爱喝两碗汤-CSDN博客

原创 RAG vs Agentic RAG：一次检索的管道，和会思考的调研员

一句话：经典 RAG 是"查一次字典再答题"，Agentic RAG 是"会思考的调研员"，先查、不够再查、验证过再写报告。循环：模型先思考"这个问题要不要检索、该搜什么"，然后执行动作（调检索器、改写查询、调用 Web 搜索或 SQL 工具），拿到观察结果后评估"信息够不够"——不够就进入下一轮，直到自认为充分才生成最终答案。经典 RAG 是"查一次字典再答题"的线性管道，Agentic RAG 是"会思考的调研员"——先查、不够再查、换着来源查、验证过再写报告。两者的区别不在"检不检索"，而在。

2026-10-08 09:00:00 229

原创从「能用」到「可控」：Prompt 工程与日常写 Prompt 的本质区别

Prompt 工程不是玄学，是实验科学——合格的 Prompt 工程师，一半时间写 Prompt，另一半时间写评估 Prompt 的代码。，追求"一次命中"。**同样是"写 Prompt"，为什么有人月薪数万做"Prompt 工程师"，有人只是把 AI 当高级补全工具？**差别不在天赋，而在认知——你是在"调用 API"，还是在"设计 DSL"。所以"日常开发写 Prompt"和"Prompt 工程"的区别，本质上就是**“调用 API"和"设计 DSL”**的区别：一个面向当前任务，一个面向一类问题。

2026-10-07 18:00:00 177

原创基础项目过大厂面试：把 CRUD 讲出架构感的 4 个能力位

*✅ 深度答：**在表格组件中，为避免渲染上万条数据造成卡顿，我封装了一个基于 IntersectionObserver 和 scrollTop 监听的虚拟滚动组件，只保留视口附近的数据渲染。**聚焦工程通用能力，别追复杂业务：**状态管理（Pinia/Redux）、请求封装（Axios/Fetch）、组件抽象（配置式表单、分页表格）、性能优化（懒加载、虚拟列表）、权限控制（动态路由、按钮权限）。**简历写细节，避免空泛：**聚焦"问题 + 手段 + 结果"三段式结构，别写"完成了 xxx 模块"。

2026-10-07 09:00:00 148

原创 Agent 大结果治理：Artifact 化与分页续读

*一分钟版（面试开场）：**Agent 调工具，一查经常就是几万行。核心是一个**"仓库提货单"模型**——大结果是仓库里的货，模型手里只拿提货单（Artifact 引用），要看哪件货就凭单去取，取不到（权限没了/货删了）就明确失败。**落地顺序（照这个写一遍）：**先做完整性标记（三个状态，这是最关键的一个字段，模型靠它决定信不信手里的数据）→ 三档分流 → 外置存储（指纹去重 + 两步状态）→ 分页取货（重点测中文边界）→ 兜底（故意把存储搞挂，验证不报错、模型收到"不完整"标记）。

2026-10-06 18:00:00 703

原创 React 合成事件：一文吃透设计原理与 9 大面试考点

React 合成事件不是简单的 DOM 事件绑定，它隐藏了大量底层封装逻辑，提供统一、可控、性能优化的事件模型，是 React 高效运行的重要一环。图3｜事件池复用机制：React 16 的坑 vs React 17 的告别。React 本身的事件就是委托的，所以无需担心绑定上百个事件影响性能——04事件池复用：React 16 的「坑」与 React 17 的告别。）上，通过事件冒泡捕获事件，再根据事件目标触发对应组件的事件回调。，本质是 React 事件系统的「注册表」，而不是 DOM 的。

2026-10-06 09:00:00 211

原创 Agent 评测体系全解析：三大维度、核心指标与四大评测方式

第二，行为执行能力侧重考核中间执行过程，包含任务拆解、多步规划、工具调用、路径优化等能力，评判执行逻辑是否高效、合理、无冗余。核心内容涵盖：用户自然语言指令、任务场景约束条件、环境初始状态、标准执行步骤、工具调用参数规范、预期执行结果、任务评判标准，同时包含常规用例、边界用例和异常错误用例。数据格式以结构化格式为主，常用 JSON、XML，统一包含场景 ID、输入文本、环境配置、标准执行链路、标准答案、扣分规则等字段，方便机器自动解析评测。通用自动化评测脚手架，支持批量跑测、指标采集、自动报告、劣化告警。

