旧文档备份

对话Agent本质上是一个基于AI技术构建的智能交互系统。你可以把它看作是一个能够像真人一样 理解问题、调用知识库并给出精准回答 的中台助手。它最重要的使命就是帮助团队 挡掉高频的重复咨询，加速问题解决，从而提高整体的工作效率 。 简单来说

各位同学，大家在日常学习或项目中查找技术文档时，有没有遇到过大海捞针的困境？比如，一个关键API的鉴权步骤、或者某个技术方案的细节，可能分散在各种文档中，你不得不在层层嵌套的目录里翻找半天。这不仅效率低下，还特别浪费时间。 知识库Agent

在现代微服务架构下，每个技术团队都需要维护多个服务，日常工作中的一个主要负担就是处理海量的告警。这些告警从服务错误、性能波动，到中间件异常、下游依赖故障，种类繁多。传统的处理方式往往依赖于人工轮值：工程师需要紧盯告警群，手动切换系统查日志、

为什么要做这个名词扫盲？ 随着 AI 从聊天机器人进化到能干活的智能体，中间出现了很多新概念（比如system prompt、function calling、AI Agent）。这些术语就像拼图碎片，单独看可能模糊，但拼起来才能理解AI如

在运维Agent替代人工处理告警排查的需求中，传统人工方式存在四大痛点，而Plan-Execute-Replan模式正是为解决这些问题而生： 1. 流程无结构化导致效率低下 ：人工排查依赖经验，新人易步骤混乱（如告警时不知先查日志还是

使用场景 知识库Agent本质是就是RAG的过程 。RAG（检索增强生成）是构建 智能客服、企业知识库、产品问答助手 的核心技术。当你需要让AI回答特定领域问题（如公司产品手册、内部文档）时，直接将长文本发送给模型，会受限于模型的上下文窗口

对话Agent的核心需求是 知识检索+工具调用，比如：先问时间，然后问告警，再问错误码原因：ReAct会 先思考 需要调用什么工具 ，再 行动 调用对应的工具，最终生成答案。这种思考-\ 行动的模式就是ReAct，ReAct是对话Agent