构建企业级 AI Agent 的 13 个实战教训：自建 ETL 成本暴降 20 倍
redouanea · reddit · 2026-08-04
一位开发者为技术现场服务构建了语音和聊天 AI Agent，并总结了 13 条核心实战教训。
技术栈配置
- 编排与 API：使用 Python + FastAPI，LangGraph 负责图编排，LangChain 负责组件节点。
- 检索与可观测性：采用 OpenAI 嵌入和 Milvus 混合检索，配合 ColBERTer-2 重排；使用 Langfuse 进行监控。
- 基础设施：Hetzner 服务器与 AWS 结合，支持多模型提供商自动故障转移。
核心教训：掌控数据管线
- 尽早自建 ETL：初期使用了商业平台 Unstructured，但在处理 8000 页复杂工程文档时频繁失败且成本高昂。转向开源库 Docling 后，不仅提取质量提升，还完全掌控了架构。
- 成本暴降：摆脱按页计费的商业工具后，在自己的 GPU 基础设施上运行，处理成本降低了 15 到 20 倍。
- 提取质量决定上限：糟糕的数据提取无法通过更好的检索器或模型来弥补，底层文档处理质量直接决定了系统的最高性能。
「编程与Agent」频道最新
- 求推荐免费 MCP 服务器：用于移动应用 UI 设计参考 — photographywithdc · 2026-08-04
- Musubi Tuner 分支实现 MiniMax H3 LoRA 训练，24GB 显存可行 — diogodiogogod · 2026-08-04
- AI Commits v3 发布：大 PR 提速 5 倍并支持本地模型 — nutlope · 2026-08-04
- Fletch: 为 Claude Code 打造沙盒与调用图索引的 macOS 工具 — a1chapone · 2026-08-04
- 防 Prompt 注入:构建 AI 无法窃取私钥的 MCP 支付流 — pvdyck · 2026-08-04
- Zilla 2.0 将 MCP 原生集成:无需额外封装直接对接 REST 与 Kafka — jkriket · 2026-08-04