向量数据库（Faiss、Milvus、Chroma）的索引机制

向量数据库的索引机制，是用于快速检索相似向量的核心技术，本质是通过对向量进行组织、排
序，减少检索时的计算量，提升检索速度；HNSW、IVF_FLAT、IVF_PQ是三种主流索引，Faiss、Milvus、
Chroma均支持这三种索引，但适配场景不同；高并发、大数据量（百万级以上）RAG场景，核心需求是
“检索速度快（响应时间＜500ms）、准确率高（召回率＞85%）”，需结合索引特性设计策略。

一、为什么很重要

百万级以上文档对应的向量数量庞大（百万级甚至千万级），若采用无索引或不合适的索引，检
索时需遍历所有向量，计算量极大，导致检索延迟过高（＞1s），无法满足高并发需求；若仅追求速度，
选用精度较低的索引，会导致检索召回率下降，影响RAG生成效果。因此，需明确三种索引的差异，结合
场景设计策略，平衡速度和准确率。

多Agent调用调度策略

一、多工具调用调度策略设计

• 意图路由调度: 基于意图理解结果，匹配工具库中的工具类型，过滤无关工具，缩小候选范围（如查
  询任务匹配检索工具，计算任务匹配计算器工具）。
• **工具的拓扑排序：**分析工具间的依赖关系（如先检索数据、再计算、最后生成），构建有向无环图
  （DAG），按拓扑顺序串行执行依赖工具，无依赖工具并行执行，降低延迟。
• **工具的优先级：**划分工具优先级：核心工具（必选）优先调用，辅助工具（可选）延后调用；高优先级
  任务抢占资源，保证核心任务执行。
• **参数的提前校验：**调用前校验工具入参是否完整、合法，提前拦截无效调用，避免资源浪费；缺失参数
  则主动反问用户补充。
• **动态并发控制：**根据系统负载、工具QPS限制，动态调整并发调用数量，防止超出工具接口限流阈
  值。

Embedding模型微调

基本步骤

1. 数据准备：采集半导体领域的生僻术语相关数据，构建样本集：

• 正样本对：生僻术语与对应的解释（如“晶圆键合工艺-通过高温高压将两片晶圆连接的工艺”）、生僻术语的不同表述（如“晶圆键合-晶圆贴合”）；
• 负样本对：生僻术语与无关术语（如“晶圆键合工艺-芯片封装”）、生僻术语与错误解释；样本量：至少采集1000组正样本对、500组负样本对，确保样本的多样性和有效性。

2. 数据预处理：对样本进行清洗、标注，将生僻术语和解释进行分块，归一化处理适配模型输入，同
   时标注术语的领域标签。
3. 微调训练：基于开源Embedding模型（如BGE-large），采用对比损失函数（Contrastive Loss），冻结模型底层基础层（前8层），仅训练顶层适配层（后4层），减少训练成本和过拟合；训练参数：学习率1e-5，批次大小32，训练轮次10-15轮。
4. 效果验证：通过“语义相似度计算、RAG检索召回率”验证，若生僻术语的检索召回率低于80%，则增加样本量、调整训练参数，重新微调。

LlamaIndex 中最具借鉴价值的五点

这是AI帮我总结出来LlamaIndex 中最具借鉴价值的五点

✅ 亮点 1：分层索引（Hierarchical Indexing） + 父子文档检索（Parent-Child Chunking）

🔍 LlamaIndex 做法：

• 将文档切分为 小块（child nodes） 用于精确检索；
• 同时保留 大块（parent nodes，如整段/整页） 作为上下文容器；
• 检索时先找最相关的 child，再返回其 parent 作为上下文，避免信息碎片化。

Agent的五种设计模式

前言：当 AI 需要“三思而后行”

现在的 AI 已经不仅仅是聊天机器人了。当我们让 AI 去订机票、分析财报或者修 Bug 时，我们其实在要求它像人一样工作。

人类解决问题通常不是靠“灵光一现”（虽然有时候是），而是靠逻辑推演、工具使用、自我反省和分工合作。这就是 Agentic Design Patterns（智能体设计模式）的由来。

在 LangChain 生态中，构建 Agent 早已不是简单的 LLMChain，而是进入了 LangGraph 的时代。今天我们用最通俗的方式，聊聊构建稳健 AI Agent 的 5 种核心设计模式。