本文是"AI Agent落地：业务系统智能化改造"系列第六篇，聚焦RAG（检索增强生成）技术。文章首先指出常见RAG系统效果不佳的原因在于将其简单视为"向量库+TopK检索"，而实际上RAG是多环节管线的组合优化。全文系统介绍了RAG的定义、演进历程、核心组件、方案选型和常见优化方向。重点剖析了从Naive RAG到Advanced RAG（7层管线优化）再到Agentic RAG（动态检索决策）

本文探讨了AI Agent编排的核心问题，指出框架选择并非关键，关键在于对编排模式的理解与实践。首先通过厨具与菜谱的类比，阐明编排（流程设计）比框架工具更重要。其次分析了Workflow与Agent的区别，指出大多数生产系统处于两者之间的混合态。文章重点介绍了七种编排模式（如Prompt Chaining、Routing等）及其适用场景，并强调生产环境需解决的会话管理、错误处理等实际问题。最后提出

这篇文章是系列文章的第一篇，聚焦如何构建生产级AI Agent应用的关键考量。文章指出从Demo到生产的核心挑战在于工程细节而非技术难度，主要分为三部分： 需求定位：强调Agent应作为业务流程参与者而非问答机器，需明确替代哪些人工环节，将人的角色从执行者转为决策者。 架构设计： 提出分层架构（意图理解→执行引擎→结果验证） 重点对比Workflow与Agent的适用场景：确定性流程用Workfl

这篇文章是系列文章的第一篇，聚焦如何构建生产级AI Agent应用的关键考量。文章指出从Demo到生产的核心挑战在于工程细节而非技术难度，主要分为三部分： 需求定位：强调Agent应作为业务流程参与者而非问答机器，需明确替代哪些人工环节，将人的角色从执行者转为决策者。 架构设计： 提出分层架构（意图理解→执行引擎→结果验证） 重点对比Workflow与Agent的适用场景：确定性流程用Workfl