01
RAG
RAG：检索增强生成
让模型根据外部资料回答：摄入与索引、向量检索的原理、检索质量、生成、评估和生产环境。
0 篇记录查看笔记
项目 03
大模型应用与 Agent
学习大模型应用开发，分两个主题：Harness 是模型之外、让模型能作为 agent 完成任务的那部分；RAG 让模型根据外部资料回答。笔记按主题整理，每篇从一个具体问题讲起。
- 当前状态
- 准备中
- 开始时间
- 2026 年 9 月
- 计划使用
- Python · FAISS · pgvector · MCP · LangGraph · RAGAS
这个项目还没有开始。目前先展示计划，以及后续记录会采用的结构。
想弄明白什么
弄清楚 agent 和 RAG 的每个部分解决什么问题、底层怎么实现，关键部分自己写代码验证。
开发计划
- 01进行中
Agent loop 与最简 RAG
不用框架手写 agent loop，再把一个带引用的最简 RAG 接进去当工具。
- 02计划中
向量检索内核
IVF、PQ、HNSW 的原理和参数，用 FAISS 测召回率与速度，再手写一个简化版索引。
- 03计划中
上下文工程与检索质量
管理上下文预算与缓存；比较 BM25、向量检索、混合检索和重排的效果。
- 04计划中
工具、MCP、Skills 与 Subagent
写一个 MCP server、一个按需加载的 skill 和一个只读的 subagent。
- 05计划中
Hooks、沙箱与权限
用 hook 拦截危险操作，在沙箱里执行代码，按角色限制工具和 skills，按权限过滤检索结果。
- 06计划中
记忆、持久执行、摄入与生成
实现按用户隔离的记忆和可以恢复的执行；比较几种切块方式，并校验引用。
- 07计划中
评估、观测与生产
用 pass@k 和 pass^k 评估 agent，导出链路追踪，再把 RAG 做成多租户。
主题
笔记按主题分开整理，写好一篇就放到对应的主题下。
02
Harness
Harness：让模型成为 agent 的部分
模型之外的全部部分：agent loop、上下文工程、工具与 MCP、skills、hooks、沙箱、权限、记忆、持久执行、评估与观测。
0 篇记录查看笔记
整体学习路线
Harness 和 RAG 两个主题合在一起的完整学习路径：按什么顺序学、每个知识点学到多深，以及常见问题和出处。
查看学习路线相关记录
项目推进后，我会把每个阶段遇到的问题、实现过程和验证结果补充在这里。