在上篇《多智能体协作案例实践（一）：基于AgentScope框架》文章中，Chaiys同学围绕高考信息查询智能助手业务场景，采用AgentScope框架进行多智能体协作的验证。 本文基于同样的业务场景

在之前《几种AI Agent开发框架对比》这篇文章中，我们设计了一个高考信息查询智能助手业务场景，使用几种AI Agent开发框架分别实现进行对比分析，因为文档太长，其中多智能体协作章节就没有详细展开

在之前几篇文章中，Chaiys同学设计了一个高考信息查询智能助手AI Agent业务场景，分别使用手写代码、LangChain框架、QwenAgent框架、AgentScope框架实现了一次，学习了几

书接上文：AI Agent案例实践：三种智能体开发模式详解之一（手写代码） 简要回顾前文中高考查询小助手的业务背景：准备两张表（分别是每年的高考参加人数信息表college_entrance_exam

书接上文：AI Agent案例实践：三种智能体开发模式详解之二（基于LangChain框架） 四、开发实践（基于QwenAgent框架） 前文中，我们使用LangChain框架实现了我们的智能体。下面

笔者结合实际项目落地经验，从信息化视角梳理AI基础技术体系，对应投入成本和落地难度从小到大分别是LLM对话<RAG<AI Agent<Training。

本文基于开源框架Vanna，模拟电商业务表结构，验证NL2SQL实际效果，针对生成SQL错误的情况，深入分析其源码，挖掘其在表结构知识存储与检索机制上的缺陷，通过初步调整效果来说明可以改进的方向。

本文以大模型流式输出为起点，深入对比几种流式传输机制，从轮询机制、WebSocket长连接、SSE再到Streamable HTTP等，从延迟、带宽效率、实现复杂度、浏览器兼容性等维度进行对比分析。

本文深入分析Streamable HTTP协议的技术特性，说明其在大模型LLM+MCP调用场景中的应用实践，并分析该场景中选择Streamable HTTP作为基础通讯协议的优势。