杨小扩的博客

本文探讨了AI应用架构师在构建高级RAG系统时如何优化用户查询处理，实现从"搜得到"到"搜得准"的跃迁。文章指出用户原始查询常存在模糊性、不完整性等问题，提出了两种核心优化技术：MultiQueryRetriever（多角度生成查询变体）和HyDE（通过假设性答案反推检索）。通过LangChain框架的实战演示，展示了如何利用这些技术提升检索召回率和精准率，为后续生成高质量答案奠定基础。

摘要：LangGraph多智能体协作系统 本文介绍了如何利用LangGraph构建多智能体协作系统，解决传统线性链的局限性。核心挑战包括循环修正、动态路由、角色专业化和状态管理。通过定义共享状态（TypedDict）、封装节点（Agent角色）和设计主管决策逻辑（条件边），可实现动态工作流。实战演示了研究员、分析师和主管的协作流程，涵盖环境配置、状态定义和图构建。LangGraph将AI应用从线性脚本提升为复杂协作流程，适用于研究、分析等任务。

拥抱 LangGraph！理解其基于“图”的思维范式，构建第一个有状态、可循环的智能代理，真正控制AI的思考路径。

本章目标：掌握混合搜索、上下文感知的切分策略和重排序技术，进一步优化检索结果的精准度。关键技术：混合搜索 (Hybrid Search)：结合关键字搜索 (e.g., BM25) 和向量语义搜索的优点。父文档检索器 (ParentDocumentRetriever)：先检索小文本块，再返回包含该块的完整父文档，兼顾细节与上下文。重排序 (Re-ranking)：使用更强大的Cross-Encoder模型或LLM，对初步检索到的文档列表进行二次排序。

如果说入门篇是教你如何打造一辆可以行驶的卡丁车，那么进阶篇的目标，就是和你一起设计并调校一辆能赢得比赛的F1赛车。我们将不再满足于“功能实现”，而是开始系统性地拷问应用的性能（Performance）、鲁棒性（Robustness）和可观测性（Observability）。这是从开发者到架构师的关键一步