Java 25 是一个 LTS 版本，它的众多新特性中就数 JEP 506: Scoped Values 能改变我们从前使用 ThreadLocal 时的编程范式。因其重要性，所以单列一篇来专门学习它。Scoped Values, 可用来替代 ThreadLocal 的使用，特别是在虚拟线程当中。

Scoped Values 用于在当前线程或子线程中共享不可变的数据，说到不可变的数据就会想到 JEP 502: Stable Values (Preview). ThreadLocal， 甚至 InheritableThreadLocal 用于子线程中共享数据还是有些挑战性，特别碰到线程池的情况, 而且 ThreadLocal 不在乎数据可变还是不可变的，执行当中谁改了数据，不知道。Scoped Values 的 JEP 说其目的不是用来完全替代 ThreadLocal。

下面来看看 Scoped Values 如何在子线程中共享数据，它还能与虚拟线程的结构化并发配合使用。

ThreadLocal/InteritableThreadLocal 仍然是很多框架用来在线程中(间)共享数据的办法，在 Spring 框架中有大量的使用， 如 XxxContextHolder 之类的。目前的 ThreadLocal 存在一些问题

• ThreadLocal 中的数据是可变的，多数应用场景只要不可变的数据
• 难以管理共享数据的生命周期，特别是在线程池中，线程被重用时，ThreadLocal 中的数据可能会被意外共享或泄露。由使用方主动清除数据，更是会造成潜在的 Bug
• 成本高昂，创建子线程，或线程切换时要对共享数据进行复制，VirtualThread 也是继承自 Thread, 所以虚拟线程也能用 ThreadLocal。 一旦虚拟线程的数量达到成千上万，十百万的级别时，ThreadLocal 数据不停复制的代价就很高了

LangChain 1.0 于 2025 年 10 月 22 日发布，这是一个里程碑式的版本，听说在 0.x 要创建一个 agent 很麻烦， 那时候内部是真正的 链， 1.0 后虽然还叫 LangChain, 实际上内部实现是图(LangGraph), 用 create_agent() 创建 agent. 从数据结构来看，图 比 链表 更能直观的表达 Agent 与模型及工具的交互场景。很庆幸在 LangChain 1.0 之后才开始学习这个框架，不用体验 LangChain 0.x 的痛苦。

大概对 LangChain 的 tools 有些许了解之后，现在跳到 Model Context Protocol(MCP) 协议这一章，本人对 MCP 的初步理解是相对于工具， MCP 是一个远程(跨进程)的工具。为了方便的使用互联网上的各种资源，MCP 在实现一个完备的 Agent 也是一个非常重要的工具。

Model Context Protocol (MCP) 是 Anthropic 推出并开放的协议，用于构建 Agent 与外部资源的交互,下面会与工具对照着学习它. 以前也写过一篇关于 MCP 的文章，今天从不同的角度再次强化对 MCP 的理解。

在 LangChain 中要使用 MCP 需安装 langchain-mcp-adapters 依赖，然后使用它的 MultiServerMCPClient, 它是无状态的。要创建自己的 MCP 服务，使用 FastMCP 库。

学习了 Agent, Models 之后直接跳到 Short Term Memory 节，短期记忆能让我们更好的理解与模型的交互, 为什么与机器人越聊到最后它可能就 偏离主题，智商降低了。前面所用的手动拼接整个会话历史和使用 InMemorySaver 就是模型的短期记忆，如果会话历史过长，超过上下文件大小， 导致上下文丢失或错误，这就需要对会话进行压缩，压缩做了些什么事情呢，这就是本文要学习的内容。

之前写过一篇 LangChain - 关于会话记忆, 也是关于短期记忆的，这里重新阅读官方的文档，也是加以巩固。

模型是没有记忆的，所有你和模型说过的话你都必须记住，记忆就是让 Agent 记住你与模型的会话历史，短期记忆特指单一会话的历史。短期记忆与长期记忆这两 个概念总会让人有所迷惑的，简单的可以这么理解，比如使用 ChatGPT 时

1. 在同一个 Chat 中的对话就是短期记忆，即便你一年后再回到那个没有删的 Chat 中接着聊，也是短期记忆
2. 而长期记忆是跨会话的，比如在某个 Chat 中说过喜欢猪头饭，再点 New chat 打开一个新的 Chat，问今天吃什么，模型直接建议吃猪头饭，这就是长期记忆

