Mem0 可以为 AI Agent 提供跨会话的长期记忆能力，Milvus 负责持久化存储和检索语义向量。这里会讲清 Mem0 的记忆机制、它和 RAG 的区别，以及如何结合 DashScope、LangGraph、Milvus 和 Kuzu 构建带长期记忆与图谱记忆的 AI 应用。
Claude Code 没有把预构建代码索引作为核心能力，而是更依赖 glob、grep 等实时搜索工具。围绕这个选择，可以理解无状态设计在可组合性、确定性、隐私和维护成本上的优势，以及它与向量索引、传统 IDE 索引各自适合的场景。
2000 万行并不是 MySQL 单表硬上限，而是基于 InnoDB 16KB 数据页、B+树高度和单行大小推导出来的经验值。理解数据页、聚簇索引和扇出之后，就能判断自己的表什么时候需要拆分或归档。
多智能体 ReAct 自主规划能让主智能体拆解任务并调度工具或子智能体，但生产环境容易遇到工具调用等待长、上下文膨胀、中间产物缺失、结束回答敷衍和规划跑偏等问题。这里围绕五个工程策略讲清问题成因、系统设计和落地实现。
RAG 不只是向量检索加大模型生成。一个工程级 RAG 系统需要同时处理语义文档、结构化表格、数据库和知识图谱，并通过 Embedding、Reranker、Text2SQL 与 GraphRAG 协同完成复杂问答。
RAG 系统要处理的不只是向量召回，还包括重排序、结构化数据查询、表格解析和复杂图推理。围绕语义检索、Text2SQL 和 GraphRAG 三条主线，拆解一套可落地 RAG 架构的训练方法、检索流程和工程取舍。
