AI代理架构教育实验室
一个基于LangChain和本地Ollama服务器的AI代理架构教育实验室，包含多种代理变体，涵盖聊天记忆、工具调用、RAG、混合和代理RAG等类别，每个变体均可独立运行CLI以研究其机制。
该项目是一个用于教育目的的AI代理架构实验室，基于LangChain和本地Ollama服务器构建。它提供了多种独立的代理变体，每个变体都是一个可运行的命令行界面（CLI），方便用户逐个研究不同的机制，并通过日志观察其运行过程。
项目使用gemma4:e4b作为生成模型，mxbai-embed-large作为嵌入模型，默认连接到本地Ollama服务器（http://10.100.102.10:11434），也可配置为使用OpenRouter。
包含的代理类别包括：
- 聊天+记忆：完整缓冲区（chat-buffer）和摘要缓冲区（chat-summary），支持持久化到SQLite。
- 工具调用：ReAct文本协议（tools-react）和原生bind_tools（tools-native）。
- 仅RAG：多种后端，包括纯numpy余弦相似度（rag-numpy）、Chroma向量数据库（rag-chroma）、LlamaIndex（rag-llamaindex）、LlamaIndex+Chroma（rag-llamaindex-chroma）、Haystack（rag-haystack）以及混合BM25+稠密+交叉编码器重排序（rag-rerank）。
- 混合（聊天+RAG）：语义路由器（hybrid-semantic）、LLM分类器路由器（hybrid-llm）、自适应RAG（hybrid-adaptive，基于LangGraph）和修正性RAG（hybrid-adaptive-plus，含多重评分和重写）。
- 代理RAG：将检索作为工具的工具调用代理（agentic-rag）。
所有RAG代理实现统一的检索器接口，并在启动时索引data/corpus/目录中的文件。查询时，嵌入查询并通过余弦相似度检索Top-K块，然后由LLM根据上下文生成答案。不同的RAG后端在分块方式和存储上有所不同：numpy和Chroma按字符窗口分块，LlamaIndex和Haystack按句子分块。重排序版本使用混合检索和交叉编码器提高相关性。
项目还包含一个评估工具（rag-eval），用于比较各RAG后端在标注问题集上的命中率和上下文召回率。
其他功能包括：技能系统（skills/目录中的可选markdown文件）、全局规则（rules/目录）、MCP服务器集成（用于扩展工具集）、以及通过/remember命令实现的持久化记忆（写入SOUL.md）。
生产特性包括：危险工具的人类确认机制、LLM调用重试和回退模型、以及LangSmith可观测性支持。日志系统同时输出可读的控制台日志和结构化的JSON行文件。