把探索写下来。

质量门禁与评测闭环

用入库、效果、性能三类门禁和线上错例回流，建立 RAG 系统持续评测与发布验收闭环。

A2A 协议：让多个 Agent 像同事一样协作

从 Function Call → MCP → Agent → A2A 的四层技术演进讲起，拆解 AgentCard、Task、Artifact、TaskState 等核心概念，并跑通串行编排与多意图并行两条实战链路。

缓存、知识库版本与数据隔离

设计两级缓存、版本状态机与租户隔离，避免重复计算、旧数据污染和跨域检索。

主链路编排与答案置信度

拆分 API、QAService 与 Pipeline 的职责，并通过置信度、引用和降级策略控制错误答案风险。

Agent 智能体：从工具调用到多智能体协作的五种模式

用一个“筹备生日派对”的例子讲清 Agent 与普通 LLM 的差别，梳理 Agentic 的能力梯度，并逐一拆解工具使用、ReAct、反思、规划、多智能体五种模式。

Milvus 混合检索与重排

组合 Dense、Sparse 与 CrossEncoder，兼顾语义召回、精确匹配和候选结果精排。

意图识别与检索策略

使用规则候选、分类模型与网关仲裁，把用户问题转换为可解释、可治理的检索计划。

MCP 协议：给大模型的工具装一个「Type-C 接口」

从“每接一个接口都要手写一份描述”的接口混乱讲起，理清 MCP 的 Host / Client / Server 三层架构与调用流程，并对比 stdio、SSE、Streamable HTTP 三种传输方式。

知识入库与增量指纹

通过数据契约、两级切分、内容指纹与质量门禁，构建可增量更新的企业知识入库链路。

RAG 环境搭建：六个容器与启动预热

说明 FastAPI、MySQL、Redis、Milvus、etcd 与 MinIO 的职责，以及服务启动时需要完成的预热校验。

Function Call：让大模型学会调用外部工具

从“客服查快递”讲清 Function Call 的工作机制，再用文本小工具示例对比 JSON Schema、@tool 装饰器与 Pydantic 三种工具定义方式。

企业级 RAG 平台架构：一次提问背后的完整链路

从数据契约到评测门禁，梳理企业内部知识问答系统一次提问背后的完整工程链路。

RAG 效果评估与调优

从检索侧到生成侧的评估指标与调优路径，用数据驱动 RAG 系统的持续改进。

RAG 在线链路

Dense + Sparse 混合检索、Reranker 精排与流式生成，覆盖 RAG 在线链路的完整实战。

RAG 离线链路

从文档加载、分块到向量入库，拆解 RAG 离线链路的每一步工程实现与常见踩坑。

Tools、create_agent 与 Middleware

介绍 LangChain v1.0 的工具定义、create_agent 创建流程与 Middleware 扩展机制。

文档处理与对话历史

从文档加载、文本切分、向量存储到对话历史，串起 RAG 数据处理与多轮上下文的基础组件。

RAG 核心抽象层：Messages、Prompt、Parser

梳理 LangChain 中 Messages、Prompt 与 Parser 三类核心抽象，并通过完整链路理解它们如何协作。

基础接口层

理解 LangChain Runnable 统一接口，以及同步、异步、流式、批量、重试与回退等核心调用方式。