<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[专注RAG、Agents、Dify、Ragflow、知识图谱等大模型应用研发企业落地实践、案例教程、最新技术动态等内容，重在技术前沿、企业应用和实战，欢迎大家交流。]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/whoamidd</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; whoamidd]]></copyright><item><title><![CDATA[当用户问“这句话出处在哪？”：我是如何给 RAG 做精确引用溯源的 —— 企业级 RAG 引用溯源实战]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/164268127</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/164268127</guid><author>whoamidd</author><pubDate>Tue, 01 Sep 2026 20:55:58 +0800</pubDate><description><![CDATA[很多人做 RAG 时，关注的是“回答是否正确”。但真正进入企业场景后，你会发现：用户更在意的，其实是——“这句话到底是不是原文里的？”]]></description><category></category></item><item><title><![CDATA[从「一搜了之」到「自主诊断」：一个Agentic RAG 工业故障助手实战]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/164268071</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/164268071</guid><author>whoamidd</author><pubDate>Tue, 01 Sep 2026 20:51:35 +0800</pubDate><description><![CDATA[本文基于一个真实的 MVP 项目，拆解 Agentic RAG 的基本原理、设计思路与代码实现，重点讲清「标准 RAG 与 Agentic RAG 到底差在哪」「怎样用最小的工程量把差异演示出来」。]]></description><category></category></item><item><title><![CDATA[让 Agent 先“问清楚“再“动手“：用 LangGraph + MCP 实现一个企业级研究报告助手]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/164192805</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/164192805</guid><author>whoamidd</author><pubDate>Sun, 30 Aug 2026 20:42:17 +0800</pubDate><description><![CDATA[一个面向企业场景的研究报告自动生成系统。它有三个和"玩具版"明显不一样的地方：
1. 先对齐需求，再自主执行。开局先用 LangGraph 的 `interrupt()` 把流程"暂停"下来，等用户确认研究范围/受众/深度后才继续；中间还允许用户审核报告大纲。
2.内部知识库 + 公网双路并行检索，通过 MCP 把"查私有向量库"和"搜公网"封装成调用方式完全一致的两种工具。
3.引用可溯源：报告里每条论据都明确标 `[内部文档]` / `[网络]`，且编号经过代码层校验，杜绝"幻觉引用"。]]></description><category></category></item><item><title><![CDATA[让大模型“会干活“更“守规矩“：企业级桌面智能体的架构、沙箱与工程实践]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/164192691</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/164192691</guid><author>whoamidd</author><pubDate>Sun, 30 Aug 2026 20:24:10 +0800</pubDate><description><![CDATA[架构：Agent 独立成服务，桌面壳是客户端之一；全程流式，过程即信任。桌面：渲染进程不碰 Node；Sidecar 托管有 spawn/探测/清理；签名公证是分发的第一公里；运行时配置与编译时配置划清边界。Loop：模型只提议、系统裁决；失败全部回灌；轮次上限体面退场；模型调用可注入。沙箱：越权明确拒绝且留痕；写确认裁决在服务端；编排不绕沙箱；审计全路径覆盖。工具：Schema 即契约；鲁棒性留给系统；跨个体数据设计合法形态；边界按未来 MCP Server 划分。]]></description><category></category></item><item><title><![CDATA[从菜单式MES到工业智能体：基于Hermes Agent+MCP的智能助手实战指南（完整源代码）]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/160816822</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/160816822</guid><author>whoamidd</author><pubDate>Wed, 06 May 2026 10:51:00 +0800</pubDate><description><![CDATA[本文探讨了MES系统从传统界面向智能业务助手的转型路径。通过Hermes Agent与MCP协议的结合，构建了一个四层架构的工业级智能体系统：1）数据服务层确保数据可信性；2）MCP工具层封装业务能力；3）Hermes Skills实现领域知识产品化；4）交互层提供可视化执行过程。系统采用认知-动作分离原则，LLM负责语义理解，业务工具保证确定性执行。