Delphi/FPC AI开发实战：MakerAI Suite构建企业级智能应用-编程实验室

1. 项目概述：MakerAI Suite，一个为Delphi/FPC打造的完整AI应用生态

如果你是一名Delphi或Free Pascal开发者，最近想在自己的桌面或企业应用中集成AI能力，比如让软件能理解文档、自动处理流程，或者构建一个智能助手，那你很可能面临一个尴尬的局面：社区里能找到的库，大多只是对某个AI服务商API的简单HTTP封装。你需要自己处理复杂的对话上下文、工具调用、文件上传，更别提构建RAG知识库或多智能体工作流了——这些高级功能几乎都要从零开始。

MakerAI Suite的出现，彻底改变了这个局面。它不是一个简单的API包装器，而是一个为Delphi和Free Pascal量身定制的、完整的AI应用开发生态系统。我从v2.x版本开始关注并使用它，到如今的v3.3，亲眼看着它从一个优秀的聊天组件，成长为一个涵盖RAG、智能体、工具桥接、可视化UI的庞然大物。它的核心思想是：让Pascal开发者能用自己最熟悉的语言和范式（组件、事件、RTTI），去构建生产级的AI应用，而无需在Python生态和Delphi之间反复横跳。

简单来说，MakerAI让你能用拖放组件和编写Pascal代码的方式，实现其他语言需要复杂框架才能完成的任务。无论是连接最新的GPT-5.2、Claude 4.6，还是构建一个能检索内部知识库并自动审批的智能工作流，它都提供了一站式的原生解决方案。接下来，我将带你深入拆解这个套件的架构、核心功能，并分享从环境搭建到实战开发的全流程经验。

2. 核心架构与设计哲学：为何它不止是API调用

2.1 双轨制设计：直接控制与统一抽象的平衡

MakerAI最精妙的设计之一是它的“双轨制”访问模式。这解决了开发者面临的一个经典矛盾：既要追求对特定API的完全控制力，又希望业务逻辑代码能保持通用、可切换。

轨道一：原生提供者组件这是为需要“满血”API功能的场景准备的。例如，TAiOpenChat、TAiClaudeChat等组件，提供了对应服务商API的全功能、原生映射。这意味着，如果OpenAI的Chat Completion接口有一个名为seed的参数，那么TAiOpenChat组件就一定会有一个对应的Seed属性。你可以精细控制每一次调用的温度、top_p、最大token数等所有参数，并直接获取API返回的原始数据结构。当你需要利用某个提供者的独有特性（比如OpenAI的JSON模式强制输出，或Claude的XML工具调用）时，就应该使用这些原生组件。

轨道二：统一连接器这是大多数应用场景的推荐入口：TAiChatConnection。它是一个通用的、提供者无关的接口。你的业务代码只与TAiChatConnection交互，而具体背后是OpenAI、Gemini还是Ollama，仅仅通过设置DriverName和Model属性来决定。这种抽象带来了巨大的灵活性：

环境隔离：API密钥可以通过@ENV_VAR语法从环境变量读取，避免将敏感信息硬编码在源码或配置文件中。
动态切换：你可以根据用户订阅、成本或模型特性，在运行时动态切换AI服务商，而无需重写任何对话逻辑。
降级容灾：当主要服务商出现故障时，可以快速回退到备用服务商。

在实际项目中，我通常采用混合策略：核心业务流使用TAiChatConnection以保证可移植性；而在某些对特定模型行为有强依赖的模块（例如，依赖Claude的长时间推理能力），则直接使用对应的原生组件。

2.2 能力系统：声明式需求与自动桥接

v3.3引入的TAiCapabilities系统是框架智能化程度的一个飞跃。传统上，你需要手动检查模型是否支持某功能（比如视觉识别），如果不支持，就得自己写代码调用外部工具（如OCR服务）来“补全”。这个过程繁琐且容易出错。

TAiCapabilities将这个过程自动化、声明化了。它包含两个核心集合：

ModelCaps：描述一个模型原生支持的能力，例如[cap_Text, cap_Image, cap_Reasoning]。
SessionCaps：描述当前会话需要的能力，比如用户上传了一张图片并要求描述，那么会话就需要cap_Image能力。

