不懂的浪漫-CSDN博客

原创 JVM 常见面试题汇总(Java8)

JVM 常见面试题汇总(Java8)文章目录JVM 常见面试题汇总(Java8)前言1.JVM 有哪些内存区域？（JVM 的内存布局是什么？）2.Java 的内存模型是什么？（JMM 是什么？）3.JVM 垃圾回收时如何确定垃圾？什么是 GC Roots？4.能够找到 Reference Chain 的对象，就一定会存活么？5.强引用、软引用、弱引用、虚引用是什么？6.你说你做过 JVM 参数调优和参数配置，请问如何查看 JVM 系统默认值7.你平时工作中用过的 JVM 常用基本配置参数有哪些？8.请你谈

2020-07-10 16:54:44 2346 1

原创夯实Spring系列|总览介绍

文章目录系列文章1.文章说明2.整理目的3.Spring 核心特性4.数据存储（Data Access）5.Web 技术6.技术整合7.测试（Testing）8.Java 版本依赖于支持9.面试题9.1 Spring Framework 有哪些核心模块？系列文章夯实Spring系列|总览介绍夯实Spring系列|夯实Spring系列|第一章：IoC到底什么是？1.文章说明本系列文...

2020-04-17 09:38:49 819 1

原创 Claude Code 的诞生史：一个 AI 编程工具如何从内部 CLI 长成 Agent

文章摘要 Claude Code的诞生揭示了AI编程工具从代码生成走向参与工程循环的进化路径。不同于传统聊天框式AI编程仅提供代码片段，Claude Code通过CLI深度融入开发环境，实现文件读写、测试运行和错误修复的闭环。其核心价值在于构建了包含Agent编码、工具反馈、开发者审查和项目验证的四层工程循环系统，体现了AI编程的竞争重点正从模型能力转向循环设计。对开发者而言，这意味着工作重心转向任务拆分、上下文提供和验证设计；对产品而言，需构建包含工具调用、权限控制和失败恢复的Agent运行时系统。Cl

2026-07-07 21:01:15 313

原创 Claude 有了“内心独白”？Anthropic 的 J-space 研究到底说明了什么

摘要： Anthropic最新研究揭示了Claude模型内部存在类似"全局工作空间"的J-space结构，该空间能捕捉模型未输出的中间推理概念。研究表明： J-space不同于chain of thought，是模型内部可观测的隐性推理层抑制J-space会显著影响复杂任务表现，但对基础语言能力影响较小该发现为AI安全监控提供了新维度，可检测模型隐藏意图或测试规避行为对AI Agent开发具有启示：未来可信系统需结合输出审查、工具监控和内部状态审计这项研究不证明模型具有意识，但为理解AI决策过程提供

2026-07-07 20:54:55 360

原创 Andrew Ng（吴恩达）谈 Loop Engineering：AI 编程中的三个关键循环

AI编程正在经历从单次代码生成到循环迭代的范式转变。Andrew Ng提出三个关键循环：1）Agentic coding loop（AI自主写、测、修代码）；2）Developer feedback loop（开发者转为提供产品级反馈）；3）External feedback loop（真实用户验证产品方向）。随着AI承担更多执行工作，工程师角色将向产品决策延伸，需要更关注需求定义、体验优化和反馈整合。这种分层循环结构表明，未来AI编程的核心不是追求生成代码量，而是建立高效的反馈校准机制，让人类专注于更高阶

2026-07-06 20:20:10 158

原创不再手动刷 X(推特)：用 Codex + X MCP 追踪 AI 大佬动态

本文介绍了如何将X(推特)平台通过X MCP API接入Codex,打造个人AI动态追踪系统。作者分享了自己为解决手动刷推低效问题的方案,重点展示了接入后可以实现的功能: 按人追踪特定领域观点(如Karpathy关于LLM的近期发言) 主题趋势追踪(如AI Agent的最新讨论) 跨账号观点对比分析收藏内容自动分类整理构建完整的信息处理工作流文章详细说明了两种接入方式(Bearer Token和OAuth2)的具体操作步骤,并特别强调需要控制API调用成本,建议采用"先计划-再确认-后调用"的原则。最

