RAG

Ragent 是面向 Agentic RAG 演进的生产级 Java AI AI 应用平台（Spring Boot 3.5.7 + Java 17）。本教程详解四模块架构、多通道混合检索、模型路由容错、分布式限流、MCP 工具链等源码设计，附 12 道实战面试题与必读文件清单，助你系统读懂企业级 RAG 平台源码。

从传统 RAG 局限到知识图谱检索增强，全面拆解 GraphRAG 索引流水线、社区检测、双级检索核心机制，深入微软 GraphRAG 与 LightRAG 实现，附实体抽取 Prompt 模板、评测基准数据与选型落地建议。

全面解析AI Agent架构原理，从用户提问到任务完成的完整闭环，涵盖执行循环(ReAct)、工具调用(Function Calling)、知识库接入(RAG)、记忆系统等核心模块，并深入探讨工程落地实践与最佳实践。

围绕「Agent = LLM + 上下文 + 工具」核心公式，系统解析AI Agent设计原理与工程实践，涵盖上下文工程、记忆系统、工具调用、Coding Agent、多模态交互与多Agent协作等10大领域，配套28个可运行项目源码开源。

LlamaIndex v0.14.x 框架应用实战教程，从零开始系统掌握 LlamaIndex，涵盖环境搭建、数据加载、索引构建、检索策略、查询引擎、Agent 工具化、工作流编排等核心模块，所有代码示例完整可运行，助你独立构建生产级 RAG 应用。

RAGFlow 完整学习教程，从 RAG 基础概念讲起，详解 RAGFlow 的核心架构、文档解析引擎、分块策略、向量检索、对话管理、API 集成等，带你从零掌握 RAGFlow 的安装部署与生产实践。

深度解析 ChromaDB 选择 SQLite 作为底层持久化引擎的架构决策，从零运维依赖、单文件存储、元数据与向量分层存储、ACID 事务保障等维度分析，对比传统向量数据库架构，揭示 ChromaDB 轻量化设计哲学。

基于 LlamaIndex 源码深度剖析文档解析与分块策略，从 Document→Node 数据模型层次、元数据排除机制、NodeParser 继承体系，到基础文本分块、语义分块、文件格式感知分块、层级分块等核心组件的设计原理与最佳实践。

全面详解 LlamaIndex 各类索引类型：VectorStoreIndex（向量语义检索）、SummaryIndex（全局摘要）、TreeIndex（层次摘要）、KeywordTableIndex（关键词匹配）、KnowledgeGraphIndex（知识图谱推理）、MultiModalVectorStoreIndex（多模态检索）等，包含原理、特点、适用场景与代码示例。

适用人群：后端开发、大模型应用开发、检索工程师 前置基础：掌握PostgreSQL基础增删改查、了解向量/嵌入、余弦相似度基础概念 学习周期：5天（理论+SQL实操+Python代码实操+生产调优） pgvector版本：v0.8.2（2025年最新稳定版） PostgreSQL版本：12-17（全