学习即修行

本文对比了FunctionCall模式和MCP协议在LLM系统中的应用差异。FunctionCall作为简单直接的模型调用工具机制，适合少量工具场景，但随着工具和模型数量增多会面临扩展性和维护性问题。MCP则通过标准化的Client-Server架构、工具发现机制和会话管理等设计，解决了复杂场景下的工具集成问题，支持多步骤调用链和动态扩展。虽然MCP初期实现成本较高，但在规模化应用中展现出显著优势，为LLM与外部工具的模块化集成提供了更优解决方案。

一个可扩展的 AI Agent 架构，应该具备模块清晰、插件机制灵活、支持上下文管理与多模型适配等能力。通过任务规划器、工具层与执行器的合理配合，AI Agent 能够自主完成复杂任务，真正成为你的智能助手。随着技术不断进步，未来的 AI Agent 架构也将朝着“多 Agent 协作”“长期记忆”“自我学习”“知识图谱融合”等方向持续演进。

Re-ranking 是搜索推荐系统中不可或缺的精细化步骤，它将粗糙的召回结果转变为精准且个性化的排序列表。随着深度学习和大语言模型的发展，Re-ranking 技术不断革新，从传统特征学习到生成式排序，为系统智能化赋能。我们在长租公寓 AI Leasing 项目中，结合规则匹配、向量检索和生成式重排序，成功构建了高效、精准且可解释的推荐体系，极大提升了用户满意度和业务效果。未来，Re-ranking 将继续是智能搜索推荐领域的核心技术方向。

是否检索到了对的东西 + 模型是否真的用了这些东西。

AI Agent 在执行任务时，常见的是指其在感知、规划、行动等阶段采用的思维与执行模式。这些范式影响了 Agent 的决策效率、鲁棒性、可扩展性等。

查询改写（Query Rewriting）是指对用户原始输入的查询进行重写、扩展或规范化，使其更容易被系统理解和处理，同时保留其原始语义。改写后的查询可以用来提升：🔍 搜索系统的召回率和准确率🧠 问答系统对意图的理解💡 推荐系统的兴趣泛化能力查询改写，是从传统搜索走向大模型智能搜索的重要一步。它不仅改善了用户体验，更成为构建高质量检索系统的关键策略之一。如果说 RAG 是“让语言模型读文档”，那么查询改写就是“让语言模型更懂你想问什么”。

使用“请思考”、“逐步推理”、“假设你是...”等提示语言，提高响应稳定性和可解释性。如果结果涉及事实，明确指出“仅在基于下列信息回答”。设计提示前，必须清楚要达成的具体目标（如：生成、总结、翻译、分类等）。✅ “请用200字介绍GPT-4的特点，面向中学生，用通俗语言表达”“你是一个资深法律顾问，请分析以下合同条款中可能存在的法律风险。“仅基于以下材料回答问题，若无法确认答案，请回复‘未知’。通过设定“你是XX专家/角色”引导模型从特定角度思考。：任务明确、无示例，引导模型推理完成任务。

LangChain 是一个开源框架，提供了一套高层 API 和模块，帮助开发者快速构建复杂的 LLM 应用（如问答系统、RAG、Agent 等）。它专注于组件组合、链式调用与外部工具整合。LangGraph 是 LangChain 团队推出的一个框架，用于实现多节点、条件跳转、并发执行的工作流系统，基于有向图思想构建。LangSmith 是 LangChain 团队提供的商业服务平台，用于可视化调试、追踪执行、性能评估、数据标注与反馈闭环。