2026-07-05 19:21:47 332

原创 Codex 只显示可用重置次数，却不告诉你什么时候过期：我做了一个查询 Skill

本文介绍了一个名为codex-reset-credits的Codex Skill，用于查询和管理Codex的重置次数。该工具可以显示当前可用重置次数、每次重置的过期时间（包括中国时区），并自动计算过期前1天和1小时的提醒时间。支持普通中文和JSON格式输出，便于集成到自动化流程中。通过封装为Skill而非单一脚本，使Codex能直接理解和使用该功能，无需重复解释上下文。实现原理是通过读取本地Codex的auth.json获取token，调用ChatGPT Web后端接口获取数据。项目强调隐私保护，不暴露敏感

2026-07-03 20:27:42 940

原创 AGI 不只是预测下一个 token，而是预测下一个世界

文章摘要：本文探讨了AGI（通用人工智能）与当前大语言模型（LLM）的本质区别。作者指出，LLM的核心是预测下一个语言token，而真正的AGI需要预测并影响"世界token"——即行动后的环境状态变化。AGI的关键在于构建感知、建模、预测、规划、行动、反馈和学习的完整闭环系统，而非单纯提升语言能力。文章对比了LLM、多模态模型、世界模型和Agent的不同特性，强调具身智能和环境反馈对构建世界模型的重要性。最终提出AGI应具备感知、记忆、建模、规划、行动、反馈、修正和迁移等综合能力，形成"理解-预测-行动-

2026-07-01 22:04:07 196

原创这篇 Anthropic 研究员的文章，讲透了高手如何做成事

这篇文章探讨了AI时代下高手如何有效做事的方法论。作者通过Anthropic研究员Vivek的研究方法，指出在AI降低执行成本后，人们最需要培养的关键能力是：选对问题、快速试错、分析结果和持续修正。文章提出了8个核心要点：1）先选对问题而非盲目执行；2）关注推理过程而非结论；3）重视经典而非只追新潮；4）将大问题拆解为最小可验证版本；5）通过快速发现错误来提升效率；6）深入分析失败样本而非只看指标；7）通过写作暴露思维漏洞；8）通过交流让想法更早接触现实。这些方法不仅适用于研究，也是应对不确定性的通用做事原

2026-06-28 20:21:29 204

原创 Anthropic 研究员 Vivek：如何真正擅长研究

如何真正擅长研究：AI研究员Vivek的8个核心建议自主选择问题：不要被动接受研究方向，要寻找真正关心的原创性问题拓宽知识来源：突破主流文献限制，从历史经典和跨学科领域获取洞见持续记录思考：写作能暴露思维漏洞，公开分享可以推动领域发展快速验证迭代：建立高效实验流程，让错误尽早显现深入分析结果：超越表面数据，仔细检查失败案例保持探索精神：广泛涉猎子领域，寻找个人优势突破口建立开放合作：通过分享和讨论获得关键反馈坚持长期积累：微小优势经过复利会产生巨大差异这些建议强调研究能力的可训练性，通过系

2026-06-26 22:00:38 552

原创不是套壳：为什么 Codex、Claude Code 这类 Agent 工具能把 LLM 能力放大一倍

AI编程助手工具（如Codex、Claude Code）并非简单的聊天界面"套壳"，而是构建了完整的Agent运行系统，将大模型能力放大约一倍。这类工具通过整合项目上下文读取、代码修改、测试验证、迭代修复等完整工作流，解决了纯聊天窗口的三大局限：上下文不完整、验证缺失和记忆断裂。其核心价值在于将一次性问答升级为可验证、可迭代的工程系统，通过自动化的工具调用、环境管理和经验积累，显著提升任务完成率（从30%提升至60%）。真正的竞争不仅是模型智能度，更是运行系统的完备性，包括项目理解、安全操作、结果验证等关键

