AI代理架構教育實驗室
一個基於LangChain和本地Ollama伺服器的AI代理架構教育實驗室，包含多種代理變體，涵蓋聊天記憶、工具呼叫、RAG、混合和代理RAG等類別，每個變體均可獨立執行CLI以研究其機制。
該專案是一個用於教育目的的AI代理架構實驗室，基於LangChain和本地Ollama伺服器構建。它提供了多種獨立的代理變體，每個變體都是一個可執行的命令列介面（CLI），方便使用者逐個研究不同的機制，並透過日誌觀察其執行過程。
專案使用gemma4:e4b作為生成模型，mxbai-embed-large作為嵌入模型，預設連線到本地Ollama伺服器（http://10.100.102.10:11434），也可配置為使用OpenRouter。
包含的代理類別包括：
- 聊天+記憶：完整緩衝區（chat-buffer）和摘要緩衝區（chat-summary），支援持久化到SQLite。
- 工具呼叫：ReAct文本協議（tools-react）和原生bind_tools（tools-native）。
- 僅RAG：多種後端，包括純numpy餘弦相似度（rag-numpy）、Chroma向量資料庫（rag-chroma）、LlamaIndex（rag-llamaindex）、LlamaIndex+Chroma（rag-llamaindex-chroma）、Haystack（rag-haystack）以及混合BM25+稠密+交叉編碼器重排序（rag-rerank）。
- 混合（聊天+RAG）：語義路由器（hybrid-semantic）、LLM分類器路由器（hybrid-llm）、自適應RAG（hybrid-adaptive，基於LangGraph）和修正性RAG（hybrid-adaptive-plus，含多重評分和重寫）。
- 代理RAG：將檢索作為工具的工具呼叫代理（agentic-rag）。
所有RAG代理實現統一的檢索器介面，並在啟動時索引data/corpus/目錄中的檔案。查詢時，嵌入查詢並透過餘弦相似度檢索Top-K塊，然後由LLM根據上下文生成答案。不同的RAG後端在分塊方式和儲存上有所不同：numpy和Chroma按字元視窗分塊，LlamaIndex和Haystack按句子分塊。重排序版本使用混合檢索和交叉編碼器提高相關性。
專案還包含一個評估工具（rag-eval），用於比較各RAG後端在標註問題集上的命中率和上下文召回率。
其他功能包括：技能系統（skills/目錄中的可選markdown檔案）、全域性規則（rules/目錄）、MCP伺服器整合（用於擴充套件工具集）、以及透過/remember命令實現的持久化記憶（寫入SOUL.md）。
生產特性包括：危險工具的人類確認機制、LLM呼叫重試和回退模型、以及LangSmith可觀測性支援。日誌系統同時輸出可讀的控制台日誌和結構化的JSON行檔案。