A：系统有三重兜底：1. 重试3次；2. 重试失败则自动归档原始消息；3. 压缩后仍超限，强制删除旧消息，避免报错。这套 ERP Agent 记忆系统，核心优势在于「三层防护、分工明确、可落地、易调试」：✅ 支持无限长对话，解决 Token 超限痛点；✅ 关键信息不丢失，结构化压缩+原始归档双重保障；✅ 服务重启自动恢复，无需担心数据丢失；✅ 基于 CLAW、RAGFlow 业界最佳实践，稳定性有

当前问题：滑动窗口机制会直接丢弃早期对话内容，导致LLM无法获取对话前期的关键信息，影响对话连贯性和准确性。

最后用一张图，帮大家梳理普通 LLM 和智能 Agent 的核心区别，记住这张图，就能快速掌握 Agent 的核心原理：普通 LLM：只能回答 → 可能瞎猜 → 一次回答 → 不够准确智能 Agent：能调用工具 → 能验证结果 → 多轮推理 → 更加可靠。

三路融合 > 单一向量检索Source检索确保表名精确匹配动态权重确保重要文档排前面。

RAG（Retrieval-Augmented Generation）作为大模型落地的核心技术，解决了LLM幻觉、知识时效性等关键问题。而RAGFlow作为基于深度文档理解的开源RAG引擎，凭借一体化架构、高性能检索和灵活扩展能力，成为企业级RAG落地的优选方案。本文将从架构拆解、核心代码、实战示例到项目优化，全方位解析RAGFlow，帮你快速上手并应用到实际项目中。📌 本文核心内容：RAGFl

是一个分布式搜索引擎，专门用正排索引（传统数据库）：文档1 → ["库存", "组织", "ID"]文档2 → ["业务", "实体", "ID"]倒排索引（Elasticsearch）："库存" → [文档1]"组织" → [文档1]"ID" → [文档1, 文档2]"业务" → [文档2]"实体" → [文档2]于全文检索。

做过AI Agent开发的同学都清楚，没有记忆系统的Agent就像“金鱼记忆”——每次对话都是全新开始，无法衔接上下文、容易触发Token超限、API成本居高不下。记忆系统的核心价值就是解决这三大痛点：上下文连续性：让Agent记住历史对话，实现连贯交互；Token限制突破：解决大模型（如GPT-4 128K）的上下文长度瓶颈；成本控制：减少每次请求的Token用量，降低API调用成本。

把“是否检索”的决策权从“系统代码”交还给“LLM”。利用LLM强大的语义理解能力，替代普通RAG系统僵硬的“关键词匹配”判断逻辑，让检索更精准、更灵活、更高效。这一设计不仅解决了普通RAG系统的核心痛点，更契合当前行业从基础RAG向检索Agent演进的趋势，其优越性在复杂业务场景中尤为突出，是普通RAG系统无法比拟的。RAG技术的核心是“精准检索+高效生成”，而检索时机的合理判断，是提升RAG系

目标检测中有一个很重要的概念便是IOU，那么什么是IOU？IOU是一种评价目标检测器的一种指标。下图是一个示例：图中绿色框为实际框，红色框为预测框，当我们需要判断两个框之间的关系时，需要用什么指标呢？此时便需要用到IOU。....................................

点开View 第一个 Auto Save Mode一定要✔，这个作用是标注图片后自动保存，不然白白标注咯。W -> 创建标注框。