2026-06-24 11:51:00 298

原创为什么 doc_id 不够：version 与 checksum 才是企业 AI 证据链的硬地基

企业AI系统中的证据链设计需要超越简单的doc_id引用，建立完整的可追溯机制。文章指出，仅依赖doc_id无法解决版本变更、内容一致性等问题，提出构建包含四层字段的chunk数据结构：content（内容）、provenance（溯源信息，含版本号、校验和等）、governance（权限控制）和evidence_relation（证据角色）。特别强调version字段解决时间一致性，checksum确保内容未被篡改，配合路径、页码等定位信息，使系统既能支持人工复核，又能满足审计需求。这种设计让AI决策过程

2026-06-23 10:48:27 326

原创姚顺宇说 AI 不太需要“脑子”：从 Role Copilot trace schema 看企业 AI 为什么更需要靠谱

本文探讨了企业AI系统中"靠谱"工程化的关键问题。作者通过分析姚顺宇提出的"AI不太需要'脑子'"观点，指出企业AI的核心挑战不在于追求极致的智能表现，而在于构建可靠、可审计的业务系统。文章重点介绍了Role Copilot trace schema的设计理念，强调AI系统需要在证据、判断和行动之间保持明确边界。通过HR和DevOps两个实际案例，作者展示了如何通过结构化输出区分"已证明事实"和"未证实推论"，避免AI从相关性直接推导结论或执行动作。这种工程化方法的核心价值在于：在保留AI辅助决策能力的

2026-06-19 20:47:23 311

原创从高志凯“AI 新冷战”发言看中美 AI 路线：开源、闭源、泡沫与基础设施控制权

本文围绕高志凯在 2026 凤凰湾区财经论坛·金融峰会关于中美 AI 的发言展开，指出其真正引发传播的，不是单纯比较模型能力，而是将 AI 竞争上升为“开源普惠路线”与“闭源霸权路线”的对抗。文章分析了美国 AI 在顶级芯片、资本、闭源平台和全球生态上的优势，也指出其高资本开支、高估值和平台垄断带来的泡沫风险；同时讨论中国 AI 通过 DeepSeek、Qwen、GLM、Kimi 等模型展现出的低成本、开放化和产业落地能力。文章认为，“善与恶”只是传播语言，真正关键在于 AI 的所有权、控制权和分配方式。

2026-06-17 16:20:38 455

原创顶级程序员最大的秘密：不是更努力，而是找到 1000 倍杠杆

顶级程序员与普通程序员的关键差异并不在于更努力或更聪明，而在于是否具备杠杆思维。他们擅长将重复性工作自动化、工具化，把经验沉淀为可复用的资产（如脚本、平台、规范），从而将一次投入转化为持续收益。高杠杆工程师关注系统优化而非局部执行，通过识别模式、抽象流程、构建自动化闭环，实现效率的指数级提升。AI时代更会放大这种能力——关键在于定义问题边界、设计工具链，将AI融入高价值系统。核心思维是：任何重复3次以上的任务都应考虑系统化，把"解决问题"升级为"消除问题"。真正的工程能力体现在将代码转化为长期资产，用系统思

2026-06-11 21:55:34 174

原创《置身钉内》爆火背后：AI时代最大的误区，是用流水线管理创造力

《置身钉内》引发热议的背后，揭示了AI时代管理创新的核心矛盾：过度强调可量化指标正在扼杀创造力。文章指出，当前企业管理体系（如KPI、OKR等）虽然提升了执行效率，却迫使创造力伪装成执行力。AI的兴起将这一问题放大——它既可能成为创造者的外骨骼，也可能沦为数字监工。真正的问题在于混淆了管理效率与创造效率：前者追求确定性，后者需要容忍不确定性。AI时代的关键不是加强管控，而是培养杠杆能力——将经验转化为系统，让AI参与创造性工作而非简单监督。健康的AI组织应区分标准化、协作性和探索性工作，为创新保留空间。文