还是那句话，大语言模型是没有记忆的, 和大语言模型对话就像和一个失忆症的人对话, 每次问话都必需把之前的对话复述一遍, 过程相当于:

学习了一段时间 LangChain，了解到用 create_agent() 创建的 Agent 的用法，以及底层 init_chat_model() 与模型的交互，决定以古法的方式 亲自创建一个 AI Agent, 要实现的功能是把原来用 Apache Airflow 做的一个从猫收留网站上查看有没有新进入收容所的猫，有则发邮件通知。换成 AI Agent 的话，功能列表是

1. 使用 AWS Bedrock 上的一个 Claude 模型
2. 用 Telegram 创建一个 Bot, 配置好 Bot Token 与 Chat ID
3. 工具方面，提供读文件，写文件，和更新文件的函数，web_fetch, 还有向 Telegram 发送消息的函数
4. AI Agent 从一个特定的网页上收集猫的信息，借助文件判定是否是新的
5. 发现新的猫，向 Telegram Bot 发送通知, 每只新猫一个消息，消息包含猫的基本信息，图片与链接

在上一篇 LangChain 核心组件之 Agent 有介绍到模型。模型其实是一个很粗泛的概念，放到任何领域都有立身之地， 比如各种建模，经济增长模型，Covid 感染模型等。但来到 AI 时代，会不会只要有人一开口说模型便默认为大语言模型(LLM)呢？而如今的 LLM 模型又基本就是 Transformer 模型，所谓的模型开源只是开放了一堆的 Token 的权重值，不同源软件开源，拿过来能随意定制使用。

大语言模型更像是人类知识的压缩包，可用它生成多种形式的内容，比如文本、图像、音频等。模型在生成内容的过程中，还支持下面几种形式的交互

1. 工具调用：可以引导模型通知 Agent 调用工具，如计算，互联网搜索，API 调用等
2. 结构化输出：模型本身就支持按照约定的规则格式化输出内容
3. 多模态：不仅能生成文本，还能生成图像、音视频等
4. 推理：模型可以进行推理，如数学计算、逻辑推理等，就是经常看到的 Thinking 的过程

最初在 Llama3 刚发布的年代，在使用 MCP 时还要查哪个模型支不支持工具使用，现在基本上以上特性是模型的标配了。现在几大商业模型就是 OpenAI 的 GPT， Anthropic 的 Claude，Google 的 Gemini, Musk 的 Grok 在下一梯队。国外的模型选择很清晰，反而中国的大语言模型众多， 仿佛不出个自己的大语言模型就像个互联网公司。

经过了一番 LangChain 的学习之后，我们开始跟随 LangChain 的官方文档系统性的学习。首先是它的核心组件，包括 Agents, Models, Messages, Tools, Short-term memory, Streaming, 和 Structured output. 现在从 Agents 开始。

创建 Agent

create_agent 是可用于正式产品中创建 Agent 的函数， 它返回的是一个 langgraph.graph.state.CompiledStateGraph 对象，而非一个 XxxAgent 样的东西。所以它创建的是一个状态图，图吗，就有顶点和边，Agent 就是这个图中移动，比如在 Model 和 Tools 之间往复, 或在中间加入的互动的(Human-in-the-loop).

LangGraph 把与模型，工具，以及人的交互做成一个图还是很表意的，下面是来源于官方文档的表示 Agent 的状态图。

Java 24 也是一个过渡版本, 还是到下面两个链接中找相应的更新

1. JDK 24 Release Notes - Major New Functionality
2. OpenJDK JDK 24 Features

IntelliJ IDEA 对 Java 24 Language level 描述是

1. 24 - No new language features
2. 24 (Preview) - Flexible constructor bodies, simple source files, etc.

