RAG系统优化：从基础检索到精准问答 摘要：RAG（检索增强生成）系统远非简单的"向量检索+大模型回答"组合。一个高效的RAG系统需要解决多个关键问题：如何提高召回准确率、优化结果排序、确保上下文可信度并减少大模型幻觉。完整的RAG流程包括离线知识入库和在线问答两条链路，涉及查询改写、多Query扩展、混合检索（向量+BM25）、RRF结果融合、重排序等多个优化环节。特别需要关注幻觉控制，通过提高

Agent的记忆机制是多层次的信息管理系统，旨在解决大模型缺乏持久记忆的问题。短期记忆通过滑动窗口保留最近对话，受限于上下文长度；长期记忆存储用户偏好、任务经验等关键信息，借助外部数据库实现持久化，与RAG技术类似但目标不同（RAG补充知识，记忆维持个性化）。复杂Agent可采用三层记忆架构（工作记忆/短期/长期），结合压缩、检索和动态更新，确保连续性。记忆系统的核心是精准管理而非简单堆积，需平衡

本文深入解析了RAG（检索增强生成）系统的完整工程实现链路。系统首先通过分片上传处理大文件存储到MinIO，使用Kafka异步处理解析任务，Tika工具提取多格式文件文本内容。核心环节包括文本切片（采用固定长度+重叠区段）、向量化存储和元数据管理，Elasticsearch同时支持关键词检索和向量相似度搜索。当用户提问时，系统通过向量匹配召回相关文本片段，结合大模型生成回答。文章特别强调工程实践中

今天继续学习 AI Agent，从单 Agent 进一步理解多 Agent 协作设计，重点梳理了 Supervisor、Planner、Executor、Plan-Execute-Replan、ReAct、outputKey、Flux、SSE 和 ChatMemory 等概念，逐步认识到 Agent 项目不仅是调用工具，更重要的是任务规划、状态传递、角色协作与上下文管理。

本文记录了 AI Agent 学习的内容：从昨天的概念理解，进一步进入 Java Agent 项目实战。主要学习了 Spring AI、ChatClient、conversationId 会话隔离、Memory 记忆、RAG 检索增强生成、Vector Store 与 Milvus 向量数据库。同时结合项目中遇到的接口 404、Milvus 连接失败等问题，理解 Agent 工程落地不仅需要大模型

本文从 Java 开发者视角出发，梳理了 AI Agent 的基本概念、核心组成与工作流程。Agent 以大语言模型为大脑，结合 Prompt、Tools、Memory 和 Planning，实现任务理解、步骤规划、工具调用与结果反馈。通过与传统 Java 后端开发对比，可以更清晰地理解 Agent 的工程化价值，也为后续学习大模型 API、Tool Calling、RAG 和 Agent 项目实

本文从 Java 开发者视角出发，梳理了 AI Agent 的基本概念、核心组成与工作流程。Agent 以大语言模型为大脑，结合 Prompt、Tools、Memory 和 Planning，实现任务理解、步骤规划、工具调用与结果反馈。通过与传统 Java 后端开发对比，可以更清晰地理解 Agent 的工程化价值，也为后续学习大模型 API、Tool Calling、RAG 和 Agent 项目实

今天的学习主要围绕 AI 应用开发与 Agent 思维 展开。通过学习，我认识到 AI 不只是聊天工具，而是可以通过 Prompt、上下文、工具调用、知识库和任务规划，完成更复杂的任务流程。结合 Java 基础，我理解到 AI 应用开发并不是放弃后端能力，而是在 Java 工程体系中接入大模型能力。Java 负责接口、业务、数据和部署，AI 负责理解、生成、总结和规划。今天还遇到了 Docker

最近在学习 AI Agent 的过程中，我发现一个很有意思的问题：很多所谓的 Agent 项目，看起来依然是基于 Web 框架开发的，比如 Spring Boot、FastAPI、Vue、React，再接入大模型 API、RAG、工具调用等能力。这让我产生了一个疑问：Agent 不是应该可以自己思考、自己找信息、自己调用工具，甚至像 Codex、Claude Code、Cursor Agent 那

这篇文章记录了我从寒假计划准备实习，到开学后补八股、改简历、海投、面试，再到拿到上海小厂全栈 AI 实习 offer 后选择拒绝的全过程。过程中有焦虑、有自我怀疑，也有对学业、实习和个人成长的重新思考。最后我意识到，找实习不只是为了证明自己，更重要的是找到适合自己的节奏，继续补强 AI、刷算法、写博客，在长期主义中慢慢成长。