2026-10-05 18:00:00 441

原创 Agent 可观测性实战：三支柱看透黑盒智能体

Agent 是动态循环、有状态、自主决策的非线性系统，除常规指标外还需观测循环迭代、任务规划、工具调用、状态变更、记忆读写、多 Agent 通信等专属维度，核心是解决决策不可见、流程不可控、问题难定位。观测范围覆盖用户输入、LLM 推理、任务规划、循环迭代、工具调用、状态变更、记忆读写、多 Agent 通信、最终输出的全链路。核心作用是解决 Agent 黑盒问题，精准定位模型、规划、工具、状态、循环各类故障，量化效果、性能、稳定性与成本，支撑线上运维与版本迭代。流程固定、逻辑确定，常规日志即可定位；

2026-10-05 09:00:00 339

原创前端 × AI：从 Cursor 到 Transformer，一份完整认知路径

是大模型的核心算法。**RAG（检索增强生成）**则是让大模型拥有「外脑」的机制，前端常见于 AI 文档问答、代码搜索助手。掌握从工具（GPT、Cursor）到方法（Prompt 工程）、再到协议（MCP）与底层机制（Transformer、RAG）的全链路知识，不仅能提升开发效率，也能在面试中展现出从实践到原理的系统性思维。Cursor 是「智能开发环境」，能理解整个项目结构、依赖关系，通过注释区 Prompt 精确控制生成，支持 Refactor / Explain 命令，是「对话式编程」的形态。

2026-10-04 18:00:00 396

原创 RAF 渲染帧速通：从渲染帧到性能优化

60Hz 的 16.67ms 不是全给 JS 的，还要留时间给 Style、Layout、Paint、Composite，真正能用在 JS 上的时间更少。最近整理前端性能优化相关的知识，发现 requestAnimationFrame（RAF）这个 API 看着简单，但真要讲清楚它和浏览器渲染、事件循环、性能优化的关系，还是有不少细节。还有个细节：同一帧注册的多个 RAF 回调，拿到的 timestamp 是一样的，因为这个时间戳表示的是当前渲染帧的时间，不是每个回调实际开始跑的时间。

2026-10-04 09:00:00 283

原创 React 渲染机制速通：Render 树、Fiber 树与更新调度

组成链表（替代了 React 15 的递归树），再通过 effect list 管理副作用，在 commit 阶段统一执行 DOM 更新和 hook 副作用。无论有多少子组件同时 setState，React 都会通过批量更新 + Fiber 增量渲染，只触发必要的 render——这就是它高性能的底层答案。关键认知：React 并非每次 setState 都重建整个 DOM，而是生成新的 WIP Fiber 树，通过 diff 只更新真正变化的节点。哪怕大量组件同时更新，也不会每次全量渲染 DOM。

2026-10-03 18:00:00 300

原创提示词工程：工业级 Prompt 写法与分层组装

大厂通用的 System Prompt 得拆成八大模块：身份角色、能力工具、执行步骤、输出格式、行为准则、边界限制、异常处理，再加易错示例。第一层塞全局静态规则，第二层放筛过噪的检索上下文，第三层处理用户输入。顺序固定，标签隔开，彻底解决模型混淆边界的问题。微调成本高、周期长，换模型还得重训。Prompt 工程零数据、秒级生效，换个模型直接迁移。很多人写 Prompt 还是想到哪写到哪，其实这玩意儿不是"问问题"，是"写程序"——你得用自然语言给模型立规矩。说白了，把随机性关进规则的笼子里，输出才可控。

2026-10-03 09:00:00 264

原创多 Agent 系统拆解：从单 Agent 到 A2A 协作，11 道面试题一次讲透

CrewAI 是角色化任务编排框架，把 Agent 建模为具有角色、目标、技能的 Crew 成员，通过 Task 分配与 Process 流程（顺序或层级）驱动协作，代码直观、上手快，适合结构化流水线任务。单轮、强顺序、低延迟要求的短任务用单 Agent 直出。**多 Agent 的到来：**为解决单 Agent 高耦合、难维护、不稳定的问题，业界主流采用按业务领域垂直拆分的多 Agent 架构——不再用一个大而全的智能体包揽所有工作，而是为每个专业业务领域单独开发专属智能体，各司其职、专注单一能力。