2026-06-10 19:12:42 177

原创开源一个 Codex 文件整理 Skill：一句话列出本次会话生成的文档、截图和交付物

Artifact Radar 是一个开源 Codex Skill，专为解决 AI 会话中生成的多文件交付物管理问题而设计。它能自动识别并整理当前会话中产生的文档、图片、表格等交付文件，提供带时间戳、文件类型和置信度评级的可点击清单。该工具优先关注用户实际需要的交付文件（如.md/.png/.html等），并排除构建缓存等无关内容，支持通过 Git 状态和修改时间进行高效索引。适合频繁使用 AI 生成多种产物的用户，尤其能提升文档撰写、截图管理等工作流的效率。安装简单，支持通过自然语言指令触发，帮助用户快速定

2026-06-07 22:05:40 955

原创 11｜Netty 学习路线与源码阅读地图：从会用到真正看懂高并发网络框架

本文总结了Netty高并发网络框架的学习路线与源码阅读方法。作者建议不要直接全量阅读源码，而应围绕核心问题切入，分六个阶段系统学习：1）先掌握IO模型基础；2）编写最小Echo Server建立入口；3）追踪ServerBootstrap启动流程；4）理解EventLoop线程模型；5）分析Pipeline事件传播机制；6）掌握ByteBuf内存管理。文章强调通过问题导向的源码阅读（如连接注册、数据读写、内存释放等主线），将Netty核心骨架分解为可验证的模块，最终转化为高并发系统设计能力。随文附有10篇系

2026-06-07 21:24:24 306

原创 10｜Netty native epoll 与零拷贝：从 Java NIO 再往下看一层![

本文探讨了Netty中native epoll传输与零拷贝技术的核心原理及工程价值。主要内容包括： NIO与epoll关系：Java NIO是跨平台抽象，底层在Linux使用epoll实现；Netty native epoll直接调用Linux epoll API，减少抽象层。传输层选择：对比NIO/Epoll/KQueue/IOUring等传输方式，Epoll更适合Linux高并发场景，支持更多系统级特性（如TCP_CORK、边缘触发等）。零拷贝实现：通过FileRegion和sendfile实现文件

2026-06-07 21:04:25 384

原创 AI 时代还需要买课吗？我用 Skills + Markdown + HTML 搭了一套自学系统

文章摘要作者开发了一套基于AI的自学系统，将学习流程、数据管理和状态展示分层处理：用Skills实现学习流程执行，Markdown存储本地学习数据，HTML生成静态学习看板，并可选同步到GitHub。系统通过两个核心模块运作：course-designer将学习目标转化为可执行课程计划，learning-companion负责日常学习管理。该系统解决了传统AI对话学习难以持续跟踪进度的问题，实现了从目标设定到课程执行、进度跟踪、复盘打分的闭环管理。所有学习数据以Markdown形式本地存储，同时自动生成可

2026-06-07 21:02:12 1133

原创不要把 RAG 当成 Copilot：从知识问答到 Role Workflow

文章摘要：许多企业将RAG（检索增强生成）视为Copilot的全部功能，但实际上RAG仅是知识底座，而非完整的Copilot解决方案。真正的企业Copilot需融入业务流程，具备判断、报告生成和人工复核能力。文章以HR简历筛选为例，对比RAG问答与Role Copilot Workflow的区别，指出RAG仅提供证据原料，而Role Copilot需整合岗位任务、判断规则和业务流程。完整的Copilot应包含任务接收、文档解析、证据提取、判断生成、追踪记录等环节，形成可治理的工作流。Citation仅证明

2026-06-06 15:51:50 366

原创 09｜Netty 线上问题排查：EventLoop 阻塞、内存泄漏、写队列堆积和慢连接

Netty线上问题排查指南：阻塞、泄漏、堆积与慢连接摘要：本文针对Netty框架常见的线上问题，梳理出四类核心风险及其解决方案：1)EventLoop线程阻塞导致延迟升高，需隔离阻塞任务；2)ByteBuf内存泄漏引发堆外内存溢出，需规范引用计数管理；3)写队列堆积造成OOM，需设置水位线并实现背压控制；4)半包/慢连接长期占用资源，需配置超时与最大帧限制。通过线程堆栈分析、内存监控、队列水位检测等排查手段，结合Reactor响应式编程和协议保护机制，可有效保障高并发网络服务的稳定性。

