江畔柳前堤-CSDN博客

原创 Go13-企业级项目实战

项目结构：清晰的分层架构配置管理：使用 Viper 管理配置数据库操作：使用 GORM 进行 ORM 操作错误处理：统一的错误响应格式认证授权：JWT 认证和中间件日志记录：结构化日志API 文档：Swagger 文档测试：单元测试和 Mock部署：Docker 容器化部署。

2026-07-16 17:05:19 78

原创 Go11-模块管理与项目结构

Go Modules 是 Go 1.11 引入的依赖管理系统，是现代 Go 项目的标准。

2026-07-16 17:04:47 73

原创 Go09-并发编程

Go 使用 goroutine 和 channel 实现并发，这是 Go 最强大的特性之一。

2026-07-16 17:02:45 72

return errors.New("年龄必须在 0-150 之间")return nil// 定义错误类型return fmt.Sprintf("验证错误: 字段 %s, %s", e.Field, e.Message)// 使用Message: "不能为空",if!Message: "格式不正确",return nil// 处理自定义错误if err!= nil {fmt.Printf("字段: %s, 错误: %s\n", ve.Field, ve.Message)

2026-07-16 17:01:49 145

原创 Go07-结构体与接口

/ 定义结构体Age int// 创建实例Name: "张三",Age: 25,// 访问字段fmt.Println(p1.Name) // 张三// 修改字段// 定义接口// 定义另一个接口。

2026-07-16 17:01:16 194

原创 Go06-数组、切片与 Map

数组是固定长度的同类型元素序列。

2026-07-16 17:00:46 125

原创 Go05-函数与方法

下一章我们将学习 Go 语言的。

2026-07-16 17:00:07 196

原创 Go04-控制结构

下一章我们将学习 Go 语言的。循环，但支持多种循环模式。

2026-07-16 16:59:29 165

原创 Go03-基础语法与数据类型

Go 是静态类型语言，变量在声明时必须确定类型。

2026-07-16 16:58:43 166

原创 Go02-Go 语言简介与环境搭建

Go（又称 Golang）是 Google 于 2009 年发布的开源编程语言。它由 Robert Griesemer、Rob Pike 和 Ken Thompson 三位计算机科学家设计，旨在解决大规模软件工程中的实际问题。

2026-07-14 15:31:42 85

原创 GO01-Go 语言与主流编程语言深度对比

语言发布年份设计者类型系统编译/解释Go2009Google静态类型编译型Java1995Sun/Oracle静态类型编译+解释（JVM）Python1991动态类型解释型Rust2010Mozilla静态类型编译型C++1983静态类型编译型2009Ryan Dahl动态/静态解释型（V8）Kotlin2011JetBrains静态类型编译+解释（JVM）维度GoJavaPythonRustC++Node.js性能8/107/104/10。

2026-07-14 15:30:44 106

原创 AI大厂面试200问-第十三章

这个问题和第 8 题（长上下文压缩）有交集，但这里我更聚焦在摘要压缩这个具体手段的深度讨论上——怎么做、有什么坑、怎么避免语义扭曲。其他压缩方式（截断、过滤、LLMLingua）是减少信息量，摘要压缩是转换信息形式——把原始对话"翻译"成摘要。问题在于：翻译就有信息损耗，而你要控制损耗的方向——丢掉的必须是噪声，保留的必须是信号。这远比想象中难。我的摘要压缩方案——三层递进：第一层：结构化增量摘要（首选方案）。不要每次都重新摘要整个对话历史。维护一个"累积摘要"，每次新消息来时增量更新。

2026-07-14 15:26:39 26

原创 AI大厂面试200问-第十二章

这道题和第 5 题、第 17 题有一定交叉，但这里我聚焦在定义和系统特性上，从架构层面来回答。Multi-Agent 系统是由多个独立的、具备各自角色和能力的 Agent组成的协作系统。每个 Agent 是一个自治单元——有自己的 Prompt（角色定义）、自己的工具集、自己的记忆空间。Agent 之间通过消息传递或共享状态来协作完成单个 Agent 难以独立完成的复杂任务。

2026-07-14 15:25:27 37

原创 AI大厂面试200问-第十一章

"正确答案在某个 PDF 表格的第 3 行（指标=拨备覆盖率，适用业务线=零售信贷，合格标准=≥150%），但常规解析后"拨备覆盖率"在 chunk A，"≥150%"在 chunk B，"零售信贷"在 chunk C——三个关键信息分散在不同的 chunk 中，RAG 检索只能命中包含"拨备覆盖率"的 chunk A。标记工具调用的开始和结束，让模型学会"什么时候该输出工具调用而不是普通文本"）、多轮交互训练（不只是单轮，还包括"调用了工具→拿到结果→基于结果继续回答"的完整多轮对话）。

2026-07-14 15:24:51 25

原创 AI大厂面试200问-第十章

我的做法：超时控制（单步 30s，总体 5min，超时后优雅降级返回已完成的部分结果）、重试机制（工具调用失败自动重试 2-3 次，带指数退避）、死循环检测（最近 N 步内出现重复的 Thought-Action 模式→强制打断并要求模型重新思考）、兜底策略（一切方法失败后给用户有意义的错误提示）、多模型 Fallb。ack（主模型挂了自动切备选）。我在项目中做过 ReAct+轻量 Plan 的混合模式——初始时做一个高层面的计划纲要（3-5 步，不是详细步骤），作为 ReAct 循环的"指南针"；

