- 博客(2551)
- 资源 (12)
- 收藏
- 关注
RSS订阅
原创 小工匠聊架构文章一览【不间断持续更新】
文章摘要 本文系统梳理了微服务架构与分布式技术的核心知识体系，包含三大板块： 微服务布道系列：详细解析从单体架构到服务化的演进路径，涵盖服务注册发现、RPC调用、监控追踪等12个核心主题； 分布式理论篇：深入剖析CAP定理、BASE理论、Paxos算法等分布式系统基石理论； 分布式实战篇：聚焦事务、服务、缓存、存储四大场景，提供两阶段提交、TCC模型、热点key治理等20余种解决方案。文中配有清晰的技术架构图，每个主题均附详细技术文章链接，形成完整的技术图谱。
2020-11-12 00:01:55
90480
10
原创 AIGC - KnowFlow v2.3.0 的多模态视频解析能力与工程化实践
2025年企业级RAG系统正从纯文本向多模态知识库演进。KnowFlow v2.3.0实现了视频作为可检索的一等公民数据源，通过五阶段流水线（ASR转写、关键帧提取、智能切片、VLM描述、Chunk组装）将视频转化为结构化知识。该系统采用Whisper ASR作为主模态，配合关键帧压缩和智能切片策略，使视频内容可精准检索定位。此次升级还优化了UI权限体系，降低部署成本，为企业构建可落地的多模态知识基础设施提供了完整解决方案。
2025-12-23 06:27:16
656
原创 LLM - 基于 Spring AI Alibaba Graph 重构多智能体订单助手：从单体 Agent 到图工作流的工程实践
本文介绍了如何利用Spring AI Alibaba Graph将多智能体订单助手重构为图工作流形态。传统基于if-else的编排方式存在维护困难、扩展性差等问题，而Graph方案通过StateGraph、Node、Edge和OverAllState四个核心概念，将复杂业务逻辑转化为清晰的可视化流程图。 文章详细说明了项目采用的多模块架构设计，包括ai-starter、ai-graph-order等模块的职责划分。重点阐述了订单助手Graph的设计思路，将业务拆分为入口节点、意图识别节点和多个Agent节点
2025-12-23 04:45:00
1714
原创 LLM - 从生成式到 Agentic (Java技术栈)
2025年成为AI Agent工程化与产业化的关键拐点，技术从生成式AI向Agentic AI演进，重点转向工具调用、记忆、规划与多智能体协作等系统能力。Spring AI等框架推动Java工程实践落地，典型应用场景覆盖金融、客服、工业等领域。智能体需具备四大核心能力：工具调用（驱动API/数据库）、记忆（维持长期交互）、规划（任务拆解与执行）、多智能体协作（角色分工）。产业应用已从试点转向可量化ROI阶段，但仍面临数据隐私、系统集成与风险治理等挑战。Spring AI多Agent Demo展示了订单助手场
2025-12-22 05:45:00
1244
原创 LLM - 从 RAG 到 Context Engine：2025 实战总结与 2026 落地指南
以“实战向”视角，聚焦三个问题： 1. 如何搭一个现代 RAG 系统，而不是“向量库 + Embedding”拼凑品。 2. 如何把 RAG 升级为支撑 Agent 的 Context Engine，接管知识库、Memory 和 Tool Retrieval。 3. 2026 年要不要上多模态 RAG，上了怎么活下来（成本与工程挑战）。
2025-12-22 05:00:00
1121
原创 LLM - 从 Prompt 到 Context：2026 Agent 时代的核心战场
2025年大模型Agent从概念走向爆发，但多数产品仍停留在Demo阶段。Anthropic在AWS re:Invent上提出了2026年Agent发展的三大方向：更强的模型能力、可长时运行的Agent以及GUI操作能力，并提出以Context Engineering为核心的方法论。关键突破包括模型能力显著提升（SWE-bench得分从49%到80%）、成本逻辑从单价思维转向任务总成本思维，以及安全能力的强化。Agent与传统Workflow的根本区别在于运行时决策权归属，其本质是"模型+工具+循
