Agent-MindPalette

MindPalette 博主等级

行动起来，活在当下

累计撰写 182 篇文章
累计创建 41 个标签
累计收到 0 条评论

目录CONTENT

以下是 Agent 相关的文章

2026-06-29
top-k和top-p的区别 top-k 与 top-p 学习笔记这两个概念经常被混在一起问，但它们属于不同阶段、含义不同。最大的混淆点是：top-k 在检索和生成两个阶段都有，而 top-p 只在生成阶段。本笔记把三者彻底分清。一、核心混淆点 top-k 在两个阶段都有: 检索阶段 top-k: 取相似度最高的 k
- 2026-06-29
- 1
- 0
- 0
- Agent
2026-06-29
rag-agentic Agentic RAG 把检索做成 Agent 的一个工具，由 LLM 自己决定何时检索、用什么词检索。本质是 ReAct + RAG 的结合。一、核心思想 Naive RAG 每次都检索，但有些问题不需要检索（如"你好""现在几点"）。Agentic RAG 把检索做成工具，LLM 像人一样判断
- 2026-06-29
- 1
- 0
- 0
- Agent
2026-06-29
RAG总结 RAG 三种范式总结对比 Naive / Agentic / Advanced 三种 RAG 范式，理清演进逻辑、适用场景与选择方法。一、对比总览 Naive RAG Agentic RAG Advanced RAG 核心检索 → 拼 prompt → 生成检索作为工具，LLM 决策三段式
- 2026-06-29
- 0
- 0
- 0
- Agent
2026-06-29
rag-advanced Advanced RAG 在 Naive RAG 基础上，针对"检索质量"做系统优化。核心是三段式：检索前改写、检索中多路、检索后重排。追求生产级准确率。一、核心思想 Naive/Agentic RAG 的检索质量受限于：用户原话未必是好的检索词单路向量检索召回不全向量相似度 ≠ 真正相关（
- 2026-06-29
- 2
- 0
- 0
- Agent
2026-06-29
RAG经典范式 Naive RAG（经典 RAG） RAG 的最基础形态。所有 RAG 变体的底子，先吃透它，再看其他范式都是在这之上做优化。一、核心思想 LLM 不知道的事（实时信息、私有文档），先从文档库里检索相关内容，拼进 prompt，让 LLM 基于检索结果回答。用户问题 → 检索相关文档 → 拼进
- 2026-06-29
- 0
- 0
- 0
- Agent
2026-06-29
RAG学习笔记 RAG 学习笔记记录 RAG（Retrieval-Augmented Generation，检索增强生成）的完整流程、三种范式、以及生产级 RAG 的优化手段（query 改写、多路检索、rerank）。配带数字的完整例子，便于理解每一步"谁和谁比、比出什么"。一、为什么需要 RAG LLM 的
- 2026-06-29
- 0
- 0
- 0
- Agent
2026-06-29
function-calling-mcp Function Calling 与 MCP 学习笔记这两个概念经常一起出现，但属于不同层次。Function Calling 是 LLM 的底层能力，MCP 是工具的连接协议。两者不是替代关系，而是配合关系。一、Function Calling 是什么定义 Function Calling（
- 2026-06-29
- 1
- 0
- 0
- Agent
2026-06-29
agent学习笔记-场景（一） Agent 学习笔记通过调试一个带工具调用的 Agent，记录 Agent 的核心机制、工具选择原理、会话记忆行为与调试方法。结论均来自实际实验，场景已抽象为通用描述，可迁移到任意 LangChain/LangGraph Agent 项目。一、一个 Agent 通常有两类实现高层封装型底层手
- 2026-06-29
- 2
- 0
- 0
- LangChain
- Agent