按句子智能切分# Markdown 按标题结构切分（更聪明）你的 Java 项目LlamaIndexpgvectortopK: 4Node 的 metadataRAG 来源标注你 Java 项目里手写的 RAG 逻辑,LlamaIndex 全部封装好了,而且多了重排、混合检索、多索引路由这些你项目还没有的进阶能力。

主题一句话本质掌握标准记忆与状态API 无状态,记忆全靠工程精通:能说清短期/长期记忆的分界和各自解法MemGPT上下文=RAM,外存=磁盘,模型自己换页理解思想;知道 Anthropic Memory Tool 是它的产品化mem0提取事实而非存原文,ADD/UPDATE/DELETE 保持记忆库干净精通:能手写 mini 版(实战项目就是)向量检索语义变几何;BM25 补精确匹配的盲区;小块匹

主题一句话本质掌握标准记忆与状态API 无状态,记忆全靠工程精通:能说清短期/长期记忆的分界和各自解法MemGPT上下文=RAM,外存=磁盘,模型自己换页理解思想;知道 Anthropic Memory Tool 是它的产品化mem0提取事实而非存原文,ADD/UPDATE/DELETE 保持记忆库干净精通:能手写 mini 版(实战项目就是)向量检索语义变几何;BM25 补精确匹配的盲区;小块匹

概念本质你该掌握到什么程度CoT把推理摊开成步骤理解原理;知道新模型用替代手写 CoTToT推理变树搜索:生成→评估→回溯能手写"生成N个方案→评估→选优";知道生产中常退化为 Best-of-N 和 Critic 模式ReAct想↔做交替循环精通——它就是你的 05_agent_loop.py;能讲清 prompt 解析(旧)vs 原生 tool use(新)的演进多智能体多个独立上下文的 Ag

按句子智能切分# Markdown 按标题结构切分（更聪明）你的 Java 项目LlamaIndexpgvectortopK: 4Node 的 metadataRAG 来源标注你 Java 项目里手写的 RAG 逻辑,LlamaIndex 全部封装好了,而且多了重排、混合检索、多索引路由这些你项目还没有的进阶能力。

AutoGen = 一个让多个 AI Agent通过对话协同工作的 Python 框架查天气、搜索网页、执行代码调用 API、读写文件、操作数据库没有工具的 Agent 只能"说"，有了工具才能"做"。# 定义工具函数"""查询指定城市的天气信息。"""# 这里用模拟数据，实际可调用真实 API"北京": "晴天，25°C","上海": "多云，22°C","广州": "阵雨，28°C",retu

AutoGen = 一个让多个 AI Agent通过对话协同工作的 Python 框架查天气、搜索网页、执行代码调用 API、读写文件、操作数据库没有工具的 Agent 只能"说"，有了工具才能"做"。# 定义工具函数"""查询指定城市的天气信息。"""# 这里用模拟数据，实际可调用真实 API"北京": "晴天，25°C","上海": "多云，22°C","广州": "阵雨，28°C",retu

RAG = Retrieval-Augmented Generation = 检索增强生成拆成三个词理解：想象大模型是一个博学但健忘、还会瞎编的学霸：RAG 的解决思路——开卷考试：一句话：RAG 就是给 AI 配了一个"可以随时查阅的资料库",让它先查资料再回答,而不是凭记忆瞎答。RAG 分两个阶段,先理解这张图（最重要）：记住这个顺序： ||| 下面逐个拆解每一步。把各种格式的文件读成纯文本。

厂商 SDK + MCP + Agent 框架 完全教程

结合你的 Spring Boot 背景和 AI 开发目标,我把对照和**流式响应(AI 项目核心)**重点标出来。