2025-12-20 17:15:00
1396
原创 LLM - 从 GPU 到智能应用：构建 AI 系统的五层技术栈不完全指北
许多团队在做 AI 应用时都有类似体验：模型参数越来越大、能力越来越强，但真正落地时，却频频遭遇“跑不动、接不进业务、用户不用”的尴尬局面。背后原因往往不是“模型不够强”，而是缺少从硬件到应用的全栈视角，忽略了基础设施、数据、编排和产品形态之间的系统性关系。本文面向开发者、架构师和技术决策者，从一个真实的场景出发，系统拆解 AI 技术栈的五个关键层次，并给出选型思路、实践建议与成本权衡。如果只盯着某一个“最强模型”，AI 系统很容易陷入“看起来很厉害，但实际用不起来”的陷阱。
2025-12-20 12:34:39
892
原创 LLM - 从 Claude Code Agent Skills 看通用代理的现实路径：设计理念、工程实现与未来形态
Claude Skills 是一种创新的模型扩展机制，通过 Markdown+YAML+脚本的组合，让大模型具备稳定执行专业任务的能力。其核心价值在于： 模块化技能封装：将专业任务知识打包成可复用的"技能包"，包含结构化元数据(YAML)、详细说明(Markdown)和可执行脚本。 高效知识管理：采用"元数据索引+按需加载"机制，大幅降低token消耗，支持海量技能共存。 自然执行流程：模型通过阅读说明自主调用脚本，在代码解释器环境中实现完整任务闭环。 相比传统插件系
2025-12-19 05:45:00
2837
3
原创 LLM - Prompt Engineering 构建工业级 LLM Agent 的六维结构化框架
本文深入探讨了面向开发者的结构化Prompt设计方法，提出Agent设计的六维框架：角色、上下文、流程、边界、约束和示例。通过角色设定激活模型专业子空间，分层管理上下文状态，显式定义任务流程步骤，明确划定职责边界，严格规范输出格式，并利用少样本学习提升性能。文章以代码审查Agent为例，展示了如何将这六大维度整合为可落地的工程化Prompt方案，帮助开发者构建稳定可控的AI交互系统。
2025-12-19 04:30:00
1659
原创 LLM - 面向开发者的 Prompt 设计：从“一次成稿”到“对抗式收敛”
摘要： 本文系统介绍了Prompt工程化设计方法，帮助开发者从“随手提问”升级为“对抗式收敛”的迭代工作流。核心观点包括： 结构化Prompt：将自然语言指令转化为包含背景、任务目标、输入约束、输出格式和示例的五要素“规格说明书”，提升模型输出的稳定性； 迭代优化：通过诊断问题、针对性修正和自我反馈（Self-Refine）循环，逐步逼近理想结果； 设计原则：强调清晰具体、任务分解、结构化输出和示例示范，避免模糊指令； 团队协作：建议将Prompt模板化、版本化管理，建立可复用的团队资产库，并通过A/B测试
2025-12-18 05:45:00
1016
原创 LLM - 基于技术方案的 AI 开发新范式
AI编程新范式：技术方案驱动的全链路代码生成 本文探讨了AI编程从"对话式写代码"向"技术方案驱动"的范式转变。针对Java+Spring Boot团队，提出五步闭环流程：1)结构化技术方案作为AI"施工图"；2)建立规范化规则索引；3)集成内部工具与知识；4)人机协同代码生成与校验；5)AI自我总结形成闭环。实践表明，这种结构化方法可使AI代码采纳率显著提升，同时让开发者从重复编码转向更高价值的设计工作。落地时建议从小型试点开始，逐步构建团队专属
2025-12-18 04:45:00
1095
原创 LLM - AI Agent的上下文工程（Context Engineering）不完全指北
本文探讨了AI Agent从Demo到生产环境面临的核心挑战——上下文工程（Context Engineering）。文章指出，当前AI系统的主要瓶颈不在于模型能力，而在于如何高效管理上下文窗口中的信息流动。作者分析了上下文窗口的本质限制，揭示了四种典型失败模式（污染、分散、混淆、冲突），并提出了构建生产级AI Agent的六大支柱框架：Agent编排中枢、查询增强、智能检索、提示技术、记忆系统和工具集成。文章强调，上下文工程是确保AI系统在真实场景中保持稳定性和可靠性的关键，需要从战略层面设计信息的选择、
