不是只会C++的小张-CSDN博客

原创 Claude Code源码剖析 - Claude Code 上下文压缩机制

Claude Code 上下文压缩机制摘要 Claude Code 的上下文压缩是一套多层级的上下文治理系统，旨在解决模型运行时的上下文窗口限制问题。该系统通过以下机制协同工作：输入视图切片：从最近的压缩边界开始截取消息工具结果清理：限制单条工具结果的体积历史视图裁剪：选择性保留关键历史消息自动压缩：生成历史摘要替代冗长内容失败恢复：处理API错误后的上下文重建压缩过程集成在Agent Loop中，每轮模型调用前都会重新整理上下文视图，确保不超过窗口限制，同时保留工具调用、文件状态等关键信息。系

2026-06-10 18:19:51 290

原创 Claude Code源码剖析 - AgentTool 与 Subagent 机制

文章摘要： Claude Code中的AgentTool机制实现了子代理功能，其核心是将子代理运行环境封装为一个普通工具。当父代理调用AgentTool时，会启动完整的子代理运行流程：选择代理定义、构建独立上下文、隔离工具池和权限、运行新的query()循环，最后将结果包装为父代理可读取的tool_result。该机制包含多个关键技术点： AgentTool作为工具接口，支持同步/异步、fork代理、远程代理等模式子代理拥有完全独立的运行环境，包括系统提示、工具池和上下文通过LocalAgentTas

2026-06-10 18:18:49 223

原创 Claude Code源码剖析 - ShellTool与真实动作

摘要：Bash工具的安全执行机制 Claude Code中的Bash工具通过结构化schema控制命令执行流程：输入控制：使用Zod schema严格定义输入参数（命令、超时、后台执行等），隐藏内部字段（如_simulatedSedEdit）防止模型绕过安全检查权限分离：区分完整输入schema（内部使用）和模型可见schema（有限权限）输出扩展：执行结果不仅包含stdout/stderr，还包括执行状态、后台任务ID、沙箱状态、大文件输出路径等元数据安全边界：通过schema设计建立安全边界，模

2026-06-10 18:16:30 186

原创 Claude Code源码剖析 - 权限系统

Phase 5: 权限系统摘要权限系统采用双层设计，包含全局策略(PermissionMode)和单次行为(PermissionBehavior)。PermissionMode定义会话级别的权限策略（如default/plan/bypassPermissions等），而PermissionBehavior决定单次工具调用的执行结果（allow/deny/ask）。核心流程通过hasPermissionsToUseToolInner实现：首先检查工具是否被全局禁止（deny规则）然后检查是否需要用户确

2026-06-10 18:15:34 384

原创 Claude Code源码剖析 - 文件读取与代码搜索工具

本文介绍了Claude Code中的文件读取工具(Read Tool)的设计与实现。该工具允许AI模型通过结构化请求读取本地文件内容，支持文本、图片、PDF和Jupyter notebook等多种文件类型。工具设计考虑了上下文长度限制，支持分页读取和局部读取功能。文章详细解析了工具的输入输出Schema、注册流程、并发安全属性、路径规范化处理以及权限检查机制。特别强调了该工具虽然是只读操作，但仍需通过严格的权限验证，包括路径归属检查、PDF页码验证和用户自定义的deny规则匹配。

2026-05-25 14:38:27 399

原创 Claude Code源码剖析 - Claude 中Tools的抽象

模型说“我要用工具”Claude Code runtime 如何把它变成本地动作，再把结果变回模型能理解的消息？-> 本地 runtime 找工具-> 校验输入-> 权限检查-> 执行工具-> 生成 user/tool_result-> 回填 messages-> 下一轮模型调用ToolnameisReadOnlycall工具不是普通函数。工具 = schema + 权限 + 执行 + 结果映射 + 上下文/展示能力。

2026-05-22 12:54:04 442 2

原创 Claude Code源码剖析 - Message 与上下文结构

消息处理与工具交互机制 Claude Code 的消息系统采用结构化设计，核心要点包括：消息创建：支持多种内容类型（字符串/ContentBlock数组）工具调用请求(tool_use)和结果(tool_result)分别封装为assistant和user消息消息规范化： normalizeMessages()将多block消息拆分为单block消息便于UI展示和工具处理工具交互：通过isToolUseRequestMessage和isToolUseResultMessage判断工具调用状态

