记录我对大模型、Agent、RAG 工程和产品落地方法的学习、拆解与实践。
拆解需求挖掘、内容规划、联网搜索、大纲确认与动态写作指令组成的多节点工作流。
从多模型协作、RAG 知识库治理和对话连续性出发，构建能完成需求澄清与推荐转化的导购智能体。
从工具选择、命名空间、上下文返回、Token 效率与描述设计五个方面总结 Agent 工具设计方法。
用通俗方式解释 CPT、SFT、DPO 的作用、训练指标，以及什么情况下值得采用微调方案。
围绕文档预处理、问题重构、检索策略、重排序和知识图谱，系统拆解 RAG 工程优化路径。
解释大模型生成工具参数、程序执行工具和模型整理结果的完整调用链路，澄清常见认知误区。
从长文分步生成、上下文排布、XML 信息分隔和输出约束等方面，拆解工程级提示词的设计方法。
以官方 Filesystem MCP Server 为例，演示文件读写能力，并完整说明 Node.js、客户端和服务配置流程。
解释 MCP 的客户端—服务器架构、工具与函数组成，并用 Claude 和 Cherry Studio 演示公开服务配置。
从自主规划、工具调用、记忆和 ReAct 循环出发，区分真正的 Agent 与预设工作流式 AI 应用。