2026-07-14 15:24:21 63

原创 AI大厂面试200问-第九章

让 LLM 自己压缩历史对话或文档。Prompt 思路："请将以下对话历史压缩为一个结构化的摘要，保留用户的偏好、已做出的决策、待解决的问题、关键事实；丢弃客套话、重复表述、已被解决的中间步骤。“核心价值是把 2000 tokens 的对话压成 200 tokens 的摘要，信息几乎不丢失。用增量摘要而非全量摘要——维护一个"累积摘要”，新消息来时把累积摘要+新消息一起做增量更新。

2026-07-14 15:23:33 16

原创 AI大厂面试200问-第八章

先从最基础的开始吧。什么是 ReAct？为什么 2026 年了它还是 Agent 的默认范式？ReAct 的全称是 Reasoning + Acting，是 Google 在 2022 年提出的一种将"推理"和"行动"交织在一起的 Agent 范式。大模型不是一次性想清楚所有步骤再执行，而是在每一步中交替进行思考、行动和观察，根据观察结果动态调整下一步行为。

2026-07-14 15:22:53 16

原创 AI大厂面试200问-第七章

比如『用户说「取消最近的订单」，但我找到了两笔最近 10 分钟内的订单——#1234（金额 ¥50）和 #1235（金额 ¥200），请确认要取消哪一笔？把开放式问题转化为选择题，人类的决策时间和错误率都会大幅下降。

2026-07-10 10:31:54 20

原创 AI大厂面试200问-第六章

四个核心指标：Faithfulness（回答中的每句话是否能在检索文档中找到支撑——这是反幻觉指标，最重要）、Answer Relevance（回答是否真正回应了用户的问题）、Context Precision（检索到的文档中，相关文档是否排在前面——这个和 Retrieval Precision 不同，因为相关文档排第一但 LLM 看了后面不相关的文档也会受影响）、Context Recall（相关文档中被检索到的比例——和 Retrieval Recall 对应）。它会先分析——用户的表层问题是什么？

2026-07-10 10:31:18 13

原创 AI大厂面试200问-第五章

有了 A2A，你只需要知道它的 Agent Card URL，你的 Agent 就能自动发现和调用它的能力。这意味着 A2A 天然支持长任务——一个 Agent 把任务委派给另一个 Agent，可以异步等待结果，中间可以查询状态、取消任务、或在需要时提供额外输入。需要三层流控——Agent 级别的本地令牌桶（每个 Agent 最多同时发起 3 个 LLM 请求）、队列级别的全局并发控制（整个系统的 LLM 并发上限，通过信号量控制）、模型级别的智能路由（便宜模型高并发、昂贵模型低并发、优先级队列）。

2026-07-10 10:30:39 14

原创 AI大厂面试200问-第四章

一个 Skill 内部通常包含：触发条件（什么情况下该用这个 Skill）、专家决策树（面对 X 情况该怎么处理、Y 情况又该怎么处理）、反模式约束（绝对不能做什么）、Prompt 模板（如何引导 LLM 以正确的方式执行）、工具组合（这个 Skill 需要调用哪些 MCP Tools），以及验证闭环（执行完成后如何自检质量）。这意味着工具可以热更新——你更新了 MCP Server 的工具实现，所有连接它的 Agent 下次 list 时就会看到新工具，无需重新部署 Agent 代码。

2026-07-10 10:29:25 27

原创 AI大厂面试200问-第三章

但这里有个坑：跨会话的记忆合并。我用的是 LWW（Last-Writer-Wins）with 语义去重——时间戳最新的优先，但如果新值和旧值的语义相似度 > 0.9（同一地址的两种写法），合并而非覆盖。分两个子层——语义记忆（向量数据库，存用户偏好、知识片段、事实信息）和情节记忆（PostgreSQL，存完整交互历史的关键片段，带时间戳）。每次 LLM 调用前，先查工作记忆（几乎零延迟），不够再查短期记忆（Redis，< 5ms），还不够再查长期记忆（向量搜索 + Rerank，< 200ms）。

2026-07-10 10:28:40 20

原创 AI大厂面试200问-第二章

最前沿的做法是根据任务特征自动选择模式——用一个小分类模型评估任务的复杂度和确定性，简单任务直接走一体式 ReAct（用弱模型），复杂但确定的任务走 Planner-Executor 分离模式，复杂且不确定的任务走一体式 ReAct（用强模型）。对于需要探索多条路径的任务，我们用了一个轻量版的 ToT——不是全 BFS 展开，而是先让 LLM 生成 3 个可能的方向，快速评估（用便宜模型，比如 Haiku），选最好的一条，然后在这条上用 ReAct 深入。实际运行的信号权重 > LLM 判断的权重。

2026-07-10 10:27:24 23

人工智能必修课-奥本海姆《信号与系统》

空空如也