AI应用开发
RAG系统构建、向量数据库(Chroma/Qdrant/Pinecone)、LangChain/LlamaIndex框架、AI Agent架构设计、Prompt Engineering进阶
共 7 篇文章
Graph RAG 进阶实战：使用 Microsoft GraphRAG 构建企业级知识图谱检索系统
传统 RAG 只能做向量相似匹配？Graph RAG 让你实现多跳推理、实体关联和全局主题检索，2026 年企业级知识库的必备架构。本教程带你从零开始构建支持图文混合检索的企业级知识库。
LlamaIndex 1.0 新特性实战：Agents 工具编排与查询引擎路由
使用 LlamaIndex 1.0 Workflows 构建事件驱动的智能数据应用，实现多引擎查询路由与 Agent 工具动态编排。包含 5 个实战步骤，从环境搭建到生产部署完整覆盖。
2026 年大模型应用开发新范式：使用 LangGraph 4.0 构建状态化多 Agent 协作系统
LangGraph 4.0 标志着 AI 应用开发进入新阶段：用图状控制流替代线性提示词链。本文通过多 Agent 内容审核系统实战，详解强类型状态定义、节点函数设计、条件路由、人类审核介入、状态持久化等核心概念，助你构建生产级 AI 系统。
多模态 RAG 系统实战：使用 LangChain4j 构建支持图文混合检索的企业级知识库
本教程使用 LangChain4j+Google Gemini+PgVector 构建企业级多模态 RAG 系统，支持 PDF 文档解析、图像描述生成、文本 + 图像混合语义检索。涵盖环境搭建、向量化流水线、检索 - 生成流水线、混合检索 + 重排序等最佳实践，帮助 Java 开发者快速掌握 202...
LangGraph 状态机实战：使用图结构编排复杂 AI Agent 工作流与多轮对话系统
突破传统线性管道限制，通过显式状态管理和条件边实现可循环、可调试、生产级的智能代理系统。掌握 LangGraph 核心概念：状态（State）、节点（Node）、边（Edge），构建自修正 Agent 系统。
RAG 系统评估优化实战：使用 RAGAS 框架量化检索质量与生成准确性
深入解析 RAGAS 六大核心指标，构建可量化的 RAG 系统评估体系，通过 LLM 驱动的自动化测试将检索准确率提升 40%、生成忠实度提升 35%
LangGraph 0.2 实战：构建带记忆与工具调用的状态化 AI Agent 工作流
从状态图设计到持久化执行，手把手打造生产级 AI Agent 架构。涵盖 TypedDict 状态定义、节点函数、工具调用、检查点存储、人类介入和流式输出等核心特性。