架构

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。 ...