你一定经历过这样的场景：本地跑得很好的 Agent，一上线就出问题。上下文一长就"失忆"工具调用失败后直接编答案多个 Agent 之间互相调用直到 Token 耗尽一天烧掉几百块 API 费，不知道花在哪Prompt 改了一行，整个系统行为变了，但没法回滚这些问题不是孤立的。你把 LLM 当成了一个确定性的函数调用，但它不是。LLM 是一个概率模型。你给它同样的输入，它可能给你不同的输出。它可能调

回答要点控制在 2 分钟内，聚焦 AI Agent 相关经验结构：教育背景 + 核心技能 + 2-3 个代表性项目 + 当前关注方向突出：用 Java 技术栈落地大模型应用的实战经验，以及医疗健康场景的领域知识示例框架我叫 xxx，拥有 x 年 Java 开发经验，近两年专注于 AI Agent 在垂直领域的落地。我主导设计并落地了两款 AI Agent 产品：一个是面向慢病管理的智能健康助手，支

Advanced RAG 是在 Naive RAG 基础上，增加查询理解、Hybrid Search、Rerank、上下文压缩等优化手段，显著提高检索精度和回答质量。核心优化点优化点作用效果查询理解改写、扩展、分解用户问题提高召回率向量检索 + 关键词检索提高召回率和准确率Rerank对检索结果重新排序提高 Top-k 准确率上下文压缩去掉无关内容减少 Token 消耗，提高回答质量Modular

AI Agent开发的本质不是"写Prompt"，而是设计一个能自主完成任务的系统。核心能力清单MCP协议：标准化工具集成LangChain：快速构建Agent原型RAG：给Agent装上靠谱的大脑监控：让Agent可观测、可调试2026年，Agent开发已经从"科学家玩具"变成"工程师日常工作"。门槛在降低，但天花板还在升高。

"""app/models.py - 请求/响应模型""""""聊天消息""""""聊天请求"""...,description="对话消息列表",None,description="模型名称，默认使用配置中的模型",None,ge=1,le=8192,description="最大生成token数",None,ge=0.0,le=2.0,description="温度参数，控制随机性",Fals

AI Agent（智能体）是能够自主完成复杂任务的AI系统。

MCP = AI 工具的 USB-C——写一个 Server，所有 AI 都能用Python 写 MCP Server 只需 3 行装饰器——FastMCP 极简本地用 stdio，远程用 HTTP——两种传输模式覆盖所有场景工具设计要单一职责——不要让 LLM 猜一个工具多种用途。

用户：写一个 Python 脚本，从 CSV 读取销售数据，计算月度汇总，生成图表普通 LLM：直接写一堆代码（可能缺少依赖、路径写死、图表类型不合适）有思考的 Agent：思考：我需要分几步做这件事步骤1：先看看 CSV 长什么样（调 read_file）步骤2：用 pandas 读取和计算（写代码）步骤3：用 matplotlib 生成图表（写代码）步骤4：跑一遍验证（执行）结果：完整、可运行

LangGraph 是构建 Agent 的工业级方案——告别手写循环核心是「状态图」——节点 = 做什么，边 = 去哪条件边实现路由——根据不同状态走不同分支每个节点独立可测试——符合软件工程最佳实践。

── 定义工具（用 JSON Schema 描述） ──tools = ["description": "获取指定城市的当前天气，包括温度、天气状况和湿度","city": {"description": "城市名称，如 北京、上海"},},"description": "执行数学计算，支持 +、-、*、/ 和括号","description": "数学表达式，如 '23 * 47 + 15 *