把上面第二个链接中的特性列出来

Java 24 中列出的特性恰如其版本一样，有 24 条，因其是一个过渡版本，多数为非正式特性，也就为什么 IntelliJ IDEA 从语言特性上把 Java 标记为 No new language features. 其实也不然，个人觉得有两个正式特性值得关注，即 Class-File API 和 Stream Gathers。

所谓大语言模型的记忆功能，就是要在说当前这句话的时候让 LLM 知道整个对话的上下文。比如说与人对话

1. A: 给我讲个笑话
2. B: 有一天，有人问你：“你喜欢什么？”, 你回答：“我喜欢一切……只要不叫‘考试’。” 😄 够快，够短，有没有让你会心一笑？
3. A: 再来一个
4. B: 问：海里面最怕什么？ 答：脱水。

#3 当 A 问 "再来一个" 时候，B 因为有基于前面对话的上下文，所以能理解 "再来一个" 来一个笑话，而不是一个妞什么的，也记得曾经讲过一个笑话，而不 至于重复之前的笑话。如果突然有一天 A 对 B 突兀的说 "再来一个"，B 就会有些傻眼了，AI 在没有上下文的情况也是一样。

不过人与人之间对话的上下文是互相的，两方的共同记忆，双方都是建立在你知道我问了什么，你自己回复了什么的基础之上的。而于大语言模型的对话时， 大语言模型是没有记忆的，就好像和一个失忆的人对话一样，记忆责任全在一方，你和 LLM 每一次对话时都要不停的唠叨：

我曾经问了这个，你回复过那个，问过这个，你回复过那个......，我现在问一个问题，请基于我们的会话历史作出回答

和机器对话就是这么傻傻的，当对话历史过大的时候因为上下文大小限制的原因，就必须压缩总结之前的对话内容，压缩后总会失真，这就是为什么大语言模型会 不断降智的一个原因。

前段时间 OpenClaw 确实很火，尤其是在中国，它在 2025 年 11 月上线后，最初名字是 Clawbot, 中间更名为 Molbot, 最后定名为 OpenClaw. 我在它 真正火热当中并没有产生多大兴趣去跟风，只最近一个月想看看它到底是个什么东西。弄了个虚拟机装上后，就是可以连接各个大模型， 打通与国外流行的即时通讯 软件，能自动化的就是它的 Cron Jobs.

界面上功能不少，最后发现真正有用的就是那个 Cron Jobs, 比如自己设置了一个每日两次的定时任务，实现的是从监控一个猫收容网上的列表，当发现有新的猫 就发送到指定的 Telegram Bot 上，描述很简单，但 Agent 确实很聪明，不用告诉它细节，它自己知道怎么本地文件来辅助判断是否为新猫。聪明的另一个原因是 OpenClaw 蹭了我 $20 Claude 会员的光。但到 4 月 4 日，Claude 订阅会员不让绑定到 OpenClaw 之后，试用了 Google 免费的 API Key 不怎么理想。

也不想再多折腾，如果只是要一个 Cron Job 的话可以自己用 LangChain 实现一个。听说 OpenClaw 十分耗 Token, 于是对它的提示词有点好奇。 本文将查看一下一个新鲜的 OpenClaw 的提示词长什么样子。

于是又新装了一个 OpenClaw v2026.4.9 版本，使用本地的 Ollama 模型，由于未能成功设置 OpenClaw 使用代理来访问 Ollama API， 于是在 Ollama service 前端放了一个反向代理，该反向代理也是临时用 Vibe Coding 搓出来的。让 OpenClaw 使用通过反向代理 http://localhost:9091 来访问实际的 Ollama http://localhost:11434, 并在反向代理中记录下对 Ollama API 完整的请求与响应数据，使用什么模型都无所谓。

上一篇 LangChain 1.2 入门学习 中使用了特定的 ChatOllama/ChatGoogleGenerativeAI, 或统一的 init_chat_model 方式创建一个与 LLM 的交互程序，并以此基础实现了一个简单的 AI Agent, 工具调用是根据响应中消息格式手工调用的， 会话处理是自己拼接全部对话历史。现在知名的 LLM 都支持推理，所以顺代也用灰色字体显示了 'thinking' 的文本内容。

本文直接学习官方 Quickstart 中的一个 AI Agent, 该 Agent 实现了以下功能

1. 有了上下文，会记忆会话历史
2. 支持调用多个工具
3. 提供结构化一致性的响应数据格式
4. 能通过上下文处理用户特定的信息
5. 跨交互维护会话状态