一个由 LLM 增量式构建和维护的持久化 wiki，专注于 AI Agent 工程化的系统性学习：LangChain / LangGraph / DeepAgents / RAG / Docker 沙箱 / FastAPI / PostgreSQL。
本知识库基于 LLM wiki.md 的方法论构建：LLM 读取来源后编译进一个持久化的 wiki——交叉引用预先建立，矛盾预先标记，综合分析持续更新。与每次查询从头检索的 RAG 不同，wiki 是一个不断累积的工件。
| 层 | 数量 | 说明 |
|---|---|---|
wiki/ |
533 页 | LLM 生成维护的知识页面，按 12 个主题域组织 |
raw/ |
20 篇 | 不可变的来源文档（菜鸟教程 AI Agent 系列、网页剪藏等） |
| 根文件 | 4 个 | index.md（内容索引）、log.md（操作日志）、SCHEMA.md（规范）、README.md（本文件） |
各主题域页面数：langchain 143 · postgresql 74 · python 73 · rag 58 · agent 46 · langgraph 41 · deepagents 29 · tools 26 · fastapi 18 · docker 12 · meta 7 · sqlmodel 6
| 主题域 | 页数 | 内容与组织方式 |
|---|---|---|
| agent/ | 46 | AI Agent 通识：patterns/（CoT、ReAct、PlanAndExecute、Reflection、ToT、Reflexion、多智能体协作七大模式）、harness/（三层架构、六种架构、沙箱安全隔离、Function Call）、memory/（记忆系统）、skills/、prompt/（提示词与上下文工程）、RAG/（Agent 视角的精简版 RAG）、reinforcement/（Agentic RL） |
| langchain/ | 143 | LangChain v2 系统学习：create_agent、Agent 循环、中间件体系（20+ 个内置中间件逐一详解）、记忆（Checkpointer/Store/压缩）、流式传输、多 Agent、modules/（16 个核心模块 API 详解，含 MCP 协议） |
| langgraph/ | 41 | LangGraph 框架：StateGraph 构建与编译、状态语义与 Reducer、动态扇入/扇出、Checkpoint 持久化、人机交互（interrupt）、多智能体模式、流式模式、tutorial/ 实战教程 |
| deepagents/ | 29 | DeepAgents v0.5+：默认中间件栈、create_deep_agent 参数、子代理、Skills 系统、沙箱后端、生产部署与源码架构 |
| docker/ | 12 | Docker 沙箱：核心类、安全加固、多租户隔离、监控日志、性能优化、生产部署清单 |
| fastapi/ | 18 | FastAPI 全链路：从路径操作、依赖注入到 SSE 流式响应、WebSocket、Agent 作业集成 |
| 主题域 | 页数 | 内容与组织方式 |
|---|---|---|
| rag/ | 58 | 14 步全流程学习路径（从数据接入到范式前沿），每步一个子目录：多源数据接入与解析（PDF/Word/HTML/表格/图片）→ 数据清洗 → 智能分块（10 页）→ 混合索引（Embedding/ANN）→ 查询转换 → 混合检索（BM25/倒排索引）→ 元数据过滤 → 重排序 → 上下文构建 → LLM 生成 → 安全合规 → 评估监控（RAGAS）→ 工程横切（多租户/大并发）→ 范式前沿（Agentic RAG/GraphRAG）。入口：[[rag/RAG_学习路径导航]] |
| 主题域 | 页数 | 内容与组织方式 |
|---|---|---|
| postgresql/ | 74 | 三阶段学习体系（版本基线 PG 18.6）：入门 27 页（顺序章节式，含零基础「第 00 章」）、中段 22 页（专题精讲式：窗口函数/CTE/JSONB/索引/执行计划/分区/备份恢复）、进阶 20 页（深度剖析式：MVCC 内核/页结构/BTree/WAL/锁/SSI/流复制）。配有三大总索引：[术语与关键字手册]、[函数手册]、[速查索引]。入口：[[postgresql/README]] |
| python/ | 73 | 基础（数值/字符串/控制流/异常/正则）、数据结构、进阶（类型提示/asyncio/装饰器/生成器/Pydantic）、OOP、pytest |
| sqlmodel/ | 6 | SQLModel ORM：模型定义、引擎与 Session、CRUD、关系关联 |
| tools/ | 26 | 向量数据库（Chroma 5 页详解 + FAISS/Milvus/pgvector/Pinecone/Qdrant/Weaviate 概览）及 Git、Gradio、Streamlit、Obsidian 插件等工具 |
