沐泽百川-优快云博客

原创 Human-in-the-loop：什么时候需要人工介入

本文讨论 LangGraph 中 Human-in-the-loop 的设计，说明哪些场景需要人工介入，以及如何把高风险判断、确认和审核放进 Agent 流程。

2026-07-21 10:06:01 361

原创 Tool Node：如何把外部工具接入 LangGraph

本文围绕 LangGraph 的 Tool Node 展开，说明 Agent 如何接入搜索、数据库、文件读写等外部工具，并讨论工具调用结果如何回写 State。

2026-07-21 10:03:11 292

原创 Reducer 是什么？多个节点如何安全更新状态

本文讲解 LangGraph 中 Reducer 的作用，说明多个节点更新同一份 State 时为什么需要明确合并规则，并分析覆盖、追加和自定义合并的使用边界。

2026-07-21 09:58:27 254

原创 Edge 和 Conditional Edge：让流程根据状态分支

本文从 LangGraph 的 Edge 和 Conditional Edge 入手，说明普通边和条件边如何决定节点之间的流转，以及为什么流程分支应该交给图结构，而不是塞进单个节点。

2026-07-21 09:55:40 279

原创 Node 怎么设计？每个节点都应该有明确职责

本文从 LangGraph 的 Node 设计入手，说明为什么每个节点都应该职责单一、输入输出边界清晰、命名明确，并把可测试性和可观测性一起纳入设计。

2026-07-21 09:52:09 329

原创 State 是什么？LangGraph 里最重要的不是节点

本文围绕 LangGraph 的 State 展开，说明状态如何决定节点边界、流程路由、可恢复能力和问题排查。

2026-07-19 21:16:51 172

原创从 Chain 到 Graph：为什么线性流程不够用了

本文讨论从 Chain 到 Graph 的工程演进，说明为什么复杂 Agent 流程需要分支、循环、状态和恢复能力。

2026-07-19 21:15:29 179

原创 LangGraph 和 LangChain 有什么区别？

本文对比 LangGraph 和 LangChain 的定位，说明二者不是替代关系，而是组件组合与流程编排的不同层次。

2026-07-19 21:14:00 196

原创 LangGraph 是什么？为什么 Agent 需要图结构

本文从普通 LLM 调用、Chain 和 Agent Workflow 的区别出发，说明 LangGraph 为什么用图结构管理复杂 Agent 流程。

2026-07-19 21:12:58 236

原创从普通 RAG 到企业级 RAG：完整架构复盘

本文作为 RAG 实战进阶系列收官，复盘一个 RAG 系统从 Demo 到企业级应用需要补齐的数据、检索、生成、权限、评测、成本和可观测性能力。

2026-07-19 20:56:56 358

原创 RAG 上线后怎么排查问题？日志与可观测性

RAG 上线后，日志、指标和链路追踪要先搭好，才能快速定位检索和生成问题。

2026-07-18 10:15:03 147

原创 RAG 如何降低成本？缓存、摘要和分层检索

RAG 降成本的关键，在于缓存、摘要、分层检索和上下文控制一起配合。

2026-07-18 10:14:23 260

原创多模态 RAG：图片、截图、表格也能检索吗？

多模态 RAG 需要把图片、截图和表格纳入同一套检索链路，而不是只处理纯文本。

2026-07-18 10:13:26 286

原创 RAG 如何处理 PDF、Word、Excel 和网页？

真实知识库常见 PDF、Word、Excel 和网页混合存在，解析质量会直接影响后续切分、检索和生成。

2026-07-18 10:12:48 313

原创 RAG 如何做多租户？企业知识库不能混在一起

RAG 多租户的核心是先识别租户，再做检索，避免知识库串租户和数据混用。

2026-07-18 10:10:34 229

原创 Agentic RAG 是什么？让 Agent 决定什么时候检索

本文围绕 Agentic RAG 展开，说明它如何让系统在受控边界内动态决定是否检索、检索什么、是否多轮检索，并分析其工程价值、风险和落地方式。

2026-07-17 15:55:01 371

原创 GraphRAG 是什么？为什么知识图谱又回来了

本文围绕 GraphRAG 展开，说明普通 RAG 在跨文档关系、实体关联和全局知识结构问题上的边界，并梳理 GraphRAG 的适用场景、工程链路和落地注意事项。

2026-07-17 15:50:50 226

原创 RAG 如何处理复杂问题？查询改写与多步检索

本文围绕 RAG 复杂问题处理展开，说明为什么真实用户问题不能总是直接检索，并从 Query Rewrite、Multi-query Retrieval、问题拆分、多步检索、追问机制、日志记录和评估方法等角度梳理可落地的工程方案。

2026-07-16 21:02:09 313

原创 RAG 的 Prompt 应该怎么写？不要让模型自由发挥

本文围绕 RAG Prompt 的工程设计展开，说明为什么不能只写“根据资料回答”，并从资料约束、拒绝幻觉、来源引用、冲突处理、输出格式和模板版本管理等角度梳理可落地的 Prompt 设计方法。

2026-07-16 20:54:35 391

原创 Rerank 为什么重要？RAG 不只是把 TopK 塞给模型

本文围绕 RAG 中的 Rerank 展开，说明为什么 TopK 检索结果不能直接等同于最终上下文，并从召回分数局限、Hybrid Search 后的候选排序、上下文压缩、成本控制和效果评估等角度梳理 Rerank 的工程落地思路。

