实战：解析本站 AI 助手的编排架构

先体验，再拆解

打开「AI 助手」，分别输入："我的学习进度怎么样"、"学习 RAG"、"什么是 LCEL"，观察回答上方的步骤轨迹 —— 这就是一条真实的编排流水线在执行。

架构图

用户消息
│
├─ ① 意图识别（规则引擎，毫秒级）
│     ├─ 查进度 ──→ ② 工具：progressService.stats() 查 SQLite
│     ├─ 推荐课程 → ② 工具：lessonService.searchByTitle() 标题检索
│     ├─ 学课程   → ② 工具：匹配课程返回入口（未命中→降级到问答链）
│     └─ 概念问答 → ② 知识检索：关键词 RAG 命中相关教程
│                       │
│                       ▼
└─ ③ 生成回答：本地直答 或 LLM 流式生成
      （每步的名称、详情、耗时以 SSE 事件实时推送到前端）

三个值得学习的设计取舍

• 规则优先于模型：查进度、推课程是结构化意图，查数据库比让 LLM 生成更准、更快、零成本。LLM 只在真正的开放性问答上场；
• 标题检索优先于全文检索：推荐课程时先匹配标题/摘要，避免"RAG"这个词碰巧出现在无关课文正文里造成误推荐 —— 检索层级决定结果质量；
• 每一步都可观察：意图、工具调用、命中了哪些教程、耗时多少，全部作为 SSE 事件展示。可观察性不是可选项，是多智能体系统的生命线。

动手改造建议

1. 加一个"生成练习题"意图：识别"出几道题"，用 LLM 基于当前课程生成练习；
2. 把规则意图替换为 LLM 结构化分类（with_structured_output），对比两者的误判率与延迟；
3. 给编排链加一个"审核节点"：回答生成后自检是否引用了真实课程链接。