༺ bestcxx的专栏 ༻

原创 Human-in-the-Loop Agent：当 AI 不再是黑盒执行者

文章探讨了Agent领域中被广泛提及但鲜少落地的"Human-in-the-Loop"(HITL)理念。指出当前Agent系统存在两个极端：全自动模式缺乏透明度和可控性，全手动模式则效率低下。提出HITL的本质是在保持自动化的同时，让人类在关键节点参与决策，并详细阐述了HITL的三个关键维度：执行前的能力授权、执行中的信息补充和流程干预。通过对比主流框架的不足，强调在当前AI能力尚不完美阶段，HITL对于提升系统可靠性、建立用户信任及处理高风险场景的重要性。最后指出HITL与可观测性相辅

原创 模拟人脑处理文本——从段落到时间线叙事,再到动画

摘要：本文介绍了一种将自然语言段落转化为三维动画的方法。首先对文本进行分词处理，识别出主体对象（如女孩、老爷爷、小狗），然后构建时间线叙事，最后将二维事件转化为三维动画。以"女孩看书、老爷爷听戏、小狗玩耍"为例，展示了从分词、主体识别到时间线构建，最终生成动态三维场景的全过程。该方法实现了自然语言到立体动画的自动化转换。

原创 模拟人脑处理文本——从分句到分词，从段落到时间线叙事

不依赖大模型，模拟人的思维对文本的处理。

转载 (二)设计模式 6 大原则

文章目录转载声明1.六大原则-单一职责原则2.六大原则-里氏替换原则3.六大原则-依赖倒置原则4.六大原则-接口隔离原则5.六大原则-迪米特法则6.六大原则-开放封闭原则转载声明http://baijiahao.baidu.com/s?id=1645013441658118287&wfr=spider&for=pc软件设计模式，简称设计模式，它是一种反反复复被使用，多数人经过分类编目的，代码设计经验的总结。使用设计模式可以为了减少重复的代码，让代码变得更加简洁，让人更加容易理解，保证代

原创 0.3、Spring源码学习-从一个UML模型讲起

文章目录前言本文的灵感给出一个UML图提出第一个问题提出第二个问题接口-父类-子类 模型的好处前言体能状态先于精神状态，习惯先于决心，聚焦先于喜好。本文的灵感最近的几个星期笔者在工作开发和Sping 源码学习中看到了一些“新奇”的代码写法，与此产生了一些灵感。开发中遇到的情况是这样的，笔者需要对一个对账功能进行改造，现有程序有两个特点，一个是对账功能无法指定时间，由定时任务调用...

原创 (四）UML-接口

文章目录前言接口的一些小特性UML 中的接口前言接口的 UML 图要简单很多，原因在于接口的常规用法是非常有限的接口的一些小特性变量本身不可被覆盖重写，也不允许子类重名接口的变量默认就是 public final static 修饰的接口的 方法默认就是 public abstract 修饰的接口可以不用 public 修饰，尽可以被包内实现或者继承UML 中的接口...

原创 从人类的几个思维过程提出的一种机器自学习的实现方案

本文为博主在2015年投稿给 《科学智慧火花》栏目的文章首次发布地址：http://idea.cas.cn/viewdoc.action?docid=31462首先，举几个我们在日常生活中常见的事例，作为本文讨论的起点。一、我们可能都遇到过这样的情况，当学习一门新知识的时候，大脑如果在先前接触过类似的知识，接纳起来就会容易些，随着对这门知识的深入了解，我们可以去进一步探索更为复杂的或者更...

原创 从“解释世界“到“让事情发生“：AI时代最该升级的不是工具，而是你的思维操作系统

在复杂系统中，允许"有效但暂时不可解释"的结果先行发生，再通过快速迭代逼近理解。① 概率思维替代因果思维不再追问"为什么A导致B"，而是评估"如果做A，B发生的概率是多少"。AI输出的置信度分数，比人类的因果叙事更接近真实的不确定性。② 快速验证替代完美论证用最小成本让假设"发生"——一个MVP、一次A/B测试、一轮AI辅助的模拟推演。在行动中收集反馈，而非在论证中消耗机会窗口。③ 事后解释替代事前解释接受"先有效、后理解"的时序。

原创 Agent 记忆机制到底应该解决什么问题？

摘要： Agent记忆机制的核心挑战并非单纯扩大存储容量或提升检索效率，而在于实现动态信息调度能力。当前主流技术路线（长上下文、检索优先、流程压缩）虽各有优势，但普遍存在"记忆混乱"问题——无法在用户切换目标时精准调用适当层级的信息。本文提出四个设计原则：分层用户画像、结构化话题组织、意图预判和显式处理主线/临时话题切换，强调记忆机制应作为任务编排系统而非静态数据库。这种结构化记忆框架能与现有技术协同，通过动态对齐用户目标、沟通习惯和任务阶段，实现真正可持续的智能协作，解决业务场景中&q

