当下你说什么最火，肯定是ai agent了。目前正在从单agent系统发展到多agent系统，单agent更适合做具体的事情，有点类似于医院的分诊台，每个科室是一个agent，分诊台将需求分给更专业的单agent。AutoGen 是微软开发的一个开源框架，用于简化多智能体(Multi-Agent)系统的创建和管理。它允许开发者构建能够相互协作、自主决策的智能体(Agent)系统，这些智能体可以处理

在rag流程中，经常会遇到大模型输出慢的问题，比较影响用户体验。在大模型应用中，如何优化大模型输出性能，减少延迟呢，一般有如下准则。以上是几种优化rag流程大模型输出延迟的方案，这些方案的使用成本不同，可以针对具体情况进行使用。参考。

大模型仍在以前所未有的速度进行发展，大模型的应用也在迅速发展，目前大模型使用mcp工具越来越多，比较特殊的一种是让大模型操作浏览器的mcp，因为目前人们接触互联网大多通过浏览器的方式，下面我们来介绍一下browser-use。browser-use 是一个开源的 Python 库，旨在让大型语言模型（LLM）直接控制真实浏览器，实现网页自动化任务。

传统 RAG（Retrieval-Augmented Generation），通过对文本切片向量化，然后召回相似的文本块，来增强大模型的知识。最近MCP爆火，MCP + database作为一种新型的检索增强，也越来越受到人们的关注，今天介绍一种常用的postgres mcp server，说明大模型通过mcp检索的过程。在github上面有大量的mcp server，可以进行下载，postgre

RAG从开始到今天，已经发展了好几年了，它作为一个大模型应用已经广泛落地到很多行业，解决检索和问答的问题。但是随着大模型的发展，大模型的能力越来越强，支持的上下文长度也越来越大，从简单的文本也发展到现在的多模态，人们慢慢觉得是不是RAG已死，今天就探讨下这个问题。不是说RAG已死，而是简单的RAG已死，目前RAG想着更加完善智能的方式进行发展，它慢慢进化为一个完美的agent，帮助客户全方位解决知

RAG从开始到今天，已经发展了好几年了，它作为一个大模型应用已经广泛落地到很多行业，解决检索和问答的问题。但是随着大模型的发展，大模型的能力越来越强，支持的上下文长度也越来越大，从简单的文本也发展到现在的多模态，人们慢慢觉得是不是RAG已死，今天就探讨下这个问题。不是说RAG已死，而是简单的RAG已死，目前RAG想着更加完善智能的方式进行发展，它慢慢进化为一个完美的agent，帮助客户全方位解决知

RAG从开始到今天，已经发展了好几年了，它作为一个大模型应用已经广泛落地到很多行业，解决检索和问答的问题。但是随着大模型的发展，大模型的能力越来越强，支持的上下文长度也越来越大，从简单的文本也发展到现在的多模态，人们慢慢觉得是不是RAG已死，今天就探讨下这个问题。不是说RAG已死，而是简单的RAG已死，目前RAG想着更加完善智能的方式进行发展，它慢慢进化为一个完美的agent，帮助客户全方位解决知

目前市场上大模型agent越来越多，几乎每家公司都在搞，希望通过agent解决实际的业务问题。Agent的重点和难点在于任务的规划，也就是planning，如果任务规划正确，结果大概率正确。其次，每个业务场景对任务出错的容忍度不一样，ToC场景，如果客户觉得不满意，可以再多次使用，或者放弃使用，不会有严重的后果。但是对于医疗、法律、金融等场景，就不太可能接受错误，或者出错会有很大的影响。基于此，可

目前市场上大模型agent越来越多，几乎每家公司都在搞，希望通过agent解决实际的业务问题。Agent的重点和难点在于任务的规划，也就是planning，如果任务规划正确，结果大概率正确。其次，每个业务场景对任务出错的容忍度不一样，ToC场景，如果客户觉得不满意，可以再多次使用，或者放弃使用，不会有严重的后果。但是对于医疗、法律、金融等场景，就不太可能接受错误，或者出错会有很大的影响。基于此，可

在大模型agent领域，比较常见的是ReAct范式，它的核心思想是把推理（Reasoning）和行动（Acting，通常是工具调用）结合起来。LLM 一边输出“思考过程”，一边决定调用什么工具或采取什么行动，再根据观察结果继续推理。而CodeAct的核心思想是让 LLM 输出 可执行代码（而不是自然语言的行动指令），然后在安全环境里执行代码，执行结果再反馈给模型，进入下一轮。虽然CodeAct还有