2025-12-17 06:15:00
1036
原创 LLM - 从定制化 Agent 到通用 Agent + Skills
摘要 大模型应用团队普遍面临Agent维护成本高、复用率低的问题。Anthropic提出的Agent Skills方案采用全新路径：构建通用Agent，通过可组合Skills沉淀专业知识。Skills采用结构化文件系统存储，包含元数据、指令文档、脚本和示例，实现知识模块化管理。相比传统长prompt方式，Skills方案具有渐进式加载、代码执行不占上下文、可组合性等优势。该方案将领域知识与智能解耦，通过三层加载机制平衡无限技能与有限上下文，使Agent更专注于决策而非流程描述。最终实现从领域专用Agent向
2025-12-17 04:45:00
1867
原创 LLM - Spring AI × Anthropic Skills
本文介绍了如何将外部技能(Skill)集成到基于Spring AI的智能体(Agent)中。通过Java封装Python脚本作为可调用函数，并利用Spring AI的Function/Tool Calling功能，使大语言模型能够自主决定何时调用特定技能。 主要内容包括： 定义技能请求/响应DTO模型 通过ProcessBuilder调用Python技能脚本 将技能工具注册为Spring Bean 配置ChatClient让Agent自动选择技能 文章以内部数据分析和代码评审两个技能为例，展示了端到端的集成
2025-12-16 06:30:00
1086
原创 LLM - Agent Skills 案例：内部数据分析
本文介绍了一个面向企业内部数据分析场景的智能体(Skill)设计示例。该Skill包含完整的工作流程：从需求澄清、数据查询到分析报告生成。核心内容包括： 标准化目录结构，包含技能说明文档(SKILL.md)、执行脚本和资源文件 详细的工作流程设计，分6个步骤完成数据分析任务 两个关键脚本：run_query.py用于执行SQL查询，clean_and_aggregate.py用于数据清洗和聚合 输出结构化分析报告模板，包含摘要、关键指标、洞察建议等部分 该Skill强调数据合规性、指标口径统一性和分析结论的
2025-12-16 04:45:00
1597
原创 LLM - Agent Skills 案例：PR 代码评审 Skill
本文介绍了一个面向开发者的PR代码评审智能体Skill完整示例，包含以下核心内容： 目录结构：展示了一个标准Skill的组成，包括核心说明文件、脚本和资源目录。 SKILL.md模板：提供了可直接套用的YAML+Markdown模板，包含： 元数据定义（名称、描述、输入输出等） 详细评审流程（5个关键步骤） 静态检查脚本使用说明 资源文件交互方式 输出格式规范 示例脚本：给出了一个Python静态检查脚本框架，可检测函数长度和嵌套深度等基础问题。 该示例完整展示了一个代码评审智能体Skill的开发范式，开发
2025-12-15 06:00:00
806
原创 LLM - Agent Skills 智能体新范式
摘要： Agent Skills 是 Anthropic 提出的新型 AI 技能系统，通过结构化文件夹（含说明文档、脚本和资源）封装可复用的任务流程，解决了当前 Agent 开发中知识难以沉淀、上下文爆炸和生态割裂的问题。其核心机制"渐进式披露"分层加载技能内容，平衡了上下文开销与执行精度。相比传统工具调用和 RAG，Skills 更强调"如何做"的完整工作流，可转化为组织级可执行资产。开发者可通过拆解高频任务、结构化步骤和脚本化关键操作来构建有效 Skill，推动
2025-12-15 05:15:00
2135
3
原创 LLM - 六大 Agent 设计模式：从 ReAct 到 Agentic RAG 的完整工程实践指南
