从预算、工具权限、会话恢复到发布验证，拆解 LangChain 智能体的治理控制点，并用离线预算实验检验允许与拒绝两类请求。

前言 单轮 RAG 只能回答「一跳就能查到答案」的问题，但现实中很多问题是链式的：需要先知道 A，才能查到 B，再根据 B 推出 C。直接把原始问题向量化检索，往往因为语义偏移命中不了正确答案。 本文

言 基础版 RAG 有个很明显的浪费：不管什么问题都先走一遍向量检索。其实很多简单问题、常识问题，大模型本身就能准确回答，根本不需要查知识库，白白浪费了检索的时间和算力。 本文是系列第三篇，我们给 R

前言 有了向量知识库，下一步就是搭建真正的 RAG 问答系统。很多人一开始会写一堆零散的函数调用，但流程一复杂就难以维护。LangGraph 提供了基于状态机的工作流编排方式，让 RAG 的每一步都清

本系列共四篇，从零到一完成从向量知识库搭建到多跳推理 RAG 的完整演进： 前置篇：Milvus 向量知识库搭建，《天龙八部》EPUB 一键入库 入门篇：LangGraph 基础单轮 RAG，检索→生

在  Amazon Bedrock AgentCore Runtime  中，每个会话都运行在独立的执行环境中，拥有各自的 CPU、内存和磁盘。最简单的 LangGraph Agent 通常将对话历史

围绕DeepAgents，详细讲解虚拟文件系统、有序权限规则、项目记忆与用户偏好的分类存储，以及长对话中的滚动摘要、状态传递和历史归档。

强模型当执行者（Executor）时，框架的很多设计是感觉不到的——它自己会读任务、会用工具、会看结果、会如实汇报失败。换成在本机跑的 7B 量化模型后，这些「免费的能力」全部开始收费。这篇记录我们一

围绕LangChain Agent Middleware，详细讲解生命周期钩子、自定义状态、模型请求改写、流程短路、工具注入、工具结果包装与Command状态更新

总体设计遵循九项约束：单一事实来源、默认拒绝、检索前权限过滤、异步任务可恢复、Agent 循环有界、答案必须有证据、记忆不绕过权限、模块边界清晰，以及能复用 v0.1 已经验证过的方案就复用。

从知识库切块、向量化和Milvus检索出发，用LangGraph编排检索与生成节点，并接入LangSmith追踪调用、耗时和异常，完整拆解一个可观测RAG客服的实现与排错思路。

以一个从零构建的 Java Agent 项目 JavaManus 为线索，深入拆解 ReAct 循环、工具调用编排、记忆管理

基于固定客服问答集，使用LangSmith Dataset和OpenEvals构建三类评估器，分别衡量检索相关性、回答忠实度与帮助性，并通过实验结果定位RAG的检索和生成问题。

前言 今天介绍一下LangChain怎么玩。本人学AI Agent不超过两周，如有错误，欢迎批评指正。了解我的人都知道，最近三年，本人都在打磨产品，没有涉足AI领域。最近才开始杀入AI领域的开发。除了

前言 做 Agent 开发的同学大概率都有过这种经历： 单 Agent 把所有工具说明、业务 Prompt 全塞进 System Prompt，上下文越来越臃肿，Token 消耗飞涨，还容易被无关信息

RAG检索总被“复读机式”结果拖累？Top-K只找相似，不管重复，导致上下文冗余、回答片面。MMR算法通过平衡相关性与多样性，剔除同质内容，让上下文信息价值最大化。一个λ参数即可落地，低成本高收益。

从 0 到 1 搭建企业级多模态 RAG 知识库：一个装修公司的 AI 落地实战 一、为什么企业知识库是 AI 时代绕不开的"基建" 先看一个具体的场景。 这家装修公司全省有 300 多人的销售团队，

中间件在 Agent 图固定时机执行，通过注入工具、提示词或拦截调用加能力；分四类，可用 middleware 或 deepagent 参数挂载，部分需后端。

从生命周期钩子出发，讲清模型调用拦截、状态统计、动态工具注入、Command更新，以及DeepAgents虚拟文件系统与权限控制