--nothing here--
使用openai-agents-python的 memory 模組來實現記憶功能， 提供以下三種方式來記錄 session 的記憶
全部自動存在 OpenAI 的雲端
from agents import OpenAIConversationsSession
session = OpenAIConversationsSession()
# Optionally resume a previous conversation by passing a conversation ID
# session = OpenAIConversationsSession(conversation_id="conv_123")
result = await Runner.run(
agent,
"Hello",
session=session,
)即時記憶（Working Memory） :「當前對話上下文」，跟 Agent 對話時，它會把最近的訊息放進模型的上下文（context window），一旦上下文超出模型限制（例如 8k、32k、128k tokens），舊的內容就會被丟掉，關閉 Agent 後不會保存
中期記憶（Session Memory）： 在一段使用期間內維持狀態（如連續對話保持人名、任務）
長期記憶（Long-term Memory / Vector DB） : 通常會透過 Embedding + Vector Database（如 Chroma / Milvus / Pinecone）把訊息編成向量（embedding） 存進資料庫，下次對話時，用 RAG 搜尋相關記憶，再提供給模型。
用途：
系統記憶（State / Tools / Files） : 有些 Agent 會把資訊存在JSON 檔、YAML 設定檔、MCP server 的 state、本地資料，養成類 Agent 會存「性格」、「技能」等設定。這比較像「系統狀態」而不是對話記憶。
用途：
採用 uv 取代傳統的 pip、venv、poetry 等工具，用於快速、可靠的 Python 套件管理與虛擬環境建置。
uv 是一個專注於 Python 的超高速工具鏈，集成了：
pip / poetry）venv / 部分 conda 功能）pyenv）uv.lock）
LangChain 是一套 用來建構以 LLM 為核心的應用（chatbot、RAG、Agent、自動化工作流） 的開放原始碼框架／編排層，提供模型介面、prompt 管理、chain/agent 模型、工具（tools）、記憶（memory）、向量資料庫（vectorstores）等標準化元件，讓你把 LLM 串成可重複、可測試、可部署的系統。(LangChain 文檔)
LangChain 本身 不是 AI 模型，而是幫你「用好模型」的框架。 它的主要價值是讓你能：
| 功能 | 說明 |
|---|---|
| 封裝 LLM | 對接各種大語言模型（OpenAI、Anthropic、HuggingFace、本地模型等） |
| 管理 Prompt | 用模板、變數、上下文生成一致的 prompt |
| 串接多步流程 (Chains) | 把「多個模型與步驟」組成完整任務 |
| 整合外部資料 (RAG) | 讓模型可以讀文件、查資料庫、問知識庫 |
| 使用工具 (Tools) | 讓模型能執行實際操作（API 呼叫、運算、控制系統） |
| 記憶 (Memory) | 讓模型記住對話上下文或長期資訊 |
| 決策與行動 (Agents) | 讓模型自己選擇何時用哪個工具完成任務 |
| 觀察與監控 (Tracing) | 追蹤模型每一步的輸入、輸出、成本 |
This repository is a collection of reference implementations for the Model Context Protocol (MCP), as well as references to community built servers and additional resources.
The servers in this repository showcase the versatility and extensibility of MCP, demonstrating how it can be used to give Large Language Models (LLMs) secure, controlled access to tools and data sources. Each MCP server is implemented with either the Typescript MCP SDK or Python MCP SDK.
以下是根據 Flutter 官方文件中「」的說明，整理出的一個典型國際化（locale）實作流程，並以 Markdown 格式呈現，便於閱讀與使用：
在 pubspec.yaml 中加入以下依賴：
dependencies:
flutter:
sdk: flutter
flutter_localizations:
sdk: flutter
intl: ^0.18.0在 Android 14（API level 34）及以上版本中，android.speech.SpeechRecognizer 提供了標準的語音識別能力，允許應用透過底層系統或指定的識別服務，將音訊輸入轉換為文字輸出。其主要功能包括：建立識別器實例、偵測系統是否支援識別、啟動/停止識別會話、取消或銷毀識別器，以及透過回呼介面接收識別結果和錯誤訊息。同時，Android 14 針對主執行緒呼叫、前台服務類型聲明等方面強化了行為約束，需要開發者註意避免 ANR 並正確配置服務類型。此外，API 在內網/雲端辨識、持續辨識及電量消耗等方面有侷限，需要根據應用場景選擇適當的實作方式。以下文件將從功能概覽、核心方法、回呼機制、權限與配置、Android 14 特性與限制五個部分進行介紹。
This is a blog home page demo.
To use this layout, you should set both layout: BlogHome and home: true in the page front matter.
For related configuration docs, please see blog homepage.