| meta/ | 7 | 知识库自身的方法论：LLM Wiki 方法、三层架构、RAG vs Wiki 对比。入口：[[meta/Welcome]] |
my_agend_study_knowledge/
├── raw/ # 来源文档（不可变，LLM 只读不改）
├── wiki/ # LLM 生成维护的 wiki 页面（按主题域分目录）
│ ├── agent/ # AI Agent 通识
│ ├── langchain/ # LangChain 框架
│ ├── langgraph/ # LangGraph 框架
│ ├── deepagents/ # DeepAgents 框架
│ ├── rag/ # RAG 14 步全流程
│ ├── docker/ # Docker 沙箱
│ ├── fastapi/ # FastAPI
│ ├── postgresql/ # PostgreSQL 三阶段
│ ├── python/ # Python 基础与进阶
│ ├── sqlmodel/ # SQLModel ORM
│ ├── tools/ # 工具集
│ └── meta/ # 知识库方法论
├── SCHEMA.md # wiki 结构定义与 LLM 操作规范（人机协议）
├── index.md # 全部 wiki 页面的分类索引（每页带一行摘要）
├── log.md # 操作日志（按时间倒序追加）
└── README.md # 本文件
- 摄入来源：将文档放入
raw/，然后告诉 LLM「请摄入 [文件名]」——LLM 阅读并整合进 wiki - 提问：对知识库提问——LLM 先读
index.md定位相关页面，再深入阅读并综合答案 - 健康检查：让 LLM 检查 wiki 的断链、矛盾、过时信息或缺失连接
- 浏览：用 Obsidian 打开本文件夹，利用图谱视图（Graph View）和双链探索
- 零基础读 PostgreSQL → 从 [[postgresql/01-入门阶段-基础教程/第00章-学前准备/0.1-数据库与SQL是什么]] 的第 00 章开始，不要求任何前置知识
- 系统学 RAG → 从 [[rag/RAG_学习路径导航]] 进入 14 步流程
- 学 LangChain → 入口 [[langchain/LangChain_学习笔记]] + 查询总入口 [[langchain/LangChain使用手册]]
- 想了解本知识库如何运作 → 读 [[meta/Welcome]] 与 [[meta/LLM_Wiki_方法论]]
- 查任何页面 → 先查 [[index|index.md]]，它按主题域组织了全部 533 页的链接与一行摘要
本知识库的默认读者是零基础学习者。 任何主题的内容都不得假设读者已具备该领域的基础知识。
硬性规则：
- 任何关键字、名词、函数、运算符、命令首次出现时必须在同页解释，或显式指向索引页
- 入门层必须有「第 00 章」式的零基础入口，明确声明"不要求任何前置知识"
- 每个难度层级有明确的「阅读门槛」声明，说明看不懂时该退回哪里
- 低难度层级不得出现未解释的高难度术语；必须提及时标注"这是更后面的内容"
- 每页写到「机制 / 实操 / 陷阱」三层——宁可写透一个点，不要罗列十个点
- 每个主题配总索引页兜底（如 PostgreSQL 的函数手册、术语与关键字手册、速查索引），索引页只给签名，解释放正文
- 技术内容须核实当前版本现状再写，并标注特性引入版本（如
PG14+）
- 每个 wiki 页面必须带 YAML frontmatter：
tags/type（entity/concept/source 等）/created/updated - 内部链接一律使用 Obsidian 双链
[[路径/文件名]]（不带.md） - 页面类型、命名规则、各类型的模板详见
SCHEMA.md - 每次新增/改动页面后：更新
index.md，并在log.md顶部追加操作记录（类型：init/ingest/query/lint/update/fix/supplement）
改动后必跑三项自动化校验（Python 脚本）：
- 断链校验——遍历全部 wikilink，比对目标文件是否存在（需处理表格内
\|转义与行内代码中的语法示例两类误报） - 函数覆盖率校验——提取正文中出现的函数名，比对函数手册是否已收录
- 关键字/名词覆盖率校验——提取代码块中的 SQL 关键字，比对手册收录情况
核心方法：任何"读者可能不认识的东西"都应有一个可自动校验的索引页。 把「索引页」与「正文」做全量比对，即可把"有没有用了没讲的东西"从人工抽样变成自动化核查。
人类负责：策展来源、指导分析、提出好问题 LLM 负责：所有编写、维护、交叉引用和一致性工作
详细的方法论阐述见 SCHEMA.md（核心理念章节）与 [[meta/LLM_Wiki_方法论]]。
- 用 Obsidian 的 Graph View 可视化知识连接关系
- wiki 本质是 Markdown 文件——可直接用 git 版本控制
- 在实践中迭代
SCHEMA.md，它是活文档 - 技术内容有版本时效性——各主题的版本基线以页面内标注为准（如 PostgreSQL 以 PG 18.6 为基线，2026-09 核实）