7. 自动化深度研究智能体系统 7.1 TODO 驱动的研究范式 核心思想：将复杂研究主题分解为可执行的子任务，通过"规划→执行→整合"流程完成。 三阶段流程： 规划阶段：将研究主 […]

6. MCP 协议 6.1 MCP 协议核心概念 MCP（Model Context Protocol）：由 Anthropic 提出的标准化协议，用于智能体与外部工具/资源的通信。 6.1.1 设计 […]

6. 检索优化 6.1 混合检索 混合检索（Hybrid Search）：结合稀疏向量和密集向量的优势，同时利用关键词精确匹配和语义理解能力，提升检索准确性和召回率。 稀疏向量 vs 密集向量 稀疏向 […]

5. 索引构建 5.1 向量嵌入 向量嵌入（Embedding）：将复杂数据对象（文本、图像等）转换为低维稠密数值向量的技术。核心原则是语义相似的对象在向量空间中距离更近，常用余弦相似度、点积、欧氏距 […]

5. 上下文工程 5.1 核心认知：从 Prompt 到 Context 提示工程 vs 上下文工程 提示工程：关注“怎么写好一段指令”。 上下文工程：关注“这一次调用前，窗口里应该装哪些 token […]

4. 记忆与检索 4.1 为什么需要记忆与 RAG LLM 的两大局限： 无状态导致对话遗忘：每次请求都是独立的，无法记住之前的对话内容 内置知识局限性：训练数据有时间截止点，无法获取最新信息，专业领 […]

2. 构建 Agent 框架 2.1 框架设计理念 核心原则：分层解耦、职责单一、接口统一 设计理念： 轻量级与教学友好：极简依赖，代码清晰可读 基于标准 API：基于 OpenAI API 标准，兼 […]

3. 数据加载 当前主流 RAG 文档加载器： 工具名称 特点 适用场景 性能表现 PyMuPDF4LLM PDF → Markdown 转换，OCR + 表格识别 科研文献、技术手册 开源免费，GP […]

1. Agent 三种经典范式：ReAct / Plan-and-Solve / Reflection 1.1 ReAct（Reasoning and Acting） 核心思想：推理 + 行动交替进行 […]

1. RAG 简介 1.1 RAG 定义 RAG：检索增强生成 的缩写。它是一种将 信息检索 与 大语言模型 相结合的人工智能框架。简单来说，它的工作原理是：「先查找，再回答」。 当用户提出一个问题时 […]