实践表明，工业Agent成功的关键在于将不确定性约束在可控范围内，通过契约化接口、可解释调用链和权限管控，实现从演示原型到生产系统的跨越。该系统已在手机飞书、]]></description><category></category></item><item><title><![CDATA[项目实战：深入剖析 Dify 知识库管理系统的 RBAC 权限设计与实现]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/160313069</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/160313069</guid><author>whoamidd</author><pubDate>Sun, 19 Apr 2026 20:01:09 +0800</pubDate><description><![CDATA[本文介绍了一个基于Dify API实现的企业级知识库管理平台，重点解决了Dify在企业应用中存在的权限管理问题。项目通过完整的RBAC权限体系实现了用户与开发平台的隔离，包含用户管理、角色管理、权限控制等功能模块。 技术架构采用Streamlit前端和FastAPI后端，结合SQLAlchemy ORM和JWT认证，支持多种数据库。系统基于Dify的三层知识库结构（知识库-文档-文本块）设计，通过单例模式的DifyClient统一管理API调用，封装了知识库创建、文档上传、检索配置等核心功能。 项目提供了管]]></description><category></category></item><item><title><![CDATA[从向量RAG到知识图谱RAG：构建工业级故障推理引擎实战（完整源代码）]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/159854851</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/159854851</guid><author>whoamidd</author><pubDate>Sun, 05 Apr 2026 12:17:47 +0800</pubDate><description><![CDATA[本文介绍了一种基于知识图谱的工业设备故障智能问答系统，通过LlamaIndex+Neo4j+GraphRAG技术解决传统向量RAG在工业维保场景中的三大痛点：缺乏关系推理、黑盒不可解释和检索孤岛问题。系统采用双引擎架构，微观层面通过知识图谱路径查询实现精准故障诊断，宏观层面利用社区发现技术回答系统性问题。核心技术包括：1）将维修手册转化为结构化知识图谱；2）结合人工规则和LLM自动抽取构建混合知识库；3）设计专用解析器处理工业领域数据特性。该系统实现了从&quot;模糊匹配&quot;到&quot;逻辑推理]]></description><category></category></item><item><title><![CDATA[破译Word文档的“语义黑盒”：企业级DOCX RAG架构演进与全链路实战（完整源代码）]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/159254097</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/159254097</guid><author>whoamidd</author><pubDate>Thu, 19 Mar 2026 23:31:35 +0800</pubDate><description><![CDATA[本文将复盘一个生产级DOCX RAG系统的完整技术实现，从架构哲学到关键代码，从格式兼容到智能分块，深入拆解我们是如何通过“分层流水线”和“父子块结构”攻克这些难题的。]]></description><category></category></item><item><title><![CDATA[PDF 依然是 RAG 的“头号杀手”？：基于 Docling+隐形锚点的双模态 PDF-RAG深度实践（完整源代码）]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/158977868</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/158977868</guid><author>whoamidd</author><pubDate>Thu, 12 Mar 2026 21:18:57 +0800</pubDate><description><![CDATA[PDF文档是RAG系统中的主要挑战，因其复杂排版常导致信息提取错误。本文提出双模态PDF解析方案，采用&quot;类型感知+统一分块&quot;架构，通过智能识别文档类型（标准PDF或幻灯片PDF）选择最优解析策略。系统包含六大层次：输入、解析、提取、分块、存储和检索层，创新性地引入&quot;隐形锚点&quot;技术解决幻灯片PDF的语义连贯性问题。通过Docling引擎将PDF转为层次化Markdown，实现语义完整性保持，并设计父子分块机制平衡检索精度与回答完整性。实验表明，该方案显著提升了PDF文档]]></description><category></category></item><item><title><![CDATA[告别“只会聊天”的AI：OpenClaw 如何让大模型真正动起手来？——OpenClaw技术深度解析]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/158585411</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/158585411</guid><author>whoamidd</author><pubDate>Mon, 02 Mar 2026 22:39:07 +0800</pubDate><description><![CDATA[从“只会动嘴”到“能够动手”，OpenClaw 迈出的这一步，正是 AI 从玩具向工具进化的关键一环。三层架构、Agent Loop、技能系统、十层洋葱模型……让你像使唤助理一样使唤 AI。OpenClaw不仅是一个技术产品，更是AI从“理解”走向“行动”的重要里程碑，预示着AI执行时代的正式开启。在这个时代，AI将不再是只会对话的“指路人”，而是能够真正改变世界的“执行者”。]]