核心要点：RAG 解决的是 LLM "不知道"的问题：训练数据里没有的信息，通过检索外部知识库来补充，成本远低于微调向量语义搜索是 RAG 的引擎：关键词匹配做不到的"铁哥们≈最好的朋友"，向量能搞定。整个过程靠 Embedding 模型自动完成技术栈很轻：LangChain 做编排、ChromaDB 做向量存储、DashScope 提供模型——三个组件，几十行代码，就能跑起来一个 RAG把知识库

控制概率分布的发散程度，top_k限制采样候选集合。它们的目标不是单独追求随机或保守，而是让输出匹配具体业务。LangChain 通过将 AI 调用拆成清晰的工作流。先固定测试集，再逐项调参，才能让“大模型随机性”变得可观测、可控制。

Benchmark 是门槛：分数低的大概率不行，但分数高的也需要实际验证任务要分层：不同难度的任务用不同档位的模型，别什么都上最贵的看流程参与度：能调用工具、能推进流程的模型，比只会聊天的价值大得多算总成本：Token 费用只是一部分，人工校验、失败返工、时间成本都要算进去。

学习这组技术时，不要只背命令。始终沿着“浏览器 → 宿主机端口 → 容器端口 → Nginx → Node.js”检查，请求在哪一段断开，问题通常就在哪一层。下一步可以补充 Dockerfile、Docker Compose、容器网络和数据卷，让多个服务从手工命令走向可复现编排。Docker、Nginx、Node.js、反向代理、容器化。

AI Coding 的可控性并不来自一句“请严格按要求实现”，而来自一套能相互校验的工程结构：需求限制边界，架构连接数据流，任务缩小上下文，规则约束执行方式，验收定义停止条件。md-wx 目前最有价值的成果不是代码，而是已经形成了这条管理链路。下一步不应直接冲向完整组件，而应先关闭三个规格冲突，再只执行“项目初始化和配置”这一个任务，用真实构建结果完成第一次验收闭环。标签：AI Coding, R

规划笔记强调先回答“做什么”，再调研和验证需求，并明确返回格式与“不做什么”。这个插件的难点不只是“让 AI 翻译网页”，而是保证网页提取、模型调用、Markdown 处理和浏览器交互形成稳定闭环。SDD 的价值，是在生成代码前先暴露这些决策：用明确用户、MVP 和非目标，用design.md固化技术方案，用task.md拆出可验收步骤，再使用 Git 和文档管理 AI 生成过程。下一步不是立即生

tool_calls// Layer 1: LLM 客户端（缸中大脑）// Layer 2: 工具协议层（认知植入）// Layer 3: 函数实现层（传统软件）// Layer 4: Agent 编排层（意图识别 + Runtime 介入）// 第一次调用：LLM 决策// Runtime 执行// 第二次调用：LLM 总结Tool Use 不是魔法，是协议。LLM 只会预测下一个词，但用户需要

这个项目最值得迁移的设计不是某一个 API，而是职责划分：React 处理交互，Worker 管理重任务，模型类负责资源生命周期，消息状态负责跨线程反馈。理解这条调用链后，再学习 WebGPU、tokenizer 或流式生成，都会更容易定位问题。建议下一步按以下顺序实践：先单独完成 Worker 的消息往返，再接入 tokenizer，最后接入模型和流式 UI。本文代码和项目运行结果均未验证，部署

这个项目最值得迁移的设计不是某一个 API，而是职责划分：React 处理交互，Worker 管理重任务，模型类负责资源生命周期，消息状态负责跨线程反馈。理解这条调用链后，再学习 WebGPU、tokenizer 或流式生成，都会更容易定位问题。建议下一步按以下顺序实践：先单独完成 Worker 的消息往返，再接入 tokenizer，最后接入模型和流式 UI。本文代码和项目运行结果均未验证，部署

AI Agent 的本质就是一个带工具调用的对话循环。LLM 推理 → 调工具 → 观察结果 → 再推理。一个 30 行的 for 循环就是整个系统的心跳。理解了这一点，任何 Agent 框架（LangChain、AutoGPT、CrewAI）在你眼里都会变得透明。工具设计不是在写 API，而是在和 LLM “对话”。你需要预判 LLM 会在什么场景下犹豫，主动设计容错和引导。描述写多详细、参数怎