补强计划。
更新于 2026 年 9 月 27 日。 完成相应实践并确认后,会将条目逐项移入已有能力,并补充项目或验证结果。 以下是持续推进的学习与实践计划。目标是完成可解释、可验证的业务功能,并保留结果作为能力依据。
Spring AI 与 Java AI 框架
重点内容
- ChatClient / ChatModel:模型配置、参数、同步及流式调用。
- Prompt 与结构化输出:映射为 Java 对象,进行业务校验。
- ChatMemory:会话隔离、历史消息与上下文预算。
- Tool Calling:工具定义、参数校验、权限、异常与结果回传。
- Advisor:调用前后处理逻辑和执行顺序。
- VectorStore、RAG、调用观测与效果评测。
完成目标: 用 Spring AI 实现“查询设备状态 + 检索故障文档 + 流式回答”的 Java 服务,能说明关键组件、异常处理和验证结果。
以 Spring AI 为主线;对照了解 LangChain4j 的 AI Services、工具、记忆和 RAG。LangChain4j 是独立的 Java 项目,API 与 Python LangChain 不同。
Python AI 框架
| 框架 | 学习重点 | 计划深度 |
|---|---|---|
| LangChain | 模型、消息、工具、Agent、结构化输出与中间件 | 完成一个工具调用业务 |
| LangGraph | 状态、节点、分支、检查点、人工介入和恢复 | 重点练习多步骤任务 |
| LlamaIndex | 文档接入、索引、检索、重排和数据相关工作流 | 深入 RAG 时选学 |
| Pydantic AI | 类型化工具、输出校验和依赖注入 | 按业务需要了解 |
完成目标: 把小智现有模型与工具调用流程映射到框架组件,完成一个可运行的 Python 应用,并说明哪些逻辑由框架承担、哪些仍由业务代码负责。
当前 LangChain Agent 基于 LangGraph;需要细致的状态与流程控制时,可以直接使用 LangGraph。不要求把所有框架都引入同一个项目。
编程 Agent 源码与架构研究
围绕 Claude Code、Codex、OpenCode,从日常使用进一步深入实现原理与扩展开发。
| 研究对象 | 学习范围 | 实践重点 |
|---|---|---|
| Codex | 官方公开的 CLI、app-server 与 SDK 源码 | 跟踪任务进入、模型调用、工具执行、事件流、会话与权限处理 |
| OpenCode | 开源编程 Agent 的代码与扩展接口 | 梳理模型适配、会话、工具、权限和插件之间的关系,完成一个扩展 |
| Claude Code | 官方文档、公开仓库中的插件与示例代码,以及实际运行行为 | 研究工具使用、上下文、MCP、Hooks、Skills 与子 Agent 的协作方式 |
源码范围: Codex 的公开范围以官方开源组件说明为准。Claude Code 以官方公开资料和可用代码为研究入口;其公开仓库不等于完整核心实现,仓库许可说明保留了相关权利。
重点内容
- Agent 执行循环:接收任务、调用模型、选择工具、回传结果与结束条件。
- 代码搜索、文件编辑、命令执行和测试验证如何组织。
- 上下文构建、会话持久化、压缩与恢复。
- 工具参数、权限、沙箱与人工确认如何配合。
- MCP、Hooks、Skills、插件和子 Agent 的扩展方式,逐项核对各项目支持范围。
- 错误处理、重试、执行预算及运行记录。
- 比较编程 Agent 与 Spring AI、LangGraph 等应用框架的职责和集成方式。
完成目标: 选定版本阅读 Codex 与 OpenCode 的主要执行路径,绘制“用户任务 → 模型 → 工具 → 修改与测试 → 结果”的调用图;结合 Claude Code 官方资料做对照,完成一个工具、插件或最小编程 Agent,并记录验证结果。涉及 Rust 或 TypeScript 的模块,随源码阅读补齐相应语言知识。
完整 RAG 链路
重点内容
- 文档解析、OCR、表格与标题结构处理。