2026-10-02 18:00:00 229

原创 Embedding 选型 × Chunk 切分：RAG 落地三部曲

离线索引层面：查解析完整性（扫描版 PDF 需 OCR、表格是否正确提取）、切片策略（过小丢上下文、过大引噪声，建议语义边界 + 10%~20% 重叠）、Embedding 模型（专业术语差就换 BGE / GTE 或领域微调）。② Overlap 并非越大越好，过大会导致 Chunk 大量重复、检索冗余、成本升高；知识库内容过时、存在错误数据、知识点缺失、Chunk 碎片化导致上下文不全、重复冗余内容干扰、跨领域无关内容混入——都会让模型基于错误、残缺信息生成虚假答案，引发幻觉。参数小、速度快、显存低；

2026-10-02 09:00:00 181

原创向量数据库选型实战：Chroma/Qdrant/Milvus/PgVector 怎么选

Demo用Chroma快速验证，生产中小规模用Qdrant性价比最高，亿级以上上Milvus，已有Redis做热点缓存，存量PG做轻量改造。向量数据库内置ANN（近似最近邻）索引，用极小的精度损失换百倍提速，还支持过滤、分片、持久化。没有绝对好坏，关键是能力和约束匹配——先定召回率要求、延迟目标、数据规模和预算，再做评估，别只看性能榜单。文本、图片、音频经过Embedding模型变成一串数字（比如1536维），向量数据库的核心活儿就是：给定一个查询向量，快速找出语义最接近的那些。

2026-10-01 18:00:00 454

原创 MCP 完全拆解：AI Agent 的 USB 接口，一次封装处处使用

不同的 AI（Claude、ChatGPT、文心一言）是由不同公司开发的，它们的输入格式、接口规范各不相同。你想让 AI 帮你查天气，给 Claude 发请求是一种 JSON 结构，给 ChatGPT 发请求又是另一种结构。也就是说，你需要为每个 AI 单独写一套调用天气功能的代码。而 MCP，就是那个统一的规定——秦始皇书同文、车同轨的感觉。MCP（Model Context Protocol）是一个用于标准化大模型调用外部工具的开放协议。

2026-10-01 09:00:00 308

原创 A2A 协议详解：Agent 间通信标准、四大核心机制与 MCP 互补

A2A 定义"多个智能体如何相互通信与协作"：通信双方是 AI 智能体与 AI 智能体（可以是不同公司、不同框架构建的），调用方向双向（任意一方均可发起请求、委派任务、同步状态、返回结果），适用于多 Agent 协同完成复杂任务的场景。它解决的核心问题是异构 Agent 的互操作：不同厂商、不同框架构建的 Agent，通过统一的 Agent Card 暴露能力、通过标准化的 Task 生命周期管理任务流转、通过 Message/Artifact 交换消息与产出物、通过 Streaming 实现实时同步。

2026-09-30 18:00:00 216

原创 AI 生成的代码怎么测才敢上线？7 道自动化闸门清单

测试的期望值是从有缺陷的实现里推导出来的，错误逻辑被原样固化进断言，两边"达成共识"——这就是测试 AI 代码时要避开的验证悖论。：测试的价值不在于"通过"，而在于"有能力失败"。这类测试通常有四个特征：断言 mock 而不是系统本身（同义反复）、依赖被 stub 到"测试跑在真空里"、只测快乐路径、把函数当前返回的错误值直接抄进断言。手动就能做：找一段被 AI 测试覆盖的函数，把 > 翻成 >=，或反转一个关键条件，再跑一遍测试。这个指标靠刷行覆盖率糊弄不过去，是 AI 测试真正意义上的"信任测试"。

