- 博客(631)
- 资源 (14)
- 问答 (1)
- 收藏
- 关注
RSS订阅
原创 一文带你读懂JDK源码：Lambda表达式
点击上方 蓝字 关注我们Lambda和Stream是Jdk1.8中引入的两个重要特性。Lambda是函数式编程，可以将匿名方法像参数一样传递，本章节将从4个方面来介绍lambda：Lam...
2021-01-04 00:58:42
602
1
原创 带你读懂《Java并发编程》：第3章 助于线程安全的三剑客：final & volatile & 线程封闭...
点击上方蓝字关注我们我们简要的回顾前文：《第1章 多线程安全性与风险》介绍了并发编程，在维护难度、性能以及活跃性三个方面，所带来的风险与优势；《第2章影响线程安全性的原子性和加锁机制》...
2020-12-14 20:27:21
221
1
原创 一文带你读懂String类源码
点击上方蓝字 关注我们！String 是日常开发非常频繁的类，此外我们常用的操作还有字符串连接操作符等等。String对象是不可变的，查看JDK文档，我们不难发现String类的每个修改...
2020-12-05 02:52:37
413
原创 一文读懂《Java并发编程实战》：第2章 影响线程安全性的原子性和加锁机制
点击上方蓝字关注我们上文《Java并发编程实战》的第1章“多线程安全性与风险”，讲述了多线程带来的好处与风险。本文承接上文，继续总结《Java并发编程实战》的第二章：线程安全性。下文挑选...
2020-11-30 01:02:45
334
1
原创 一文带你读懂Object类源码
点击上方蓝字关注我们Object类是一个比较特殊的类，是所有类的超级父类，java中如果一个类没有用 extends关键字 明确指出继承于某个类，那么它默认继承Object类。下面我们一...
2020-11-22 22:31:35
336
原创 一文读懂《Java并发编程实战》：第1章 多线程安全性与风险
点击上方蓝字关注我们！多线程是在同一个程序内部并行执行，因此会对相同的内存空间进行并发读写操作。如果一个线程在读一个内存时，另一个线程正向该内存进行写操作，那进行读操作的那个线程将获得什...
2020-11-17 22:30:00
333
1
原创 一文带你读懂HTTP协议的前世今生
点击上方蓝字关注我们HTTP，Hypertext Transfer Protocol，超文本协议，是在万维网上传输文件（如文本、图形图像、声音、视频和其他多媒体文件）的规则集。如果web...
2020-11-15 22:33:07
987
原创 一文带你读懂：系统线程模型与实现原理
点击上方蓝字关注我们各种操作系统均提供了线程的实现（内核线程），线程是 CPU 进行工作调度的基本单位。线程是比进程更轻量级的调度执行单位，线程的引入，可以把一个进程的资源分配和执行调度...
2020-11-05 00:05:36
516
1
原创 一文带你读懂后台开发技术栈
- 程序员你是否厌倦编程工作千篇一律的增删改查？- 程序员你是否迷茫于职业技术的方向瓶颈？- 程序员你是否有个突破自己的小小冲动却无从下手？在公众号这里，用简明扼要的语言和知识重点，帮助我们在有限时间中理解技术原理，达到事半功倍的学习效果，掌握有效的开发技术点，在工作中更加得心应手。后台技术汇技术点Java基础，安身立命的底气：不可不熟透的多态继承封装，不能不精通的容器技术/反射与泛型，不得不兼顾的访问权限与异常，jdk的相关知识都在这总结好了。编程艺术，掌握..
2020-10-07 11:27:20
2389
4
原创 一文带你读懂 BigDecimal 源码
点击上方「蓝字」关注我们本章带来的是BigDecimal类的源码解读。BigDecimal类是 Java 在 java.math 包中提供的API类，用来对超过16位有效位的数进行精确的...
2020-08-29 18:01:50
1363
1
原创 消息中间件之Kafka史上最强原理总结
点击上面“蓝字”关注我们 前言最近项目使用到中间件，自己以前也对kafka原理应用垂涎已久了，故这个周末抽空总结一波。Kafka 是什么？Apache Kafka是分布式发布-订阅...