2026-06-04 20:40:20 351

原创 08｜Reactor Netty 与 Spring Cloud Gateway：WebFlux 如何站在 Netty 之上

本文探讨了 Reactor Netty 与 Spring Cloud Gateway 的关系，重点解析了 WebFlux 如何构建在 Netty 之上。文章指出 WebFlux 并非必须依赖 Netty，但 Spring Cloud Gateway 默认采用 Reactor Netty 作为运行时，因其更适合异步网络模型。通过对比普通 WebFlux 和 Gateway 的特殊性，揭示了 Gateway 作为 IO 编排器的本质。详细分析了从 Netty 到 Reactor Netty 的模型转换过程，以及

2026-06-02 21:37:08 457

原创 Codex 更新后历史 Session 消失？我写了一个修复官方 Bug 的 Recovery Skill

Codex 更新后历史 Session 消失问题的解决方案摘要：本文介绍了 Codex Desktop 更新后历史会话消失问题的处理方法。通过分析发现，该问题并非数据丢失，而是新旧版本元数据不兼容导致。作者开发了 codex-session-recovery 工具，能够安全恢复本地历史会话。工具会先进行 dry-run 审计，检查 session 索引、全局状态和路径匹配情况，然后自动备份并修复相关问题。该方案特别处理了 Windows 路径精确匹配问题，确保历史会话能正确显示在新版 UI 中。关键点

2026-05-31 14:22:19 1448 5

原创 Windows Codex 终于支持手机控制：电脑干活，手机指挥

Windows Codex现已支持手机控制功能，让用户可以通过手机远程指挥电脑端的开发任务。这一更新解决了以往必须守在电脑前操作的限制，使开发者能够在移动中审批关键步骤、补充需求或选择方案，保持任务持续推进。不同于远程桌面，该系统同步的是任务状态和执行过程，形成"电脑执行、手机指挥、Codex推进"的协作模式。这对Windows用户尤为重要，补齐了与macOS平台的体验差距，标志着AI编程工具正从单纯的代码生成转向融入真实开发流程的智能助手角色。使用时仍需保持审查习惯，但这一功能已能显著提升开发效率和工作灵

2026-05-31 09:10:10 704

原创 Role Agent 方法论：如何把一个标准工作流 Agent 化

摘要： Role Agent是企业场景中可落地的Agent形态，通过将标准工作流Agent化，辅助特定角色完成高频、稳定的任务。其核心在于角色+流程+场景+上下文+工具+防护+追踪+人工审核的组合，强调从标准化流程入手，而非直接构建万能Agent。适合Agent化的工作流需具备高频重复、步骤稳定、输入输出清晰等特征。实施方法包括七步：定义角色、抽取流程、拆分场景、沉淀上下文、封装工具、设置防护规则和记录执行过程。以镜像打包流程为例，通过重构为Release Copilot，可显著提升效率与规范性。企业Age

2026-05-30 16:56:42 496

原创 07｜Netty 如何处理半包粘包：ByteToMessageDecoder 源码主线

本文主要讨论了TCP通信中的半包粘包问题及其解决方案。文章首先解释了半包粘包现象是TCP字节流模型的正常结果，而非bug，并强调这是跨系统通信必须解决的协议边界问题。随后介绍了常见的消息边界定义方法，如固定长度、分隔符和长度字段等。文章重点分析了Netty的ByteToMessageDecoder解码器，详细解读了其累积半包数据的机制和decode方法的实现逻辑，特别指出在解码过程中需谨慎处理readerIndex。最后强调在业务系统中设计清晰协议边界的重要性，这关系到整个系统的通信可靠性和扩展性。

2026-05-30 14:22:18 349

原创 06｜Netty writeAndFlush 源码分析：数据真的立刻发到网卡了吗？

这篇文章深入分析了Netty中writeAndFlush方法的执行流程和底层机制。核心要点包括： writeAndFlush不等于数据立即发送，而是先进入Netty的出站流程，再尝试刷新到socket write和flush的区别：write将数据放入出站缓冲队列，flush才真正尝试写入socket 数据会经过Pipeline中的outbound处理器链，可能进行编码/压缩等操作最终数据进入ChannelOutboundBuffer队列，由底层Unsafe负责实际写出 socket写操作可能分批完成，未

