记忆系统的核心不是 “存储”，而是 “精准的读、写、注入”，无注入的记忆只是无效的日志，无法为模型推理提供支撑；结构化是记忆系统的基础，无论是会话记忆还是用户画像，字典化 / 字段化存储是后续更新、读取、压缩的前提；短期记忆是大模型应用的 “标配”，长期记忆是 “增值项”，落地时需先做好短期记忆，再根据业务需求迭代长期记忆；提示词设计需贴合业务 + 适配模型，拒绝生搬硬套通用模板，同时按能力拆分场

核心逻辑：编排是 “把事做对”，通过合理分工和并行处理实现复杂功能的高效执行；评估与优化是 “把事做好”，通过结构化审核和迭代让 AI 输出更符合需求，二者结合是 AI 软件从 “能跑” 到 “好用” 的关键。工程化核心思维结构化设计：从任务拆解到结果输出，所有环节的输入、输出均需标准化，这是 AI 协作和质量管控的基础；鲁棒性优先：真实环境中需提前预判错误（超时、报错、资源耗尽），通过并发控制、

RAG（检索增强生成）并非单一函数，而是通过 “先检索知识库相关片段，再将片段与问题结合喂给大模型” 的技术方案，核心是解决大模型训练数据滞后、知识不可追溯的痛点，让生成结果既精准又有依据。RAG 的核心是 “两条流水线协同”：离线构建高质量知识库（切分 + 向量化），在线精准检索 + 约束生成，二者缺一不可；参数调试是落地关键：通过单一变量法 + 二分法试错，无固定最优值，需结合知识库体量和业务

LangChain 的核心设计思想是模块化与标准化：通过拆分核心功能为独立组件（模板、模型、解析器），并基于统一的 Runnable 接口和 LCEL 管道符实现灵活组合，大幅降低大模型应用的开发门槛。代码实践关键要点：消息列表中 SystemMessage 必须置于首位，变量注入需保证占位符与参数一一对应；模型密钥优先从环境变量读取，避免硬编码泄露；结构化输出需明确 Schema 定义，结合 L