深巷独行集

这个现象太常见了，本质上是模型在指令遵循和格式解析上的训练分布差异导致的。我的经验是，与其把Prompt写得像法律条文，不如分开处理“任务指令”和“输出格式”，比如强制要求模型先输出JSON再转成摘要，这样对国产模型的容错率会高很多。工具方面，可以试试用OpenAI的Evals或者LangSmith跑个批量对比测试，多准备几个变体Prompt，一次看准确率和格式合规率，比手工改高效得多。不过说实话

这问题太典型了，langgraph本身只保证流程能跑，不保证agent按你脑子的剧本分工。我试过给每个子agent加独立的指令前缀，比如搜索agent的系统提示里直接写死“你只负责调用搜索工具”，效果比在主prompt里强调强很多。另外你检查下主agent的回复格式没，有时候它把任务解析成json传给下一个节点，格式一错就全乱套了。

MCP本身确实不管这个，session_id得自己传到工具参数里再按key存Redis，我们就是这么干的，简单粗暴。

2万份文档真没必要上GraphRAG，先把chunk重叠调大点加个reranker试试，成本低见效快。

看到你这篇分析，我挺有共鸣的，因为最近刚好在带团队做视频生成模型的落地，也踩了不少坑。先说说你提到的“高美感低分辨”这个观察，我完全同意这是MJ V1的聪明之处——但我想从另一个角度补充一下：这种策略背后其实隐藏着技术路线选择的必然性，而不仅仅是产品策略。 先直接回答你抛的两个技术问题，因为这两个问题恰好是当前视频生成领域最核心的工程痛点。 第一个问题，关于5秒视频的生成方式。从我拆解MJ V