摘要：本文系统梳理了多模态AI Agent的6大设计模式，包括ReAct（推理与工具调用闭环）、Self-Reflection（自我评估提升质量）、MCP Tool Use（轻量级工具集成）、CodeAct（可执行代码替代JSON）、Multi-Agent Workflow（多智能体协作）和Agentic RAG（智能化检索策略）。这些模式可组合应用，将单一对话模型升级为具备自主思考、工具调用、协作与检索能力的智能系统。文章从工程落地角度分析了各模式的原理、适用场景及实践建议，强调通过模块化设计和安全控制实
2025-12-14 11:30:00
1852
原创 LightRAG - 从传统 RAG 到 LightRAG：双层检索与知识图谱在企业问答中的实践
摘要： LightRAG针对企业问答场景，提出“向量检索+知识图谱”的双层检索架构，弥补传统RAG在跨文档推理和全局一致性上的不足。其核心是通过实体关系图增强检索能力，支持局部（chunk向量）、全局（图结构）及混合检索模式，兼顾效率与逻辑连贯性。系统采用模块化存储设计，支持增量更新，适应企业数据动态变化。相比传统RAG仅依赖文本片段检索，LightRAG通过显式建模实体关联，显著提升复杂查询（如跨系统业务分析）的准确性，同时保持工程轻量化，成为企业知识管理的高效解决方案。
2025-12-14 09:15:00
928
原创 LLM - 从 LLM 到 RAG、Agent、MCP 的一体化工程实践
企业大模型应用正从对话转向任务闭环，需要整合LLM、RAG、Agent和MCP等技术构建可落地的AI基础设施。LLM作为基础能力组件，企业应采用"云端+本地"混合部署策略；RAG通过检索增强让模型理解业务知识；Agent赋予系统规划执行能力；MCP协议实现工具和数据标准化接入。典型架构分为数据层、AI能力层、Agent层和应用层，需兼顾安全治理与业务需求。以知识助手为例，展示了从检索到任务执行的端到端流程。未来趋势将聚焦AI与核心业务的深度融合，以及开发流程的标准化。
2025-12-14 07:00:00
2126
原创 LLM - 智能体驱动的 Agentic RAG
企业级Agentic RAG系统正从简单的问答转向复杂的业务决策执行。相比传统RAG，它通过引入多智能体协作机制，实现了任务分解、工具调用和流程编排能力。系统架构包含交互层、智能体运行时层和数据检索层，采用Planner、Retrieval、Tool等Agent角色分工协作。Java/Spring技术栈可通过统一接口、策略模式实现灵活路由，并注重安全审计、权限控制和可观测性。这种架构将文档检索与动态系统查询统一为"工具"，支持复杂企业场景下的可靠决策执行。
2025-12-14 05:45:00
1005
原创 LLM - 从 Prompt 到上下文工程：面向 Java 的生产级 AI Agent 设计范式
本文探讨了如何构建安全、可控的生产级AI Agent系统。文章指出，当前大模型已具备接近工程师的编程能力，但落地难点在于系统安全性、权限控制和可持续运行。重点分析了Prompt注入威胁及多层防御策略，强调工具设计、调用策略和上下文工程的关键作用。针对长任务场景，提出了压缩、外部记忆和子Agent三板斧解决方案。最后为Java开发者提供了架构建议，包括上下文管理、安全控制和任务调度三层设计。附Anthropic/Claude相关工程文档索引，涵盖Agent SDK、上下文工程及长任务可靠性设计等实用资源
2025-12-13 20:54:04
1093
原创 LLM - MCP Powered Agent_从工具失配到架构重构的实战指南
本文探讨了AI Agent在多工具环境下的优化策略。针对工具数量增加导致的选择困难和性能下降问题，提出了分层架构设计：将工具发现与调用解耦为两阶段流程，引入中间层进行工具检索和路由；建议采用程序化脚本编排工具调用，使用GraphQL等统一接口收敛零散工具；提出建立分层Agent体系，由顶层协调Agent、领域专属Agent和底层工具平面组成。文章还给出了MCP工具设计的具体建议，包括合理控制工具粒度、规范命名描述、结构化返回数据等。最终强调，提升Agent效能的关键不在于工具数量，而在于优化工具的组织架构和