2020-06-27 13:18:07
687
1
原创 品鉴好文：2025年全国1%人口抽样调查数据公报
开展全国1%人口抽样调查，是《全国人口普查条例》的明确规定，通常在两次人口普查之间，尾数逢“5”的年份进行，主要目的是为及时掌握人口发展变化情况。2025年全国1%人口抽样调查工作是国家为全面准确掌握2020年以来我国人口在数量、素质、结构、分布以及居住等方面的变化情况，为科学制定国民经济和社会发展规划、完善新时代人口发展战略、健全人口发展支持和服务体系、推动人口高质量发展，提供准确的统计信息支持。未来的稳定，不是“不失业”，而是“随时能找到新工作”的能力。老年人口占比已超22%，社保养老金压力客观存在。
2026-05-25 10:04:38
295
原创 文班亚马的MVP之路：天赋、资本与竞技体育的残酷逻辑
反观文班亚马，尽管在西决G1中展现了碾压级的统治力——全场出战48分42秒，25投14中，抓下9个进攻篮板，并在双加时赛中独得关键分数，甚至将亚历山大的命中率限制在23投7中——但这仅仅是系列赛的开始。这种“造神”与“守成”的博弈，是文班亚马面临的第一道无形壁垒。在进攻端，他展现了超越身高的控运技术与射程，无论是罚球线背身强吃小个错位，还是在库里Logo区域命中超远三分绝平，都证明了他无死角的进攻威胁。这背后的原因，早已超越了单纯的篮球技术统计，而是深嵌于联盟的商业逻辑与竞技体育的残酷法则之中。
2026-05-21 17:46:25
316
原创 品鉴好文：《2026年中国经济展望：缓慢迈向低通胀》-摩根士丹利（Morgan Stanley）
这份摩根士丹利（Morgan Stanley）发布的《2026年中国展望：缓慢迈向低通胀》报告，深入分析了中国在“十五五”规划开局之年的宏观经济走势。政府接受增速放缓的现实，通过结构性的科技投资（AI/半导体）和渐进的社会福利改善来维持增长底线（5%左右）。若外部摩擦加剧，中国将被迫回归老路（更多基建投资），导致通缩压力持续。站在新的起点，回顾过往一年的挑战和成就，我们可以比较自信的说，困难的时候似乎正在慢慢过去。2026年中国经济仍处于爬出通缩坑底的过程中，真正的价格回升（转正）要到2027年。
2026-04-10 17:32:30
1451
原创 读书笔记：《以日为鉴》-- 从日本失落的三十年看中国互联网与AI产业的未来
书中对日本“失落的三十年”的系统性复盘，不仅让我对宏观经济周期、人口结构变迁与产业演进之间的深层逻辑有了全新认知，更促使我反思当下中国科技行业——尤其是人工智能浪潮下的机遇与陷阱。书中对日本“失落的三十年”的系统性复盘，不仅让我对宏观经济周期、人口结构变迁与产业演进之间的深层逻辑有了全新认知，更促使我反思当下中国科技行业——尤其是人工智能浪潮下的机遇与陷阱。同时，企业降本增效催生RPA、低代码、AI运维工具市场。：AI赋能传统产业（制造、农业、医疗）可创造新岗位，如AI训练师、伦理审计师、人机协作设计师。
2026-02-21 11:24:21
1328
原创 读书笔记：《县中的孩子》
该书基于中国基础教育“以县为主”的管理体制背景，聚焦县域教育生态现状，旨在揭示县域教育体系的结构性困境。现在很多领导，照搬工业生产的管理模式，把学校当做工厂，学生当做原材料和产品，教育过程等同于物质生产过程。1990年以来，中国采取的是“以县为主”的政策安排，使得基础教育发展几乎成为地方政府的责任，教育局为代表的地方教育行政部门是区域内教育的实际管理者。理想的学生就是：“学习好”、“身体好”、“性格好”，理想的学校就是“讲科学、讲民主，讲和谐”。当教育是民生工程被对待时，教育事业就不是教育部门一家的事情。
2025-10-26 11:55:38
578
原创 ＜span class=“js_title_inner“＞读书笔记：《县中的孩子》＜/span＞
该书基于中国基础教育“以县为主”的管理体制背景，聚焦县域教育生态现状，旨在揭示县域教育体系的结构性困境。现在很多领导，照搬工业生产的管理模式，把学校当做工厂，学生当做原材料和产品，教育过程等同于物质生产过程。1990年以来，中国采取的是“以县为主”的政策安排，使得基础教育发展几乎成为地方政府的责任，教育局为代表的地方教育行政部门是区域内教育的实际管理者。理想的学生就是：“学习好”、“身体好”、“性格好”，理想的学校就是“讲科学、讲民主，讲和谐”。当教育是民生工程被对待时，教育事业就不是教育部门一家的事情。
