少林码僧-CSDN博客

原创动态规划实战：如何实现搜索引擎中的拼写纠错功能？

我们可以用一个二维数组dp[i][j]来表示将错误单词的前i个字符转换为正确单词的前j个字符所需的最少编辑操作次数。通过动态规划，我们可以有效地实现搜索引擎中的拼写纠错功能。这个方法不仅能够准确地找到与错误单词最接近的正确单词，而且具有较高的效率。在实际应用中，可以根据具体情况对算法进行优化，例如使用哈希表等数据结构来加速查找正确单词的过程。希望本文能够帮助你更好地理解动态规划在拼写纠错中的应用。

2024-09-21 00:00:00 3323 1

原创 elasticsearch亿级数据性能调优实战指南

文章目录慢查询日志es优化黄金原则1、搜索结果不要返回过大的结果集2、避免超大的document3、避免稀疏的数据（1）避免将没有任何关联性的数据写入同一个索引（2）对document的结构进行规范化/标准化（3）避免使用多个types存储不一样结构的document（4）对稀疏的field禁用norms和doc_values写入性能优化1、用bulk批量写入2、使用多线程将数据写入es3、增加r......

2019-10-14 22:34:32 294720

原创 elasticsearch的底层模块深入解析

文章目录shard分配相关的配置及原理1、shard allocation的介绍2、cluster level shard allocation（1）shard allocation settings（2）shard rebalance settings（3）shard balance heuristics3、disk-based shard allocation4、shard allocatio...

2019-10-14 18:12:56 3833

原创生产环境Elasticsearch索引管理篇

索引创建修改删除压缩及滚动创建1、创建索引（1）创建索引的语法用settings给这个索引在创建时可以添加一些设置，还有可以初始化一些type的mappingcurl -XPUT 'http://elasticsearch02:9200/twitter?pretty' -d '{ "settings" : { "index" : { "nu...

2019-10-14 17:30:33 3691

原创 Promise执行流程分析

先上代码console.log(1);new Promise(function (resolve, reject){ reject(true); window.setTimeout(function (){ resolve(false); }, 0);}).then(function(){ console.log(2);}, function...

2019-01-17 10:06:39 5058

原创 php的生命周期

图解php的生命周期

2018-09-05 21:47:11 3489

原创 linux conf配置文件(全)

用户账号相关etcprofilebash_profileetcbashrcbashrcbash_logout用户环境配置 bash_profilebashrc和bash_logoutetcgshadow网络配置修改IP地址等网络相关的配置文件 etcsysconfignetwork-scriptsifcfg-ethetcsysconfignetwork 网关配置相关的配置文件e

2017-09-22 15:52:22 26615

原创用户访问网站基本流程及原理(史上最全,没有之一)

[TOC] 　用户访问网站流程框架第一步：客户端用户从浏览器输入www.baidu.com网站网址后回车，系统会查询本地hosts文件及DNS缓存信息，查找是否存在网址对应的IP解析记录。如果有就直接获取到IP地址，然后访问网站，一般第一次请求时，DNS缓存是没有解析记录的；第二步：如果客户端没有DNS缓存或hosts没有对应www.baidu.com网站网址的域名解析记录，那么，系统会把浏览器的

2017-06-04 10:38:28 40862 8

原创多智能体协作系统设计：从框架选型到 LangGraph 实战

2024 年，我们还在为如何让 LLM 写好一个函数而调试 Prompt；2025 年，我们学会了用 Chain 串联多个步骤。但到了 2026 年，随着企业级应用场景的复杂化，单一大模型的局限性暴露无遗：单个模型无法同时处理海量文档、复杂代码库和实时数据；让一个模型既做"创意发散"又做"严谨审查"，往往导致逻辑分裂；长链路任务中，单模型容易迷失方向、陷入死循环。于是多智能体（Multi-Agent）架构成为主流。打个比方：单 Agent 像一个"全能实习生"，让他写代码、测 Bug、写文档，最后全搞砸。

2026-10-14 08:31:11 21

原创 Vibe Coding 实战工作流：从工具选型到迭代闭环的完整方法论

Vibe Coding（氛围编程）由 Andrej Karpathy 于 2025 年初提出，其原始定义是"完全沉浸在编程氛围中，拥抱指数级发展，甚至忘记代码的存在"。到了 2026 年，这个概念已经从"个人的奇妙体验"演化为一套成体系的软件开发方法论：开发者用自然语言描述意图，AI 生成代码，人类负责审查、整合与架构把控。但行业里对 Vibe Coding 存在两类误解。一类认为它是"完全不看代码、躺平让 AI 干活"——这混淆了"接受代码无需逐行理解"与"放弃全部责任"的界限；另一类认为它只是新手偷懒的