2025-12-13 20:16:54
892
原创 Elasticsearch - UNASSIGNED SHARDS 解决方案不完全指北
Elasticsearch的allocate_stale_primary命令用于在主分片不可用且无最新副本时，强制将过期副本提升为主分片以恢复服务。该操作通过_cluster/reroute接口执行，需显式设置accept_data_loss:true确认可能的数据丢失风险。执行流程包括：确认分片状态、查找可用副本节点、执行强制分配命令。该操作可能导致数据回退，且后续若更完整数据节点重新加入，可能被覆盖造成不可逆损失。建议仅在无法恢复最新数据且接受数据丢失时使用。
2025-12-13 11:21:49
974
原创 Elasticsearch - Reroute 深度剖析：分片调度与集群恢复不完全指北
Elasticsearch Reroute机制解析与实践指南 本文深入探讨Elasticsearch集群管理中的关键手动干预机制——reroute。主要内容包括： 机制原理：分析reroute在ES分片调度系统中的作用，解释其如何绕过自动调度的保守策略实现快速恢复。 应用场景： 主分片丢失时的灾难恢复 集群负载均衡与扩容 节点下线与维护迁移 API详解：提供move、allocate_primary、allocate_stale_primary等核心操作的可执行示例。 决策系统：剖析Allocation D
2025-12-12 15:30:00
1228
原创 ElasticSearch - 分片灾难恢复实战：不重启ES集群极限磁盘级数据抢救
本文介绍了在ElasticSearch集群出现主副本分片同时unassigned时的数据恢复方案。当系统文件句柄耗尽导致分片不可分配时，虽然磁盘数据仍存在，但ES会因安全验证失败而拒绝自动恢复。文章详细解析了两种底层恢复机制：allocate_stale_primary（从磁盘恢复可能回滚数据）和allocate_empty_primary（重建空分片），并给出了工程化的恢复流程，包括系统修复、分片检查、逐分片恢复策略表等关键步骤。最后强调恢复后的数据校验和集群加固措施，指出掌握磁盘级恢复技术对保障搜索系统
2025-12-12 10:52:36
1036
原创 大模型开发 - AgentScope Java v1.0 深度解读
摘要： 阿里发布 AgentScope Java v1.0，为企业级AI Agent开发提供Java生态解决方案。其核心设计包括： 分层范式：融合确定性工作流（L1）、ReAct自主规划（L2）和实时人工介入（L3），平衡控制与智能； 工具管理：通过Group与Meta-Tool结构化API，结合Java并发模型实现异步并行调用； 企业级基建：集成安全沙箱、RAG记忆系统和多Agent协作协议（MCP/A2A），确保生产级可靠性； 性能优化：支持GraalVM原生镜像，提供全链路可观测与数据飞轮闭环。 Ag
2025-12-09 23:24:51
1352
原创 LLM - 主流RAG优化思路解析
本文系统介绍了大模型RAG（检索增强生成）的优化策略，提出分层渐进的方法：首先优化数据质量与文本切分，采用语义分割和元数据增强；其次提升检索层性能，通过嵌入模型微调、混合检索和重排序；然后改进查询理解与改写，利用LLM扩展查询和结构化提示；最后进阶架构设计，包括上下文管理、知识图谱和自检机制。强调评估体系建设和迭代优化的重要性，建议从基础优化入手逐步升级，重点关注嵌入模型微调和重排序等高效方案。
2025-12-09 22:54:08
987
原创 LLM - A2A 多 Agent 协作 与 Memory
本文探讨了多Agent协作（A2A）系统的设计重点与挑战。随着任务复杂度提升，单一"超级Agent"面临瓶颈，Google提出通过专业Agent分工协作来分解系统复杂度。文章分析了角色分工、流水线和专家团队三种协作模式，并指出多Agent系统需解决调度死锁、可观测性和权限控制等工程挑战。在Memory设计方面，强调区分短期/长期记忆层级，设计私有/共享记忆空间，并通过A2A协议实现记忆交互。最后建议在架构层面优先考虑多Agent分工，明确协作模式与记忆边界，构建可观测、可演化的Agent
