知识图谱、本体和语义检索都在解决同一个问题：如何让计算机不仅存储文字，还能表示事物、概念以及它们之间的关系。

从工程角度学习这套技术，推荐按以下顺序推进：

今天我们将基于这个项目，学习如何设计实现一个生产级 Agent 平台。

1. 选型和技术路线

在 Agent 的分类 里，我们聊到按照是否具备通用能力，Agent 分为两类:

上一篇中，我们了解了 LLM 评估和 APO 的基本概念，今天我来学习 DSPY 提供 APO 的一种实现 GEPA。

GEPA 整体流程

GEPA 整体分为三大阶段：准备初始化阶段 → 循环迭代阶段（重复直到预算耗尽） → 终止输出阶段。

上一篇中，我们了解了 LLM 评估和 APO 的基本概念。本篇学习 DSPy 提供的一种 APO 实现 MIPROv2。

MIPROv2 把 Prompt 优化分为两个阶段：第一阶段生成 few-shot examples 和 instruction candidates，第二阶段将它们组合起来，在控制成本的前提下尽快找到比较好的组合。

至此我们对 API 形态的 Base Agent 实现做一个总结。最后我们会讨论 Agent 的 Serverless 改造。

1. Agent 执行流程

API 形态:

1. UI: 实现 doNext，负责驱动 AgentLoop 的执行，实现多步执行的语义，每一次 AgentLoop 发起一次对 API 的 Post 请求，并更新 UI 侧状态。
2. API Server: 使用请求的 SessionID 重建 AgentLoop，执行一轮循环，并根据 AgentLoop 执行结果更新 Session

对比 TUI: TUI 初始化 AgentLoop，提供 doNext 方法驱动 AgentLoop 执行。

1. 为什么当下需要 LLM 评估

模型的能力，已经在超出很多任务的需求，这意味着不一定更好的模型就是最适用的。

我们开始需要从其他方面开始考虑如何筛选模型，包括: