RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了检索系统和生成模型的技术，用于构建能够回答特定领域问题的智能问答系统。Agent是一个能够自主决定是否需要使用工具的智能体。用户问题 → Agent分析 → 决定是否需要搜索↓ 是调用检索工具 → 获取上下文 → 生成答案↓ 否直接回答（如问候语）Chain是一个固定流程的处理链，总是执行相同的步骤。用

数据分析师：快速探索陌生数据库产品经理：不用写SQL也能查数据开发人员：快速生成查询原型不要在生产数据库上直接用，最好用只读副本添加必要的安全措施和审核机制对于关键业务查询，还是建议人工编写SQL如果你想更深入定制Agent的行为，可以直接用LangGraph的底层API来实现，灵活性会更高。

Tools（工具）是 LangChain 中的核心组件,允许 AI 模型与外部系统进行交互并执行超越文本生成的操作。将工具的输入 schema 传递给 chat model 的 tool calling 功能，模型根据用户输入生成 tool call（包含工具名称和参数）。@toolArgs:"""Args:query } '"Args:query } '"Args:query } '"Args:

使用场景: 当参数只能是几个固定值之一时使用参数将 Pydantic BaseModel 传递给@tool装饰器总是添加描述使用为每个字段添加描述使用 Literal限制参数为特定的枚举值使用 Field 约束如gelemin_lengthmax_length等验证输入提供默认值让可选参数更容易使用使用类型提示如OptionalListDict等表达复杂类型。

数据权限是一种细粒度的权限控制机制，它控制用户能够查看和操作哪些数据。与功能权限（控制用户能访问哪些功能）不同，数据权限关注的是数据行级别的访问控制。方案适用场景Bean名称优点缺点各模块独立配置大中型项目每个模块不同解耦、灵活需要多个配置类公共+业务配置有共享表的项目公共+业务层次清晰稍复杂单一配置小型项目单一简单直接耦合度高✅ 使用方案一（各模块独立配置）✅ 给每个 Bean 起不同的名称，避

Tools（工具）是 LangChain 中的核心组件,允许 AI 模型与外部系统进行交互并执行超越文本生成的操作。将工具的输入 schema 传递给 chat model 的 tool calling 功能，模型根据用户输入生成 tool call（包含工具名称和参数）。@toolArgs:"""Args:query } '"Args:query } '"Args:query } '"Args:

数据分析师：快速探索陌生数据库产品经理：不用写SQL也能查数据开发人员：快速生成查询原型不要在生产数据库上直接用，最好用只读副本添加必要的安全措施和审核机制对于关键业务查询，还是建议人工编写SQL如果你想更深入定制Agent的行为，可以直接用LangGraph的底层API来实现，灵活性会更高。

RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了检索系统和生成模型的技术，用于构建能够回答特定领域问题的智能问答系统。Agent是一个能够自主决定是否需要使用工具的智能体。用户问题 → Agent分析 → 决定是否需要搜索↓ 是调用检索工具 → 获取上下文 → 生成答案↓ 否直接回答（如问候语）Chain是一个固定流程的处理链，总是执行相同的步骤。用