在电商与社交场景下，评论文本的自动分类（投诉分流、虚假评论检测、广告/骚扰识别）是典型的低算力、高并发、低延迟业务需求。本文分享一个完整的落地实践：以 bert-base-chinese 为教师模型完成多任务微调，再通过知识蒸馏将知识迁移到轻量 BiLSTM 学生模型，并辅以 INT8 动态量化进一步压缩。最终在保持精度的前提下，模型体积压缩约 3 倍、推理速度提升约 6 倍、高并发吞吐提升 17

前三篇文章分别从架构总览、ReAct 推理链路、A2A/MCP 协议层三个维度，拆解了 SmartVoyage 智途的"智能"部分。但在实际生产环境中，一个 AI 系统能不能用、好不好用，往往取决于那些"不那么性感"的工程细节：同一个问题问两次，要不要每次都调 LLM？（缓存）用户上一轮说"我要二等座"，下一轮 Agent 还记得吗？（记忆）11 个容器怎么编排？API Key 怎么注入？SSE

本文深入SmartVoyage智途v7.8的A2A协议层与MCP工具层，从AgentCard能力声明、A2AServer任务状态机，到MCP工具注册、LangChain Agent桥接、以及底层SQL/向量检索的完整链路。全文基于源码逐行展开，揭示三个子Agent（天气/票务/行程）是如何实现"配置驱动、即插即用"的。

AI旅游智能体系统SmartVoyage架构解析 SmartVoyage是一个基于多智能体协作的旅游AI系统，支持机票、火车票、天气等多场景服务。其核心采用六层架构： API网关层：提供同步/异步/流式接口 业务入口层：门面模式隔离多用户会话 推理核心层：实现意图识别→任务规划→ReAct循环→结果合并的完整链路 A2A服务层：标准化Agent间通信协议 MCP工具层：封装SQL查询等基础能力 数