框架会自动进行“缺口分析”。当SessionCaps超出了ModelCaps的范围，MakerAI不会报错，而是自动激活相应的“桥接工具”。例如，你向一个不支持图片理解的文本模型（如某些Ollama模型）发送图片，框架会检测到cap_Image缺口，自动调用配置好的IAiVisionTool（比如连接到一个支持视觉的模型）来处理图片，将结果转换为文本描述后，再发送给主模型。这一切对开发者是透明的，你只需要声明“我需要什么”，而不用关心“它怎么实现”。

此外，ThinkingLevel属性（tlLow,tlMedium,tlHigh）提供了一个跨提供者的统一推理深度控制接口。对于支持“扩展思考”的模型（如DeepSeek-Reasoner、Claude 3.7 Sonnet），设置更高的ThinkingLevel会触发模型更长时间的链式推理；对于不支持的模型，该属性则被忽略。这简化了为不同模型优化提示词的复杂度。

3. 核心模块深度解析与实战要点

3.1 RAG引擎：从向量检索到知识图谱

检索增强生成是让AI应用“拥有”私有知识的关键。MakerAI提供了两套互补的RAG引擎，远超简单的向量搜索。

向量RAG：语义搜索的工业级实现其核心是基于TAiVectorRAGConnection组件的向量数据库。它支持多种后端：

PostgreSQL/pgvector：适用于生产环境，支持大规模的向量索引和复杂的联表查询。
SQLite：轻量级选择，适合桌面应用或原型开发，无需单独部署数据库服务。
内存模式：用于单元测试或极小数据量的瞬时检索。

它的强大之处在于混合搜索策略。单纯的向量相似度搜索（语义搜索）有时会错过关键关键词；而单纯的关键词匹配（BM25）又无法理解语义。MakerAI的向量RAG引擎可以同时执行两种搜索，并通过RRF（倒数排名融合）或加权分数融合算法，将两者的结果智能合并。这大大提高了检索的召回率和准确率。

VQL：像查询数据库一样检索知识这是MakerAI的一大亮点。你不再需要拼接复杂的函数调用，而是使用一种类似SQL的声明式语言——VQL（Vector Query Language）。

var VQL: string; Results: TArray<TAiVectorSearchResult>; begin VQL := 'MATCH documents SEARCH “项目进度延迟” ' + 'USING HYBRID WEIGHTS(semantic: 0.7, lexical: 0.3) FUSION RRF ' + 'WHERE department = “研发部” AND date > “2024-01-01” ' + 'RERANK “根本原因分析” WITH REGENERATE ' + 'LIMIT 5'; Results := VectorRAGConn.Query(VQL); end;

这段VQL语句的意思是：在documents集合中，搜索“项目进度延迟”，使用混合搜索（语义权重0.7，关键词权重0.3），结果用RRF算法融合。同时，筛选department为“研发部”且日期在2024年之后的文档。然后，用“根本原因分析”这个查询对初步结果进行神经重排序，以提升Top结果的相关性。最后返回5条最相关的结果。WITH REGENERATE选项允许重排序模型改写或扩充结果片段，使其更贴合查询意图。这种表达方式极其高效和直观。

图RAG：挖掘知识背后的关联如果说向量RAG找到了相关的“点”，那么图RAG则揭示了这些“点”之间的“线”。它将知识存储为节点（实体）和边（关系）组成的图结构，每个节点和边都可以有嵌入向量和属性。

例如，将公司文档提取后，可以形成(人员)-[属于]->(部门)、(项目)-[依赖]->(技术)等关系。图RAG的强大查询语言GQL（Graph Query Language）允许你进行图遍历查询：

MATCH (p:Person)-[r:WORKS_ON]->(proj:Project) WHERE proj.status = “高风险” DEPTH 2 RETURN p.name, proj.name, r.role

这条查询会找出所有参与“高风险”项目的人员，并向外探索两层关系（比如这些人还参与了哪些其他项目）。这对于根因分析、影响面评估、知识发现等场景非常有用。新的uMakerAi.RAG.Graph.Documents.pas单元提供了完整的文档到知识图谱的流水线管理（摄取、分块、嵌入、链接），使得构建图RAG应用变得更加系统化。

实操心得：RAG的“分块”艺术RAG的效果很大程度上取决于文档分块（Chunking）策略。MakerAI提供了基础的分块器，但对于复杂文档（如混合了文本、表格、代码的PDF），默认策略可能不够。我的经验是：
按语义分块：优先使用基于句子或段落边界的语义分块，而不是固定大小的滑动窗口，这能保证上下文的完整性。
重叠区域：设置一定的重叠token数（如100-200），避免答案恰好被切分在两个块之间。
元数据丰富化：在分块时，尽可能为每个块添加丰富的元数据，如所属章节、页码、文档类型、重要性标签等。这些元数据可以在VQL的WHERE子句中用于强力过滤，极大提升检索精度。
对于图RAG：分块策略更侧重于“实体提取”和“关系定义”。你需要设计好从文本到节点/边的映射规则，这可能需要对领域有更深的理解。

