本次教程选用阿里云通义千问的 Qwen2.5-3B-Instruct，这是目前3B 量级表现最优异的开源指令微调模型量级适中：30 亿参数量，兼顾「能力」和「轻量化」，低配显卡 / 免费算力均可轻松训练推理；中文友好：原生针对中文优化，中文理解、生成、指令遵循能力远超同量级 LLaMA2、Phi 等模型；指令对齐优秀：Instruct 版本是官方已做过基础 SFT 的版本，我们在此基础上做 LoR

这是一套模拟真实企业团队的AI多智能体项目咨询系统，基于Python开发，无需复杂前端配置，通过Streamlit快速搭建可视化界面，依托Agency-Swarm框架实现5大AI角色分工协作，自动完成项目可行性分析、技术方案输出、产品规划、开发落地、客户全流程管理。工具是Multi-Agent系统的核心抓手，通过Pydantic定义规范参数，强制AI按固定格式执行任务，同时通过共享状态实现Agen

分层协作模式也叫管理者-工作者模式，属于中心化调度模式，整体架构呈金字塔结构，分为顶层管理Agent和下层执行Agent，管理Agent负责统筹规划、分配任务、验收结果，执行Agent只负责接收指令、完成细分任务，不跨级调度，层级职责明确。对等协作模式属于去中心化架构，系统内所有Agent地位完全平等，没有顶层管理者，每个Agent既可以发布任务，也可以接收任务、协同处理，通过互相通信、协商达成共

Skill（技能）是 OpenClaw 中「可复用、可调用的最小自动化功能模块」，本质是一段封装好的代码，遵循 OpenClaw 规范，实现单一、明确的具体任务。核心特点（简约总结）：单一职责：只做一件事，不冗余（如“整理文件”“网页搜索”）；可配置：支持传入参数（如整理文件的目标路径）；可复用：一次开发/导入，可多次通过 CLI、面板调用；轻量无依赖（部分需简单依赖）：无需复杂配置，导入即可用。

本次教程选用阿里云通义千问的 Qwen2.5-3B-Instruct，这是目前3B 量级表现最优异的开源指令微调模型量级适中：30 亿参数量，兼顾「能力」和「轻量化」，低配显卡 / 免费算力均可轻松训练推理；中文友好：原生针对中文优化，中文理解、生成、指令遵循能力远超同量级 LLaMA2、Phi 等模型；指令对齐优秀：Instruct 版本是官方已做过基础 SFT 的版本，我们在此基础上做 LoR

工具是智能体的核心能力扩展，我们先定义两个实用工具：百科查询、获取当前时间。import os# 加载环境变量（.env文件中配置DASHCOPE_API_KEY）# 工具1：百科查询工具"""调用360百科API查询权威信息，返回摘要"""try:return f"【{first_result['title']}】\n摘要：{first_result['abstract']}\n链接：{firs

LangChain v1 不是简单的版本迭代，而是一次架构级的重构用+ 中间件，解锁代理定制化的无限可能用标准内容块，实现跨服务商的统一输出解析用精简命名空间 +，让框架轻装上阵如果你正在做生产级 LLM 代理开发，LangChain v1 绝对值得一试！赶紧升级体验吧～如果有地方解释得不确切，欢迎评论区纠正~

本文完整拆解了 “PDF 文本→分块→向量化→Milvus 入库” 的核心流程，代码兼顾易用性与工程性，适合作为 RAG 项目的基础数据入库模块。后续可结合 Milvus 相似检索 + 大模型（如通义千问）实现智能问答，完成完整的 RAG 链路。

LangChain v1 不是简单的版本迭代，而是一次架构级的重构用+ 中间件，解锁代理定制化的无限可能用标准内容块，实现跨服务商的统一输出解析用精简命名空间 +，让框架轻装上阵如果你正在做生产级 LLM 代理开发，LangChain v1 绝对值得一试！赶紧升级体验吧～如果有地方解释得不确切，欢迎评论区纠正~

本文完整拆解了 RAG 流程的「检索 + 生成」核心环节，实现了从用户问题 → 向量检索 → 大模型回答的端到端链路。代码与入库阶段形成闭环，兼顾工程性与易用性，可直接作为食品安全知识库问答系统的核心模块。后续可进一步优化交互形式（如 Web 界面）、扩展知识库类型（如 Word/Excel），完善 RAG 应用落地能力。