RAG标签_AI Agent技术社区

RAG

多智能体系统迁移时如何保持旧链路可用

在 AI Agent 系统的工程落地中，基础设施的规范化同样关乎系统的稳定性。依赖编译切换：保持原有架构，先通过替代pip freeze实现依赖锁定。配置统一收敛：将依赖项统一整理至符合 PEP 621 标准的中。容器镜像优化：采用uv结合 Multi-stage Dockerfile 优化构建流，控制镜像体积。落实依赖隔离与可重复构建，有助于保障 Agent 系统在集群环境中的稳定部署与运行。

baronbool
2026-08-27 17:09:31

 2438

 1

#AI #人工智能 #后端 +2
多智能体协作先把控制边界写清

在构建 AI Agent 架构与多 Agent 协作系统的过程中，许多团队容易照搬网络上炫酷但缺乏工程落地的“反模式做法”：例如让 Agent 自主无限期递归创建子 Agent、将整个系统日志全量丢入 Prompt 让 LLM 寻找 Bug，或者试图让多 Agent 之间完全基于自然语言自由协商而放弃有限状态机（FSM）控制。这些看似聪明的做法在实际生产环境中极其危险。工程落地必须遵循的准则，避开

 baronbool
2026-08-27 16:23:31

 2646

 3

#AI #人工智能 #后端 +2
程序员必看！从零构建你的第一个AI Agent：超详细入门教程（建议收藏）

本文是一份面向普通人的AI Agent全面入门指南，从基本工作原理和核心循环讲起，介绍五种工作流模式、搭建方法、工具使用策略、记忆系统设计及多Agent架构。文章强调从简单开始，逐步增加复杂度，并提供Anthropic和OpenAI两条入门路线，帮助读者快速构建出真正有用的AI Agent。

上马定江山
2026-04-08 13:47:22

 571

 9

#人工智能 #AI #RAG
通义DeepResearch无需分块的原因：RAG在AI Agent领域的新变革

先从一个面试场景开始，尤其是简历上写了 DeepResearch 项目的同学，很可能被这么问：面试官：通义新出的那个 DeepResearch 有了解吗答：DeepResearch 是阿里搞的一个 Agentic LLM 框架。它通过合成数据增量预训练 + 多阶段后训练，让模型在做复杂研究任务时的多步推理和工具调用能力变得超级强。

上马定江山
2025-11-04 14:59:52

 1127

 14

#人工智能 #语言模型 #RAG
AI Agent 架构设计与多 Agent 协作系统搭建：升级前先做这几项确认

在大型系统或复杂工作流场景中，当对 LangChain 或 OpenAI 等大模型 SDK 进行版本升级时，若直接在生产环境中执行无锁死的升级命令，可能引入严重的包版本依赖冲突。例如模块更名废弃旧版类路径，或pydanticV1/V2 签名冲突，会导致 Agent 运行服务在重启时触发或。此类故障发生后，由于缺少严格的lockfile依赖隔离与编译补丁机制，即使执行代码回滚，也可能因宿主环境中的

 baronbool
2026-08-24 17:49:55

 2651

 1

#AI #人工智能 #后端 +2
AI Agent 架构设计与多 Agent 协作系统搭建：工具选型别只比较参数

在大型系统或复杂工作流场景中，当多 Agent 协作系统面对高并发场景与复杂代码审查任务时，经常面临吞吐量骤降与协作链条死锁的瓶颈。例如在 50 个并发 Session 下，多个 Agent 协同完成代码审查与自动化补丁生成时，如果控制流设计缺乏确定性约束，系统吞吐量可能在短时间内下跌，CPU 占用居高不下，而下游 LLM API 调用量却降到了零。

baronbool
2026-08-24 17:05:04

 2986

 8

#AI #人工智能 #后端 +2
企业 AI agent 不是模型不行,是后面那一坨文档不行

Garbage in, garbage out” 这条 AI 时代的金科玉律,跟数据仓库时代一模一样。

LaoNongAPI
2026-08-24 11:45:07

 357

 6

#人工智能 #RAG #MCP
人工智能智能体架构设计与多智能体协作系统搭建的安全检查

在大型系统或复杂工作流场景中，当设计与搭建 AI Agent 及多 Agent 协作系统时，往往面临 Python 软件供应链风险与运行期 Prompt 注入攻击的双重安全威胁。例如在开发者引入三方依赖包时，若误装了拼写抢注（Typo-squatting）的恶意库，可能会导致.env配置文件中的 API 密钥被泄漏。

baronbool
2026-08-22 18:39:45

 2123

#AI #人工智能 #后端 +2
【AI Agent面试题】检索 rerank 为什么重要，怎么做？

面试里这道题常被问：既然向量检索已经能召回，为什么还要 rerank？它到底解决什么、又是怎么做的？核心答案就一句：用"召回 + 精排"两阶段，把粗筛的量和精排的准分开做。