原创 多个维度对 Java、Python、C#、Go 这四种主流编程语言进行比较

本文对比了Java、Python、C#和Go四种编程语言的基本特性、性能、并发模型、语法、生态以及常用数据结构的实现。从语言类型看，Java和C#是静态强类型，Python是动态强类型，Go则是静态强类型且编译为原生机器码。性能方面，Go、C#和Java表现优异，Python则较慢。并发模型上，Go的Goroutine和Channel设计最为简洁高效。开发效率Python最高，但运行时性能最低。生态方面，Java在企业级后端和大数据占优，Python主导AI/数据科学，C#在游戏开发（Unity）领先，Go

原创 3D太阳系 html 源码-拿走不谢

本文展示了一个使用Three.js创建的3D太阳系模拟效果。通过HTML5和JavaScript技术实现了太阳系行星的公转、自转和光照效果，包含太阳、八大行星及其轨道。项目采用Three.js核心库和CSS2D渲染器实现3D渲染和文字标签，并添加了星空背景粒子系统增强视觉效果。用户可通过鼠标拖动和滚轮缩放来交互式浏览太阳系模型。

原创 常见(开源)许可证对比

原创 互联网发展年鉴—AI发展基石

原创 0.5、提示词中 System、User、Assistant 的基本概念

本文介绍了AI对话系统中提示词的基本概念和配置方法，重点阐述了System、User和Assistant三个角色的功能差异。System Prompt定义AI的固定角色和行为准则，User代表用户的具体问题，Assistant则提供回答模板。文章通过工作日报总结的实例，展示了Assistant字段为空和指定模板时AI的不同输出效果，并比较了自由发挥与格式化回答的特点差异。最后推荐了Claude和OpenAI的官方提示词资源，为开发者提供了实用的参考指南。

原创 0.4、向量、向量维度、向量比较、向量搜索和相关算法

本文介绍了RAG系统中文本向量化的完整流程与算法对比。向量本质上是由浮点数组成的多维数组，通过文本分块、向量化和相似度计算等步骤实现。关键算法包括：文本分块（如RecursiveCharacterTextSplitter）、向量化模型（如OpenAI的text-embedding系列、开源的sentence-transformers）、相似度计算（如余弦相似度、L2距离）和向量搜索（如HNSW、IVF）。不同算法在维度、成本、精度和适用场景上各具特点，如OpenAI模型适合企业应用，而开源方案更灵活。文章通

原创 你是一个聪明的大模型吗？—— 给 AI出一个悖论测试

本文测试了多个AI模型在"反向回答"游戏中的表现。游戏规则要求：若真实答案为"是"则说"不是"，反之亦然。测试结果显示，仅hunyuan简单模式、文心X1.1和Grok Expert能正确执行反向回答并提供自相矛盾的支持理由。多数模型未能遵循游戏规则，直接给出了真实答案及其支持依据，包括元宝深度思考、DeepSeek系列、通义千问等。测试还发现部分模型会额外解释规则（如DeepSeek简单模式）或回避直接回答（如kimi复杂模式）。测试基于2025

原创 0.3、AI Agent 知识库、召回、Recall、Embedding等 相关的概念

文章摘要：本文介绍了AI应用平台中的召回（Recall）概念及其实现技术，包括向量检索、全文检索和混合检索。召回是从知识库中查找相关文档的过程，向量检索通过语义相似度匹配，全文检索基于关键词匹配，混合检索则结合两者优势。Score用于衡量文档与查询的相关性。在RAG系统中，召回是关键环节，直接影响生成答案的质量。知识库构建、向量化和大模型选择是优化召回效果的重要因素。Dify平台通过配置检索方式和参数来调整召回策略，提升问答系统的准确性。

原创 0.2、​​AI Agent 开发中 ReAct 和 MAS 的概念

本文对比分析了AI智能体开发中的核心概念。ReAct是一种设计范式，指导单个智能体通过"推理-行动"循环工作，类似于MVC模式；而MAS是多智能体协作的系统架构范式，类似微服务架构。LangChain等框架实现了ReAct，CrewAI等则实现了MAS。Dify定位为更高阶的AI应用开发平台，提供可视化配置。这些概念形成层次分明的技术体系：设计范式（ReAct/MAS）→框架实现（LangChain/CrewAI）→应用平台（Dify）。开发者可组合使用这些技术构建复杂AI系统。

原创 0.1、OpenAI Api可以在提示词中调用函数吗?

