10 | RAG 入门——让 LLM 用你的私有知识回答问题
RAG 全流程详解：文档切分策略、Embedding 模型选择、向量检索原理、重排优化、Prompt 注入。每个环节配具体数值和代码示例。
Posts
11 | 高级 RAG 与记忆系统——从能用到好用
超越基础 RAG：Multi-hop 多步检索、Self-RAG 自适应检索、Graph RAG 知识图谱增强，以及 Agent 记忆系统的设计——短期对话记忆、长期知识记忆、记忆压缩策略。
12 | 实战——用 LlamaIndex 构建知识库问答系统
用 LlamaIndex 从零构建一个知识库问答系统：索引技术文档、构建检索链、问答测试，最后接入 MCP Server 让 Agent 通过标准协议访问知识库。完整可运行代码。
13 | 多 Agent 架构——为什么一个 Agent 不够用？
单个 Agent 面对复杂任务时容易出错、上下文爆炸、缺乏专业深度。这篇文章系统讲解 3 种主流多 Agent 架构模式（层级式/辩论式/流水线式），以及 Agent 角色设计原则和职责边界划分。
14 | A2A 协议——Agent 之间怎么通信？
Google 提出的 A2A（Agent-to-Agent Protocol）是 Agent 间通信的标准协议。这篇从 MCP 的局限性出发，讲解 A2A 的核心概念（Agent Card、Task、Message、Artifact）、协议流程、与 MCP 的互补关系，以及实际接入方式。
15 | Harness Engineering——"Agents 不难，Harness 难"
Harness Engineering 是 Agent 工程中最关键也最容易被忽视的层次——设计整个运行环境的约束、反馈循环、工具链编排和质量保障。这篇从概念到实践，讲解如何为 Agent 系统搭建’脚手架’。
16 | 实战——用 CrewAI 构建多 Agent 协作系统
用 CrewAI 框架构建一个’行业研究团队’：研究员搜集资料、分析师整理数据、写作 Agent 撰写报告。从安装到运行，完整演示多 Agent 协作系统的搭建过程，包括角色定义、任务编排、工具配置和 Harness 约束。
17 | 评估方法论——怎么知道 Agent 做得好不好？
Agent 开发不是写完 Prompt 就结束了——怎么评估 Agent 的质量才是生产化的关键。这篇讲解评估维度（任务完成率、工具调用准确率、幻觉率、成本效率）、评估方法（人工 vs 自动 vs LLM-as-Judge）、Ragas 框架的使用，以及如何建立持续评估的闭环。
18 | 安全防护——Prompt 注入、越狱与输出验证
Agent 系统面临的安全威胁比传统软件更隐蔽：Prompt 注入攻击、越狱（Jailbreak）、数据泄露、权限滥用。这篇系统讲解 5 种主要攻击方式和对应的防御策略，包括输入过滤、输出验证、PII 脱敏、权限控制和 Guardrails AI 框架。
19 | 可观测性与数据飞轮——从'能跑'到'越跑越好'
Agent 系统上线后，你需要持续追踪每一步推理和工具调用。这篇讲解可观测性的三个层次（日志/指标/追踪），LangFuse 的使用方式，以及如何从运行日志中构建数据飞轮——筛选高质量轨迹、生成训练数据、微调专用模型，实现’越用越好’的正循环。