ClaudeCode的上下文管理并非依赖无限记忆，而是构建分层信息调度体系：通过全局上下文提供基础能力，渐进式加载控制工具结果增长，小模型提炼长文本，子agent隔离局部任务，分层压缩清理冗余并保留关键状态，最后用磁盘实现跨会话恢复；这套机制让Agent在长任务中保持稳定，核心在于合理调度信息，而非盲目扩大上下文窗口；

大语言模型的记忆并不存于模型自身，而是由外部存储、检索与更新机制共同实现；设计记忆系统需依次明确：记住什么、如何组织、如何检索、如何更新失效；记忆分短期与长期，长期记忆又分语义、情景、程序三类；常用存储包括Markdown、SQLite、向量库和图结构，并需组合混合检索；成熟方案应按分层架构演进，并重视召回率、一致性、可追溯性及生命周期管理，而非盲目选择复杂技术；

RAG（检索增强生成）技术及其在LangChain框架中的实现；RAG通过结合检索技术与大语言模型，有效解决了基础大模型的知识滞后、领域知识缺乏和幻觉问题。文章详细阐述了RAG的工作原理、核心价值及标准流程，包括索引、检索和生成三个阶段；同时，深入讲解了LangChain框架的基础组件，如模型调用、提示词模板、LCEL链式编程、记忆模块等核心功能

本项目基于检索增强生成（RAG）技术构建服饰知识问答系统，分为离线知识库构建和在线智能问答两条主线；离线流程通过Streamlit实现知识文档上传与向量化存储，支持MD5校验去重和动态更新；在线流程结合Chroma向量库检索与大模型生成，确保回答基于本地知识库且来源可追溯；核心模块包括： 知识库服务：处理文档切分、向量化与持久化存储 RAG引擎：串联检索、提示词组装和生成流程 对话管理：支持多轮上

LangGraph是一个用于构建和管理具备状态的长运行Agent的低级编排框架和运行时系统；它专注于Agent编排，将模型调用、工具调用、状态保存、控制流跳转和人工介入组织成可持续运行的流程；核心概念包括State（共享数据）、Node（执行函数）和Edge（节点连接关系）；LangGraph提供两种主要写法：Graph API（精确控制执行路径）和Functional API（单函数表达Agen

MCP（模型上下文协议）是一种标准化协议，用于将外部工具、数据和提示模板以统一方式暴露给大模型应用程序；它通过两种传输机制（stdio和StreamableHTTP）连接客户端与服务器，支持工具调用、资源读取和提示模板加载三类能力；开发者可通过Python SDK快速实现MCP服务，或使用langchain-mcp-adapters将其集成到LangChain生态中；协议的核心价值在于实现跨进程、

DeepAgents是LangChain官方推出的高级Agent开发框架，专为复杂任务设计，内置任务规划、虚拟文件系统、子Agent协作等核心能力；相比传统Agent需要自行组合各种组件，DeepAgents提供了开箱即用的解决方案，开发者可以更专注于业务逻辑而非框架搭建；它基于LangGraph运行时，支持上下文压缩、长期记忆、人工审批和结构化输出等功能，适用于自动生成报告、代码审查、多步骤研究

Agency 是模型原生感知、推理、行动的内在能力，源于训练参数；Agent 是该能力的工程落地，由决策模型与运行载体 Harness 组成；开发 Agent 分为模型训练、搭建 Harness 两大核心工作；Harness 由工具、知识、环境观测、交互接口、权限约束五部分构成；Harness 工程师负责原子化工具开发、领域知识按需调度、上下文治理、安全权限管控、采集交互轨迹用于模型迭代；模型负责

RAG（检索增强生成）技术及其在LangChain框架中的实现；RAG通过结合检索技术与大语言模型，有效解决了基础大模型的知识滞后、领域知识缺乏和幻觉问题。文章详细阐述了RAG的工作原理、核心价值及标准流程，包括索引、检索和生成三个阶段；同时，深入讲解了LangChain框架的基础组件，如模型调用、提示词模板、LCEL链式编程、记忆模块等核心功能

阐述了 AI Agent 技术体系，从核心原理到工程实践构建了完整的知识框架：介绍 Agent 的基础运行机制，包括工作流程、工具调用、流式输出、ReAct 行动框架与中间件设计模式；随后通过一个完整的 Agent 项目，按项目结构、基础工具模块（日志、配置、提示词加载）、核心服务模块（向量存储、RAG 检索、工具封装、中间件与 Agent 编排）的顺序逐层展开；最终延伸至交互层开发，形成一套从理