茶桁.MAMT

正在构建 AI Agent？先掌握这 7 种架构模式

从 RAG、记忆到规划、反思和知识图谱，这些模式支撑着 ChatGPT、Claude Code、Cursor、GitHub Copilot 以及各类企业级 AI 助手。 Agent 不是一段提示词。它是分布式系统：检索信息、调用工具、记住上下文、做多步推理、验证自己的输出，再把一堆专业组件协调起来。今天做 AI 应用，理解这些架构模式已经和懂 REST API、数据库、微服务一样重要。大多数教程把 Agent 讲成一条直线：用户 → LLM → 响应。这条链路应付简单问答没问题。一旦问题需要公司知识库、外部 API、长期记忆或多步推理，它就开始露馅：产生幻觉、忘掉之前的对话、超时，或者在复杂任务上直接失败。原因是，生产环境里的 AI 系统是架构设计出来的，不是靠提示词堆出来的。现代 AI 应用正是把多种模式组合在一起，才做到可靠、可扩展、智能。下面逐一介绍这七种。 1. 检索增强生成（RAG）问题所在 LLM 只知道自己训练时见过的东西，不会自动了解：你公司的文档内部 API 客户合同源代码数据库最新的产品变更文档一变就去微调模型不现实，所以生产系统选择在推理时动态检索相关信息。架构流程用户查询 → 查询重写（可选）→ 向量嵌入 → 混合搜索（向量 + BM25）→ Top-K 检索 → 重排序 → 上下文压缩 → LLM → 最终答案工作原理典型的生产 RAG 流水线分七步：把用户查询转成向量嵌入（Embeddings）。在向量数据库里搜语义相似的内容。把词法搜索（BM25）和向量搜索结合起来。用交叉编码器（Cross-encoder）对检索结果重排序。压缩掉冗余信息。组装最终 Prompt。生成回答。每一步都在提升回答质量，同时省 Token。 ...

RAG vs MCP：驱动现代 AI 系统的隐秘之战

大多数开发者认为构建 AI 系统的核心在于选择模型，但真正的挑战在于理解何时让 AI 获取知识（RAG），何时让 AI 执行操作（MCP）。本文深入剖析两者的区别、互补性以及混合架构的未来。

使用 Python 构建颜色选择器

创建一个从图像像素中选择 RGB 通道的工具

增强深度学习的图像

使用 Python 通过翻转、调整亮度、颜色抖动和随机噪声来增强数据

《茶桁的 AI 秘籍》核心基础——目录

新专栏《AI秘籍》，你所感兴趣的一切

使用 Python 构建交互式图像标记器

使用鼠标或键盘标记图像数据

SHAP 的局限性

SHAP 如何受到特征依赖性、因果推理和人为偏见的影响

使用 Seaborn 热图的 5 种方法（Python 教程）

如何计算 SHAP 特征贡献的概述

从 Shapley 到 SHAP — 数学理解

如何计算 SHAP 特征贡献的概述

银行业数据科学家的 6 条经验教训

为什么我的第一份数据科学工作与我预期的不一样