项目介绍

SuperAgent 是一个 企业级 的 AI 智能体对话平台，覆盖了智能对话、文档知识问答、联网搜索、RAG 详细检索、MCP 工具协议、Skills 能力扩展、文档全生命周期管理等完整能力。

真正的 RAG 系统要考虑的问题多得多：文档怎么切分效果最好？检索召回率不够怎么办？多路召回怎么融合排序？幻觉怎么控制？这些才是面试官会追问的点。跑通 Demo 和做出能上线的系统之间，差的不是代码量，是对每个环节的深入理解。

RAG 不只是 "检索 + 生成" 两步走

Retrieval-Augmented Generation 这个名字容易让人觉得就是检索加生成。但实际工程中，一个能用的 RAG 系统至少涉及这些环节：

• 数据处理 ：PDF、Word、PPT，格式五花八门，光是解析成干净文本就是一堆脏活
• 分块策略 ：切太大检索不精准，切太小上下文丢失。不同文档可能需要不同策略
• 问题改写 ：用户问"那它怎么配置？"，不补上下文系统根本不知道在问啥
• 检索策略 ：纯向量检索对精确匹配很弱，用户问一个订单号，向量检索可能完全找不到。混合检索怎么融合、要不要重排序，都是取舍
• 会话记忆 ：20 轮对话全塞给模型？Token 成本扛不住。只带最近几轮？可能丢关键上下文

RAG 项目的核心竞争力不在于你用了多强的模型，而在于工程化能力。同样的模型，检索策略不同、Prompt 设计不同、分块粒度不同，最终效果可以天差地别。

举个例子：用户问 "打印机墨盒怎么换" ，文档里写的是 "墨盒更换步骤" 。关键词搜索直接匹配不上，但向量检索能理解它们是一回事。这背后是 Embedding 模型的选型、向量数据库的调优、检索结果的重排序——每一步都是工程决策 ，不是换个更贵的模型就能解决的。

项目精华点

项目精华总计

1. 大模型原理

   掌握大模型相关的核心概念，例如 mcp，skills，agent；大模型的迭代，市面上主流大模型介绍等；