从ReAct的即时决策，到的全局规划，再到Reflexion与的自我进化，Agent 设计模式正朝着更自主、更可靠的方向发展。简单任务首选ReAct（成本低、速度快）。复杂工作流采用（可控性强）。高可靠性需求场景（如代码、事实问答）务必引入Reflection机制。未来的 Agent 架构将是这些模式的混合体：一个具备长期记忆（Reflexion）、能全局规划（Plan-and-Execute）、

注意：这里的QK相乘，会得到注意力分数矩阵，这个矩阵里面，每个token只关注自己所在的一行，如果没有位置信息，这个顺序你随意变换是没有任何影响的，有了位置信息你变换位置计算的注意力分数矩阵就会不一样。然后把 "I love" 再喂进去，算出 "AI"。如果位置 1 没预测对 "love"，梯度会传回，调整 WQ​,WK​ 等，让 "I" 的向量表示在未来能更倾向于关联到 "love"。，通过反向

从ReAct的即时决策，到的全局规划，再到Reflexion与的自我进化，Agent 设计模式正朝着更自主、更可靠的方向发展。简单任务首选ReAct（成本低、速度快）。复杂工作流采用（可控性强）。高可靠性需求场景（如代码、事实问答）务必引入Reflection机制。未来的 Agent 架构将是这些模式的混合体：一个具备长期记忆（Reflexion）、能全局规划（Plan-and-Execute）、

Ragas是一种自动化评估检索增强生成(RAG)系统的框架，结合了大语言模型(LLM)和嵌入模型的优势。它通过四个核心指标进行评估：1)忠实度(Faithfulness)检查答案是否基于上下文；2)答案相关性(Answer Relevancy)衡量回答与问题的匹配度；3)上下文精确性(Context Precision)评估检索内容的相关性；4)上下文召回率(Context Recall)检测关键