先回顾一下你已经掌握的：

一个 GraphRAG 流水线，三个节点串成线：

上篇我们跑通了 ES + Milvus 混合检索：

一个检索 pipeline：用户问一个问题 → LLM 改写 3 条不同角度的问句 → 每条问句走 ES 关键词检索 + Milvus 语义检索 → 合并去重 → Rerank 重排序 → LLM 基于 Top 3 文档回答。

启动后两个端口：

做 AI 应用之前，我以为 ES 是”后端才需要关心的东西”。

上篇和中篇搭了图、加了记忆——但所有的判断逻辑都是硬编码的：正则、if/else、amount > 0。

上篇搭的三个图有个共同问题：每次 invoke 都是从零开始。 调一次，跑一次，忘了。

上个月开始系统学 LangGraph。在这之前，我对”Agent”的理解大概就是：调一个 LLM API，拿到回复，结束。

Card Learning Demo 是 AI-Journey-Land 的全栈数据库学习项目，定位为渐进式知识管理系统——用”一张知识卡片的一生”串联全部数据库技术栈：

索引就是数据库的目录。

刚开始学后端的时候，我以为数据库就是 MySQL——会写 CRUD，会建表，就够了。后来真正开始做项目，才发现不是这么回事。

ORM（Object-Relational Mapping，对象关系映射）解决的是一个很具体的问题：

用户选择角色（部门 Leader / 技术研发 / 老板）、报告类型（日报 / 周报 / 月报等），填入工作数据，AI 按角色视角生成一份 Markdown 格式的专业报告。

大半夜还说赢一把，不对，发一版就睡 - - 结果又… 又卡住了。

两年前掘金写了篇博客 学习TailWindCSS顺便打造个性化在线简历项目 当时也有朋友问怎么没做CICD ~

my-resume 始于两年前。前公司倒闭，找工作的间隙写博客，在掘金发了篇《学习 TailwindCSS 顺便打造个性化在线简历》——Vue3 + Vite 静态简历站，双语 + 主题 + TailwindCSS，就这些。

Agent 到底是什么？

这个系列前几篇，我们从 RAG 开始——把简历切片、向量化、检索，让 AI 能”翻书再答题”。 再到 A2A 协议——搞清楚多个 Agent 之间怎么互相发现、互相协作、互相信任。

上一篇我们把 Multi-Agent 系统跑起来了——架构选了中心化，编排用了动态主导权转移，状态管理加了版本控制。