春哥的AI Agent通关秘籍

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

还在跟风养龙虾🦞？直接扒开龙虾的源码外衣，进行一个学习拆解！ 为什么说龙虾🦞OpenClaw的通信架构值得深入学习？

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！！！！！！

这节课的目标是：利用工具，生成句向量，并且存起来。这样就完成了RAG存储的所有工作，万事俱备了...

我创建了一版《不正经有限公司 正经管理办法》，里面全是稀奇古怪的公司条例，将用它来验证我们的RAG，第一步是切片！

计算知识库向量的模型，和后续取问题向量的模型，必须是同一个版本的同一个模型，而且这种模型不是 deepseek v3 这种【词向量】模型，而是【句向量】

本章，我们将梳理RAG的结构设计，以及梳理出如何一步步构建一个RAG系统。梳理清楚后就可以正式开始构建。

本章我们将浅显地了解一下 `LLM` 大语言模型中几个关键术语，区分清楚【向量】，【词向量】，【句向量】这几个词的基本概念和差异。

今天我们直接开始实战。目标：做一个可以自动归类文件的AI助手。这绝对比你想象的要更加容易简单，让我们开动吧。

都2026年了，还有人在说 AI 不会算数？ 那他的知识结构已经落伍了！这篇文章要介绍一下什么是思维范式！

LLM 问世之后，很长一段时间，人们发现了很多用例可以证明：AI不行啊，不是人工智能，而是人工智障。

目标：实现记账能力的AI助理，并且能反馈相关情绪。这一章会有大段大段代码块，提前告知下，主要是解释demo的撰写思路，不讲解新知识。

Agent 开发的第一定律：必须强迫 AI 输出结构化数据（JSON）。这一课，我们将学习如何规范化AI输出，让它乖乖吐出我们想要的格式。