RAG检索存在一个巨大的缺陷：无法联想。如何弥补这个问题呢？答案就是知识图谱！利用图数据库的强大关联能力！

在涉及到复杂长任务的适合，我们需要让Agent的记忆具备重要度评分、前因后果梳理、下一步指示等元素，

目前各种Agent都有自己的记忆手段和策略，但通通无法避开两个最重要的场景：提取与压缩！这是记忆的重中之重！

新技术从来不是凭空产生的，技术是阶段性进步的，所有新奇的概念和思路都是迭代的产物。——春哥说的，春哥就是我

持久化是“人工干预”的基础，但是持久化的价值并不只在于人工干预。可以说这两点都是AI进入生产环节必须的能力。

LangGraph 最核心的突破就是它是支持环的有向图，相比于LangChain古早的链式版本极大的增强了灵活性。

AI Agent框架的诞生，本质上是LLM从“聪明聊天机器人”进化到“可靠自主代理”的过程。 在其发展过程中，有一个框架是无论如何也绕不开的，那就是 LangChain。

大语言模型（LLM）本质上是无状态（stateless）的： 你每次调用它的聊天，它都只看当前Prompt，完全不记得上一次说了什么，无一例外！

在经过了长达5节课的理论学习，工具准备，数据准备之后，我们的RAG终于可以实现它的效果了！！！！！！