2026-09-30 09:00:00 163

原创我的 Claude Code 最佳实践 & 7 个经过验证的工作流技巧

用 Claude Code（下称 CC）半年多，累计消耗数十亿 tokens。踩过不少坑，也读了大量官方文档和实践者分享，慢慢沉淀出一套自己的工作流。这篇不追求面面俱到，只讲经过长期验证、确实能提升交付质量的 7 个实践。核心思路：**CC 的开箱体验已经足够好，效率差距来自工作流的组合方式。**以下每个技巧都是在解决一个具体的工程问题，而非通用建议。01Plan 模式先行：用规格文档代替即兴编码CC 最容易踩的坑是直接开始改代码。

2026-09-29 18:00:00 182

原创 CSDN21天学习挑战赛——Python数据结构学习笔记

python数据结构学习笔记

2026-09-29 12:25:58 205

原创【每日一题】LeetCode 2667 创建Hello World函数｜把JS普通函数、匿名函数、箭头函数、高阶函数一次讲透

高阶函数定义：参数是函数，或者返回值是函数的函数，叫做高阶函数。本题中 createHelloWorld 就是高阶函数：它的返回值是另外一个函数。// f 拿到的就是内层函数对象，还没有执行f() // 此时才执行内层函数常见高阶函数：map、filter、setTimeout、防抖节流函数工厂。

2026-09-16 17:23:52 198

原创前端速通 Agent：5 个项目，一条学习路径

当模型负责思考，Agent 负责把思考变成行动。2025 年被称为"Agent 元年"。

2026-09-16 17:22:43 328

原创工业级 AI Agent 架构：5 层、2 范式、4 原则，一次讲透

五层：接入层是统一入口，负责接收请求、清洗校验，不做决策；调度层是任务中枢，负责拆解、编排、循环、重试、进度；核心智能层是大脑，负责意图理解、规划、工具选择、结果判断，只输出指令；能力执行层是手脚，负责工具调用、代码执行、数据处理，捕获异常；资源存储层是底座，负责上下文、记忆、状态、日志的持久化。

2026-09-16 17:20:07 207

原创 Agent Memory 完全拆解：短期、长期、RAG 与工程选型

聊了半小时，它问你「你是谁」。这不是大模型笨，是它根本没有记忆。传统大模型只靠单次上下文窗口回答问题，对话一关，前尘尽忘。A聊了半小时，它问你「你是谁」。这不是大模型笨，是它根本没有记忆。传统大模型只靠单次上下文窗口回答问题，对话一关，前尘尽忘。AI Agent 要想真正干活，必须有一套自己的记忆系统——记住你是谁、上次聊到哪、什么业务规则不能违I Agent 要想真正干活，必须有一套自己的记忆系统——记住你是谁、上次聊到哪、什么业务规则不能违反。这套系统怎么设计，是普通对话模型和智能体之间最核心的分水岭。

2026-09-16 17:17:27 281

原创 JavaScript 中的 this 指向：四种绑定规则与优先级详解

调用方式this 指向普通函数独立调用非严格模式：全局对象；undefined对象方法调用该对象（最近一层）callapplybind显式指定的对象（bind返回的函数不可再改变）new构造函数调用新创建的实例对象箭头函数定义时外层作用域的this（不可改变）理解this不看定义在哪，只看如何调用。

2026-05-10 17:36:34 469

原创深入解析 JS 事件循环：浏览器与 Node.js 的差异全解析

浏览器的事件循环更简单：一个宏任务 + 全部微任务 → 下一个宏任务。适合处理 UI 交互和渲染。Node.js的事件循环更精细：6 个阶段 + 多优先级微任务，专为高并发 I/O 场景优化。

2026-05-10 16:53:44 589

原创【js高频八股】防抖与节流

实现：利用计时器，如果在n秒内事件又被触发那么直接退出不会影响之前程序的执行。搜索框搜索输入（一定时间后再发送请求）、文本编辑器的保存（一定时间后再自动保存）这可以使用在一些点击请求的事件上，避免因为用户的多次点击向后端发送多次请求。实现：利用定时器如果事件在n秒内又被触发那么清空计时器重新开始计时。触发事件的回调函数执行，如果在同一个单位时间内某事件被触发多次，秒后再执行回调，如果在这 n 秒内事件又被触发，则。是指规定一个单位时间，在这个单位时间内，只能有。

