霪霖笙箫

写在前面 https://github.com/Fridolph/resume-memory-rag-qa Demo。这一篇解决的是从向量相似走向证据选择。

写在前面 这个系列更到现在，剩下两个我最想认真补的主题：RAG 和 Agent 编排。 但如果只是写理论，其实意义不大。概念解释现在交给 AI 就够了，这篇开始进行实操，把学到的在实际场景用起来

可观测性（Observability）不是锦上添花，是生产级系统的必备能力；这篇是 Multi-Agent 系列的最后一篇，聚焦三件事：日志、链路追踪、决策解释，以及一些生产环境实践经验

系统出错时，最容易犯的错误是"甩锅"——把问题推给用户，让用户自己想办法。好的容错设计应该是：说清楚发生了什么，提供可选的方案，把决策权交给用户。不是系统错误，而是发生了什么、有哪些选择、你来决定。

Agent 之间协作，谁来指挥？谁来编排？出了问题谁来兜底？ 这就是 Multi-Agent 系统设计要回答的问题。 这篇是这个话题的第一篇，聚焦在三件事：架构选择、动态编排、状态管理。

「JS全栈AI Agent学习」八、A2A 协议完全指南：理解 Agent 协作体系，这篇是学习笔记，记录了从零推导 A2A 协议的完整过程。不只是"是什么"，更重要的是"为什么这样设计"。

「JS全栈AI学习」记录 AI 应用开发的完整学习过程，篇数随进度持续更新。之前，都是偏理论，这章开始算是进入实战了，不过现在还在折腾中，既不是最佳实践也不是已部署上线的代码，那就这个系列完了再更实战

AI 工程和软件工程，底层真的是同一套思维。Agent的边界感，和开发者的边界感是一回事。知道什么该自己做，什么该交出去，什么时候该说"这个我不确定，你来决定"——这是靠谱的标志，不是能力不足的表现。

系列导航 篇，标设定与监控，异常处理与恢复。两种模式都可以，但对 Agent 来说，模式B 更友好——因为有外部锚点，完成度可以被量化比对，Agent 知道什么时候该停。