人工智能小豪
2026-08-19 10:06:50

 228

 4

#人工智能 #前端 #java +1
2026年前端开发工程师转型AI Agent开发工程师全指南

本文将基于我自身的求职与转型经历，深度剖析前端工程师转型AI Agent开发的必要性、可行性及完整路径，通过对比技术栈、分析核心优势、构建知识图谱，为处于职业焦虑中的前端开发者提供一份清晰的“逃生”与“进阶”地图。

AI_小站
2026-08-17 13:39:56

 236

 4

#人工智能 #java #深度学习 +1
项目实训开发日志（六）：BabyMind：基于多Agent和RAAG的科学育儿辅助平台

摘要：BabyMind项目第六周聚焦系统可用性提升，主要完成语音交互功能（ASR/TTS服务接入、端到端语音问答接口）和RAG知识库优化（补充848条育儿知识，解决嵌入维度不一致问题）。新增营养Agent过敏原自动识别功能，完善Android端语音交互界面，并通过测试验证模块稳定性。遇到并解决了模拟器录音质量差、知识库检索错误、响应延迟等问题。系统现已实现语音输入到语音播报的完整闭环，知识库覆盖健

 Attachment20
2026-04-27 20:19:05

 46

#AI #RAG #kotlin +1
ReAct到Multi-Agent Planner：五大Agent设计范式

Multi-Agent Planner靠多Agent分工协作处理复杂任务，效率高但架构较复杂。Self-Reflection通过自我修正提升输出可靠性，不过耗时略增;AgenticRAG比传统RAG更主动，擅长知识召回与更新;CodeAct用代码执行任务，精准性高但对环境要求严;ReAct靠“思考+行动”结合工具完成任务，推理清晰但需控制步骤;总结一下这5种常见的AIAgent设计模式:适用于任务

 深度学习算法工程师
2026-04-13 16:56:20

 159

 4

#RAG
知识库 / Agent 项目上线后，Token 成本为什么会慢慢失控？

很多知识库、RAG、办公 Agent 项目在演示阶段都跑得很顺，但真正上线后，Token 成本往往不是突然爆掉，而是随着知识规模、上下文长度、使用人数和任务链路复杂度的增长慢慢失控。问题不在于"问了多少次"，而在于每次调用背后的检索、拼接、生成和工具调用越来越重。本文拆解这类项目最常见的成本放大机制。

Metask_AI
2026-04-10 08:30:00

 559

 19

#RAG
Agent中篇 | 揭秘agent智能体如何思考、决策，并自主执行任务

在了解了LLM智能体的基本概念后，本篇我们将深入剖析其内部核心机制，其核心机制主要包括记忆（Memory）、工具（Tools）和规划（Planning）三大关键组件，本篇将详细解释前两大关键组件，它们如何协同工作完成任务。

Python老猿
2026-03-12 11:21:01

 245

 5

#数据库 #人工智能 #自然语言处理 +1
通用Agentic RAG智能知识系统

AI应用层迎来爆发期：2026年最大机会在Agent智能体与RAG技术摘要：随着AI应用层爆发式增长，大模型应用开发人才极度稀缺。数据显示，超60%企业推进AI落地，相关岗位暴增69%，平均月薪达7.8万。RAG技术、Agent智能体和模型微调成为三大核心能力：RAG为模型注入精准知识，Agent实现自主任务处理，微调优化特定场景表现。目前腾讯、字节等大厂加速布局，但具备实战能力的人才缺口巨大。

我算是程序猿
2026-06-15 21:16:18

 48

#人工智能 #产品经理 #AI +1
项目实训开发日志（五）：BabyMind：基于多Agent和RAAG的科学育儿辅助平台

本周团队围绕BabyMind项目的智能问答核心能力展开重点开发，主要取得以下进展：1. 构建统一问答入口，实现问题智能分流与多Agent路由机制（健康/时间轴/营养三类）；2. 完成RAG知识库基础建设，接入向量数据库并实现语义检索流程，确保回答有据可依；3. 建立问答结果与业务模块的联动机制，健康记录可触发疫苗计划调整并同步至成长时间轴；4. 完善Android端交互链路，支持多轮对话上下文保持

 Attachment20
2026-04-18 21:26:04

 217

 6

#RAG #kotlin #AI +1
打造生产级LLM Agent：揭秘 Provider-Neutral Harness 工程的最佳实践与开源方案

摘要：开源项目 agents-best-practices 提供了一套 provider-neutral 的框架，帮助开发者构建可靠、安全的 LLM 智能体（agents）。通过分析数百个失败案例，项目提出 Agent Harness 概念——作为 LLM 的运行时治理层，确保 actions 的验证、授权、执行和日志记录。核心原则包括职责分离（Model 提出建议，Harness 执行）、强制

