持续积累的知识资产——术语表、推荐阅读、工具清单。帮你快速查找和回顾。
企业级智能体领域的核心术语，简明定义。
能够感知环境、做出决策并采取行动自主完成目标的 AI 系统。不同于 Chatbot，Agent 可以调用工具、记住上下文、规划步骤。
"思考→行动→观察"的循环模式。模型先推理出需要做什么（Thought），然后执行（Action），再根据结果调整（Observation）。几乎所有 Agent 框架的核心。
在 LLM 生成回答前，先从知识库中检索相关文档作为上下文注入。解决模型知识过时和幻觉问题，但检索质量直接决定系统上限。
Anthropic 提出的标准化工具接入协议。将工具抽象为 Resource + Tool + Prompt 三个原语，MCP Server 提供，MCP Client 消费。正在成为行业标准。
Google 提出的 Agent 间通信标准。解决不同厂商的 Agent 如何发现彼此、协商任务、交换结果的问题。与 MCP 互补（MCP 管工具，A2A 管通信）。
LLM 在生成文本时输出结构化工具调用参数的能力。模型不直接执行函数，而是输出一个 JSON 格式的调用请求，由系统去执行。
将文本转换为固定长度的数值向量，语义相近的文本在向量空间中距离更近。用于语义搜索、聚类、分类等任务。
将长文档切分成小段的过程。分块策略（固定大小/语义边界/递归切分）直接影响 RAG 系统的检索精度。
对初步检索结果进行二次精排的过程。常用 Cross-encoder 模型对查询和文档逐对计算相关性分数，精度高于向量检索但速度较慢。
Human-in-the-Loop，在 Agent 的关键决策点引入人工审核。常见模式：审批工作流、异常处理、边界案例标注。
攻击者通过构造特殊输入，诱导 LLM 忽略系统指令或执行非预期操作。分直接注入（用户输入越狱）和间接注入（外部内容污染）。
Agent 调用外部工具（API、数据库、搜索引擎等）的能力。核心问题不是"能不能调"，而是"什么时候调、调哪个、结果怎么用"。
精选的官方文档、论文和教程——帮你少走弯路。
Anthropic 官方 Agent 构建指南。从设计原则到实现模式的系统性文档，是入门 Agent 开发的最佳起点之一。
LangChain 官方的 RAG 系列教程，覆盖从基础分块到高级检索优化的完整技术栈。
RAG 技术的系统综述，覆盖 Retriever、Generator、Augmentation 三个维度的技术演进。适合建立 RAG 知识体系。
Agent 系统安全设计的官方指南，覆盖 Prompt 注入防护、数据隔离、权限控制等核心主题。
MCP 协议官方规范文档。如果你要开发 MCP Server 或 Client，这是最权威的参考资料。
DSPy 框架的核心论文，提出用编译器方法优化 LLM Pipeline，而非手写 Prompt。对理解 Agent 系统的自动化优化有重要启发。
网站中提到和推荐的主流程架与工具。
有状态图编排框架，适合复杂工作流和多步推理场景。
角色化多 Agent 协作框架，适合团队模拟和内容生产场景。
可视化 LLMOps 平台，适合快速原型和非技术团队参与。
微软对话式多 Agent 框架，适合代码生成与研究实验。
标准化工具接入协议，正在成为行业标准。
声明式 LLM Pipeline 编译器，用优化替代手写 Prompt。
LLM 可观测性平台，支持 Tracing、评估与监控。
开源 Embedding 数据库，适合 RAG 系统的本地部署。
本地 LLM 运行工具，适合开发和测试场景。