本文为 RAG（Retrieval-Augmented Generation，检索增强生成）智能检索问答系统的完整实现教程。第一天：搭建基础环境（Azure OpenAI、Milvus），配置 config.yaml，定义核心客户端；第二天：实现文档处理（读取、分块、生成向量），将文档存入 Milvus 向量库，可查看库中数据；第三天：实现 RAG 问答（问题向量生成、语义检索、GPT 回答），完

成功配置并连接了 Azure OpenAI 服务。实现了文本向量生成与大模型对话功能。同时完成了 Milvus 向量数据库的连接验证。本文开始，我们正式进入 RAG 架构的核心环节 ——文档处理与向量入库。这一步是 AI 知识库能够理解并应用文档知识的关键，我们会将本地的文本文件，转化为向量数据并存储到 Milvus 中，让静态的文档变成 AI 可以快速检索、调用的知识资源。向量库就像给每段文字做

接下来打算用几篇文章来演示一个知识库Agent平台的搭建。把它当成一个“项目”来做。

接下来打算用几篇文章来演示一个知识库Agent平台的搭建。把它当成一个“项目”来做。

本篇我们基于第四篇的实战代码，完成了Azure Agent的进阶优化，实现了「批量处理文件」「Excel格式保存结果」「实时进度提示」三大核心功能，复用了前四篇的Azure配置、核心工具和架构逻辑，代码可直接运行、容错性强，完美解决了职场中批量文件处理效率低、结果统计不便的痛点，让Agent从“单次处理”升级为“高效办公助手”。

上一篇我们成功升级了Azure Agent，实现了「多工具支持」和「多轮记忆」两大核心功能，摆脱了“单一文本总结、无上下文记忆”的局限，让Agent从基础工具升级为实用型智能助手，同时掌握了Agent的模块化扩展逻辑——通过工具映射字典，可灵活新增功能，无需重构核心代码。这一篇我们进入「实战落地」阶段——结合职场高频需求，基于上一篇的模块化架构，打造一个能直接用的办公助手型Agent，核心实现3个

上一篇我们成功跑通了第一个基础Azure Agent，核心实现了「文本总结」单一功能，只能处理纯文本输入，且无法记住上下文、不能扩展其他功能，只能满足最基础的使用需求。这一篇我们直接对Agent进行升级，摆脱“单一功能、无记忆”的局限，打造一个真正能用的实用型Agent，全程复用已有的Azure GPT-4模型和azure_config.json配置文件，代码可直接复制运行，无需额外配置，新手也能

上一篇我们完成了Azure国际版环境准备和Agent核心认知，明确了Agent的四大模块、三层生态，以及Azure国际版对Agent的核心支撑，同时确认了已有的GPT-4模型可作为Agent的核心决策驱动。这一篇将进入实操核心：搭建第一个可运行的极简Agent。作为入门，我们不追求复杂功能，先实现“指令解析→任务执行→结果反馈”的闭环，核心依托Azure OpenAI的GPT-4模型实现任务规划，

本文属于。本文属于。接上文。

本文属于。本文属于。接上文。