2026-05-02 11:26:52 82 1

原创前端图片优化完全指南：从格式到加载的全面提速方案

图片占据了网页体积的60%以上，也是LCP（最大内容绘制）的主要元凶。本文将系统梳理图片优化的完整技术方案，帮助你将图片体积降低70%以上，同时提升加载速度与用户体验。

2026-04-28 21:13:41 544

原创前端性能优化完全指南：从指标到实战

测量– 使用 Lighthouse + CrUX 确定当前基线。分析– Performance 面板找出瓶颈（长任务、大体积资源、频繁布局偏移）。优化– 按上述策略分优先级（先 LCP、再 CLS、最后 INP）。验证– 再次测量，对比改进效果。监控– 上线后通过 RUM 持续观察真实用户体验。性能优化不是一次性的任务，而是伴随产品迭代的持续过程。希望这份指南能让你在性能优化的道路上少走弯路，交付更快、更流畅、更稳定的 Web 应用。扩展阅读web-vitals JavaScript 库。

2026-04-28 20:25:50 455

原创【JS高频八股】什么是闭包？

闭包的本质是函数加上其所处词法环境的组合。闭包内层函数 + 引用的外层函数变量。也就是一个内部函数可以访问其外部函数作用域的变量，其实外部函数已经执行完毕并销毁，内部函数依然能持有对外部作用域变量的引用。闭包是由捆绑起来（封闭的）的函数和函数周围状态（词法环境）的引用组合而成。换言之，闭包让函数能访问它的外部作用域。在 JavaScript 中，闭包会随着函数的创建而同时创建。闭包的变量存在堆中，即解释了函数调用之后为什么闭包还能引用到函数内的变量。

2026-04-28 20:15:34 373

原创 ai对话平台中的functioncalling+mcp

摘要：项目中通过MCP（模型上下文协议）和Function Calling构建了标准化工具调用架构。MCP作为AI与外部工具的通用接口，实现了工具接入的标准化管理；Function Calling则提供模型与工具间的结构化调用协议。该架构将工具能力层标准化为独立MCP服务，主服务通过MCP客户端调用工具，模型通过Function Calling决策工具选择，形成"模型决策-服务编排-工具执行-结果回填-前端展示"的闭环流程。相比传统方式，这种解耦设计具有更好的扩展性，既能通过Functi

2026-04-20 22:08:24 227

原创 ai对话平台流式响应输出怎么实现？

摘要：流式响应技术通过SSE协议实现AI问答实时输出，采用FetchAPI+ReadableStream方案进行数据分块传输与解码。核心实现包含三个关键优化：1）缓冲渲染机制，通过requestAnimationFrame实现60fps同步更新；2）中断处理四步法，包括异常捕获、数据缓存、指数退避重试和断点续传；3）心跳保活设计，通过5秒间隔空数据包维持连接。该方案有效解决了429/500/502/504等常见服务异常，在保证传输可靠性的同时，将平均响应延迟降低40%，重试成功率提升至98.7%。

2026-04-20 17:29:44 453

原创【前端面试之ai概念】大白话讲清 Agent、MCP、Skill、Function Calling、RAG

AI智能体系统的五大核心要素协同构建了下一代人工智能架构：RAG提供实时知识检索增强，解决信息准确性问题；Function Calling赋予AI执行具体操作的能力；Skill将复杂业务流程封装为可复用模块；Agent作为中枢系统自主规划任务流程；MCP协议则标准化各组件间的交互接口。这五大要素分别解决了AI的知识获取、动作执行、能力复用、自主决策和系统互联等关键问题，共同构建了一个既能获取准确知识、又能自主执行复杂任务的智能系统生态。通过这种模块化设计，AI系统实现了从单一问答到多步骤业务处理的跨越式发展

2026-04-19 18:36:28 331

空空如也

有n个西瓜准备分给m个同学，n个西瓜自左到右排成一排，从最左边选若干个西瓜分给第一个同学，再从剩余西瓜的最左边选若干个西瓜分给第二个同学，以此类推，希望最多的那份西瓜越少越好，问最多的那份最少能到多少