Day 7 ✅ 今天做了：学了langgraph和多agent ⏰ 明天计划：学习大模型微调 📚 今日感悟：比langchain好在，它可以编排，一些并行的任务或者需要loop的任务或者一些都需要用它。主要靠着状态，节点和边来维持和实现。

Day 6 ✅ 今天做了：学了lanchain和springai ⏰ 明天计划：学习langgragh 📚 今日感悟：langchain本质上还是串行的，是处理串行任务来设计的，要考虑各种如多轮对话记忆，各种advisor以及不同用户之间信息隔离。springai有流式输出，通过descrition注解来标明工具，可以去加权限控制和安全防护等

Day 1 ✅ 今天做了：学了agent常规概念和架构总览 ⏰ 明天计划：langchaain和langchain4j 📚 今日感悟：agent和传统gpt的区别就是，传统gpt是一问一答，而agent可以根据用户需求进行意图识别，思考过后进行工具调用，本质上就是agent通过大模型知道用户意图后根据我们自定义代码去发生结构化请求，来调用我们代码里自定义的tool，再将输出通过大模型来润色为自然语言返回给用户。而现在并不是所有工具都需要从0到1去写，可以通过mcp，去调用一些已经在mcp服务端编写好的工具。agent拥有react，走思考-执行-观察，但是容易死循环，plan-and-excute是先规划计划，再逐步执行，而反思是对上述两个模式的增量。在我们使用claude code之类的harness的时候，最后在对应文件夹下写skill来减少重复性行为，而skill如何被自然找到，就是describtion的写的好不好了。最后就是有的任务单agent是无法实现的，需要多agent协作，而如何协作就是需要A2A协议，每个agent都会维护一个自身的card，会具有describtion和skill知道这个agent的功能以及技能。多agent具有主从模式，串行执行和多个agent围绕一个问题进行讨论，最后达成共识这三个模式，java一般使用springAI

Day 1 ✅ 今天做了：理解了RAG ⏰ 明天计划：学习agent 📚 今日感悟：RAG本质上是想要找到离客户问题最接近的文档块，其中的重点首先是文档质量，其次是解析不同格式文档，然后是分割文档为块，然后就是语义检索，通过重排序本质就是先粗筛，再细筛。其次用户问的问题五花八门，此时就需要进行查询改写为贴近文档语义的话，最后就是要考虑权限，上下文， 多轮对话和Text2SQL

Day 1 ✅ 今天做了：看了RAG ⏰ 明天计划：继续理解归纳RAG 📚 今日感悟：今天加班到22点 回来才有时间看一下，感觉RAG的重点，还是首先文档要质量高，文档质量不行做什么都扯淡，其次对于不同的输入形式要有不同的解析方法，其中PDF和PDF扫描件是最复杂的，然后就是分块，怎么分才能更好，而不会分的有问题也是一个难题，今天暂时就理解这么多。明天继续理解

Day 1 ✅ 今天做了：看了提示词工程 ⏰ 明天计划：学习了解RAG 📚 今日感悟：提示词不是单纯的写的量少或者多就好的，而是要说清楚角色，格式，边界和期望输出。可以少样本提示，或者按照思维链一步一步输出。本质还是要把需求想清楚，说明白，如果自己不懂需求和业务，那么连干什么都不知道的话，大模型也无法造出空中楼阁，还是得脚踏实地。

看完ai速通的前三章，感觉把之前学过的深度学习又回顾了一遍，然后也理解了大模型和机器学习之间的关联