今天梳理了 Workflow 与真正 Agent 的区别，并重点学习 ReAct、Plan-and-Execute、Plan-Execute-Replan 等推理模式。真正的 Agent 不只是调用工具，而是能理解目标、拆解任务、观察结果并动态决策下一步。

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

今天继续学习 Agent 开发，在前几天理解 Prompt、Tool、Function Calling、RAG 等基础概念的基础上，进一步梳理了 RAG 检索增强流程、Chunk Size 与 Overlap 的作用、ReAct 的推理与行动机制，以及 ChatMemory、sessionId 和最近窗口加载在多轮对话中的意义，逐步理解智能体如何结合外部知识、工具调用和上下文记忆完成任务。

很多人刚开始做 AI 应用时，最容易忽略 Token 限制：以为只要把用户问题、历史记录、知识库内容、工具返回结果全部塞给大模型，回答就会更聪明。但真正做 RAG、Agent、多轮对话之后才会发现，Token 不是越多越好，而是一个必须精细管理的“上下文预算”。本文从 Token 的本质、为什么要限制 Token、RAG 和 Agent 中 Token 爆炸的常见场景、工程落地策略，以及 Spri

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

很多人学习 Multi-Agent 时，总把注意力放在 Planner、Executor、Replanner 等角色上。但真正落地项目后会发现，最大的难点其实是状态管理：用户输入、执行计划、工具结果、错误信息如何在多个 Agent 之间传递和共享。本文结合 Spring AI Alibaba 多 Agent 实践，聊聊 OverallState、Prompt、Memory、DAG 与 Replan

本文围绕多 Agent 编排展开，分析了单 Agent 在复杂任务中的局限，包括职责混乱、工具调用不可控、上下文过长和失败难恢复等问题。随后介绍了 Workflow、DAG、Supervisor、Planner-Executor-Replanner、Swarm/Handoff 等常见编排模式，并结合 Java / Spring AI 项目说明多 Agent 编排在代码中的落地方式。多 Agent

本文探讨了Agent项目中通信协议的核心问题，指出Agent不仅是调用大模型，更需要连接外部工具和系统。文章对比了MCP和A2A协议：MCP解决Agent与工具/数据源的标准化连接，通过MCPServer暴露工具能力；A2A则专注于Agent间的协作通信。同时分析了SSE、StreamableHTTP等传输方式的特点，说明大模型网关在企业级场景中的治理价值。最终强调Agent项目的本质在于建立连接

本文总结了AI Agent项目的系统化认知，从单一技术点转向整体架构设计。关键点包括：1) Multi-Agent协作需明确角色分工（Planner/Executor/Supervisor/Replanner）；2) 共享状态实质是结构化上下文记录；3) 需建立Replan机制处理工具失败/结果不足等异常；4) 通过Prompt约束、工具校验、RAG引用等组合方案降低幻觉；5) Skill与RAG

本文系统探讨了Agent如何通过Skill机制将任务处理能力沉淀为可复用的;技能包;。Skill不同于单纯的Prompt、Tool或Workflow，它是一套包含任务规范、执行流程、示例脚本和注意事项的完整能力封装，能够指导Agent稳定处理特定类型任务。文章通过项目分析案例，对比了Skill与FunctionCalling、ToolUse、MCP等技术的区别，指出Skill的核心价值在于将隐性经