Node类：双向链表节点，包含key、value、pre（前驱节点）、next（后继节点）；成员变量cache：HashMap<Integer, Node>，key到节点的映射；head/tail：哑节点，作为链表头尾，简化边界操作；capacity：缓存容量。手动实现（第一次解答）：O(1)时间+O(capacity)空间，经典实现，体现LRU核心逻辑，面试/底层开发首选；LinkedHashM

ReAct =Reason（思考） + Act（行动）先分析问题→决定做什么→执行动作→观察结果→根据结果继续思考→直到完成任务。本次RAG+ReAct 智能体重构，是智能体从「能处理简单任务」到「能解决复杂问题」的质的飞跃，核心价值总结：从「固定三步硬编码」升级为「动态思考-行动循环」，具备类人类的分步推理能力，完美适配所有复杂业务场景；结合「检索增强+LLM重排序」的RAG能力，回答精准度+推

传统的RAG知识库检索仅做「纯向量召回」，普遍存在等问题，导致大模型回答内容杂乱、答非所问、信息冗余；本次，通过「混合检索+智能去重+LLM语义重排序+上下文感知」四重核心优化，彻底解决上述痛点，核心价值如下：检索精准度大幅提升：从「粗召回」到「精筛选」，有效过滤无关切片，核心问答准确率提升60%+召回结果去冗余：自动对同文件的相似切片去重，保留同文件相似度最高的有效内容，避免信息重复语义级二次精

本次将改造为原生Function Calling调用，是原智能体项目的核心架构升级，核心价值总结：彻底解决传统Prompt方案的格式解析、决策精准性两大痛点；代码解耦、扩展性极强，支持多工具无缝扩展，适配未来业务迭代；贴合大模型生态标准，模型切换/工具扩展零成本；无缝兼容原项目链路，零侵入改造，生产可直接落地；工具调用成功率、决策精准率大幅提升，智能体问答体验质的飞跃。

回答精准度、相关性远高于传统RAG，无冗余信息干扰；具备决策能力，省算力、降成本，链路更高效；扩展性极强，可无缝新增各类工具，适配复杂业务场景；容错性好，工具调用失败可自动兜底，稳定性更高。🤖Agent智能体问答长期主义选择，开发成本高、但能力强、扩展性好、成本优，适合有中长期规划的业务；📄知识库投喂AI问答短期主义选择，开发成本低、见效快，但能力单一、成本高、扩展性差，适合快速验证、临时使用