2025-10-26 11:55:38
298
原创 AI智能体的阅读笔记：来自国外大佬的2篇技术爽文
没错，准确率会锐减到36%以下了（95%的20次方），意味着可能在复杂问题处理过程中，Agent会在某个步骤有2/3的概率。工作流 AI大模型和工具，通过预定义的代码路径，进行编排的系统（平时99%的商业化产品，比如扣子、dify，通过特定的步骤和链条，在某个节点调用了AI大模型）。Agent可以处理复杂的任务，但它们的实现通常很简单。智能体 AI大模型自己指导自己的流程，以及对工具的使用，并且保持对整个系统的控制器。我们的业务肯定早已形成了稳定的工作流程了，我们要做的只是对某些节点自动化，提升效率。
2025-10-19 16:19:05
488
原创 大模型应用之（4）：Langchain架构与大模型接入
作为一个语言模型集成框架，LangChain 的用例与一般语言模型的用例有很大的重叠。他相比 fine-tuning 最大的优势就是，不用进行训练，并且可以实时添加新的内容，而不用加一次新的内容就训练一次，并且各方面成本要比 fine-tuning 低很多。所以，不管我们是使用 openai api embedding 功能还是直接通过向量数据库直接查询，都需要将我们的加载进来的数据。进行向量化，才能进行向量运算搜索。用于衡量文本的相关性。上面只是简单的进行列举了几个，官方提供了超级的多的加载器供你使用。
2025-08-04 09:00:30
708
转载 架构师必备的15条定律，条条经典！
当然这是理想情况，然而我们都清楚虚拟环境顺风顺水，生产环境一点就炸的客观规律，理想情况往往只存在于上线之前，一旦上线就会坍缩成Bug feature满天飞的状态。无论你是刚入行的新手，还是带团队的技术管理者，这15条定律都会在某个时刻让你恍然大悟：你可真是个小可爱！996，还是在外企朝九晚五，这些定律都会在某个深夜debug时、某次项目延期时、某个需求变更时，让你会心一笑：“原来如此，又中招了。当你试图下线这个功能时，他们就会跳出来哭天喊地，然后某些业务方的同学就会来施压，让你继续支持。
2025-08-04 09:00:30
217
转载 ＜span class=“js_title_inner“＞架构师必备的15条定律，条条经典！＜/span＞
当然这是理想情况，然而我们都清楚虚拟环境顺风顺水，生产环境一点就炸的客观规律，理想情况往往只存在于上线之前，一旦上线就会坍缩成Bug feature满天飞的状态。无论你是刚入行的新手，还是带团队的技术管理者，这15条定律都会在某个时刻让你恍然大悟：你可真是个小可爱！996，还是在外企朝九晚五，这些定律都会在某个深夜debug时、某次项目延期时、某个需求变更时，让你会心一笑：“原来如此，又中招了。当你试图下线这个功能时，他们就会跳出来哭天喊地，然后某些业务方的同学就会来施压，让你继续支持。
2025-08-04 09:00:30
59
原创 大模型应用之概念篇（3）：模型分类、不可能三角
小结：客户会根据商业化的应用场景，单独或组合使用模型优化手段，比如：指令微调（Instruction Tuning）、量化（Quantization）和蒸馏（Distillation），以实现性能、效率与资源消耗的平衡。选基于qwen架构蒸馏大模型， DeepSeek-distill-qwen-32B-bf16，因为它对上下文支持更大，更符合中文下的邮件业务场景的需求，同时性能表现更符合实际使用需求。：对比基础大模型，它降低了首Token延迟（TTFT），提升了并发吞吐量，显存占用降低（提高性能）
2025-07-30 09:00:48
1359
原创 ＜span class=“js_title_inner“＞大模型应用之概念篇（1）：文件结构、模型命名、参数规模＜/span＞
Qwen2-VL-2B则是20亿参数规模的多模态模型（VL：Vision-Language），在保留文本理解能力的基础上，新增视觉模态处理能力，可实现图像/视频的内容解析。72B版本采用GGUF-V3-LOT分块混合量化技术（如Q4_K_M），通过对模型参数进行分块差异化压缩，在保持推理精度的同时显著降低显存占用。VL-2B版本则应用GPTQ-Int4全局对称量化方案，采用4-bit整数精度实现整体模型压缩，更适合边缘设备部署。671B参数数量：这些一般指参数的个数，B是Billion/十亿的意思。