3.2 智能体框架：构建可持久化的自动化工作流

MakerAI的智能体系统是基于有向图的，这比线性的链式调用强大得多。核心组件是TAIAgentManager，它负责执行一个由TAIAgentsNode（节点）和连接线构成的图。

节点与黑板每个TAIAgentsNode代表一个执行单元，它可以是一个LLM调用、一个工具调用（如计算器、数据库查询），或者一段自定义的Pascal代码。节点之间通过链接传递数据。TAIBlackboard是一个线程安全的键值存储，作为所有节点的共享内存。节点可以从黑板读取输入，并将输出写回黑板。这种设计使得节点之间松耦合，易于复用和组合。

链接模式与执行控制链接决定了工作流的走向：

lmFanout：广播。一个节点的输出会同时触发所有下游节点并行执行。
lmConditional：条件路由。根据上游节点的输出值或某个条件，决定下一步执行哪个分支。
lmExpression：表达式绑定。允许使用简单的表达式语言，将上游节点的输出值动态赋值给下游节点的输入参数。
lmManual：手动触发。用于需要人工干预的步骤。

持久化执行与人工介入这是v3.3的两个重磅特性，对于生产环境至关重要。

TAiFileCheckpointer：智能体工作流可能很长，如果在执行中途程序崩溃或服务器重启，传统方式只能从头开始。检查点机制会将整个图的状态（每个节点的完成状态、黑板上的数据）序列化到磁盘。恢复时，TAIAgentManager可以从检查点文件加载，并自动从中断的节点继续执行，确保了长时间工作流的可靠性。
TAiWaitApprovalTool与OnSuspend事件：并非所有决策都应该交给AI。你可以插入一个“等待审批”节点。当工作流执行到此节点时，它会触发OnSuspend事件，并将自身线程ID、节点名和当前上下文（通常从黑板获取）暴露给你的UI层。你的应用程序可以弹出一个对话框让用户审核。用户做出“批准”或“拒绝”的决定后，调用ResumeThread方法，并传入决策结果，工作流便会继续执行。这实现了真正的“人在回路”控制。

3.3 MCP集成：与外部AI工具生态无缝对接

模型上下文协议是一个新兴但非常重要的标准，它允许AI应用（如Claude Desktop、Cursor）安全地调用外部工具（如文件系统、数据库）。MakerAI完整实现了MCP的客户端和服务器端。

作为MCP服务器：将你的Delphi应用能力暴露给AI通过TAiMCPServer组件，你可以轻松地将任何Delphi函数注册为MCP工具。例如，你可以暴露一个“查询本月销售数据”的工具。当用户在Claude Desktop中与你配置的MCP服务器连接后，他就可以直接对Claude说：“帮我查一下本月的销售数据”，Claude会自动调用你这个工具并返回结果。MakerAI支持HTTP、SSE和StdIO多种传输协议，并且提供了TAiFunctions到MCP工具的自动桥接，这意味着你现有的基于TAiFunctions的工具链几乎可以零成本转换为MCP服务。

作为MCP客户端：在你的应用中使用外部AI工具反过来，你也可以在你的Delphi应用中集成外部MCP服务器。例如，连接一个公开的天气数据MCP服务器，你的智能体就可以获得实时天气信息。TAiMCPClient组件处理了所有JSON-RPC通信的细节，你只需要提供服务器地址和工具列表，就可以像调用本地函数一样调用远程工具。

注意事项：MCP并发调用的坑在v3.3之前，MCP客户端在处理单个回合内多个工具调用时存在一个隐蔽的并发Bug。如果模型一次返回两个需要调用同一个MCP服务器的工具，框架会尝试并行执行它们。但由于一个MCP服务器实例通常共享一个进程/管道，并行调用会导致JSON-RPC消息交错，引发通信混乱和随机失败。v3.3通过在TMCPClientCustom中引入FCallLock: TCriticalSection修复了这个问题，确保对同一服务器的调用是串行的，而对不同服务器的调用仍可并行。这提醒我们，在集成异步工具调用时，必须仔细考虑资源竞争和线程安全。