></description><category></category></item><item><title><![CDATA[告别“大海捞针”：LangGraph + Docling 打造工业级招标文件解析系统]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/158430704</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/158430704</guid><author>whoamidd</author><pubDate>Thu, 26 Feb 2026 19:51:04 +0800</pubDate><description><![CDATA[本文探讨了企业招投标领域招标文件智能解析的解决方案。针对传统人工处理效率低、易遗漏关键信息等问题，提出了一套基于LangGraph多智能体编排、Docling深度文档解析和DeepSeek推理能力的自动化流水线。系统重点解决了长文档处理、跨页表格解析和结果溯源三大技术挑战，通过模块化设计实现了招标文件7大类关键信息的并行提取。技术方案对比显示，Docling在表格识别和跨页处理方面显著优于传统PDF解析工具，而LangGraph的多Agent架构有效提升了处理效率。最终系统提供了可视化界面，实现从PDF到结]]></description><category></category></item><item><title><![CDATA[从零构建本地AI合同审查系统：架构设计与流式交互实战（完整源代码）]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/157971388</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/157971388</guid><author>whoamidd</author><pubDate>Wed, 11 Feb 2026 10:59:02 +0800</pubDate><description><![CDATA[本文介绍了一种基于Ollama+FastAPI+React的全栈本地化智能合同审查工具，旨在解决企业法务工作中的隐私安全、审查效率和视角单一等痛点。系统采用零信任架构，通过Ollama本地部署Qwen3:8b模型保障数据安全，利用FastAPI的SSE流式传输实现实时交互，并创新性地设计了双视角Prompt注入技术，能根据甲方/乙方不同立场提供差异化风险评估。文章详细解析了系统架构设计、核心业务流程及关键技术实现，包括SSE流式服务、前端渲染优化等，展示了如何构建一个既安全又高效的智能法务工具。]]></description><category></category></item><item><title><![CDATA[突破RAG边界：构建能“读懂“PPT逻辑与图文的智能问答系统实战（附完整源代码）]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/157545262</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/157545262</guid><author>whoamidd</author><pubDate>Fri, 30 Jan 2026 11:44:01 +0800</pubDate><description><![CDATA[本文探讨了针对PPT文档的RAG（检索增强生成）系统设计难点与解决方案。传统RAG方案在PPT上效果不佳，因其排版灵活、图文强相关、页间逻辑复杂。文章提出了一套专门针对PPT的RAG系统，采用父子分块架构（子块为单页内容，父块为逻辑相关页面聚合）、跨页逻辑聚合和多模态图文对齐技术。系统技术栈包括LangChain框架、Qwen3模型、FAISS向量库等，通过解析PPT文本、图片和备注信息，建立数据模型实现精准检索和上下文理解。该系统能有效处理PPT特有的非线性布局、高信息密度和断裂逻辑等挑战。]]></description><category></category></item><item><title><![CDATA[智审未来：基于 LangGraph 多 Agent 协同的新闻 AI 审查系统深度实战（完整源代码）]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/157102022</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/157102022</guid><author>whoamidd</author><pubDate>Sun, 18 Jan 2026 20:08:45 +0800</pubDate><description><![CDATA[本项目深度解析一个基于 LangChain、LangGraph 和本地 Ollama 大模型构建的自动化新闻 AI 审查系统。该系统通过多 Agent 协作架构，将新闻审查从简单的“关键词匹配”进化为深度的“语义理解与逻辑推理”。]]></description><category></category></item><item><title><![CDATA[2026大模型智能体(Agent)面试全攻略]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/156941770</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/156941770</guid><author>whoamidd</author><pubDate>Wed, 14 Jan 2026 11:16:38 +0800</pubDate><description><![CDATA[2026大模型智能体(Agent)面试全攻略]]></description><category></category></item><item><title><![CDATA[深度解构：如何利用 LangGraph 打造工业级“自愈式”RAG 智能客服（完整源代码）]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/156756803</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/156756803</guid><author>whoamidd</author><pubDate>Fri, 09 Jan 2026 11:31:57 +0800</pubDate><description><![CDATA[本文介绍了一个基于LangGraph的工业设备售后智能客服RAG Agent系统，针对工业场景的特殊挑战（如专业术语、指代消解、知识幻觉等）进行优化。