高级 RAG：混合检索与 Qdrant 向量库 前面的 RAG 用的是纯语义检索，即只用密集向量做相似度搜索。但语义检索有时会漏掉关键词完全匹配的结果。混合检索同时用密集向量和稀疏向量（BM25），取两者之长。 混合检索的原理 密集向量擅长语义理解，「快乐」和「开心」能匹配上。稀疏向量（BM25）擅长关键词匹配，专有名词、编号这类精确查询效果更好。混合检索把两者的分数融合，覆盖更多场景。 用 Qd

结构化输出与重试机制：让 Agent 更稳定 大模型返回的是自由文本，格式不固定。如果你需要把结果接入 API 或填表单，结构化输出是必须的。同时，网络请求总会偶尔失败，重试和降级机制能让程序更健壮。 结构化输出 用 dataclass 定义输出格式，用 ToolStrategy 包装： from dataclasses import dataclass from langchain.agents

上下文管理与中间件：Agent 的抦截器模式 对话多了，消息历史越来越长，token 开销涨上去了。SummarizationMiddleware 能自动压缩旧消息，保持上下文窗口可控。同时，自定义中间件让你能在 Agent 执行的各个阶段插入自己的逻辑。 SummarizationMiddleware from langchain.agents import create_agent from