系列导读：LangChain 是 Agent 开发的主流框架。本章讲框架架构、核心概念和实战决策——"什么时候用 LangChain，什么时候应该甩开它"。手工实现一个 Agent，你需要写：
系列导读：记忆是 Agent 区别于单次对话 LLM 的核心特征之一。没有记忆，Agent 每次对话都像第一次认识。你：帮我分析这份 Excel 里的销售数据，只关注华东地区。
系列导读：本章深入 Agent 的"思考方式"，是它之所以"智能"的核心机制。理解了推理模式，你才能真正设计好一个 Agent 的行为逻辑。
系列导读：本章深入 Agent 的内部结构。如果你准备亲手实现一个 Agent，这就是你要看的「系统说明书"。一个完整的 Agent 系统由以下四个核心组件构成，任何一个掉链子，系统都跑不好：
系列导读：本章是 Agent 模块的开篇。建议先看第1-5章建立 LLM 和工具调用的基础认知，再进入 Agent 的学习。Prompt 时代：你给模型一个指令，模型给你一个回答。对话结束。
系列导读：检索是 RAG 的命脉，召回的内容质量决定了 LLM 回答的天花板。本章系统讲解检索优化的四维框架。先看三个现实问题：
系列导读：本章讲 RAG 的"底层基础设施"。选对了 Embedding 模型和向量数据库，后面的优化事半功倍；选错了，上层做再多也救不回来。Embedding（嵌入）做的事情本质上只有一件：
系列导读：本章是 RAG 的进阶篇。很多人以为 chunking 就是「切成 500 token」，但实际上它是影响检索质量最关键的工程决策之一。
系列导读：RAG 是 LLM 工程中最主流、最有实现价值的系统方案。从本章开始，建议认真跟完 RAG 模块（第6-11章），这是把 LLM 做成靠谱产品最关键的技术栈。
系列导读：本章是上章的延伸。如果你还在手写每个工具的集成代码，MCP 就是来救你的。它能让你接入一个工具的效率从「一天」降到「十分钟」。