2026-05-20 08:49:25 425 2

原创 Claude Code源码剖析 - Agent 最小闭环

摘要本文档记录了Claude Code源码解析的第一阶段笔记，聚焦Agent最小闭环的实现机制。主要内容包括：阅读目标：追踪Agent循环的主线流程，理解模型与工具交互的核心机制文件结构分析：query.ts的主体是1500行的queryLoop函数 QueryParams：启动Agent循环所需的完整参数包，包含对话历史、工具权限、运行环境等 State类型：记录循环间的可变状态，重点是messages和toolUseContext的更新 query函数：作为外层包装器，管理整个异步生成过程核心理

2026-05-13 21:40:03 423 2

原创 AI应用开发 - AI Agent Practical Exercise

使用@tool@tool"""数学计算器Args:expression: 数学表达式，如 "2+3*5"Returns:计算结果字符串"""try:return f"计算错误:str@tool def calculator(expression : str) - > str : """数学计算器Args:expression: 数学表达式，如 "2+3*5"Returns:计算结果字符串。

2026-04-24 22:46:40 643

原创 AI应用开发 - RAG Practical Exercise

"""自定义检索器，支持重排序"""# 允许任意类型（绕过 Pydantic 检查）db: Any = Field(description="向量数据库")retrieve_k: int = Field(default=12) # 粗排返回数量rerank_k: int = Field(default=5) # 精排返回数量# 1. 向量搜索，粗排取回 retrieve_k 个# 2. 如果有 reranker，进行精排# 构建 (query, document) 对# 合并分数并排序。

2026-04-23 22:36:29 277

原创 AI应用开发 - What are RAGs?

RAG（检索增强生成）技术解析与应用 RAG技术通过结合检索与生成能力，为LLM提供实时知识支持。其核心流程分为三步：索引阶段将文档分块存储为向量；检索阶段根据问题匹配最相关文档；生成阶段结合检索内容输出答案。关键技术包括Embedding（将文本转为语义向量）和相似度计算（如余弦相似度）。RAG可实现智能客服、虚拟主播等场景，但需注意数据质量和参数调优。实现方式上，Agent模式更灵活，Chain模式更高效。实际应用中需平衡检索精度与生成质量，防范安全风险。

2026-04-22 21:14:51 378

原创 AI应用开发 - Embeddings Practical Exercises(附参考源码)

本文系统介绍了从文本Embedding到语义搜索的完整技术流程。首先讲解了Embedding的基本概念和实现方法，使用SentenceTransformer将文本转换为固定维度向量。然后详细阐述了相似度计算（特别是余弦相似度）的原理和批量计算方法。接着介绍了语义搜索的核心流程，包括查询编码、向量匹配和结果排序。文章还展示了如何手写一个简单的向量数据库(VectorDB)以及使用高效的FAISS库进行大规模向量检索，比较了不同索引类型的特点。最后封装了FaissVectorDB类，提供便捷的向量存储和搜索功能

2026-04-21 23:29:04 445

原创 AI应用开发 - Vector Databases

向量数据库是一种专为存储和检索高维向量数据设计的数据库系统，通过相似度搜索而非精确匹配来查找最相关的结果。其核心原理是将非结构化数据（如文本、图像）转换为数值向量表示，使用余弦相似度、欧氏距离等度量方法进行相似度匹配。与传统数据库相比，向量数据库更适合处理语义搜索、推荐系统等AI场景。主流产品包括Pinecone、Milvus、FAISS等，各具特点：Pinecone提供全托管服务，FAISS是轻量级库，而Chroma则以开源易用著称。典型应用涵盖NLP、图像识别、异常检测等12大领域。选择时需权衡可扩展性

2026-04-21 23:28:00 481

原创 AI应用开发 - What are Embeddings

优势局限个性化体验，76% 用户期待个性化需要大量用户数据发现新内容，用户可能从未主动搜索计算资源投入大提升转化和收入（推荐占电商收入 31%）实时性要求高（毫秒级响应）长尾产品曝光，优化库存隐私合规挑战（GDPR 等）推荐多样性，可发现意外惊喜冷启动问题（新用户/新产品）