3.4 ChatTools：弥补模型能力短板的瑞士军刀

ChatTools是一组标准化接口，将各种确定性能力（OCR、语音、图像生成、文件操作等）封装成AI可以调用的“工具”。其核心价值在于自动桥接。

例如，你的会话需要cap_Pdf能力来读取一份PDF合同，但你当前使用的模型（比如GPT-3.5）并不原生支持PDF解析。在传统方式下，你需要手动编写代码：先调用一个OCR服务解析PDF，再将文本传给GPT。而使用MakerAI，你只需要：

配置一个IAiPdfTool的实现（例如，使用Mistral的OCR API）。
在会话中声明需要cap_Pdf能力。
当用户上传PDF时，框架会自动检测到模型能力缺口，并调用你配置的IAiPdfTool进行转换，整个过程对开发者透明。

这种模式极大地降低了集成复杂度。目前支持的Tool包括PDF解析、视觉识别、语音合成与识别、网页搜索、图像/视频生成、Shell命令执行、文件编辑，甚至鼠标键盘控制（Computer Use）。你可以混合使用多个工具，让一个“能力平平”的模型，通过工具链的辅助，完成复杂的多模态任务。

4. 从零开始：安装、配置与第一个AI对话应用

4.1 环境准备与源码获取

首先，你需要一个支持Delphi 10.4 Sydney或更高版本（推荐11 Alexandria以上）的IDE，或者使用Free Pascal 3.2.0+配合Lazarus。MakerAI对Free Pascal的支持非常完善，所有核心功能在fpc分支上均可使用。

通过Git克隆项目是第一步：

git clone https://github.com/gustavoeenriquez/MakerAi.git

我建议创建一个独立的目录来存放这个库，例如D:\Dev\Libs\MakerAI，以便管理。

4.2 包编译顺序与库路径设置

这是新手最容易出错的地方。MakerAI由多个运行时包和一个设计时包组成，必须按顺序编译。

打开Delphi，选择File -> Open Project，导航到MakerAi\Source\Packages\目录。
按顺序打开并编译安装：
- MakerAI.dpk：这是核心运行时包，包含绝大多数单元。编译并安装它。
- MakerAi.RAG.Drivers.dpk：RAG引擎的数据库驱动包（主要是PostgreSQL支持）。如果你只用SQLite或内存模式，可以不安装此包，但建议编译以备不时之需。
- MakerAi.UI.dpk：FMX可视化聊天组件包。如果你计划使用TChatList,TChatBubble等UI控件，需要安装它。
- MakerAiDsg.dpk：设计时包。这个包提供了Object Inspector中的属性编辑器（如DriverName下拉列表）、组件图标等。注意：此包依赖VCL和DesignIDE，通常只在Windows的Delphi IDE中安装。在Linux下或纯FPC/Lazarus环境中无需此包。

更简单的方法是直接打开MakerAi\Source\Packages\MakerAiGrp.groupproj组项目文件，IDE会加载所有包，你可以一次性编译整个组。

库路径设置至关重要，否则IDE找不到单元文件。在Delphi中，进入Tools -> Options -> Language -> Delphi Options -> Library，在Library path中添加以下路径（请根据你的实际克隆目录调整）：

D:\Dev\Libs\MakerAi\Source\Agents D:\Dev\Libs\MakerAi\Source\Chat D:\Dev\Libs\MakerAi\Source\ChatUI D:\Dev\Libs\MakerAi\Source\Core D:\Dev\Libs\MakerAi\Source\Design D:\Dev\Libs\MakerAi\Source\MCPClient D:\Dev\Libs\MakerAi\Source\MCPServer D:\Dev\Libs\MakerAi\Source\Packages D:\Dev\Libs\MakerAi\Source\RAG D:\Dev\Libs\MakerAi\Source\Resources D:\Dev\Libs\MakerAi\Source\Tools D:\Dev\Libs\MakerAi\Source\Utils

添加后，点击“OK”并重启IDE以确保生效。

4.3 配置API密钥与环境变量

硬编码API密钥是安全实践的大忌。MakerAI推荐使用环境变量。在Windows中，你可以这样设置（以OpenAI为例）：

打开系统属性 -> 高级 -> 环境变量。
在“用户变量”或“系统变量”中，新建一个变量，名称为OPENAI_API_KEY，值为你的OpenAI API密钥。
重启你的Delphi IDE，以便它获取新的环境变量。