- 切分大小、重叠、上下文保留和来源元数据。
- Embedding 选择、文档与问题的向量化。
- 关键词、向量和混合检索,top-k 与阈值。
- 候选融合、重排和上下文组装。
- 引用溯源、无答案处理、租户与型号过滤。
- 文档更新、删除和重新索引。
完成目标: 使用机器人说明书、故障码和维修资料,完成带出处的问答接口,验证型号隔离、资料更新及无资料场景,并比较检索策略的效果。
现有 RAGFlow 插件已经提供接入入口。抽查实现主要拼接检索片段正文,下一步可以完善来源字段传递、检索参数、权限范围和评测。
RAGFlow 集成与知识库管理
RAG 是检索增强生成的技术模式;RAGFlow 是提供文档处理、知识库管理、检索、问答和 Agent 能力的开源引擎。
重点内容
- 文档上传、解析、切分与索引任务。
- Chat、Embedding、Reranker 的配置与职责。
- 检索测试、重排、引用和数据集权限。
- 检索 / 问答 API,超时、错误和空结果处理。
- 知识更新、重复上传和删除。
- 将知识库检索接入小智的工具调用流程。
完成目标: 用同一批机器人文档接入 RAGFlow,保留出处并处理权限,与自行实现的 RAG 进行效果和集成成本比较。
向量数据库与混合检索
| 产品 | 定位 | 学习安排 |
|---|---|---|
| Qdrant | 向量检索引擎 | 优先使用现有环境,实践集合、向量、Payload、过滤、混合查询和快照 |
| pgvector | PostgreSQL 向量扩展 | 了解 SQL、向量列、距离运算和 HNSW / IVFFlat |
| Milvus | 向量数据库 | 按需求深入集合、索引、加载、过滤和部署 |
| Elasticsearch | 全文与向量检索 | 结合 RAGFlow 学习分词、BM25 和结果融合 |
共同基础: Embedding 向量空间、距离与相似度、近似检索、索引取舍、元数据过滤、更新删除、备份,以及召回质量、延迟和容量评估。
不同 Embedding 模型即使维度相同,也不能默认混用。向量相似不保证资料正确或用户有权访问,检索仍要结合业务过滤。
完成目标: 完成 Qdrant 入库与检索,按租户、型号和固件版本过滤;比较语义检索与混合检索,并验证更新、删除和恢复流程。
现有 Qdrant 与 RAGFlow 的后端选择需要分别确认。本次查阅的 RAGFlow 官方说明使用 Elasticsearch / Infinity 文档引擎,不能默认直接复用 Qdrant。实践时按所选版本核对支持范围。官方说明
多步骤 Agent 的可靠执行
重点内容
- 多步骤规划与明确的业务状态。
- 工具参数校验、服务端权限和幂等。
- 超时、重复请求、部分成功和补偿。
- 人工确认、用户取消、检查点和中断恢复。
- 最大执行步数、时间和费用预算。
完成目标: 实现“查设备 → 检索资料 → 给建议 → 人工确认 → 执行 → 验证”的流程,演示超时、重复请求、人工拒绝与中途重启时的行为。
设备操作先通过模拟工具或隔离测试环境验证,再接入真实业务。
AI 效果评测与持续交付
重点内容
- 检索命中、排序与引用支持情况。
- 工具选择、参数正确性和任务完成率。
- 无答案、错误前提、不同型号及越权请求。
- 首次响应、总耗时、P95 延迟与单次成本。
- 固定评测集、变更回归和人工抽样复核。
- 把质量检查接入发布流程。
完成目标: 起步准备 30–50 个问题或任务,记录基线,每次模型、Prompt 或检索策略变更后用同一批案例比较,并保留失败样例。数量是练习起点,后续按实际问题扩充。
参考:Spring AI 评测、可观测性。
平台治理、观测与恢复
重点内容
- 多模型路由、限流、熔断和降级。
- Prompt 版本管理、审计和成本统计。
- 调用链追踪、集中监控与告警。
- 发布检查、应用回滚及数据库兼容性。
- 备份恢复、容量规划和高可用设计。
完成目标: 完成一次故障定位与恢复演练,说明故障现象、发现方式、影响范围、恢复步骤和验证结果;把已有经验整理成可复现案例。
下一步:查看实践路线。