# AI

10 篇文章

与「AI」相关的全部文章。

主流的 AI Agent 框架有哪些？

一、LangChain / LangGraph LangChain：LLM 应用编排，支持工具、记忆、RAG。 LangGraph：基于图的 Agent 编排，适合复杂多步任务。生态最丰富，社区活跃。二、AutoGen 微软出品，多 Agent 对话框架。支持多个 Agent 协作，角色灵活。

一、短期记忆当前对话上下文。受 LLM 上下文窗口限制。太长会丢失早期信息，浪费 token。二、长期记忆向量数据库存储历史交互、知识。检索相关记忆注入上下文。支持跨会话记忆。三、记忆类型情景记忆：具体的交互经历。语义记忆：事实和知识。程序记忆：技能和流程。四、记忆管理写入

一、Function Calling LLM 支持的函数调用能力。开发者定义工具 schema（名称、参数、描述），LLM 决定是否调用及参数，返回结构化 JSON。二、流程定义工具：名称、描述、参数 JSON Schema。用户提问，LLM 判断需要调用工具。 LLM 返回工具名和参数。应

一、定义 ReAct = Reasoning + Acting，是 Agent 的经典工作模式。交替进行推理和行动。二、流程 Thought（思考）：分析当前状态，决定下一步。 Action（行动）：调用工具或执行操作。 Observation（观察）：获取执行结果。循环 1-3，直到任务完成。

一、定义 AI Agent 是能感知环境、自主决策并执行动作的智能体。它能基于目标，自主规划、调用工具、执行任务，而不仅仅是回答问题。二、核心能力感知：理解用户输入和环境状态。规划：把目标拆解为步骤。记忆：短期（对话上下文）和长期（向量库）记忆。工具调用：调用搜索、代码执行、API 等工具

一、检索优化分块优化：合理的块大小和重叠。 Embedding 优化：用更适合的模型，微调。混合检索：向量 + 关键词，提升召回。重排（Rerank）：用 Cross-Encoder 对检索结果重排序，提升精度。查询改写：用 LLM 改写用户问题，提升检索效果。多查询：生成多个相关问题分别

一、评估维度检索质量：检索到的文档是否相关。生成质量：回答是否准确、完整、流畅。端到端效果：整体回答是否满足用户。二、检索评估指标 Recall（召回率）：相关文档中被检索到的比例。 Precision（精确率）：检索到的文档中相关的比例。 MRR：第一个相关文档的排名倒数。 NDCG：考虑

一、为什么要分块文档太长无法直接向量化（Embedding 有 token 限制），且 LLM 上下文有限。分块后每块独立检索。二、分块方法 1. 固定长度分块按 token 数切分，如每块 500 token，重叠 50 token。 - 优点：简单。 - 缺点：可能切断语义。 2. 按结构

一、Embedding（嵌入）把文本转换为高维向量（如 768/1024 维），语义相近的文本向量距离近。二、向量数据库专门存储和检索向量的数据库，支持相似性搜索。 Milvus：开源，高性能，分布式。 Pinecone：云服务。 Weaviate：开源，支持混合检索。 Chroma：轻量，适

一、定义 RAG（Retrieval-Augmented Generation，检索增强生成）把外部知识检索和大语言模型生成结合起来。先从知识库检索相关文档，再让 LLM 基于检索结果生成回答。二、解决的问题 LLM 知识截止，不知道最新信息。 LLM 幻觉，编造内容。 LLM 不知道企业私有知识