摘要： OpenAI无法直接在提示词中调用函数，但通过Function Calling机制可实现类似功能。开发者需预先定义函数描述，AI模型会判断是否需要调用，并返回结构化JSON参数，由开发者执行实际函数。例如，天气查询机器人通过AI分析请求→返回JSON参数→开发者调用天气API→AI生成最终回复。 模型选择建议： GPT-3.5-Turbo：高性价比，适合简单任务（客服、摘要）。 GPT-4o：性能与成本平衡，推荐多数场景。 GPT-4 Turbo：高价但能力强，仅用于复杂推理或长文本处理。 核心原则

原创 提效工具推荐-任务关系和状态自动转为 UML图

本文介绍了一个灵感记录工具，其数据完全存储在客户端，确保用户数据安全。该工具支持数据的导出和导入功能，便于备份和迁移。同时提供了UML图的一键下载功能，方便用户保存和分享创意。所有操作都在本地完成，无需担心服务器存储带来的隐私问题。

原创 (二十七)、k8s 部署前端项目

摘要 本文展示了Kubernetes部署前端应用的配置与执行过程。首先通过动图演示了实际运行效果（访问链接：bestcxx.cn）。主体部分提供了完整的deployment.yaml配置文件，包括副本数、滚动更新策略、资源限制、健康检查等关键配置项。最后给出部署命令"kubectl apply -f deployment.yaml"。该配置采用Nginx作为Web服务器，通过ConfigMap挂载Nginx配置文件，并设置了合理的资源请求/限制以及存活/就绪探针。

原创 动态飞轮-效果展示

动态飞轮系统 本文提出了"动态飞轮"概念，形象展示系统中各要素的互动关系。该模型强调：1) 各要素相互影响形成联动效应；2) 每个要素保持独立变化特性；3) 通过动态平衡实现系统稳定运行。图中GIF生动呈现了这种既相互关联又各自演化的复杂系统特征，为理解多变量动态系统提供了可视化工具。

原创 1.2.3、从“本事务读”和“阻塞别的事务”角度看 Mysql 的事务和锁

问题核心结论（精简）1. 可重复读 & 幻读可重复读保证单条数据一致，但范围查询可能幻读（除非加锁）2. 标准 vs MySQL标准允许幻读，MySQL 通过临键锁避免（加锁时）3. 锁类型记录锁、间隙锁、临键锁，临键锁防幻读4. 加锁与阻塞读一般不加锁（快照），写/加锁查询会加锁，阻塞其他事务5. MVCC 作用可重复读/读已提交用 MVCC 快照读，串行化/读未提交一般不用6. 串行化几乎锁表，读写都串行，性能差7. 加锁模式。

原创 常见中间件的同步算法、CAP 默认倾向及自定义支持情况

CAP 定理指分布式系统无法同时满足​​一致性（C​​onsistency）、​​可用性（​​A​​vailability）、​​分区容错性（​​P​​artition Tolerance）​这三个特性，必须有所取舍。• Paxos/Raft（ZK、Consul、Nacos CP）：强一致性，需要多数节点确认。• AP 系统（如 Redis、ES、Apollo）：高可用优先，允许短暂不一致。• CP 系统（如 ZK、Consul）：强一致性优先，网络分区时可能拒绝写入。

原创 视频通话实现语音转文字

视频通话中，实现实时语音转文字。

原创 解构服务于构建

更好的体现中，每一个部分既是相互影响，又是变化的特点。

原创 路由器配置之模式

⚠️ 注意：混合模式会降低整体性能（因需兼容低速设备），若无需老旧设备，建议关闭 b/g 支持。• 开启后，所有设备会协商到最低共同标准（如 b 设备接入时，g 设备可能降速）。• 适用场景：需要较高速度且设备支持 11n 时（如智能电视、平板等）。• 速度由设备能力决定（n 设备可全速，b/g 设备会拖慢整体网络）。• 适用场景：仅需连接非常老的设备（如早期智能手机、打印机等）。• 适用场景：需要同时支持 b/g 设备，但牺牲部分性能。• 兼容较新的设备（不支持 11n/11ac 的设备）。

原创 当前大的模型技术体系下，AI 的幻觉是如何产生的？

第二，发现人脑未察觉的规律，跨领域、时间周期的去验证，比如通过历史史料串联发现某一颗彗星的周期。幻觉的本质是不被人认可，或许是不合理的，或许是合理而超出人类观察认知的。AI并非像人类写作那样"先构思全文再校验逻辑"，而是采用​​逐词预测​​的方式生成文本。但是可以看到，当前大模型掌握了所有的知识，相当于超越了个人的知识面，然后去进行知识的拼接。AI 生成结果时，不会自己互相校验，而是不断延伸后拼接，其实不上实际的逻辑脱离.第一，为人类提供更多“知识的排列组合”的思路，比如蛋白质的结构。