2025-07-30 09:00:48
248
原创 ＜span class=“js_title_inner“＞大模型应用之概念篇（2）：预训练、Transformer算法、token计算＜/span＞
获取输入句子的每一个单词的表示向量 X，X由单词的 Embedding（Embedding就是从原始数据提取出来的Feature） 和单词位置的 Embedding 相加得到向量矩阵X。max_token指的是模型一次性能够接收的最大字符数或 token 数（如果输入的文本超过了这个限制，超出部分将被截断或者忽略，这就会导致上下文信息的丢失）。►大语言模型是基于概率的模型，它基于训练数据中的统计信息，预测下一个词；►►第一步：输入各维度向量，相加得到向量矩阵X（全局上下文理解）
2025-07-30 09:00:48
432
原创 ＜span class=“js_title_inner“＞大模型应用之概念篇（3）：模型分类、不可能三角＜/span＞
小结：客户会根据商业化的应用场景，单独或组合使用模型优化手段，比如：指令微调（Instruction Tuning）、量化（Quantization）和蒸馏（Distillation），以实现性能、效率与资源消耗的平衡。选基于qwen架构蒸馏大模型， DeepSeek-distill-qwen-32B-bf16，因为它对上下文支持更大，更符合中文下的邮件业务场景的需求，同时性能表现更符合实际使用需求。：对比基础大模型，它降低了首Token延迟（TTFT），提升了并发吞吐量，显存占用降低（提高性能）
2025-07-30 09:00:48
783
转载 浅聊一下，大模型的前世今生 | 工程研发的算法修养系列（一）
例如，你可以给GPT-4提供几个英语到法语的翻译例子："Hello→Bonjour, Goodbye→Au revoir"，然后问它"Thank you"的翻译，它会回答"Merci"，尽管模型从未被专门训练来执行翻译任务。比如在"银行门前的树已经很高了，它已经有50年历史了"这句话中，Transformer能立即理解"它"指代的是"树"而不是"银行"，不需要像人类那样来回推敲。它通过对比学习的方式，同时训练视觉模型和文本模型，让它们将相匹配的图像和文本映射到相近的空间位置，不匹配的则映射到远离的位置。
2025-07-29 09:00:26
153
原创 大模型应用之概念篇（2）：预训练、Transformer算法、token计算
获取输入句子的每一个单词的表示向量 X，X由单词的 Embedding（Embedding就是从原始数据提取出来的Feature） 和单词位置的 Embedding 相加得到向量矩阵X。max_token指的是模型一次性能够接收的最大字符数或 token 数（如果输入的文本超过了这个限制，超出部分将被截断或者忽略，这就会导致上下文信息的丢失）。►大语言模型是基于概率的模型，它基于训练数据中的统计信息，预测下一个词；►►第一步：输入各维度向量，相加得到向量矩阵X（全局上下文理解）
2025-07-29 09:00:26
486
原创 ＜span class=“js_title_inner“＞大模型应用之概念篇（2）：预训练、Transformer算法、token计算＜/span＞
获取输入句子的每一个单词的表示向量 X，X由单词的 Embedding（Embedding就是从原始数据提取出来的Feature） 和单词位置的 Embedding 相加得到向量矩阵X。max_token指的是模型一次性能够接收的最大字符数或 token 数（如果输入的文本超过了这个限制，超出部分将被截断或者忽略，这就会导致上下文信息的丢失）。►大语言模型是基于概率的模型，它基于训练数据中的统计信息，预测下一个词；►►第一步：输入各维度向量，相加得到向量矩阵X（全局上下文理解）
2025-07-29 09:00:26
301
转载 LLM学习的「阶梯地图」（一）