2026-05-30 09:27:28 370

原创 05｜Netty ByteBuf 源码分析：为什么不用 Java ByteBuffer

Netty ByteBuf 源码分析：高效数据缓冲设计 Netty 自研 ByteBuf 以解决 Java NIO ByteBuffer 在网络编程中的不足，主要针对高并发场景下的数据缓冲需求。ByteBuf 采用读写指针分离设计（readerIndex 和 writerIndex），消除了 ByteBuffer 需要 flip() 切换模式的繁琐操作，更符合网络协议解析的自然流程。核心优势包括：更直观的读写分离模型支持动态扩容提供堆内(Heap)和堆外(Direct)两种内存模式通过池化技术(P

2026-05-30 08:43:01 322

原创我被 Google Gemini 3.5 连续骗了两次：AI 时代，最贵的是判断力

《我被Google Gemini 3.5连续骗了两次：AI时代最贵的是判断力》一文通过作者与AI对话的亲身经历，揭示了当前大语言模型存在的严重"幻觉"问题。文章详细记录了作者询问ZLMediaKit技术问题时，Gemini 3.5两次给出完全错误但看似专业的回答：先是编造不存在的配置项，后又将默认行为说反。作者指出，AI最危险之处在于它能够以极其专业的方式呈现错误信息，这种"逻辑完整的错误"比简单错误更具迷惑性。文章强调，AI时代获取答案的成本大幅降低，但验证信息真实性的判断力变得更为珍贵。作者建议对技术问

2026-05-29 10:17:19 451

原创 RAG 是临时查资料，LLM Wiki 是让知识开始复利

本文讨论 RAG 与 Karpathy 式 LLM Wiki 在企业 Agent knowledge runtime 中的定位差异。RAG 的核心是 query-time retrieval，适合在用户提问时从原始文档中检索证据，解决事实查找、原文引用、权限过滤和实时查询问题。LLM Wiki 的核心是 ingest-time / maintenance-time synthesis，强调由 LLM 持续维护一个可链接、可演化的 Markdown Wiki，把资料进入时的理解、综合、冲突发现和后续提问结果沉

2026-05-24 19:12:51 977

原创 Karpathy 的 LLM Wiki：从 RAG 临时检索到可复利的知识库

Karpathy提出LLM Wiki概念，旨在解决传统RAG系统知识无法沉淀的问题。与RAG临时检索不同，LLM Wiki通过三层架构（原始资料层、Markdown Wiki层、规则层）实现知识的持续积累。系统通过Ingest、Query、Lint三个核心操作，将新知识结构化整合到Wiki中，使查询结果也能反哺知识库。这种基于Markdown的轻量级方案特别适合个人研究和小团队知识管理，实现了从"临时检索"到"知识复利"的转变。

2026-05-24 17:53:15 623

原创 Andrej Karpathy LLM Wiki：一种使用 LLM 构建个人知识库的模式

摘要 LLM Wiki是一种利用大型语言模型构建个人知识库的创新模式。与传统RAG系统不同，它要求LLM逐步构建并维护一个持久化的结构化Markdown文件集合。该系统包含三层架构：原始资料层（不可变源文档）、wiki层（LLM生成的Markdown文件目录）和schema层（配置文档）。主要操作包括资料摄入、查询和定期检查维护。通过Obsidian等工具可视化知识图谱，LLM承担了知识库维护的繁琐工作，使人类能专注于资料筛选和问题思考。这种方法适用于个人成长、学术研究、商业分析等多种场景，解决了传统知识库

2026-05-24 17:01:19 672

原创 RAG 系统为什么需要 Eval + Trace：回答错了，到底是谁的问题？

本文讲解 RAG 系统为什么需要 Eval + Trace：Eval 用来判断回答是否符合预期，Trace 用来回放检索、上下文构建、生成和引用链路。两者结合，才能定位回答错误到底发生在召回、Context Builder、生成还是 citation 阶段。

