楠瓜的小窝

实现 Multi-Query RAG，把复杂问题拆成多个子问题并行检索回答，再合并所有问答对生成最终综合回答。

实现多查询 RAG-Fusion 优化：先让模型把问题改写成多个变体分别检索，再按 RRF 公式加权排序融合结果。

在向量库基础上引入 retriever 检索器，配合 RAG 提示词与链式调用完成带检索的问答，降低幻觉。

用 @wrap_model_call 实现模型调用守卫，支持调用前后处理、动态修改请求，并给出按问题复杂度切换模型的完整 Demo。

通过 @tool 装饰器定义工具并构建 Agent，理解工具调用循环：AI 思考是否需要工具、执行后带结果继续，直到给出最终答案。

走通 PDF 加载、文本切割、向量化到存入向量库的完整流程，对比普通加载与懒加载，并说明为什么必须切分。

解析 Runnable 统一接口与管道符 | 的机制，展示用 LCEL 把提示词、模型、解析器串成链式调用的搭积木式写法。

介绍 ChatPromptTemplate 的常用写法与 partial_variables 注入，并对比现代 with_structured_output 与传统输出解析器两种结构化输出方式。

讲解 LangChain 依赖安装、.env 密钥管理与代理配置，并用 invoke 与流式两种方式完成首次大模型调用。

梳理 LangChain 1.x 相比 0.0.x 的架构变化，核心是包结构拆分与 LCEL 表达式语言，并给出基于官方文档的现代版学习路线，避开网上老旧教程的坑。