系统采用工作流编排方式，整合查询增强、话题分类、文档检索和相关性评估等环节，具备&quot;自愈&quot;能力——当检索结果不理想时可自动优化查询策略。技术栈包含React前端、FastAPI后端、本地部署的Qwen3-8B大模型和ChromaDB向量数据库，确保数据安全。通过状态管理和条件路由设计，系统能有效处理工业领域复杂的专业问题，相比传统线性流程显著]]></description><category></category></item><item><title><![CDATA[SQL Agent从“黑盒“到“全透明“：基于LangGraph+Phoenix的可观测性实战指南]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/156507427</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/156507427</guid><author>whoamidd</author><pubDate>Fri, 02 Jan 2026 10:22:35 +0800</pubDate><description><![CDATA[本文介绍了一种具备自我诊断能力的SQL Agent系统架构，通过LangGraph实现状态驱动的多节点工作流。系统采用分层设计，包含8个核心节点：1)获取可用表列表；2)智能识别相关表；3)获取表结构；4)生成SQL；5)验证SQL；6)执行查询；7)错误处理；8)生成响应。关键技术包括：使用TypedDict定义Agent状态作为&quot;记忆芯片&quot;，引入双保险机制确保SQL正确性，实现闭环纠错功能。系统结合LangChain、SQLite等技术栈，并通过Arize Phoenix提供可视化监]]></description><category></category></item><item><title><![CDATA[从零构建：基于 LangGraph 的医疗问诊智能体实战（完整源代码）]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/156357218</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/156357218</guid><author>whoamidd</author><pubDate>Sun, 28 Dec 2025 10:38:12 +0800</pubDate><description><![CDATA[医疗AI智能体的核心挑战在于精准管理复杂上下文信息。本文介绍了一个基于LangGraph和LangChain构建的医疗问诊演示系统，采用分层架构设计实现长短期记忆管理、多轮对话控制和结构化问诊流程。系统通过双层记忆架构（短期滑动窗口机制与长期命名空间隔离）解决上下文窗口限制问题，并利用状态机原理约束诊断路径。该架构不仅适用于医疗场景，也可推广至法律、金融等需要严谨流程的领域。技术亮点包括模块化设计、记忆智能修剪策略和灵活的技术栈选择，为复杂业务场景的AI应用提供了通用解决方案框架。]]></description><category></category></item><item><title><![CDATA[项目实战：基于LangGraph、MCP与Chainlit的工业设备智能诊断系统]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/156112954</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/156112954</guid><author>whoamidd</author><pubDate>Sat, 20 Dec 2025 16:21:25 +0800</pubDate><description><![CDATA[本文介绍了一个基于LangGraph、MCP和Chainlit的工业设备智能诊断系统。该系统采用三层架构设计，通过LangGraph实现5节点工作流编排，包括信息提取、设备查询、知识查询、库存查询和报告生成。系统特色包括单服务架构、直接函数调用、自动初始化和STDIO优化等技术细节处理，有效解决了传统工业维护效率低下的问题。状态管理采用TypedDict确保类型安全，工作流图支持条件分支和顺序执行，最终生成包含设备状态、故障原因、库存信息等内容的综合决策报告，为维修人员提供智能化支持。该系统代表了工业4.0]]></description><category></category></item><item><title><![CDATA[LangGraph + MCP 构建生产级智能体：系统设计、实现与最佳实践（附完整源代码）]]></title><link>https://blog.youkuaiyun.com/whoamidd/article/details/155930782</link><guid>https://blog.youkuaiyun.com/whoamidd/article/details/155930782</guid><author>whoamidd</author><pubDate>Mon, 15 Dec 2025 08:55:28 +0800</pubDate><description><![CDATA[本文介绍了一个基于LangGraph 1.0+和MCP协议的数据中心设备监控智能体系统。系统采用FastAPI后端，支持多LLM模型，通过自然语言实现设备状态查询、故障诊断等功能。重点解析了LangGraph工作流设计，包括状态图定义和关键节点实现，如意图分析和工具路由。系统采用模块化架构，提供类型安全的状态管理和智能意图识别，具备企业级监控能力。完整的技术栈和精心设计的提示工程确保了系统的高效性和可扩展性。]]></description><category></category></item></channel></rss>