JoeSmile

以 MemoryOS 世界杯 RAG 的 gossip workflow 为例，说明如何在 LangGraph Studio 里通过 Manage Assistants 跳过检索 / 球员统计，对比「正常跑」与「关 tool」时 Trace 的差异。

引言：为什么要 Skip Tool？

调试 RAG / 多步 workflow 时，你常常需要回答这类问题：

以 MemoryOS 世界杯 RAG 项目为例，记录如何在 LangSmith 里配置 Evaluator，并把评分结果挂到 Trace 的 Feedback 上。

引言：Evaluator 解决什么问题？

在 RAG / Agent 项目里，Trace 只能告诉你「发生了什么」，Evaluator 才能回答 「这次回答好不好」。

一套能扛住高并发的语义缓存，是怎么从「玩具」一步步长成「企业级」的。

一、为什么 RAG 系统需要多层缓存？

RAG 系统的响应链路通常是：Query →（可选）向量检索 → Agent / LLM 推理 → 生成答案。这一过程少则 2～3 秒，多则 5～10 秒，且每次调用都伴随着 Token 成本。

以 MemoryOS 世界杯 RAG 项目为例，说明如何在 LangGraph Studio 里通过 Manage Assistants 切换不同 System Prompt，而不必每次改代码、重启服务。

引言：为什么需要 Assistant 来调 Prompt？

在 Agent / RAG 项目里，System Prompt 往往是最影响回答质量的旋钮之一。常见痛点是：

分为4大类：基础向量检索器、LLM增强检索器、混合/多路融合检索器、专用数据源检索器，每个包含：导入、核心原理、使用方法、适用场景、优缺点。

统一版本说明：LangChain 0.1.x/0.2.x/0.3.x 导入路径统一，废弃0.0.x旧路径，所有Retriever均实现BaseRetriever，标准调用.invoke(query)。

一、一个经常被问到的面试题

最近在和一位工程师讨论面试题时，遇到了这样一个问题：

一道面试题

面试官问：“在 AI 对话界面中，如何实现像 ChatGPT 那样的 Markdown 实时流式渲染？”

一、什么是水合（Hydration）？

在 React 的 SSR（服务端渲染）架构中，水合是指：