本文介绍了智能体构建的两种经典范式：ReAct和Plan-and-Solve。ReAct通过"思考-行动-观察"循环动态完成任务，依赖LLM推理能力与工具调用的紧密结合；Plan-and-Solve则采用"先规划后执行"两阶段方法，适合结构化任务。文章详细阐述了两种范式的核心概念、工作原理、实现细节及注意事项，包括环境配置、工具设计、流程控制和常见问题解决方

本文介绍了智能体构建的两种经典范式：ReAct和Plan-and-Solve。ReAct通过"思考-行动-观察"循环动态完成任务，依赖LLM推理能力与工具调用的紧密结合；Plan-and-Solve则采用"先规划后执行"两阶段方法，适合结构化任务。文章详细阐述了两种范式的核心概念、工作原理、实现细节及注意事项，包括环境配置、工具设计、流程控制和常见问题解决方

本文介绍了RAG（检索增强生成）流水线中的关键环节——数据加载与文本分块。在数据加载部分，详细对比了PyMuPDF4LLM、Unstructured等主流文档加载工具的特点和适用场景，重点讲解了Unstructured工具的多格式解析能力。文本分块部分阐述了固定大小分块、递归字符分块、语义分块等策略的原理及适用性，强调分块大小需适应模型限制并保持语义完整性。文章还分析了"块不是越大越好&

🔗教程链接https://datawhalechina.github.io/hello-agents/#/

🔗教程链接https://datawhalechina.github.io/hello-agents/#/

RAG（检索增强生成）是一种结合检索与生成的技术，在LLM生成回答前先检索外部知识库信息，以提高回答的准确性和可靠性。其核心流程包括索引构建、检索相关文档和生成自然语言回答。RAG能解决LLM知识过时、幻觉等问题，具有准确性高、实时性强等优势。适用场景覆盖低中高风险任务，如翻译、法律咨询等。构建RAG系统需要数据准备、索引构建、检索优化和生成集成四个步骤，可使用LangChain、LlamaInd

智能体系统摘要 智能体是能够通过传感器感知环境并自主采取行动以达成目标的实体，包含环境、传感器、执行器和自主性四大要素。智能体演进经历了从反射型到学习型的多个阶段，大语言模型(LLM)的出现赋予其规划推理、工具使用等新能力。智能体系统采用PEAS模型描述任务环境，运行机制遵循"感知-思考-行动-观察"的循环，通过Thought-Action-Observation交互协议实现决

智能体系统摘要 智能体是能够通过传感器感知环境并自主采取行动以达成目标的实体，包含环境、传感器、执行器和自主性四大要素。智能体演进经历了从反射型到学习型的多个阶段，大语言模型(LLM)的出现赋予其规划推理、工具使用等新能力。智能体系统采用PEAS模型描述任务环境，运行机制遵循"感知-思考-行动-观察"的循环，通过Thought-Action-Observation交互协议实现决