2025-12-08 05:00:00
1386
原创 LLM - Google 5-Day AI Agents Intensive
摘要： 2025年AI应用从对话助手转向能自主规划、执行复杂任务的AI Agent系统。Google推出的5-Day AI Agents Intensive课程聚焦Agent架构设计，涵盖工具调用、记忆管理、多Agent协作等核心模块。典型Agent包含感知、决策、执行和记忆四大组件，通过编排器协调任务流。Google生态技术栈（如Gemini模型、MCP协议、ADK工具）支持开发者构建生产级Agent系统，强调工程化思维而非单纯Prompt优化。示例伪代码展示了任务管理Agent的设计逻辑，突出工具定义、
2025-12-07 22:06:18
1238
原创 LLM - AI Agent 学习路线图：从 RAG 到多智能体实战
摘要 本文系统介绍了AI Agent的学习路线图，从基础LLM与RAG入门到多智能体实战，分为四个阶段：LLM基础与RAG、Agentic RAG与单Agent决策、多模态与语音Agent、多Agent协作与企业级落地。每个阶段推荐了对应的开源项目和资源，强调通过实践反推知识体系。文章还提供了4-8周的学习规划建议，帮助开发者从工具调用进阶到架构设计能力，最终形成工程方法论。核心在于理解Agent的决策机制、工具生态与落地实践，而非仅停留在Demo层面。
2025-12-07 21:53:11
962
原创 Vibe Coding - Fission-AI OpenSpec 面向 AI 编程助手的规范驱动开发
OpenSpec是一种规范驱动开发（Spec-Driven Development）方法，专为AI编程助手设计。它通过轻量级规范工作流，在编写代码前锁定开发意图，确保输出可预测且可审查。核心价值包括：提前对齐规范、结构化变更管理、共享可见性，并兼容主流AI工具。OpenSpec特别擅长修改现有功能（1→n场景），通过分离规范源和变更提案简化跨规范更新。工作流程分为提案起草、评审对齐、任务执行和归档更新四步，支持原生斜杠命令或AGENTS.md集成。安装只需全局CLI工具和项目初始化，即可开始创建、验证和实现
2025-12-07 21:13:32
1262
原创 大规模数据处理：19_ Spark应用 ：WordCount实战
在大数据处理的浩瀚海洋中，Apache Spark犹如一艘装备精良的航空母舰，以其卓越的内存计算能力和丰富的API生态，成为数据工程师和科学家的首选工具。虽然Python和Scala在Spark社区中广受欢迎，但Java凭借其企业级特性和广泛的开发人员基础，同样是一个强大且实用的选择。
2025-12-02 06:00:00
824
原创 大规模数据处理：18_Structured Streaming：实时数据处理的新纪元与工业级实践
Apache Spark作为最流行的大数据处理框架，其流处理能力经历了从Spark Streaming到Structured Streaming的演进。Structured Streaming自2016年在Spark 2.0中推出以来，凭借其统一的批流处理API、强大的事件时间处理能力和企业级可靠性，已成为实时数据分析的事实标准。在本文中，我们将深入探讨Structured Streaming的核心架构、实践应用及性能优化策略，助你构建高效的实时数据管道。
2025-12-02 04:45:00
1041
原创 大规模数据处理：17_Spark Streaming：构建高可用实时数据处理系统
在当今数据驱动的世界中，实时数据处理能力已成为企业核心竞争力的重要组成部分。本文深入剖析Spark Streaming的核心原理、架构设计、API使用及性能优化策略，并通过对比分析其与同类技术的差异，帮助读者构建高效、稳定的实时数据处理系统。
2025-12-01 06:00:00
1072