 我算是程序猿
2026-06-23 17:15:11

 382

 5

#人工智能 #AI #RAG
RAG 实战教程：从零构建企业智能问答 Agent

RAG 实战教程：从零构建企业智能问答 Agent

NPE~
2026-07-29 21:38:43

 240

 5

#RAG #AI #python
Agent开发框架，现在终于有人讲明白了！

让 AI 记住、会查、能规划、能做事。理解这个，你就不会被十几种框架绕晕。下面整理了最常见的Agent框架和选择攻略，新手、中手、高手都能对号入座～

瓦罗兰特顶级C位
2026-03-20 10:46:47

 203

 5

#人工智能 #自然语言处理 #产品经理 +1
RAG Agentic实战教程：从0到1无缝融合本地知识与实时网络信息

在智能体RAG中，智能体人工智能的决策能力与检索增强生成（RAG）的适应性相结合。它们共同构成了一个能够独立访问、推理和生成相关信息的系统。

人工智能小豪
2026-03-23 10:06:21

 329

 8

#知识图谱 #人工智能 #java +1
RAG升级Agent：解锁智能问答系统的新玩法，实现复杂任务秒级搞定！

企业知识问答系统从RAG到Agent化的升级路径本文系统分析了企业级知识问答系统从传统RAG（检索增强生成）向Agent化系统的演进过程。传统RAG系统擅长知识检索但无法处理复杂任务，而Agent系统通过Planner任务规划、Tool工具调用、Memory记忆模块和Executor执行器四大核心组件，实现了复杂任务的自主决策与执行。文章详细阐述了Agent+RAG的协同架构、系统挑战及工程实践

 网安福宝
2026-03-19 20:28:02

 441

 6

#产品经理 #人工智能 #学习 +1
基于LangChain的RAG与Agent智能体开发 - LangChain调用嵌入模型

本教程介绍基于LangChain的RAG与Agent智能体开发技术，涵盖通义千万大模型接入、Ollama本地模型使用及OpenAI库调用。重点演示了LangChain嵌入模型调用方法：通过DashScopeEmbeddings调用阿里百炼平台text-embedding-v1模型，以及使用OllamaEmbeddings调用本地qwen3-embedding:4b模型，分别展示了单个字符串(emb

java1234_小锋
2026-03-22 22:02:20

 108

#RAG
【RAG】RAGAS 评估框架与 Python 代码实践

RAGAS评估框架摘要 RAGAS是业界主流的RAG系统自动化评估框架，解决了传统评估中的两大痛点：主观盲测和线上同步打分代价高。其核心思路是解耦评估系统，利用大模型作为异步裁判进行离线审计。框架包含四项关键指标： Faithfulness（0-1分）：检测回答是否基于检索内容，避免幻觉 Answer Relevancy（0-1分）：评估回答与问题的相关性 Context Precision（0

TR1999
2026-05-31 15:59:39

 252

 5

#python #开发语言 #AIGC +1
Agent 平台 SDK 对标评测：Pydantic AI、Agno、MAF 等七款工具横向对比，选型指南！

本文对比了七款主流Agent开发平台（Agno、OpenAI SDK、Pydantic AI、AgentScope、MAF、Mastra、VoltAgent）的关键特性，从生态覆盖、代码质量到功能完善度进行多维分析。结果显示：生态覆盖：Agno支持最广泛（46模型/100+工具），Mastra体量最大（源码118万行），MAF是唯一支持Python+.NET双栈的框架。工程质量：Pydanti

Python怎么学啊
2026-07-25 20:47:59

 214

 6

#人工智能 #产品经理 #RAG +2
爆款预定！AI智能体(Agent)保姆级入门指南，零基础小白也能轻松上手

这篇文章将为你献上一份保姆级的入门指南，即使你是完全零基础的小白，也能轻松理解AI Agent的核心概念，并开启你的智能体探索之旅。

AI小白龙*
2026-03-12 11:29:55

 215

 4

#人工智能 #知识图谱 #算法 +1
用 RAG 给 Agent 接入内部知识

真正可靠的 Agent 不能只依赖模型参数和当前会话，它必须能回到内部资料：查规范、查操作手册、查项目文档，并把回答依据讲清楚。

Python秒杀
2026-07-24 11:52:18

 172

 6

#人工智能 #java #github +1
Agentic AI 架构入门（八）：Agentic RAG——从被动链条到主动研究员

RAG = Retrieval-Augmented-Generation（检索增强生成）——企业生成式 AI 最常用的架构目标：用特定私有文档回答用户问题，而不是 LLM 训练数据口诀：别让 LLM 猜答案——把答案给它，让它总结「接地（Grounding）」机制——让 LLM 扎根事实，减少幻觉，能用新信息系统：线性单向「链」；智能：LLM 只在最后用一次（总结）脆弱——第一步（检索）不完美就全

