知识问答执行逻辑：：
	
	启动服务 -》 agent.load -> 创建检索器（执行自定义的connect函数）
	用户输入-》 DU模块生成“知识问答命令” -》 检索策略执行（执行自定义的search函数）


GraphRAG:   text2sql,nl2sql
	用户输入-》 LLM -》 判断入口节点
	执行混合检索，确定入口节点
	生成： LLM生成 DSL
	反思： 返回错误信息
	校正： 修正DSL


action系统：
	用户工程自定义action --》 启动时加载和注册
	                    --》 收到执行计划，根据注册的名字，执行对应action的run()


涉及LLM的通用问题：
	用什么模型（尺寸）？
		用在线调用，从大到小试
	要不要微调？（业务知识掌握不太够、语气提示词效果不好、节约成本蒸馏到小模型、拒识能力）
		拒识能力： RAG的生成器（就是LLM）
			数据：正例、负例，有效提升边界场景的处理
	私有化？在线调用商用的？
		前期调研用在线的比较快，确定后私有化部署（vllm）
	要不要思考？
		简单任务不开，复杂需要推理的开
	熟悉一下GPU型号
		H系列、L系列、A系列、xxx


DU模块
1、命令生成器 
	！！！ 提示词工程： 1、 2、 3、 4、......
	LLM: 选择 Qwen-8B
		 蒸馏（离线策略）：
		 	  在线（省钱）调用32B，生成高质量答案 ==> 输入+高质量答案，构造出 微调数据集 => 8B模型进行SFT（这个场景，这种任务，不需要RLHF、thinking）
		 	  	格式： shareGPT
		 	  	[
		 	  	    {
		 	  		"role":"user","content": "我们构建的prompt",
		 	  		"role":"assistant","content":"[start flow A\nset slot a=123\n]"	
		 	  		},
		 	  		{

		 	  		}
		 	  	]



Langgraph使用步骤
	1、定义state
	2、定义node函数
	3、定义需要的边
	4、将节点一一连接起来，执行编译
	5、执行 invoke


启动命令 --》 agent.load： 加载需要的信息，创建和初始化agent实例
		--》 找到tar.gz压缩包，进行解压
		--》 加载用户配置： domain、flow、config、endpoint、动态加载自定义的action&自定义检索器
		--》 创建需要的子组件：命令生成器、处理器、flow策略、search策略、llm客户端


用户输入 --》 调接口，接口里调用 agent.handle_message
		--》 每次调用，从 tracker store根据 会话id 获取 或创建
		--》 执行图  graph.ainvoke
		--> 解析结果， 将最新的tracker更新到 tracker_store中（下一轮对话，继续读出来，不丢失信息）



harness：最新的最火的agent架构

hermes（爱马仕）：最火的，跟openclaw类似的 个人超级助手框架