FastAPI 本身并不直接支持数据库事务。事务处理通常由数据库客户端或数据库驱动程序处理。对于 MongoDB 和 FastAPI，你可以使用。库（MongoDB 的异步 Python 驱动程序）来实现事务。

【代码】FastAPI集成mongodb的增删改查样例。

【代码】python爬虫：模拟网站登录，获取指定页面信息。

embed()：随机向量 → Ollama 语义向量，检索准确率大幅提升generate()：模板字符串 → 真实大模型，回答质量质的提升好的代码分层，让替换组件变得极其简单。下一篇引入 ChromaDB，把向量持久化到磁盘，同时增加文档来源追踪（metadata）。

本文介绍了如何实现真正的ReAct Agent，对比了工具调用与Agent的本质区别。文章指出ReAct（Reasoning+Acting）的核心在于让LLM在行动和推理间交替进行，形成动态决策轨迹。通过StateGraph构建循环结构，包含"think"和"act"两个节点，并详细说明了Prompt设计要点：强制格式输出、历史轨迹追踪和JSON参数规范。最

本文介绍了如何利用LangChain重构RAG系统并实现多轮对话功能。文章是系列教程的第4篇，主要内容包括： 使用LangChain替代手写组件，通过标准接口简化开发流程，提升可维护性 新增文档切片功能，采用RecursiveCharacterTextSplitter按语义分割长文本 引入LCEL语法，用管道操作符"|"串联检索、提示词生成和LLM调用等组件 实现多轮对话记忆功

本文介绍了如何使用LangGraph构建多步推理的RAG工作流，通过状态图模型解决传统线性流程的局限性。文章首先分析前4篇线性RAG的不足（如无效检索、模糊查询等问题），提出将流程建模为有向图。核心概念包括：State（共享状态）、Node（纯函数节点）和Edge（条件分支边）。作者展示了包含问题分析、检索评估、扩展检索等关键节点的完整工作流，并提供了Query Rewriting等优化技巧的代码

embed()：随机向量 → Ollama 语义向量，检索准确率大幅提升generate()：模板字符串 → 真实大模型，回答质量质的提升好的代码分层，让替换组件变得极其简单。下一篇引入 ChromaDB，把向量持久化到磁盘，同时增加文档来源追踪（metadata）。

本文介绍了多智能体RAG系统的实现方法，基于CrewAI框架的核心思想。主要内容包括： 多智能体的必要性：相比单智能体，多智能体分工协作能提高复杂任务的处理质量，如检索专家、分析师和回答专家各司其职。 CrewAI框架核心概念： 4个核心组件：Agent（角色+目标+工具）、Task（任务描述）、Crew（团队组合）、Process（执行模式） 两种执行模式：顺序模式（任务串行）和层级模式（管理者

本文用~80 行纯 Pythonembed()：文本 → 向量：存储 + 检索向量generate()：Prompt 构造 + 大模型调用下一篇将把embed()和generate()替换为真实的 Ollama 本地模型，让检索结果真正有语义。