在代码中，这样引用：

AiConn := TAiChatConnection.Create(Self); AiConn.DriverName := 'OpenAI'; AiConn.Model := 'gpt-4o'; AiConn.ApiKey := '@OPENAI_API_KEY'; // 框架会自动解析@符号并读取环境变量

对于其他提供商，同理设置GEMINI_API_KEY、ANTHROPIC_API_KEY等环境变量。你也可以直接在属性中填写真实的密钥字符串，但仅限于开发和测试。

4.4 创建第一个聊天应用：两种方式

方式一：使用可视化组件（快速原型）

新建一个FireMonkey多设备应用程序。
在工具栏的“MakerAI”页签下，找到TChatList、TChatInput和TAiChatConnection组件，拖放到窗体上。
设置TAiChatConnection的DriverName、Model和ApiKey。
在TChatInput的OnSendMessage事件中，编写如下代码：

procedure TForm1.ChatInput1SendMessage(Sender: TObject; const AMessage: string; AAttachments: TStrings); var Response: string; begin // 将用户消息添加到聊天列表（可选，TChatInput可能已自动处理） ChatList1.AddMessage(AMessage, ctUser); // 使用连接器发送消息并获取流式响应 AiChatConnection1.SendChatMessageAsync( AMessage, procedure (const AContent: string; AIsFinal: Boolean) begin // 流式回调，AContent是陆续到达的文本块 if AIsFinal then ChatList1.AddMessage(AContent, ctAssistant) else ChatList1.UpdateLastMessage(AContent, ctAssistant); // 更新最后一条消息（通常是助理的回复） end, procedure (AError: Exception) begin ShowMessage('Error: ' + AError.Message); end ); end;

运行程序，你就能得到一个具有流式响应效果的聊天界面。

方式二：使用代码驱动（更灵活控制）如果你不需要UI，或者需要更精细的控制，可以直接使用TAiChatConnection。

procedure TForm1.Button1Click(Sender: TObject); var Chat: IAiChat; Msg: TAiChatMessage; Response: TAiChatResponse; begin Chat := AiChatConnection1.CreateChat; // 添加系统指令（可选） Chat.AddMessage(ctSystem, '你是一个有帮助的助手。'); // 添加用户消息 Msg := Chat.AddMessage(ctUser, '你好，请介绍一下你自己。'); // 可以附加文件 Msg.AddFile('path/to/image.png'); // 同步调用（简单，但会阻塞UI） Response := Chat.Execute; Memo1.Lines.Add(Response.Content); // 或者异步调用（推荐，不阻塞UI） Chat.ExecuteAsync( procedure (AResponse: TAiChatResponse) begin TThread.Queue(nil, procedure begin Memo1.Lines.Add(AResponse.Content); end); end, procedure (AError: Exception) begin TThread.Queue(nil, procedure begin ShowMessage('Error: ' + AError.Message); end); end ); end;

5. 进阶实战与避坑指南

5.1 构建一个带RAG的智能问答系统

假设我们要构建一个内部技术文档问答机器人。

知识库构建：使用TAiVectorRAGConnection连接一个SQLite数据库。编写一个后台服务，遍历所有技术文档（.pdf, .docx, .md），使用TAiRAGDocumentProcessor进行分块、提取文本、生成嵌入向量，并存储到向量数据库中。这个过程可以定期运行以更新知识库。
查询集成：在聊天逻辑中，当用户提出问题时，先不直接发送给LLM。而是使用VQL从向量数据库中检索最相关的5个文档片段。
```
VQL := 'MATCH chunks SEARCH “' + UserQuestion + '” LIMIT 5'; RelevantChunks := VectorRAGConn.Query(VQL);
```

构造增强提示：将检索到的片段作为上下文，与用户问题一起构造最终提示。

ContextText := ''; for Chunk in RelevantChunks do ContextText := ContextText + '--- 参考文档 ---' + sLineBreak + Chunk.Text + sLineBreak; FinalPrompt := '请根据以下提供的上下文信息，回答用户的问题。' + sLineBreak + '如果上下文信息不足以回答问题，请如实告知。' + sLineBreak + sLineBreak + '【上下文】' + sLineBreak + ContextText + sLineBreak + '【用户问题】' + sLineBreak + UserQuestion;

