Agent Workflow
智能体工作流
从模型接入、上下文组织到工具选择与执行,拆解 Agent 应用的运行机制。
把 Agent 拆解为可设计、可连接、可测试的工程模块。
从模型接入、上下文组织到工具选择与执行,拆解 Agent 应用的运行机制。
关注 MCP Server、Gateway、身份传递、用户授权与业务系统适配。
围绕文档处理、多路召回、结果融合、Rerank 与检索评测展开实践。
从搜索服务、浏览器自动化到网页原文核验,研究信息获取的可靠性。
真实项目不会止步于 Demo。身份、权限、数据、异常与运维同样属于工程设计。
明确业务目标、用户角色与 Agent 能力边界。
规划模型、工具、上下文和知识数据之间的关系。
完成模型接入、工具执行、MCP 或 RAG 等能力集成。
验证工具结果、检索质量、异常处理与执行稳定性。
关注日志、权限、资源配置和长期运行表现。
模型负责理解与决策,应用控制流程,工具承接明确能力,MCP 负责连接,业务系统继续执行自己的权限规则。
记录方案选择、技术取舍、验证过程和仍待解决的问题。
围绕技术实践中经常遇到的概念和工程问题,给出简明解释。
这里主要记录谢战涛基于 Java 与 Spring AI 的 AI Agent 应用工程探索,涉及工具调用、MCP 系统连接、RAG 知识检索、搜索集成、权限控制与运行验证。
可以从模型接入与上下文管理开始,再定义工具、实现 Function Calling、组织执行流程,并逐步补充异常处理、权限控制、日志追踪与效果评估。
网关可以管理 Agent 授权,业务系统继续负责原有业务权限。关键是通过可信身份源确认真实用户,并在每次业务操作时验证该用户在目标系统中的权限。
需要结合文档解析、分块、关键词检索、向量召回、结果融合、重排序与评测集,观察召回质量和最终回答是否真正改善。
了解 Personal Data Hub 如何围绕个人数据管理需求,从想法逐步走向可使用的产品。