实战项目：Tavily 搜索、Deep Agent 与工具选择器 前面讲的都是基础组件，这篇看看它们在真实项目里怎么组合。三个案例：联网搜索 Agent、深度研究 Agent、工具选择中间件。 Tavily 搜索 Agent Tavily 是专为 AI Agent 设计的搜索 API，返回结构化结果，比直接爬网页方便很多： from tavily import TavilyClient from

LangSmith 追踪与调试：给 Agent 装上可观测性 Agent 调用链越来越复杂，出了问题很难定位是模型的锅还是工具的锅。LangSmith 是 LangChain 官方的可观测性平台，能记录每次调用的完整链路。 开启方法 简单到难以置信。在 .env 文件里加一行： LANGSMITH_TRACING=true 然后正常写代码就行： from dotenv import load_d

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