RAG 实战：从概念到检索增强 Agent 大模型的知识有截止日期，也不知道你公司内部的文档内容。RAG（检索增强生成）就是在提问的时候，先从知识库里找相关内容，塞进提示词一起喂给模型。本质上是一种提示词工程。 RAG 的背景 2020 年 Meta 提出 RAG，当时 GPT-3 刚出来。大模型有两个硬伤：会编造事实（幻觉），知识有时效性。微调成本高周期长，RAG 是最轻量的解决方案。 索引阶段

构建真实世界的 Agent：工具上下文与结构化输出 前面的 Agent 示例比较简单。实际项目里你需要系统提示词、运行时上下文传递、结构化输出。这篇把这些东西组装到一起。 完整的 Agent 配置 ```python from dataclasses import dataclass from langchain.agents import create_agent from langcha

StateGraph 与 Checkpointer：理解 LangGraph 的状态机制 create_agent 好用，但它背后是 LangGraph 的 StateGraph。搞懂 StateGraph，你才能做更复杂的自定义流程。 什么是 StateGraph StateGraph 是一个有限状态机。你定义状态结构、节点函数、边的连接关系，框架按图执行。 ```python from ty