Agentic AI 不是简单地让大模型回答一次问题，而是让模型能规划任务、调用工具、检查结果并迭代完成复杂工作。这里用 Python 讲清反思、工具使用、规划、多智能体四种核心模式，以及落地时的测试和生产注意事项。
LLMLingua 是微软研究院提出的 Prompt 压缩技术，用小模型或专用分类器在请求进入大模型前删掉冗余 token。它适合 RAG、长对话和长文档问答场景，可降低推理成本、减少延迟，并缓解长上下文中的信息丢失问题。
Agent Skills 用一个包含说明、脚本和资源的文件夹封装 AI Agent 能力，让能力可以被发现、按需加载并跨平台复用。内容会讲清它的目录结构、渐进式披露机制、与 MCP 的区别，以及企业落地时需要注意的安全和治理问题。
数据分析 Agent 是把自然语言理解、数据查询、非结构化资料解析、洞察归因和报告生成串起来的智能分析系统。核心难点不只是让模型生成 SQL，而是如何结合语义层、权限、查询引擎、知识库和规划能力，稳定地产出可信的数据结论。
LangGraph 用有向图组织大语言模型应用的执行流程，适合构建有状态、可分支、可循环、可人工干预的多智能体系统。内容覆盖 State、Node、Edge、Reducer、条件边、检查点、时间旅行、人机协作、MCP 集成，以及 Supervisor、Swarm 和 Java 版本 LangGraph4J 的使用方式。
MCP 是连接大语言模型与外部工具、数据源的开放协议。围绕 MCP 的设计理念、Client/Server 架构、JSON-RPC 通信机制、Stdio/SSE/Streamable HTTP 传输方式，以及数据库智能查询场景中的 Server 设计、安全控制和工程化实现展开讲解。