2026-04-20 19:52:31 511

原创 AI应用开发 - Hugging Face入门

Hugging Face Transformers库中的Pipeline功能将复杂模型调用简化为简单API，支持多种AI任务。它包含预处理、模型和后处理三个核心组件，支持文本、语音、图像和多模态任务。用户可指定模型、批量处理数据，并通过参数优化性能。Pipeline支持batching加速（GPU环境下可达13倍性能提升），但需注意序列长度差异可能导致内存问题。对于单输入多forward任务，Pipeline自动采用Chunk Batching机制处理。使用时应根据硬件和数据特性调整batch_size，并

2026-04-19 18:37:55 226

原创 AI应用开发 - Type Of Models

预训练模型（PTMs）是通过大规模数据预先训练的模型，可迁移到下游任务微调使用。其发展经历了监督学习预训练（如ResNet）和自监督学习预训练（如BERT、GPT）两个时代。PTMs按架构可分为自回归模型（GPT系列）、自编码模型（BERT）和编码器-解码器模型（T5）；按训练任务包括MLM、NSP等；按模态涵盖文本、图像及多模态模型（如CLIP、DALL-E）。BERT擅长理解任务，GPT擅长生成任务，T5统一了理解和生成。多模态模型（如GPT-4V）能处理图文等跨模态任务。为提升计算效率，可采用知识蒸馏

2026-04-17 20:16:26 412

原创 AI应用开发 - Context Engineering(上下文工程)

文章摘要本文探讨了AI Agent记忆管理和上下文优化两大核心技术。External Memory通过agents.md等外部文件存储对话历史、项目信息和偏好设置，解决LLM"冷启动"问题，避免重复指令。Context Engineering则从RAG进化而来，提出Write/Select/Compress/Isolate四大策略优化上下文窗口使用，包括记忆持久化、信息筛选、内容压缩和多Agent隔离。动态过滤器作为RAG的升级版，通过重排序机制提升检索精准度。这些技术共同推动AI A

2026-04-17 16:01:53 504

原创 AI应用开发 - Prompt Engineering(提示词工程)

摘要：Prompt Engineering 方法对比与应用 Zero-shot 和 Few-shot 是两种核心的Prompt Engineering方法。Zero-shot依赖预训练模型的知识直接推理，无需示例，适合快速验证或数据稀缺场景，但性能依赖模型质量；Few-shot提供少量示例，能稳定输出格式并适配特定领域，但需人工设计示例。两者各有优劣，选择取决于任务复杂度、数据可用性和格式要求。 ReAct（Reasoning+Acting）通过结合推理与外部工具调用（如搜索、计算器）解决CoT的静态知识局

2026-04-16 20:37:25 674

原创 AI应用开发 - LLM及其相关概念

Embedding（嵌入）是将真实世界对象（文本、图片、视频等）转换为连续向量空间中的点的技术，使机器学习模型能够理解和处理这些对象。模型训练是将机器学习算法与训练数据结合，调整权重以最小化损失函数的过程。推理（Inference）是经过训练的机器学习模型从全新数据中得出结论或预测的过程。简言之，推理就是模型的"运行"阶段。向量数据库 (Vector Database)存储、检索和搜索以高维空间向量表示的数据。通过比较向量嵌入而非精确匹配实现高效相似性搜索。

2026-04-14 17:24:53 799

原创消息队列学习计划 - 阶段三：面试高频问题

消息队列面试准备摘要本学习计划聚焦消息队列高频面试问题，覆盖基础概念、进阶原理、系统设计等核心知识点。基础部分包括MQ价值（解耦、削峰、异步）、Kafka高吞吐原理（顺序写入、零拷贝等）、ACK机制和消息丢失解决方案。进阶部分深入Rebalance机制、日志清理策略、Leader选举流程，以及Kafka与RabbitMQ的选型对比（吞吐量、延迟、可靠性等维度）。计划强调理解而非死记，通过分层防御策略解决消息丢失和重复消费问题，并针对大厂面试设计联级追问场景。建议每天1-2小时，结合业务场景记忆关键点，重点

2026-04-13 16:24:43 598

原创消息队列学习计划 - 阶段二：深入 Kafka 原理

这篇文章摘要总结了Kafka消息队列第二阶段的学习计划，重点包括：学习架构与存储机制（第一周）：掌握Kafka基本架构概念（Broker/Topic/Partition/Replica）深入理解Partition与Replica机制及ISR动态变化研究日志分段存储、零拷贝和页缓存等核心存储机制生产消费与高可用（第二周）：分析生产者ACK机制（0/1/all）与重试策略学习消费者组机制和Rebalance过程掌握Controller选举和一致性保证等高可用特性综合应用

