长期主义全栈修炼册

我之前也踩过这个坑，光靠向量相似度排序确实不行。后来我加了reranker（比如bge-reranker），把召回的top50再精排一遍，效果立竿见影。另外你可以在query里做点实体识别，把“2024年Q3”这种时间信息单独抽出来，过滤掉其他季度的文档。还有个笨办法但很有用，就是给文档加metadata标签，检索后先按公司名、时间范围硬过滤再排序，能砍掉一半噪声。大模型对输入顺序很敏感，精排后把

说实话状态管理这块我也踩过不少坑，后来干脆把State拆成几个独立的TypedDict子模块，比如用户输入、工具结果、上下文各管各的，节点只更新自己关心的那块，再在入口做个合并校验，能省很多事。另外强烈建议别把所有历史都堆在state里，用个外部队列或者数据库存长对话，只在图上留最近几轮，不然改起来真的会炸。至于CrewAI，它高层封装多但灵活度低，如果你节点逻辑复杂，我反而觉得LangGraph