本文完成RAG三大升级：用Chroma实现持久化存储，引入Reranker提升检索精度，将RAG封装为Agent工具。首次集成LLM、Prompt、Chain、Memory、Agents与RAG六大模块，构建出带记忆、能自主决策的智能体，彻底解决此前痛点，打造实战级RAG Agent。

本文详解 LangGraph 三大进阶能力：人工干预（Human-in-the-Loop）保障高危操作安全，图即工具（Graph-as-a-Tool）封装复杂子流程，多智能体编排（Multi-Agent）实现职责分离，并通过 IT 运维实战融合三者，构建可落地的生产级 Agent 系统。

本指南教你如何用Model Context Protocol (MCP) 解决AI工具孤岛问题。它不再需要为每个服务手写API，而是像插USB一样，让Agent通过通用客户端（Client）即插即用各种外部工具（Server）。

本文系统讲解如何使用 FastMCP 快速构建符合 MCP 标准的服务端，支持 Stdio（本地）与 Streamable HTTP（远程）双模通信。

本文详解Swarm的核心机制、代码实战及与 LangGraph 的架构差异。通过去中心化的 Handoff 机制，Agent 可自主转接任务，配合共享上下文实现信息传递。相比 LangGraph 的中央调度，Swarm 更适用于客服、导购等自由协作场景。

本文阐述Streamlit因与Agent状态同步而成为首选前端，详解其七种核心组件，实战搭建动态转接、流式输出的多智能体可视化驾驶舱。

本文精要介绍了LangChain中Agents模块的核心功能与应用，涵盖：使用@tool装饰器封装工具、构建通用Agent（create_tool_calling_agent）与SQL专用Agent（create_sql_agent）、结合记忆功能升级智能体，以及缓存、流式输出等优化技巧。

本文介绍AI Agent的基本概念与商业价值。同时以简易客服为例，解析智能体运行逻辑：数据分块、索引匹配、生成回答，并演示使用“扣子”平台搭建一个“输入即返回”的初级Agent流程。

本文详细介绍了如何打造并优化一个基于知识库检索的AI智能体，重点解决四个关键问题：上下文感知能力、无关问题过滤、无图片输出控制及用户数据实时录入。

本文介绍了大语言模型(LLM)的基础知识和调用方法。并讲解Prompt(提示词)的基础逻辑及其在Agent构建中的重要性。最后通过一个问答Agent实例，演示如何实现多轮对话记忆功能。还配套GitHub开源代码，提供实操示例。