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。
Claude 的 Agent 能力可以按连接层、认知层和组织层理解：MCP 负责连接外部系统，PTC 用程序批量编排工具调用，Skills 按需注入专业知识，Subagents 把复杂任务拆给多个专门智能体处理。
MCP（模型上下文协议）用于统一 Agent 与外部工具之间的通信。围绕 MCP 的三类角色、SSE 与 JSON-RPC 2.0、初始化握手、工具列表和工具调用流程，使用 Spring Boot WebFlux 实现一个可运行的 MCP Server。
Deep Research 是一种面向复杂研究任务的 AI Agent 范式，它把任务规划、多轮检索、网页探索、证据整合和报告生成串成闭环。围绕 RAG 到 Deep Research 的演进、四大核心模块、评测方法、主流系统局限，以及结构化私域数据与公域信息融合的方案展开讲解。
Agent 的多轮推理、工具调用和长上下文会反复提交大量相同前缀，KV Cache 复用直接影响延迟和成本。这里从 token 序列、Chat Template 和 Prefix Caching 的角度，讲清 Completion 与 Chat Completion 在控制权上的差异，以及如何设计更容易命中缓存的 Agent Prompt。
