yuangucpu-优快云博客

原创 Agent前置意图识别网关设计

本文设计并实现基于六段式网关的意图识别系统，集成于现有 main_agent.py 架构中。通过预处理、四路并行（规则/小模型/安全/向量）与仲裁器决策，实现零改动接入。采用 LLM 分类器冷启动，安全一票否决，禁用票务语义缓存，输出 Decision 契约驱动动作分发。模块化设计支持可观测性与分阶段演进，保障高危操作保护与系统稳定性。

2026-09-14 17:41:07 162

组件技术选型存储检索BM25 + 向量（FAISS）+ 图谱注入System Prompt / 用户消息前缀触发每轮自动 + 手动命令整理Dream（后台Agent整理）组件技术选型自动记忆Post-Sampling Hook + 本地Markdown文件后台整合Forked subagent（24h/5会话触发）子代理Forked subagent独立上下文社区方案代理方案本地TLS拦截 + 三级存储组件技术选型官方记忆。

2026-08-28 18:46:45 388

原创 RAG由浅入深02

本文介绍了RAG（检索增强生成）中的关键优化技术，重点讨论了分块策略和检索优化方法。在分块策略部分，详细比较了五种主流方法：固定字符分块（简单快速）、递归字符分块（LangChain默认方式）、语义分块（基于句子嵌入）、文档结构感知分块（针对特定格式）和大小块混合策略（兼顾检索精度与上下文）。在检索优化部分，提出了多路召回+重排序策略（先快速召回再精细排序）和HyDE方法（通过生成假设答案提升检索相关性）。文中包含具体代码实现、适用场景分析以及分块策略选择决策表，为不同文档类型和应用场景提供了实践指导。

2026-07-22 15:27:45 161

原创 RAG由浅入深01

摘要：RAG（检索增强生成）通过结合检索与生成技术，有效解决大模型在私有知识领域的幻觉问题。其核心流程包括：检索相关文档、增强提示词、生成可靠回答。三大优势为：提升回答准确性、支持动态知识更新、保障数据隐私。以员工手册查询为例，RAG能精准返回私有信息（如“年假10天”），而非通用回答。代码演示显示，虽然RAG耗时略增，但实现了从“不可用”到“可用”的关键突破。该技术为构建专业AI应用提供了高效低成本的解决方案。

2026-07-20 10:47:41 156

原创基于LangChain构建ReAct Agent：让AI学会“思考-行动-观察“

ReAct Agent：让AI学会动态推理与行动本文介绍了如何基于LangChain构建ReAct（Reasoning+Acting）智能体，使AI具备动态决策能力。主要内容包括： ReAct原理：通过"思考-行动-观察"循环，AI能根据中间结果动态调整策略，相比传统方法更灵活实现步骤：定义工具（如计算器、文本统计等）构建ReAct提示模板引导思考流程创建Agent执行器管理循环逻辑技术要点：使用@tool装饰器将函数转为可调用工具通过特定提示模板规范LLM输出格式设置max_iterat

2026-07-20 10:45:15 222

原创 Python异常处理完全指南

Python异常处理指南摘要本文介绍了Python异常处理的完整知识体系，从基础到高级应用：异常基础：解释了异常是程序运行时发生的错误事件，未处理会导致程序崩溃，展示了简单的异常示例。异常处理结构： try-except基本用法及捕获特定异常获取异常详细信息的方法完整的try-except-else-finally结构及其执行流程实战示例：带重试机制的文件读取自定义异常：创建继承自Exception的自定义异常类分层异常设计在实际API调用中的应用通过银行账户案例展示业务异常处理最佳实

2026-07-16 20:19:37 176

原创从零搭建RAG知识库：文档解析到向量检索

想象一下：你有一个包含上百份内部文档的知识库，员工每天要花大量时间翻找资料。如果能让AI"读懂"这些文档，然后像专家一样精准回答你的问题，效率会提升多少？这就是RAG（检索增强生成）要解决的问题。先检索相关文档片段，再让大模型基于这些片段生成答案。相比直接把问题丢给大模型，RAG能大幅减少"幻觉"，让回答有据可查。本文将带你从零搭建一个完整的RAG系统，包含文档解析 → 向量化存储 → 召回排序 → Prompt生成全链路。全程包含可运行的Python代码，新手也能跟上。模块核心技术你学到的。

2026-07-16 19:39:24 321

m0_52821464的博客