2026-04-12 17:59:15 407

原创消息队列学习计划 - 阶段一：理解核心概念

本文摘要：消息队列(MQ)学习计划第一阶段聚焦核心概念理解，重点包括：1)MQ的三大价值(异步处理、系统解耦、流量削峰)，通过实际案例(如秒杀系统)说明应用场景；2)四种消息模式(P2P、Pub/Sub、事务消息、顺序消息)的运作机制与适用场景；3)MQ三大隐患(消息丢失、重复消费、顺序破坏)的产生原因与解决方案；4)不适合使用MQ的场景分析(如强一致性要求)。学习强调实践导向，要求通过画架构图、场景分析等方式巩固理解，并设置了6个核心检验问题确保学习效果。

2026-04-09 17:22:18 396

原创 14000+字详解SGI-STL仿函数&配接器(Functor&Adapter)

本文深入解析了SGI-STL中仿函数(Functor)与适配器(Adapter)的设计原理与实现。仿函数通过重载operator()实现函数调用语义，STL将其分为算术、比较和逻辑三类，均继承自unary_function或binary_function基类提供类型标签。适配器通过适配器模式转换函数对象接口，包括取反适配器(not1/not2)、绑定参数适配器(binder1st/binder2nd)和函数指针适配器(ptr_fun)等。这些组件实现了算法与策略的分离，支持"同一种算法，不同行为"的灵活组合

2026-04-04 16:19:49 371 1

原创 15000w+字详解SGI-STL关联式容器(Associative_Containers)

本文解析了SGI STL中关联式容器的实现，重点剖析了红黑树作为有序关联容器(set/map等)的底层数据结构。文章详细介绍了红黑树的五大性质、节点结构设计、迭代器实现以及关键的旋转与再平衡操作。红黑树通过颜色标记和旋转操作保持平衡，确保操作时间复杂度为O(log n)，是STL有序关联容器的核心实现基础。

2026-04-04 16:18:12 367 1

原创 muduo源码剖析(demo实现对比)

本文深入解析了muduo网络库的核心模块实现，包括Buffer、Socket和Channel模块。Buffer模块通过巧妙设计减少数据拷贝，采用readv提升性能；Socket模块封装底层操作，提供TCP连接管理功能；Channel模块负责事件回调管理。文章揭示了muduo高效处理网络I/O的关键设计，如缓冲区收缩/扩容机制、Nagle算法优化等，展现了高性能网络编程的精妙实现。

2026-03-30 18:01:25 624 1

原创 60000+字详解SGI-STL 序列式容器(Sequence_Containers)

本文摘要： STL中的序列式容器包括vector、list、deque等，其中vector是最常用的动态数组实现。vector通过继承_Vector_base基类实现内存管理，内部维护三个关键指针：_M_start（起始位置）、_M_finish（当前元素末尾）和_M_end_of_storage（存储空间末尾）。当空间不足时，vector采用扩容机制：如果还有剩余空间，直接在末尾构造新元素并移动元素；若空间耗尽，则分配更大内存（通常是原大小的两倍），复制原有元素到新空间。这种设计保证了高效的元素访问（O(

2026-03-16 16:24:32 405

原创 14000+字详解SGI-STL迭代器，走进traits编程技法

设计适当的相应型别（associated types），是迭代器的责任。设计适当的选代器，则是容器的责任。唯容器本身，才知道该设计出怎样的迭代器来遍历自己，并执行迭代器该有的各种行为（前进、后退、取值、取用成员）至于算法，完全可以独立于容器和迭代器之外自行发展，只要设计时以迭代器对外接口就行。traits编程技法大量运用于STL实现品中。它利用“内嵌型别”的编程技巧与编译器的 template 参数推导功能，

2026-03-14 01:26:22 420

原创 18000+字详解SGI-STL空间配置器(增加对uninitialized_xx函数讲解)

本文分析了C++标准Allocator接口和SGI STL的特殊空间配置器std::alloc的实现差异。标准Allocator将内存分配与对象构造分离，但SGI STL设计了更高效的二级配置器结构。重点解读了stl_construct.h中的构造/析构机制，展示了如何通过类型特性(trivial/non-trivial destructor)优化大规模对象析构性能。文章揭示了STL在内存管理上的精细设计，特别是对小对象分配和批量析构的特殊处理。

2026-03-13 00:41:45 643 1

2401_87984738的博客