无论是刚接触大模型的新手，还是需要梳理基础知识点的从业者，读这篇文章都能有所收获，帮助你扎实掌握大模型的底层逻辑。在大模型的技术栈里，架构是决定性能的骨架。再读第二篇《核心技术之架构模式》，文中对比了稠密模型和 MoE 架构，分析了前者全参数激活与后者专家分工的不同特点，让你明白为何有的模型注重参数规模，有的则通过稀疏计算来提高效率。先看《基础概念篇》，把神经网络的学习过程、自注意力机制的工作原理拆解得很清楚，也详细说明了预训练和微调之间的区别，能帮你搞懂模型从通用能力到专项能力的转变逻辑。
2025-07-28 09:01:34
69
原创 大模型应用之概念篇（1）：文件结构、模型命名、参数规模
Qwen2-VL-2B则是20亿参数规模的多模态模型（VL：Vision-Language），在保留文本理解能力的基础上，新增视觉模态处理能力，可实现图像/视频的内容解析。72B版本采用GGUF-V3-LOT分块混合量化技术（如Q4_K_M），通过对模型参数进行分块差异化压缩，在保持推理精度的同时显著降低显存占用。VL-2B版本则应用GPTQ-Int4全局对称量化方案，采用4-bit整数精度实现整体模型压缩，更适合边缘设备部署。671B参数数量：这些一般指参数的个数，B是Billion/十亿的意思。
2025-07-28 09:01:34
521
转载 ＜span class=“js_title_inner“＞LLM学习的「阶梯地图」（一）＜/span＞
无论是刚接触大模型的新手，还是需要梳理基础知识点的从业者，读这篇文章都能有所收获，帮助你扎实掌握大模型的底层逻辑。在大模型的技术栈里，架构是决定性能的骨架。再读第二篇《核心技术之架构模式》，文中对比了稠密模型和 MoE 架构，分析了前者全参数激活与后者专家分工的不同特点，让你明白为何有的模型注重参数规模，有的则通过稀疏计算来提高效率。先看《基础概念篇》，把神经网络的学习过程、自注意力机制的工作原理拆解得很清楚，也详细说明了预训练和微调之间的区别，能帮你搞懂模型从通用能力到专项能力的转变逻辑。
2025-07-28 09:01:34
45
原创 大模型应用之：人工智能技术演进
1956年达特茅斯会议：麦卡锡、明斯基等科学家首次提出"人工智能"概念，确立"搜索驱动"和"符号逻辑"两大范式。2016-2017年：DeepMind的AlphaGo结合蒙特卡洛树搜索与深度强化学习，先后击败李世石、柯洁，证明AI在复杂决策中的潜力。2022年ChatGPT：基于GPT-3.5的对话系统实现人类级别的流畅交互，推动AI技术从实验室走向大众（全球月活用户1亿仅用2个月）。2006年：辛顿团队提出深度信念网络（DBN），突破神经网络训练瓶颈，学术界将这一年称为"深度学习元年"。
2025-07-26 09:01:09
523
转载 一文读懂AI Search：从RAG到DeepSearch
知识边界很好理解，正如我们开头讲到的模型的内在知识是有限的，也即是有边界的，但是在面对具体的用户任务和问题时，这个边界具体在什么位置呢？从最初朴素的RAG方案，到加入了很多人工设计（各种查询检索优化和工具调用）的精密复杂的RAG工作流，再到围绕推理能力（推理模型）构建的具有自主性的Agentic RAG（比如DeepSearch），AI Search的目的没有改变，变化的是模型能力（推理能力和工具调用能力）和设计范式（从死板的人类工程到灵活的模型自主性）。看，阅读（学习）不是目的，创作（干活）才是。
2025-07-26 09:01:09
222
原创 ＜span class=“js_title_inner“＞大模型应用之：人工智能技术演进＜/span＞
1956年达特茅斯会议：麦卡锡、明斯基等科学家首次提出"人工智能"概念，确立"搜索驱动"和"符号逻辑"两大范式。2016-2017年：DeepMind的AlphaGo结合蒙特卡洛树搜索与深度强化学习，先后击败李世石、柯洁，证明AI在复杂决策中的潜力。2022年ChatGPT：基于GPT-3.5的对话系统实现人类级别的流畅交互，推动AI技术从实验室走向大众（全球月活用户1亿仅用2个月）。2006年：辛顿团队提出深度信念网络（DBN），突破神经网络训练瓶颈，学术界将这一年称为"深度学习元年"。
2025-07-26 09:01:09
949
转载 ＜span class=“js_title_inner“＞一文读懂AI Search：从RAG到DeepSearch＜/span＞