原创 LLM - 速度与智能的平衡：构建高并发、高可靠的意图识别系统架构实战
本文提出了一套企业级对话系统意图识别解决方案，针对响应速度、识别准确率和模糊口语理解三大挑战，设计了多层漏斗匹配架构和歧义消解策略。架构层面采用四级分层：L1缓存层实现毫秒级响应，L2规则层处理结构化指令，L3向量语义层作为核心识别引擎，L4大模型层兜底复杂场景。在准确性方面，系统通过知识图谱、句法分析和上下文记忆实现自动消歧，并设计分级澄清话术进行主动确认。这种分层治理与精准消歧相结合的方法，有效平衡了性能、成本和用户体验，为构建高可靠意图识别系统提供了实践指南。
2025-12-01 05:00:00
1367
原创 大规模数据处理：16_Spark SQL：大数据处理的查询利器与最佳实践
在Spark生态中，Spark SQL作为核心组件，为开发者提供了结构化数据处理的统一接口，实现了批处理、流处理、机器学习和图计算的数据无缝流转。它不仅继承了Spark的分布式计算能力，还融合了关系型数据库的查询优化技术，使得数据分析师和工程师能够以熟悉的SQL语法高效地处理PB级数据。
2025-11-30 10:40:00
1214
原创 LLM - 知识图谱与 Agent AI 如何重塑复杂意图识别
本文探讨了下一代对话系统如何突破传统对话状态追踪(DST)的局限，通过融合知识图谱(KG)和Agent AI技术实现更智能的交互。传统DST依赖预设槽位填充，难以处理用户思维跳跃和非线性对话。知识图谱通过多跳推理连接隐式关联，解决语义孤岛问题；Agent AI则凭借ReAct框架的动态规划能力，实现意图切换和任务重排。文章提出"铁三角"架构，将Agent AI作为控制核心，结合KG的长期记忆和DST的短期状态维护，构建能理解复杂对话的智能系统。这种融合方案使系统具备实体推理和动态调整能力
2025-11-30 05:30:00
2112
原创 LLM - RAG的文本分块最佳实践：原理、细节与工程化落地
本文深入探讨了RAG系统中文本分块的关键技术与优化策略。针对机械切分导致的语义断裂问题，提出基于语义完整性的智能分块原则，并对比基础版与进阶版分块算法的差异。通过引入内容类型识别、段落智能合并和动态Token控制，有效解决了表格/图片拆分、层级丢失等典型问题。文章还提供了可直接落地的代码实现，并强调分块策略对RAG系统召回率和准确率的重要影响。最后指出，贴近人类阅读方式的语义重构是提升AI理解能力的关键，掌握这些工程实践对开发者适应AI时代至关重要。
2025-11-29 06:30:00
1199
原创 大规模数据处理：15_弹性分布式数据集（RDD）_Spark大厦的地基与现代数据处理核心（下）
随着大数据时代的到来，分布式计算已经成为技术创新与产业应用的核心驱动力。Apache Spark 作为新一代大规模数据处理引擎，以其强大的内存计算性能与多样化 API 备受关注。而在 Spark 构建的大厦中，**弹性分布式数据集（RDD, Resilient Distributed Dataset）**无疑是最坚实的地基，贯穿 Spark 的整个设计与实现。
2025-11-29 05:15:00
1376
Redis 8.0.3 是高性能的 Key-Value 缓存数据库，本版本为社区适配的 Windows 平台编译版本，适用于开发环境或测试用途
2025-07-12
版本 8.0.3 国产4种架构 x86arm64loongarchmips
2025-07-11
「Tomcat源码剖析」.pdf
2020-06-01
中标龙芯-MIPS- NFS rpm包
2020-11-24
X86-NFS rpm包
2020-11-24
apache-tomcat-8.5.50-src.zip
2020-06-02
mybatisSource.zip
2020-06-14
Spring4CachingAnnotationsExample
2017-10-04
Jest-5.3.4.zip
2020-01-19
Java反编译工具
2015-06-04
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人