两个实战：1）智能录入——用 withStructuredOutput 从无规则文本提取结构化数据，批量插入 MySQL；2）流式版 mini cursor——用 AIMessageChunk.concat() 拼接流式 chunk，JsonOutputToolsParser 增量解析 toolcallchunks，Map 记录已打印长度实现逐字打印效果。withStructuredOutput 底层有三种机制：tool、jsonschema、outputparser，平时直接用 withStructuredOutput 就行。
大模型默认输出自然语言，但经常需要结构化 JSON。两种方式：Output Parser（在 prompt 加格式说明 + 解析响应）和 Tool Call（绑定工具 schema，模型返回结构化 args）。推荐用 withStructuredOutput(schema)，它底层自动选最可靠的方案（大多用 tool call）。两个不适合的场景：流式打印（需要 Output Parser 的 stream + parse）和非 JSON 格式（XML/YAML 用 XMLOutputParser）。Tool Call 的流式可以通过 toolcallchunks 实现逐字打印。
大模型是无状态的，每次调用独立，不记得之前聊过什么。Memory 管理就是让它"记住"。三种策略：截断（按条数或 token 数去掉旧消息）、总结（用 LLM 生成摘要替代旧消息）、检索（存入 Milvus 向量数据库，用 RAG 检索相关历史对话）。存储层有 InMemoryChatMessageHistory（短时记忆）和 FileSystemChatMessageHistory（长时记忆/持久化）。Cursor 和 Claude Code 就是用总结策略——达到 token 限制自动触发总结。之前的 memory API 已废弃，现在直接自己实现。
综合实战：用 EPubLoader 加载 .epub 电子书（按章节拆分），RecursiveCharacterTextSplitter 再把每章分成 500 字符的 chunk，嵌入模型向量化后存入 Milvus。查询时 query 向量化做余弦相似度匹配，拿到相关片段当上下文，调用大模型生成回答。关键词搜索做不到的事，语义检索可以。这就是 RAG 的完整流程：Loader → Splitter → Embedding → Milvus → 检索 → LLM 生成。后面还可以和 MySQL 联动，通过 bookid 关联查出更多元数据。
之前 RAG 用的是内存向量数据库，实际 AI Agent 产品都用 Milvus 这种专业向量数据库。就像 Web 应用用 MySQL 存数据，AI Agent 应用用 Milvus 存知识和记忆。Milvus 支持向量字段，用余弦相似度做语义检索，这是 MySQL 做不到的。核心流程：Docker 部署 Milvus → 创建 Collection（定义 Schema + 向量索引）→ 插入数据时用嵌入模型向量化 → 检索时 query 向量化做相似度匹配 → 结合 RAG 给大模型当上下文。增删改查都走 SDK，删除不需要向量化。
LangChain 的 Splitter 有三大类：CharacterTextSplitter（单分隔符基础分割）、RecursiveCharacterTextSplitter（多分隔符递归分割，最常用）、TokenTextSplitter（按 token 数严格分割）。绝大多数场景直接用 RecursiveCharacterTextSplitter 就够了，它支持多分隔符递归尝试、代码分割（fromLanguage）、自定义长度函数（可按 token 计数），功能最全面且能保证语义完整。overlap 只在文本被打断时才加，不是每个 chunk 都有。
上节 RAG 我们是手动创建 Document 对象来存入向量数据库的，但实际知识来源多种多样：Word、PDF、网页、YouTube、X 推文等。所以需要 Loader 从各种来源加载文档，加载后的文档可能很大，还需要 Splitter 分割成小块再向量化。Loader 在 @langchain/community 包下，有 180+ 种；Splitter 在 @langchain/textsplitters 包下。我们用 CheerioWebBaseLoader 加载网页文章，用 RecursiveCharacterTextSplitter 分割，然后走完 RAG 检索生成流程。
> 记录 AI Agent 相关的学习内容
大模型训练完后，知识就不再更新了，它没法知道最新的一些信息，以及一些非互联网上公开的信息。所以对于它不知道的东西，会胡乱回答，也就是幻觉问题。解决这个问题的方式就是 RAG。RAG 是检索、增强、生成，会基于用户的 query 去检索知识库，拿到相关文档后放到 Prompt 里增强它，之后给大大模型来生成回答。检索肯定是要语义检索，但是关键词检索做不到这点，我们需要用向量来做，通过嵌入模型把知识向量化，这样就可以通过向量的余弦相似度（也就是夹角大小）来计算出两个知识的相关性，从而根据用户的 query 查询出相关的文档。我们基于 LangChain 写了 RAG 的代码：fromDocuments api 基于 embeddings 模型把文档向量化存入数据库。asRetriever 指定查询相似度最大的几个文档。similaritySearchWithScore 相似度评分retriever.invoke 来查询文档。只要你理解了 RAG 的流程，这些 api 自然也就会用了。
之前写的 Tool 都是同一个进程里的函数，没法跨进程调用。比如 Python 写的 Agent 想调用 Node.js 写的 Tool 就不行。