用Spring Boot搭建Agent Checkpoint服务：保存、恢复、审批与重放
实现Agent Checkpoint与人工审批服务，支持状态快照、事件日志、恢复令牌和步骤重放。
手搓生产级 AI Agent 系统（9）：Checkpoint、Human-in-the-Loop与断点恢复
实现步骤级Checkpoint、事件记录、人工审批、中断恢复和副作用幂等。
Agent Planner输出计划存在循环依赖？DAG校验与自动修复排查
Planner生成的步骤可能互相依赖，导致执行器无法找到起点或反复等待。
ReAct、Plan-Execute-Review与状态图Agent怎么选？
三种Agent架构分别强调即时推理、显式计划和可持久化状态图，适合不同任务复杂度。
Reviewer为什么让Agent无限修改？接受阈值、最大轮次与差异检测排查
Reviewer如果只有“继续改进”而没有可判定Rubric和接受阈值，会让执行器无限返工。
用Python实现Planner-Executor-Reviewer状态机Agent
实现带计划校验、步骤执行、Reviewer反馈、局部重试和最终汇总的状态机Agent。
手搓生产级 AI Agent 系统（8）：Planner、Executor与Reviewer闭环
在已有任务规划器之上实现DAG校验、步骤执行、局部审校、状态更新和终止策略。
HNSW索引内存为什么越来越高？参数、Payload索引与副本排查
向量数量增长后，HNSW图、向量数据、Payload索引、副本和缓存都会消耗内存。只调整一个参数往往无法解决。
pgvector、Qdrant与Milvus怎么选？企业RAG向量库选型指南
三种方案分别强调数据库整合、专用向量能力和分布式规模化。本文从规模、运维和过滤能力比较。
向量量化后Recall突然下降？Scalar、Product与Binary Quantization排查
量化能够降低内存和提升速度，也会引入距离误差。下降是否可接受取决于向量分布、候选数和重排策略。
用Python搭建向量库基准测试CLI：Recall、延迟、过滤与成本对比
实现一个可重复的向量库基准工具，使用同一数据集比较索引、过滤、并发和量化配置。
GraphRAG检索结果为什么又多又乱？实体合并、社区摘要与路径约束排查
GraphRAG能够沿关系扩展证据，也容易因为实体重复、关系过密和无边界遍历返回大量噪声。
Naive RAG、GraphRAG与Agentic RAG怎么选？企业知识问答架构指南
Naive RAG适合单跳事实，GraphRAG擅长关系查询，Agentic RAG能够动态规划多个检索步骤。
Agentic RAG为什么在多个检索工具之间死循环？终止条件与进度检测排查
Agent在向量检索、网页搜索和数据库工具之间反复调用，通常是缺少可验证目标、进度状态和工具调用预算。
用Spring Boot搭建轻量GraphRAG服务：实体、关系、路径检索与证据回溯
实现一个轻量GraphRAG服务，将文档实体和关系写入图存储，通过受约束路径检索返回原始证据。
企业级RAG性能优化与质量治理（7）：GraphRAG、Agentic RAG与多跳检索
实现查询复杂度识别、图关系检索、多步骤计划、证据状态和终止条件。
RAG答案有引用但引用根本不支持结论？Claim-Evidence校验排查
真实存在的文档编号并不意味着结论被该文档支持，需要进行Claim级证据校验。
抽取式压缩、生成式压缩与父文档检索怎么选？
上下文压缩可以抽取原句、由模型摘要或召回父文档，本文比较保真、Token成本和引用粒度。
上下文压缩后关键条件消失？数字、例外条款与表格保真排查
压缩器可能保留主结论，却删除适用范围、例外、时间和单位，导致绝对化错误。
用Spring AI搭建证据包构建器：父子检索、压缩、Claim绑定与引用校验
将检索候选转为带版本、来源、权限和稳定编号的证据包，并在生成后执行Claim校验。