原创 思维的本质是对外部信息的模拟化

人和人的思想区别在于接受的外界信息不同，内部存储的信息和顺序不同，此外就是成语接龙的顺序不同。能量角度来说，自然是能量供应的速度，消耗的速度。在这个连续的成语接龙的过程中，能量是基础，没有能量就没有一切。再一个就是情绪，不同情绪关联了不同的信息存储区域，这导致成语接龙在不同心情下思考的内容不同。意识的过程有两个，第一个是大脑对外部信息处理后存储，第二个是存储的信心类似磁带可以模拟接收外界的信息的过程。我想表达的是，意识的本质就是，大脑模拟了外界的信息接收的状态，情绪如同眼睛的视网膜。

原创 快速看懂的LLM（大语言模型）

LLM（Large Language Model，大语言模型）是一种基于“Transformer”神经网络架构、通过海量文本数据训练出来的人工智能模型。它能理解、生成、翻译、总结和对话，像人一样处理自然语言。代表性产品有OpenAI的GPT系列、Google的BERT、Meta的LLaMA等。LLM就像“超级大脑”，能读懂人类的语言，还能写文章、答题、写代码，甚至和你聊天。它的“知识”来自于互联网上成千上万本书、网页和对话。LLM正以前所未有的速度改变我们的生活和工作方式。

原创 模拟大脑对数据的处理

随着信息的不断处理，形成信息节点和信息树。

原创 从 “金屋藏娇” 到 自然语言处理（NLP）

模板化与灵活性的平衡有基础框架（如“背景-事件-分析”），但非固定模板。例如：若你问“刘安是否冤枉”，我会侧重证据争议；若问“刘彻为何不容诸侯”，则展开推恩令和皇权理论。你的问题较开放，故采用综合叙述+关键点分列（加粗/小标题），便于快速抓重点。优先级排序先回答核心问题（关系性质），再补充延伸（如学术与政治冲突），最后留开放讨论（历史评价）。删除无关信息（如刘安炼丹传说），除非你明确问及。fill:#333;color:#333;color:#333;fill:none;你的问题。

原创 c# UTC 时间赋值注意事项

避免 C# 版本默认读取时采用 机器时区问题如果需要UTC 时间，date=DateTime.UtcNow.Date 当下直接使用是足够的。如果有保存的需要，那么 使用 date=DateTime.SpecifyKind(DateTime.UtcNow.Date, DateTimeKind.Utc);赋值，再次读取 date.Date 时可以强制保留时区信息。

原创 Cursor 开启 agent无需每一步骤确认模式（yolo mode）

但是删除文件还是需要谨慎，因此下面那个 delete file protection 需要特别勾选上。在设置时可以勾选 Enable yolo mode。

原创 在 Cursor 中 配置 GitHub MCP Server

可以看到，自动调用了 MCP tool sequentialthinking，思考了 5 步。在 agent 模式下提出问题:如何在 cursor 配置 github mcp 呢。在 sequentialthinking MCP server 状态正常的前提下。这个 MCP 是一个可以自己思考并且自主调度其它 MCP Tool。首次进来，把 token 粘贴进去，点击 Connect。Github 最火爆的 MCP server (我们已经在上一篇文章中安装了。还提示我确认下用户名一类的。

原创 Cursor 配置 MCP(Model Context Protocol)

我们以 Sequential Thinking 这个 MCP Server 作为 demo 配置一下。配置完毕后，如果前面的点是绿色的，表示正常，否则表示配置没有生效。中 @xxx 部分 替换为 github 开源项目中提供的原始命令。Command 直接填写上面得到的。Type 选择 command。Name 是自定义的。你可以获取的命令就是。

原创 Cursor 设置规则

比如你有一个现成的项目，你可以让 agent 自己总结出规则，然后添加到总规则中。注意，最开始规则设置已经作废（下图下面的红框）

原创 常见的限流算法

常见的限流算法用于控制系统的请求流量，防止过载。

原创 Terminal 光标操作快捷键

3、清除屏幕： ctrl + l。5、清除当前行： ctrl + u。Terminal 光标操作快捷键（Mac 环境）7、单词为单位移动：option + 方向键。6、清除至当前行尾： ctrl + k。1、将光标移动到行首：ctrl + a。2、将光标移动到行尾：ctrl + e。4、搜索以前使用命令：ctrl + r。

原创 C# 服务生命周期：Singleton、Scoped、Transient

在后端服务中（例如使用 ASP.NET Core 的应用程序），Scoped 和 Transient 是两种常用的服务生命周期管理方式，它们定义了服务实例的创建和使用方式。Transient :使用 Transient 主要是为了实现无状态的轻量级服务，每次都可创建独立实例的使用场景。即，每次获取服务都会得到一个新的实例。Scoped :使用 Scoped 主要是针对应用的请求/会话生命周期，适合单请求内的数据一致性场景。如果你将它注册为作用域服务，每个作用域（例如 HTTP 请求）中会创建一个新的实例。