创建

登录 ReadmeX

或

了解我们如何处理你的信息: 隐私政策

ReadmeX

陪你读懂 AI 动态

今天,想先了解什么?

选一份动态总结,或直接聊聊你的问题。

社区和关注动态总结只属于你自己。

资讯

MovieAgent架构蓝图与向量库实测

AI 总结

MovieAgent项目作者发布十篇系列中的第二篇,介绍六层依赖架构、从HTTP输入到流式输出的请求流程,以及向量存储、嵌入和LLM供应商三个配置开关。其LangGraph流程包含五个节点,仅在意图解析和文案生成环节使用大模型,规划、执行与兜底均采用确定性逻辑。作者自测1134条样本显示,Chroma、嵌入式Qdrant和Milvus Lite的查询延迟均低于100毫秒,但结果尚未获得独立验证。

深度见解

该蓝图展示了如何隔离智能体组件并在不改动业务逻辑的情况下切换基础设施,其向量库实测数据也为本地开发选型提供了具体参考。

第 2 篇 · 整体架构蓝图:六层依赖与技术选型

《从零造一个影片推荐智能体》系列 · 第 2 篇 / 共 10 篇 上篇撂下一句「没有最完美的架构,只有最贴合当前场景的取舍」,这篇就来还债——把那张地图摊开。

前言

第 1 篇结尾我说,这张地图具体怎么画、六层怎么摞、请求从 HTTP 进来怎么一路走到结构化结果,是下一篇的事。今儿就还这笔债。

写业务代码有个很容易上头的坑:一想清楚「要做个推荐 Agent」,手就痒,先 pip install,再顺手建几个包,边写边改目录。我见过太多项目(自己以前也没少干)最后是这么烂掉的——utils.py 里塞了数据库连接,api/ 反过来 import 了 agent/ 的内部函数,改一个召回权重得翻五个文件。等到想加个缓存,发现根本没地方下嘴。

所以这个项目的第一步,我硬是按住没写代码,先花了几天画一张图。今天真正要摊开的,是本篇的主角 -- 一张「谁依赖谁」的分层图,外加三个「把变化关进笼子」的开关。

#MovieAgent#LangGraph#LangChain#FastAPI#Chroma#Qdrant#Milvus Lite#Ollama#DeepSeek#bge-m3#Qwen#MySQL

原文约 16 分钟读完阅读原文
群聊

还没有评论,来说说你的看法。