调用LLM并返回：将FinalPrompt发送给TAiChatConnection，获取答案并返回给用户。

5.2 实现一个带人工审批的自动化流程

利用智能体框架，我们可以设计一个采购申请审批流程。

定义节点：
- Node1 (LLM)：分析采购申请邮件内容，提取物品、数量、预算、申请理由。
- Node2 (Tool)：调用内部系统API，查询申请人的预算余额。
- Node3 (Conditional)：判断逻辑。如果（物品为常规物品 AND 金额 < 阈值 AND 预算充足），则链接到Node4（自动批准）；否则，链接到Node5（人工审批）。
- Node4 (Custom Code)：执行自动批准，调用系统接口创建采购单。
- Node5 (WaitApproval)：挂起流程，等待人工审批。触发OnSuspend事件，在UI上显示待审批项。
配置检查点：为TAIAgentManager设置TAiFileCheckpointer。这样，即使流程在Node5等待审批时服务器重启，重启后也能从Node5恢复状态，而不会丢失已提取的数据。
人工干预：当UI收到OnSuspend事件时，弹出对话框展示申请详情。用户点击“批准”后，调用AgentManager1.ResumeThread(SuspendedThreadID, 'Node5', '{"decision":"approve"}')，工作流将继续执行Node5之后的节点（可能是发送通知的节点）。

5.3 常见问题与排查技巧

问题1：编译时提示“单元找不到”或“未声明的标识符”。

排查：99%的原因是库路径没有正确设置。请严格按照上文“库路径设置”部分，检查所有路径是否都已添加，并注意路径分隔符和大小写（在Linux上很重要）。确认后，尝试对项目进行“Clean”然后“Build”。

问题2：运行时错误“Driver [OpenAI] not registered”。

排查：确保MakerAI运行时包已正确安装。在项目文件中，检查是否包含了MakerAI在requires部分。对于控制台或简单项目，可能需要手动在.dpr文件的uses部分早期添加MakerAI以初始化驱动注册。

问题3：流式响应不工作，或者UI卡顿。

排查：确保异步调用和UI更新是在正确的线程中进行的。在FireMonkey中，所有对可视化组件的更新都必须在主线程（UI线程）中进行。如上文示例所示，在异步回调中使用TThread.Queue或TThread.Synchronize将更新操作派发到主线程。

问题4：RAG检索结果不相关。

排查：
- 嵌入模型：检查使用的嵌入模型是否适合你的文本领域。对于中文，text-embedding-3-small或专门的多语言模型可能比纯英文模型更好。MakerAI允许你通过TAiEmbeddingsConnection配置独立的嵌入模型。
- 分块大小：分块太大（超过模型上下文窗口）或太小（失去语义）都会影响效果。尝试调整分块大小和重叠区域。
- 混合搜索权重：调整VQL中WEIGHTS(semantic: X, lexical: Y)的X和Y值。对于专业术语多的文档，可以增加关键词权重（lexical）。
- 重排序：务必启用RERANK子句。初步检索（召回）追求全面，重排序（精排）追求精准，两者结合效果最佳。

问题5：工具调用时出现EAggregateException。

排查：这是v3.3修复的一个Bug，但如果你遇到类似的多任务异常，请检查你的工具执行代码（特别是在OnExecute事件或自定义工具中）是否有未处理的异常。确保所有工具调用都有完善的try...except，并将错误信息通过OnError事件或返回值妥善传递，而不是让异常抛到任务调度层。

问题6：在Free Pascal/Lazarus下某些功能不可用。

排查：首先确认你使用的是fpc分支的代码。其次，FPC版本需>=3.2.0。某些高级特性（如特定平台的语音识别、计算机控制）可能依赖外部库或操作系统特定API，在非Windows平台或FPC上可能受限。请参考fpc分支的README和Demo，它们专门展示了在Lazarus下的可用功能。

我个人在几个企业级项目中深度应用了MakerAI，最大的体会是：它极大地提升了开发效率，将AI集成的复杂度从“基础设施搭建”降级为“业务逻辑组装”。它的架构设计非常“Delphi”，符合Pascal开发者的思维习惯。开始使用时，建议从010-MinimalChat和012-ChatAllFunctions这两个Demo入手，先跑通基本流程，再逐步深入研究RAG、智能体等高级模块。遇到问题时，除了查阅GitHub Issues，其活跃的Telegram社区（有英文和西班牙文频道）是获取帮助的绝佳途径。记住，用好TAiCapabilities系统和统一连接器，是写出整洁、可维护AI应用代码的关键。