手——整体流程
我们需要实现一个舆情监控和分析的助手，可以从社交媒体，如微博、小红书等自动爬取帖子，然后分析其中的舆情信息，比如是否有大量的吐槽，或者反馈产品不可用等问题。
主要用到以下技术：
工作流：n8n
网页爬取：firecrawl
舆情分析：LLM
数据持久化：MySQL
数据格式转换：Python/Javascript代码
整个流程如下：
完整流程的json文件：
https://nfturbo-file.oss-cn-hangzhou.aliyuncs.com/llm/%E8%88%86%E6%83%85%E5%88%86%E6%9E%90.json
10-16 Agent、AI Workflow、Agentic Workflow傻傻分不清楚？
✅Agent、AI Workflow、Agentic Workflow傻傻分不清楚？Agent：基于LLM，会用工具、能做记忆，有规划和行动能力的智能体。
AI Workflow：在工作流中引入LLM节点，实现流程编排，流程实现固定的功能。
Agentic Workflow：在工作流中引入Agent，关键步骤由Agent驱动的一个动态工作流。
AI Workflow也可以是Agent，如果一个工作流，他引入了LLM节点，并且提供了记忆的能力，并且还能用上工具，那么他就是一个Agent。所以，工作流也是实现Agent的一种方式。那么同理，Agentic Workflow也是Agent
Agent可以用来构建Agentic Workflow，如果一个工作流中用到了Agent，可以是单Agent或者多Agent，那么，这个工作流就是个Agentic Workflow
Workflow的优势就是确定性高，但是缺点就是对于一些复杂场景，提前构造工作流就比较复杂。而Agent的优势就是灵活性好，但是缺点就是确定性可能没那么高。
但是其实没有好坏之分，有的场景步骤都是固定的， ...
10-15 Spring AI Alibaba Graph的使用
✅Spring AI Alibaba Graph的使用前面我们介绍的都是LangGraph，但是，对于Java开发来说，在Java中如何实现呢？
在Spring AI Alibaba 1.1推出之前，想要实现还是比较复杂的（幸好在写文档的2天前，1.1正式版推出了，要不然…….）。
引用一下官方说明：
Spring AI Alibaba Graph 可以改变您构建智能代理的思维方式。使用 Graph 构建代理时，您将首先把它分解为称为节点（nodes）的离散步骤。然后，描述每个节点的不同决策和转换。最后，通过一个共享的状态（state）将节点连接起来，每个节点都可以读取和写入该状态。在本教程中，我们将指导您完成使用 Spring AI Alibaba Graph 构建客服邮件处理代理的思维过程。
在这个版本中，Spring AI Alibaba 项目从架构上包含如下三层：
Agent Framework，是一个以 ReactAgent 设计理念为核心的 Agent 开发框架，使开发者能够构建具备自动上下文工程和人机交互等核心能力的Agent。
Graph，graph 是一个 ...