技术剖解系列
市面上 90% 的智能体服务在开维C——不管什么病症，都是 RAG + n8n + 大模型。
我们用辨证施治的四步流程，逐个场景拆解：真实问题是什么，正确的路径是什么，技术怎么组合，上线后怎么持续跑好。
核心框架
诊断
和客户一起搞清楚：你到底卡在哪？是信息不够、流程断裂、还是认知负荷太高？问题定义错了，后面全白干。
壁垒：行业 know-how，最少人能做对
开方
确定技术路径：用什么模型、什么知识结构、什么检索策略、什么工具链。不是画架构图，是做具体选型决策。
壁垒：技术广度 × 选型判断力
抓药
把选好的组件搭起来：配置向量库、写分片逻辑、接工具链、设约束规则、调通整条链路。能跑是及格，跑稳才算交付。
壁垒：工程实现深度，大多数人只会 RAG 模板
调理
上线才是开始。持续监控召回率、调优分片、扩展场景、处理异常、根据效果调方。这才是持续收入。
壁垒：持续性 × 客户迁移成本
💡 为什么是"维C"？
市面上大多数 Agent 服务商手头只有"维生素 C"——简单 RAG、n8n 模板、基础大模型调用。不管你是什么病症（销售跟进、知识管理、竞品分析、客户支持），开的都是同一张方子。
感冒了？吃维C。破伤风了？吃维C。癌症了？还是吃维C。
但感冒和癌症需要的是完全不同的方子。Soloharness 做的是辨证施治——先诊断你到底是什么病，再开针对性的方子，帮你抓药，持续调理。
场景剖解
逐步发布。每篇拆解一个场景：诊断什么问题、开什么方、怎么抓药、如何调理。
你有几百篇笔记和文档，想做一个能精准召回的 AI 助理。但标准 RAG 只能做到 30% 召回率。正确的索引、分片、门控组合是什么？
自动筛选线索、个性化触达、多轮跟进。但用同一个 LLM 做所有环节，成本和质量都撑不住。怎么拆、怎么选型？
监控竞品动态、检测关键变化、生成分析报告。网页抓取、变更检测、结构化存储，每个环节的选型都直接影响信号质量。
更多场景持续剖解中
SEO 内容工程师 · 客户支持 · 招聘 Agent · 项目管理 · 财务记账 …
③ 抓药 · 技术选型速查
每个场景的"抓药"阶段都要回答这些问题。不同答案，意味着完全不同的技术栈。
知识表示
md 平铺 / 向量索引 / 知识图谱（Neo4j / PostgreSQL+AGE）
Embedding 模型
text-embedding-3-large / bge / DashScope — 维度、语种、成本
分片策略
按段落 / 语义块 / 固定 token — 粒度决定召回精度
检索方法
纯向量 / 混合检索（向量+BM25）/ 图谱遍历 / 多跳推理
大模型选型
长上下文 vs 轻量快 / 级联路由 / 成本与延迟权衡
约束与门控
SOUL 硬编码 / few-shot / 编排层路由 / 基于图谱的门控