 zylyw123
2026-08-13 09:04:49

 236

 6

#人工智能 #架构 #机器学习 +1
【Java/Go后端手撸原生Agent（第十一篇）：RAG检索——给Agent加上“查资料“能力】

文章首先指出传统流水线式RAG的三大缺陷（强制检索、单轮检索、结果不可控），提出 **Agentic RAG** 范式——将检索封装为 `knowledge_search` 工具，让Agent自主决策何时查、查几次、结果是否够用。

llwszx
2026-08-03 19:22:01

 398

 9

#AI智能体 #RAG
从单Agent到多Agent：系统复杂度与性能权衡

例如数据分析场景中，模型生成Python脚本用于生成表格、绘制图表，再输出执行结果。相比自然语言回答，精准性和可复现性更高，但对执行环境要求高，需在隔离受控环境中运行以规避风险。会根据问题选择召回策略、决定是否多次搜索、过滤重复结果，还能将高价值信息回写知识图谱库。相较传统RAG，事实性、一致性和上下文控制更优，适合企业内部知识问答、查阅最新资料等场景。模型生成初稿后，自我审查评估并修正问题，得到

 AI77668833
2026-04-13 16:58:25

 237

 5

#RAG
Agent的持续学习：如何在部署后自我进化

适合需要工具辅助的任务(查资料、跑数据库、复杂计算等；优点是推理轨迹清晰，便于追溯；缺点是推理链过长可能导致延迟上升，需限制循环步数。最近两年，大家都能够看到AI的发展有多快，我国超10亿参数的LLM，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？与其在传统行业里停滞不前，不如尝试一下新兴行业，而AILLM恰恰是这

 2601_95522367
2026-04-13 16:54:12

 339

 8

#RAG
Qwen-Ranker Pro入门指南：Python客户端开发快速上手

本文介绍了如何在星图GPU平台上自动化部署Qwen-Ranker Pro: 智能语义精排中心Web镜像，并快速上手其Python客户端开发。该镜像的核心功能是对检索结果进行智能语义重排序，可广泛应用于RAG（检索增强生成）系统、智能搜索和聊天机器人等场景，以提升答案的相关性和准确性。

运营的小事
2026-03-07 01:50:54

 58

#RAG
LLM_Agent周边概念科普+相互关系全解析｜一次厘清

本文系统梳理了LLM Agent技术生态中的核心概念及其相互关系。文章首先明确了LLM Agent（具备自主规划与执行能力的智能系统）和Skill（场景化能力模块）的定义，随后详细解析了Tool、Function Calling、RAG、Copilot、MCP、Multi-Agent等关键概念的技术定位与协同逻辑。通过层级架构（从底层LLM到应用层Multi-Agent）和联动机制（任务拆解-技能

 LLand520
2026-05-13 21:08:33

 464

 7

#人工智能 #学习 #语言模型 +1
从AI助手到Agent平台：我们如何用4个月实践验证“只在效果可证明时增加复杂度”的硬核Agent工程思路

文章摘要：团队通过4个月实践，将大模型能力分阶段接入机器学习平台运维场景，初期聚焦问答与知识库查询，逐步扩展至动态决策的Agent应用。关键经验包括：1）区分Workflow（固定流程）与Agent（动态决策），避免过早复杂化；2）采用“Workflow包Agent”架构，外层保持确定性，内层处理不确定性；3）工程能力是核心，需设计Guardrails、可观测性及高质量工具；4）未来重点为自动化

 Python怎么学啊
2026-06-22 19:36:46

 160

 6

#人工智能 #java #产品经理 +2
【从0开发一个 Agent】第九章：实现 RAG (检索增强生成)

本文介绍了在企业级AI应用中实现检索增强生成（RAG）的方法，解决大语言模型缺乏企业私有知识的问题。RAG通过在生成答案前检索外部知识库，将相关文档片段作为上下文输入模型，实现"开卷考试"效果。文章详细阐述了RAG架构的四个核心组件（文本块、向量嵌入、向量存储和检索器），并提供了数据库设计和代码实现方案，包括文档解析、向量化入库和检索注入流程。测试验证部分强调了对检索结果准确性的检查，最后讨论了常

 Zacks_xdc
2026-07-22 09:13:09

 432

 10

#人工智能 #RAG