QCoding

本文探讨了在企业AI项目中如何利用ReActAgent处理复杂业务任务，特别是订单异常处理场景。文章比较了ToolCalling与Agent的区别，前者解决单一能力调用，后者则围绕目标动态决策执行路径。通过SpringAIAlibaba框架实现了一个订单异常处理Agent，演示了其多步骤执行流程。重点分析了企业Agent的关键挑战在于"可控性"，包括执行边界设定、错误处理、权限分级和可观测性。最后指出Agent与Workflow应互补使用，Workflow处理确定性流程，Agent处理不

企业AI应用开发：从Demo到生产环境的实践思考 摘要：本文总结了企业AI应用开发从概念验证到实际落地的关键挑战。不同于Demo仅需验证技术可行性，企业项目需要解决业务价值、边界控制、系统稳定性和持续运营等核心问题。文章详细分析了12个关键门槛，包括业务边界定义、RAG准确性提升、Agent风险控制、ToolCalling安全治理等，并提出了10个维度的上线评估标准。作者强调，真正的挑战不在于调用大模型的能力，而在于如何用确定性的工程体系管理AI的不确定性，使其在业务场景中稳定、准确、可控地运行。文章为计划

很多AI聊天项目在实现对话记忆时，第一反应都是把历史消息存进Redis，然后每次调用大模型前全部读取出来。在Demo阶段，这种方案简单、直接，也确实能用。但进入企业项目后，随着对话轮数增加，问题很快就会出现：上下文Token不断膨胀；模型调用成本持续增加；Redis中堆积大量历史消息；旧对话不断干扰当前问题；用户长期偏好与普通聊天记录混在一起；服务重启、缓存过期后，历史记忆可能直接丢失。因此，企业AI的对话记忆不能只理解为“保存聊天记录”，而应该拆分为：近期上下文、摘要记忆、完