创建订单时，请求体通常不是一个简单字符串，而是一段结构化 JSON，比如用户 ID、商品列表、收货地址。这种数据适合用 Pydantic 模型来描述。app = FastAPI(title="订单服务", version="1.0.0")product_id: int = Field(..., gt=0, description="商品 ID")quantity: int = Field(...,

如果一个任务步骤非常固定，我通常不建议一上来就用 Agent。因为 Agent 的特点是自主决策，而固定流程更需要稳定。用户输入文档↓提取重点↓生成摘要↓输出待办事项这种场景就适合 Workflow。请根据以下关键信息，生成一段 300 字以内的摘要。关键信息：{{上一步节点输出}}要求：1. 语言自然。2. 先说结论，再说细节。3. 不要加入原文没有的信息。实际在 Dify 里，变量需要从节点输

如果一个任务步骤非常固定，我通常不建议一上来就用 Agent。因为 Agent 的特点是自主决策，而固定流程更需要稳定。用户输入文档↓提取重点↓生成摘要↓输出待办事项这种场景就适合 Workflow。请根据以下关键信息，生成一段 300 字以内的摘要。关键信息：{{上一步节点输出}}要求：1. 语言自然。2. 先说结论，再说细节。3. 不要加入原文没有的信息。实际在 Dify 里，变量需要从节点输

Markdown 的语法并不复杂：标题、列表、代码块、表格、引用、链接、图片、脚注，都是很容易掌握的基础能力。但当它和 AI 提示词结合起来时，价值会被放大。因为提示词的核心不是“把话说得漂亮”，而是“把任务说得清楚”。Markdown 恰好提供了一套轻量、直观、可复制的结构，让我们可以把角色、目标、上下文、约束、输入和输出拆开写明白。如果把 AI 模型看成一个能力很强但需要明确指令的协作者，那么

Markdown 的语法并不复杂：标题、列表、代码块、表格、引用、链接、图片、脚注，都是很容易掌握的基础能力。但当它和 AI 提示词结合起来时，价值会被放大。因为提示词的核心不是“把话说得漂亮”，而是“把任务说得清楚”。Markdown 恰好提供了一套轻量、直观、可复制的结构，让我们可以把角色、目标、上下文、约束、输入和输出拆开写明白。如果把 AI 模型看成一个能力很强但需要明确指令的协作者，那么

MCP（Model Context Protocol）是Anthropic推出的开放标准，旨在标准化大模型与外部工具之间的交互。它解决了AI工具集成中的"M×N"适配问题，通过统一协议实现一次开发、多处使用。

这篇文章围绕 RAG 技术的演进展开，介绍了普通 RAG 从文档解析、切片、Embedding、召回、重排到大模型生成的完整流程，并分析了它在复杂推理、跨文档关系理解等场景中的局限。

这篇文章围绕 RAG 技术的演进展开，介绍了普通 RAG 从文档解析、切片、Embedding、召回、重排到大模型生成的完整流程，并分析了它在复杂推理、跨文档关系理解等场景中的局限。