AI学习手札

前面系列地学习过 AI中的一种开发框架 LangChain，今天继续新框架 LanGraph。它超越了LangChain的线性工作流，通过循环支持复杂的任务管理。

前面学习了 什么是 MCP，及其基本使用方式。那么今天就再用一个更接近实际场景。 想象一下你的老板特别喜欢炒股， 那么是不是能做一个简单的 Agent来分析股票行情。

前面学了 MCP,他解决LLM 和物理世界的沟通问题。那么 Agent 之间是怎么通讯的？ 我们前面在学习 MAS 时了解了 多Agent的通信机制。今天再去了解另一种Agent通讯协：A2A。

之前我们知道 LLM 不能单独靠自己和物理世界通讯，所以，有了 Function calling。MCP正是基于 Function calling 的一套标准协议，让 LLM 和 物理世界的沟通更方便

前面学习了 Agent 用法，今天就能用 Agent 做一个简单的AI小项目来练手。 该项目是一个基于FastAPI + LangChain + 阿里LLM构建的国风占卜算命类 AI 聊天机器人。

前面了解了 什么是MAS。那么到底在日常开发中怎么用呢？其实就像 Agent 开发有 Langchain框架一样，MAS 也有成熟的框架。今天就介绍一个叫做 AutoGen 的 MAS 开发框架。

前面学习了 Agent。那么一个 Agent 会是一个万能的智能体吗？ 在处理复杂、多步骤、大规模任务时，单智能体还能得心应手吗？显然是不能的。于是，MAS 多智能体系统 就应运而生。

\前面学习了 什么是Agent？ 以及其最基础的 Function Calling。那么，今天就简单写一个例子。 需求背景 我们经常在 12306 购买火车票，那么我们其实可以自己用 Agent订票

前面学习了 Agent 中的三种常见的设计范式： ReAct Plan and Execute Self-Ask 今天继续探索几个其他的高级范式。正是这些范式让 Agent 能更高效更准确地处理问题。

之前学了 ReAct 和 Plan and Execute 两种 Agent 中的设计范式，那么除了这两种还有别的范式吗？

前面学了 Agent 中的第一个范式 ReAct。今天继续学习另一个比较常用的开发范式：Plan & Execute。

前面讲了 Agent 相关的核心概念和工作架构。那么有哪些核心的设计让 Agent 能顺利且准确地完成任务呢？这次就学几个关键的核心设计来加深对 Agent 的理解。这次主要学习ReAct。

前面学习了 什么是AI Agent，更早也在 Langhcain-Tool 中学习了 Langchain 中怎么使用工具，其中也谈到了Function Calling技术。但是当时并没有细究。

前面我们在学习 Langchain 框架的时候，见过如下的代码。这里的create_agent 就是创建了一个Agent智能体。那么到底什么是 Agent 呢？他和原有的 LLM 有什么区别？

前面学习了 什么是 RAG 评估 以及相关指标。在相关 Demo 中也看到有些指标比较低，那么实际开发中该怎么去提升这些指标呢？ 指标的理想值并非一成不变，需结合业务场景的风险和需求来设定。

前情 本身这篇文章是在学习了 Langchain 基础之后的一篇记录，由于一些原因一直未整理完成。看题目也知道，这个项目是在学习 Langchain 中期的一个实战：用以巩固 Langchain 基础

前面分别讲了 AdvancedRAG 基于检索前和检索中的优化。当然，在检索后也有需要优化的点。 与检索前处理相对应，这是在完成检索后对检索出的相关知识块做必要补充处理的阶段。比如，检索结果重排序。

前言 前面讲了 AdvancedRAG 在检索前的各种优化，那么在检索时能做哪些优化呢？我们知道传统 RAG 采用向量相似度来检索。但是他有怎样的缺陷呢？

前言 书接上文(AdvancedRAG预检索-查询优化(一))，我们继续一起学习 AdvancedRAG 预检索中查询优化最后一种常用的技术手段：Multi-recall（多路召回）。

前言 前面讲的都是基于索引的优化。那么用户的查询就没有问题吗？答案是肯定的。所以 AdvancedRAG 在检索前基于`query`也做了一定优化。今天主讲 问题丰富 和问题拆解。