知识边界很好理解，正如我们开头讲到的模型的内在知识是有限的，也即是有边界的，但是在面对具体的用户任务和问题时，这个边界具体在什么位置呢？从最初朴素的RAG方案，到加入了很多人工设计（各种查询检索优化和工具调用）的精密复杂的RAG工作流，再到围绕推理能力（推理模型）构建的具有自主性的Agentic RAG（比如DeepSearch），AI Search的目的没有改变，变化的是模型能力（推理能力和工具调用能力）和设计范式（从死板的人类工程到灵活的模型自主性）。看，阅读（学习）不是目的，创作（干活）才是。
2025-07-26 09:01:09
46
原创 大模型应用之：SSE流式响应
与 WebSocket 技术相比，SSE 使用的是基于 HTTP 的长轮询机制，而不需要建立全双工的网络连接。相比传统的请求-响应模式，SSE 提供了一种持久连接，允许服务器随时向客户端发送事件和数据，实现了实时性的消息传递。相反，逐字蹦出回复可以实现更快的交互响应。此外，逐字蹦出的回复还有助于用户跟踪模型的思考过程，看到它逐步构建回答的方式。实际很多大模型接入的商用场景，并非采用标准化的api-key/base-url的配置化方法，因为出于数据安全因素，大模型服务商并不采用云服务接入方法。
2025-07-25 09:00:32
1148
转载 程序员核心竞争力：怎么做需求才能有成长？
做稳定和资损可以从组织保障，平台工具，发现、预警、止血能力各方面去体系化建设（稳定和资损是非常有挑战的技术命题，一定要系统化的去思考和沉淀，有机会单开课题交流）比如个人从一线开发成长为TL带团队，后来总结帮助最大的是对系统的问题和故障跟进，在当时分工颗粒度还不会那么精细还不流行微服务时，每有线上预警和故障都会主动应急，或主导或帮助别人处理或者没参与的事后找他们了解详细情况，差不多半年下来对团队所有系统都很了解，对业务逻辑非常清楚，对上下游的伙伴也很熟悉，也锻炼了飞速排查定位问题的能力和各种软技能。
2025-07-25 09:00:32
88
转载 ＜span class=“js_title_inner“＞程序员核心竞争力：怎么做需求才能有成长？＜/span＞
做稳定和资损可以从组织保障，平台工具，发现、预警、止血能力各方面去体系化建设（稳定和资损是非常有挑战的技术命题，一定要系统化的去思考和沉淀，有机会单开课题交流）比如个人从一线开发成长为TL带团队，后来总结帮助最大的是对系统的问题和故障跟进，在当时分工颗粒度还不会那么精细还不流行微服务时，每有线上预警和故障都会主动应急，或主导或帮助别人处理或者没参与的事后找他们了解详细情况，差不多半年下来对团队所有系统都很了解，对业务逻辑非常清楚，对上下游的伙伴也很熟悉，也锻炼了飞速排查定位问题的能力和各种软技能。
2025-07-25 09:00:32
42
原创 ＜span class=“js_title_inner“＞大模型应用之：SSE流式响应＜/span＞
与 WebSocket 技术相比，SSE 使用的是基于 HTTP 的长轮询机制，而不需要建立全双工的网络连接。相比传统的请求-响应模式，SSE 提供了一种持久连接，允许服务器随时向客户端发送事件和数据，实现了实时性的消息传递。相反，逐字蹦出回复可以实现更快的交互响应。此外，逐字蹦出的回复还有助于用户跟踪模型的思考过程，看到它逐步构建回答的方式。实际很多大模型接入的商用场景，并非采用标准化的api-key/base-url的配置化方法，因为出于数据安全因素，大模型服务商并不采用云服务接入方法。
2025-07-25 09:00:32
738
原创 大模型应用之：MCP最佳实践
MCP 建立了一个通用的「即插即用」协议，允许任何兼容 MCP 的客户端与任何兼容 MCP 的服务器协同工作，大大降低了集成复杂性和开发时间。正如 USB 创建了一个通用接口，允许任何 USB 设备连接到任何 USB 端口——消除了对特定设备连接器的需求——MCP 创建了一种标准化的方式，使 AI 应用程序能够连接各种数据源和工具。然而，有理由保持乐观。MCP 生态系统似乎已经克服了最初的采用障碍，越来越多的代理（MCP 客户端）出现，每周开发的 MCP 服务器数量也在增加，用于解决特定领域的任务。
2025-07-24 09:31:00
904
tornado-4.5.2-cp36-cp36m-win_amd64
2017-10-08
Mysql FULL JOIN 遇到的一个语法错误；麻烦网友指教，谢谢！！
2018-10-20
TA创建的收藏夹 TA关注的收藏夹
TA关注的人