Ghr Blog

遇到了好几次需要使用cron来做定时任务，但是长长的定时设置总是用完就忘，总是用一次忘一次。今天就来记录一下cron的语法。

之前专门研究过给console函数的输出设置样式，但是刚才想用的时候又想不起来具体格式了，干脆给console写个专门的文章。因太过基础，仅做简单记录，不贴图了，部分伪代码可自行在控制台查看效果。

本系列到这里就要暂时告一段落了。但这不是结束，而是下一个系列的开始。

下一个系列，将基于本系列，对 Agent 进行打磨，将这个 Agent 打造为个人专属超级工作台。

我们的 Agent 框架已经具备了工具调用和多 Agent 编排能力，但它有一个短板：Agent 的能力完全确定于大模型本身。如果你想让大模型和你的实际场景更契合，比如让他回答你关于项目内部文档、业务规则、API 变更记录等问题，Agent 完全无法胜任。

所以本小节引入了RAG（Retrieval-Augmented Generation）的概念，不把所有知识塞进 prompt，而是让 Agent 在需要时自己去查。

在前面的章节中，我们已经介绍了如何构建一个基本的Agent，并且通过工具调用和钩子系统来增强它的功能。在这一节，我们将进一步扩展Agent的能力，引入子智能体（Sub-Agent）的概念，让我们的Agent能够在需要的时候调用其他智能体来完成特定的任务。

这一节，我们来给Agent增加一个钩子（Hook）功能，来让我们在Agent的不同阶段执行一些自定义的逻辑。

上一节中，我们给模型增加了工具调用的能力，让模型能够动嘴又动手。但目前为止，模型还是被动地等待用户输入指令来调用工具。本节我们通过一个猜数字的例子，来演示如何让模型实现自主循环，根据工具的结果决定下一步的行动。

上一节我们通过不同的系统提示词，感受了提示词对模型行为的巨大影响，但到目前为止，模型还只停留在动嘴的阶段。这节我们来给模型则增加工具调用的能力，让模型能够动嘴又动手。

上一节我们已经可以和大模型进行连续对话了，这节我们通过简单的例子来演示一下提示词管理的能力，直观的感受下相同的一个问题，不同的提示词，Agent 的“性格”和“能力”将会彻底不同。。

上节内容我们已经成功的与DeepSeek模型进行了一次对话，但是这次对话非常简单，而且是一次性的，所以本节我们来增加上下文管理的能力，让模型能够记住之前的对话内容，从而进行连续对话。