前两篇我们搭建了项目骨架，所有服务都能跑起来了。今天实现第一个完整的功能模块——用户系统。用户系统是几乎所有 Web 应用的基础。用户注册（邮箱 + 密码）用户登录（JWT Token）密码加密与验证登录状态检查与 Token 刷新完整的 API + 前端页面组件说明密码加密bcrypt 哈希存储JWT Token签发/验证/过期注册接口邮箱唯一性检查 + 密码规范登录接口密码验证 + Token

前一篇我们实现了文档上传管理，但上传后的文档还是"死"的——只是存了个文件。今天我们要让文档活起来：解析内容、切分成片段、向量化、存入向量数据库。这是整个产品的核心引擎——文档处理 Pipeline。组件说明文档解析PDF/TXT/MD/DOCX → 纯文本文本切分递归字符切分（chunk_size=512, overlap=128）EmbeddingBGE 模型向量化Qdrant 存储Colle

前一篇实现了文档处理 Pipeline，上传的文档已经变成向量存入了 Qdrant。今天实现面向用户的问答接口——用户提问，从知识库检索相关内容，交给 LLM 生成流式回答。这是整个产品面向用户的最终功能。组件说明检索服务Qdrant 向量检索 + Re-rank 重排序问答 API流式 SSE 输出，支持引用来源对话管理创建/列表/历史/删除前端 Hook流式消息解析 + 加载状态 + 中止对话

AI 应用性能优化和监控完整方案：慢请求定位、LLM 调用缓存、数据库查询优化、Prometheus+Grafana 监控、健康检查接口。

2026 主流 AI Agent 框架全面对比：LangChain/LangGraph/CrewAI/Dify 的能力差异、按场景选型建议、常见坑点。

从零开发 AI 代码审查 CLI：读取 Git diff、调用 LLM 分析安全漏洞/性能问题/代码质量、支持 staged 审查和历史提交审查、可配 Git Hook。

一个轻量 CLI 工具：git add 后运行 aicommit，AI 自动读 diff、生成规范的 Conventional Commit message。支持一键提交和小名配置。

生产级Agent不能只依赖模型边执行边猜。对于多步骤任务，需要一个能够拆解目标、声明依赖、限制风险、校验DAG并在失败后重新规划的Planner。本文不依赖LangChain或LangGraph，从数据模型、提示词协议、JSON解析、计划校验、循环依赖检测、工具白名单、自动修复到执行入口，完整实现一个可运行的Python任务规划器。

生产级Agent不能只依赖模型边执行边猜。对于多步骤任务，需要一个能够拆解目标、声明依赖、限制风险、校验DAG并在失败后重新规划的Planner。本文不依赖LangChain或LangGraph，从数据模型、提示词协议、JSON解析、计划校验、循环依赖检测、工具白名单、自动修复到执行入口，完整实现一个可运行的Python任务规划器。

企业建设AI售前助手时，常见误区是把通用大模型、RAG和Agent当成三个可以互相替代的方案。实际上，通用大模型负责语言理解与生成，RAG负责把内部知识送入上下文，Agent负责规划任务、调用工具和推动流程。本文围绕需求分析、产品匹配、方案生成、报价、投标和审批等售前任务，给出三类能力的边界、组合方式和选型建议。