2026-05-23 17:04:30 685

原创 RAG 后端接口设计：为什么 ingest 要异步，query 要同步？

本文探讨了RAG后端接口设计中ingest和query的不同特性。ingest应设计为异步任务接口，通过创建job并查询状态来管理长任务生命周期，避免超时和重复导入问题，同时提供详细的失败记录和重试机制。而query接口则应同步返回，确保每次查询都能提供可信的回答和引用证据，在没有足够证据时应明确返回"insufficient_evidence"而非编造答案。这种区分能更好地满足两类接口的不同需求：ingest关注后台任务管理，query关注即时可信回答。

2026-05-23 16:26:56 506

原创血泪教训：一行 apt install docker* 让我搞了一晚上 Docker

1Panel 服务器重启后，docker images 和 docker ps -a 全空，几十个应用"消失"。表面像数据丢失，实则数据完好——根因是有人执行过 apt install -y docker*，通配符顺带装了 docker.io 29.x 和新版 containerd，重置了元数据库。重启后新 Docker 用 overlay2 驱动，而原容器是用 overlayfs snapshotter 创建的，驱动不匹配导致 Docker 拒绝加载。

2026-05-21 19:27:09 454

原创 01｜从 Spring Boot 项目理解 RAG：ingest、query、rerank、trace 到 eval

本文从Spring Boot项目角度梳理了RAG系统的核心模块，包括资料导入(ingest)、查询处理(query)、结果重排(rerank)、引用追踪(citation)和评估跟踪(trace)。文章指出RAG系统的重点不在于大模型本身，而在于构建完整的知识工程闭环：如何将原始资料加工为可检索的知识单元，如何高效检索和精选相关内容，如何生成带可靠引用的答案，以及如何记录和评估整个流程。项目定位为学习骨架，帮助开发者理解RAG从概念到工程落地的关键环节，而非替代成熟产品。

2026-05-20 19:46:56 426

原创 RAG 不是向量搜索：从 Ingestion、Metadata Filter 到 Citation 的工程链路

文章摘要： RAG（检索增强生成）系统远非简单的向量搜索，而是一个包含数据预处理、元数据管理、检索过滤和结果验证的完整工程链路。核心挑战在于：如何在有限上下文中精准定位支持回答的证据，而非简单塞入大量资料。系统需要在数据摄入阶段就建立完善的元数据体系，在查询时通过metadata filter限定检索范围，避免语义相似但业务无关的内容干扰。特别在Agent场景中，错误的上下文检索可能导致严重后果，如操作错误项目或提交到错误仓库。RAG的成功关键在于构建可追溯、可验证的证据链，确保答案既相关又可靠。

2026-05-17 14:22:13 436

原创 RAG 中的 Citation 不是参考链接：它真正解决的是幻觉追责问题

RAG系统中的Citation机制并非简单的参考链接，其核心价值在于解决幻觉追责问题。文章指出，真正的Citation应能追溯答案与证据间的契约关系，而非仅提供装饰性链接。作者区分了弱Citation（仅提供来源）和强Citation（绑定结论与具体证据），并提出了包含source_path、heading、chunk_id和support字段的最小格式。通过分析Citation mismatch现象，强调Citation与chunk、metadata等环节的关联性，揭示了其作为质量暴露面的工程价值。最后以

2026-05-17 13:55:08 445

原创为什么 Agent 不只是大模型：从 chunk、metadata 到上下文召回设计

本文探讨了Agent系统的设计不仅依赖于基础大模型的能力，更需要完善的上下文工程、工具系统和工作流设计。作者详细解析了三个关键概念：chunk（将文档切分为可独立理解的语义单元）、metadata（为知识单元添加工程标签）和metadata filter（通过场景边界减少错误召回）。文章指出，优秀的Agent系统需要合理平衡这些要素：chunk要按语义边界切分，metadata filter要精准控制召回范围，embedding则负责在候选内容中寻找语义最匹配的部分。最终强调，Agent的竞争力取决于整个运

2026-05-17 09:56:09 418

空空如也

空空如也