以设备云为骨架，说明规则引擎、时序特征、预测模型、RAG 运维助手和 Agent 工具调用如何安全组合。

以修复真实项目 Bug 为例，解释编程 Agent、Tool、Skill、AGENTS.md、MCP、RAG、Memory 与 Agent Harness 的职责边界和协作流程。

用公司制度助手实验安排 MCP、托管 RAG 和自建知识库的学习顺序，给出每个阶段的目标、目录、验收标准与常见误区。

使用 Responses API 的 File Search 构建最小托管知识库，说明 File、Vector Store、索引状态、检索调用、结果引用、更新删除与生产安全边界。

通过 Google Drive 与自建知识库场景拆解 MCP 连接、文档同步、RAG 检索和模型生成的职责，给出实时检索与预建索引两种架构。

从协议架构解释 MCP 的 Host、Client、Server、Tool、Resource 与 Prompt，说明固定协议方法、自定义工具、SDK 职责、部署方式和安全边界。

通过公司制度问答案例解释 RAG 的离线入库与在线查询流程，覆盖解析、切片、Embedding、混合检索、重排序、权限、引用和评测。

解释 Embedding 模型、向量、相似度、向量索引、向量数据库、关键词检索与重排序，并给出 RAG 场景中的选型和质量排查方法。

用分层方法解释生成式 AI、基础模型、大语言模型、多模态、Prompt、Context、RAG、Tool 与 Agent，梳理这些概念在真实 AI 应用中的位置和边界。