ruru_15

为了清晰地展示MCP带来的改变，我们分别看无MCP和有MCP两种情况下，这两个场景的工作流程。 场景：企业知识库 无MCP时的工作流程 在没有MCP时，每个AI应用都需要独立完成知识库的接入工作。 问

在上一篇文章中，学习了Function Calling——它让大模型能够调用外部函数，连接真实世界。通过Function Calling，大模型可以调用计算器做精确运算、调用地图API查询地点、调

核心概念 本质：Function Calling是大模型连接外部世界的“通道”。它让大模型能调用外部函数/API，从而获取实时信息、执行精确计算或操作本地系统。

在 RAG（检索增强生成）系统中，输出解析器（Output Parser） 的主要职责是对 LLM（大语言模型）生成的原始文本进行格式化和后处理，使其变成下游任务能够直接使用的结构化数据。 简单来说，

注：以下内容来源于网络，用来学习 2026年AI行业招人标准已经变了，这三个能力是必不可少的。很多人还不知道，现在企业招AI工程师，根本不是招只会调用模型的人，而是招能把模型变成系统的人。如果你只会调

1. LangChain / LangGraph 核心优势：生态最丰富，几乎能与所有模型和工具集成；高度灵活，LangGraph支持复杂的循环和图状智能体流程。 主要局限：学习曲线陡峭；版本更新快，偶

一、 RAG 效果评估的必要性 评估出 RAG 对大模型能力改善的程度 RAG 优化过程中，通过评估可以知道改善的方向和参数调整的程度 二、 RAG 评估方法 1.人工评估 最基础的方式是进行人工评估

1 文档加载准确性和效率 优化文档读取器 一般知识库中的文档格式都不尽相同，包括HTML、PDF、MarkDown、TXT、CSV等。每种格式文档都有其独有的数据组织方式。核心优化方向是：在读取这些数

AI初认识（RAG 之 本地向量库与向量持久化） 其流程如下： 其具体知识后续 若能看懂，再继续更新。