提问
访客输入简历或 Agent 问题
AI Agent Lab · Building in public
从一次 API 调用，
到个人 RAG Agent。
这里不只展示结果，也记录我的判断、错误、修改和下一步实验。所有核心 Agent 代码均使用 Python 编写。
Current architecture
一次回答如何产生
它不是把整份简历直接交给模型，而是让 Agent 在需要时主动检索。
决策
LangChain 判断是否调用工具
检索
BM25 RAG 返回相关简历片段
生成
DeepSeek 根据证据组织回答
流式
FastAPI SSE 增量送达页面
What works today
当前实验
能力
先构建一个可解释的小系统，再逐步替换检索器、记忆和评估模块。
Python
Agent 核心语言
2 Tools
简历检索与搭建笔记
Top 3
BM25 召回片段
SSE
流式响应协议
Learning notes
实验记录
按顺序阅读，可以从需求设计一路复现到 Python RAG、流式接口和页面宠物。
STEP 01
先定义 Agent，而不是先写代码
从需求、事实边界到系统架构，先想清楚个人 Agent 为什么需要工具与 RAG。
STEP 02把简历处理成 RAG 文档
从 PDF 提取、隐私过滤、Document 切分，到一份可以检索的公开知识库。
STEP 03实现 BM25 RAG 检索
建立 Retriever、控制 Top K，并把检索结果转换成带来源的上下文。
STEP 04用 Python LangChain 创建 Agent
把 DeepSeek、RAG Retriever 与搭建笔记包装成可自主选择的工具。
STEP 05用 FastAPI 流式输出 Agent
把 LangChain messages stream 转换成浏览器可以增量读取的 SSE。
STEP 06让页面宠物成为 Agent 入口
集成开源 agent-pet，让宠物跟随空闲、思考和对话状态变化。
STEP 07为 RAG Agent 建立测试与评估
从检索单测、接口健康检查到事实性问答集，避免只凭‘看起来能用’判断质量。
STEP 08从 BM25 走向混合 RAG
记录下一阶段如何加入文本切分、向量检索、重排序、引用与长期记忆。
Next experiments
混合检索
BM25 与向量语义检索融合，并增加重排序。
引用与评估
回答展示来源，建立事实性和召回率测试集。
长期记忆
在隐私边界内保存会话偏好与访客上下文。