2026-07-14 15:10:13 290

原创 RAG 检索质量怎么提升？从关键词到 Hybrid Search

本文围绕 RAG 检索质量提升展开，说明为什么只靠向量检索不够，并从关键词检索、BM25、Hybrid Search、多路召回、结果合并、Rerank 和真实问题集评估等角度梳理可落地的检索优化思路。

2026-07-14 14:47:47 317

原创向量数据库到底解决什么问题？它不是 RAG 的全部

本文围绕 RAG 系统中的向量数据库展开，说明它主要解决向量存储、相似度检索、索引加速和 metadata 过滤等问题，同时强调向量数据库不是 RAG 的全部，不能替代文档质量、切分策略、检索优化和生成约束。

2026-07-14 14:36:30 365

原创 Embedding 模型怎么选？不要只看向量维度

本文围绕 RAG 系统中的 Embedding 选型展开，说明为什么不能只看向量维度，并从中文效果、领域术语、内容类型、召回质量、成本、速度、模型切换和评测集等角度给出实践建议。

2026-07-14 14:17:16 367

原创文档切分怎么做？Chunk 不是越小越好

本文围绕 RAG 系统中的文档切分展开，说明 Chunk 为什么不是越小越好，并从固定字数、overlap、标题层级、列表、表格、代码块和长文档等角度梳理可落地的切分思路。

2026-07-13 14:37:42 298

原创 RAG 的基本流程：Query、Embedding、Retriever、Generator 是怎么串起来的？

本文从 Query、Embedding、Retriever、Generator 四个模块拆解 RAG 的最小闭环，说明知识库问答从用户提问到检索、生成答案的完整流程，以及为什么最小闭环能跑但还不等于生产可用。

2026-07-13 14:28:00 420

原创为什么很多 RAG 知识库问答不好用？

很多 RAG 知识库问答系统能跑 Demo，却很难稳定、准确、可信地上线。本文从检索、生成、引用、数据治理和可观测性角度，拆解 RAG 不好用的常见原因。

2026-07-13 14:20:17 346

原创 AI Scaffold 系列收官：从脚手架到 AI 应用工程化体系

AI Scaffold 系列从“为什么 AI 应用需要脚手架”开始，逐步讨论了项目结构、配置管理、LLM 抽象、Prompt、Workflow、Agent、Tool、Repository、Memory、日志、安全、部署、实战应用、生态关系和开源化。本文作为系列收官，不再展开新的路线，而是回到主线本身：AI 应用为什么不能只停留在 Demo，脚手架真正解决了哪些工程化问题，以及这一系列文章最终想沉淀什么。

2026-07-13 10:32:53 475

原创如何把 AI Scaffold 做成开源项目？从 README 到 Roadmap

一个 AI 脚手架项目要真正开源，不能只是把代码上传到 GitHub。它需要清晰的 README、可运行的示例、明确的安装方式、合理的目录结构、Issue 规范、版本路线图和贡献说明。本文从 AI Scaffold 的角度出发，讨论一个 AI 应用工程化脚手架如何从“个人项目”走向“可被别人理解、试用、反馈和参与”的开源项目。

2026-07-13 10:00:44 335

原创 AI Scaffold 如何做 AI 应用评测？从 Prompt 调试到回归测试

AI 应用不能只靠“看起来能回答”来判断质量。随着 Prompt、RAG、Workflow 和 Agent 能力不断迭代，项目很容易出现隐性退化。本文从 AI Scaffold 的工程化视角出发，讨论 AI 应用评测应该评什么、怎么组织目录、如何沉淀测试用例，以及如何把 Prompt 调试、RAG 检查和回归测试变成可持续的开发流程。

2026-07-12 16:13:07 417

原创 AI Scaffold 和 LangChain、LangGraph 是什么关系？

很多开发者看到 AI Scaffold 时，都会问：既然有 LangChain 和 LangGraph，为什么还需要脚手架？本文从工程化分层角度出发，讨论 LangChain、LangGraph 和 AI Scaffold 各自解决什么问题，它们为什么不是替代关系，以及在真实 AI 应用项目中应该如何组合使用。

2026-07-12 15:58:27 398

原创用 AI Scaffold 做一个智能客服应用：从 RAG 到人工兜底

智能客服是很多企业最容易想到的 AI 应用场景，但它不能简单理解为“给大模型套一个聊天窗口”。真正可用的智能客服系统，需要同时处理知识库检索、多轮对话、用户上下文、Tool Calling、会话记录、低置信度兜底、人工转接、日志追踪和安全治理等问题。本文从 AI Scaffold 的工程化视角出发，拆解一个智能客服 AI 应用应该如何设计，说明如何用脚手架把 Chat API、RAG 检索、Workflow 编排、Repository 存储、Tool 调用、人工兜底和可观测性组织成一个可维护、可扩展的系统。

2026-07-12 15:43:20 231

原创用 AI Scaffold 做一个文档分析应用：从上传文档到生成报告

文档分析是一个非常适合作为 AI 应用实战入口的场景。它既不像完整智能客服那样复杂，又能自然串起文件上传、文本解析、内容分段、Prompt 管理、LLM 调用、Workflow 编排、Repository 存储、日志追踪、安全校验和报告生成等工程化能力。本文从 AI Scaffold 的视角出发，拆解一个文档分析 AI 应用应该如何设计，从需求边界、项目结构、核心模块、工作流节点、数据模型、异常处理到部署关注点，说明如何把一个“让模型总结文档”的 Demo，升级成一个可维护、可扩展、可上线的 AI 应用。

2026-07-12 15:33:10 220

空空如也

空空如也