用「谁决定下一步」这一条线索，把 AI 应用划分为 L1 能力调用、L2 智能决策、L3 动态编排、L4 自主执行四个等级，说明 AI 对工作流程拥有多少决定权。

围绕 RAG 检索和问答阶段，说明向量检索、关键词召回、RRF 排序、rerank、上下文构建、来源引用和 Chat log 如何提升回答可信度。

拆解 RAG 文档从上传到 READY 的处理链路，说明解析、切块、费用预估、embedding、状态流转和失败处理如何影响最终问答质量。

从中文电子书 RAG 的 MVP 入手，梳理上传、解析、切块、向量化、检索、问答和来源引用的最小闭环，以及第一版系统应该保留和暂缓的工程能力。

从 Knowledge Agent、Data Agent、Workflow Agent 和 Decision Agent 四类形态出发，梳理企业级 AI Agent 的能力边界、技术底座、治理要求与落地顺序。

从 Embedding、向量检索到 RAG 的基本链路入手，梳理核心概念、它们之间的关系，以及在 Agent 与知识库场景中的作用。

从 Deer-Flow 主 Agent 的 system prompt 入手，分析它如何通过记忆、澄清、工具与输出规范来约束智能体执行复杂任务。

本文介绍用Rsyslog协议采集nginx日志，用Logstash预处理日志 写入ES

zap库uber出品，go语言里性能最好的日志库介绍和使用

本文介绍etcd集群自签名证书生成 证书推送 命令行启动参数生成 配置生成