2026-10-14 08:28:30 9

原创 LLM 推理性能优化全景：量化、FlashAttention 与推测解码的工程组合

大语言模型在对话、代码生成等任务上展现了惊人能力，但推理阶段的高延迟与显存占用，始终是规模化部署的拦路虎。以 LLaMA-70B 为例，BF16 精度下单次生成需要约 140GB 显存，A100 80GB 需要双卡才能承载，且 token 生成速率常低于 20 tokens/s。若不加优化，每百万次对话的 GPU 成本高达数千美元。推理优化的目标非常明确：在尽可能保持模型精度的前提下，降低推理延迟、提高吞吐量、减少内存占用和能耗。

2026-10-14 08:25:59 10

原创 vLLM 推理优化实战：PagedAttention 与连续批处理如何把吞吐提升 20 倍

大模型推理的低效，往往不是"算力不够"，而是"算力被浪费了"。。批内 4 个请求的输出长度分别是 10、50、200、500 token，静态批处理要把全部 padding 到 500，前三个请求约 90% 的算力都花在了算 padding 上。。请求 A 在 0 秒到达，请求 B 在 1.5 秒到达，静态批处理要等批满才开跑，A 白等了 1.5 秒。。

2026-10-14 08:23:31 33

原创 RAG 工程化落地实践：文档解析、分块策略与混合检索的完整链路

检索完成后，如何组织上下文送入模型，同样影响答案质量。去重与截断：两路检索结果经常包含重复内容，先按来源和相似度去重；然后按相关度排序截断，把最相关的证据放在 prompt 靠前位置——模型对靠前内容的注意力权重更高。引用溯源：要求模型在回答中标注证据来源（来源文件 + 页码），这不仅提升可信度，也是人工复核的抓手。实现上可以在检索阶段保留块的元数据，在生成阶段要求模型按引用格式输出。兜底策略：检索结果不足以回答问题时，模型应明确输出"资料中没有找到相关信息"，而不是强行编造。

2026-10-14 08:20:51 31

原创 Agentic RAG 架构演进：从朴素检索到多智能体协作的知识系统

检索增强生成（RAG）的诞生源于大模型的两个先天缺陷：训练数据有截止日期，导致知识过时；模型会一本正经地编造不存在的事实，即幻觉问题。RAG 的思路很直接——回答之前先从外部知识库检索相关内容，用检索到的"事实"约束生成过程。这个思路在知识密集型任务上确实有效，但工程实践中逐渐暴露出一系列问题。传统 RAG 本质上是一条静态的线性流水线：查询 → 检索 → 拼接 → 生成。这条流水线在简单问答场景下表现良好，一旦遇到复杂问题就力不从心：上下文融合不足，检索到文档却难以把信息无缝整合进回答；

2026-10-14 08:18:39 29

原创生产级 Agent 系统构建：从 ReAct 循环到工具协议与安全护栏

在投入生产之前，首先要分清两个概念：AI 应用和智能体。AI 应用 = LLM + Prompt + Context + API，完成问答、摘要、分类等任务；智能体 = LLM + Planning + Memory + Tools + Action Loop，增加了自主决策、多步执行、工具调用与环境反馈。二者不是替代关系，而是复杂度递进——大多数业务从 AI 应用起步，只有任务需要多步动态决策时才需要引入智能体。。

2026-10-14 08:16:22 6

原创 AI 智能体核心技术拆解：感知、规划、行动与记忆四大支柱

智能体开发的难度不在任何一个单点技术上，而在于让四大支柱协同运转：感知准、规划稳、行动安全、记忆有效，再加上状态、护栏、观测三根横梁。对团队而言，最务实的路径是从一个边界清晰的单场景起步——明确输入输出、限定工具集、设计终止条件，跑通后再逐步扩展。先做"能用"，再做"通用"，是智能体工程不变的规律。

2026-10-14 08:13:36 35

原创大模型应用开发实战入门：从 API 调用到可用的智能助手

很多开发者被 Prompt Engineering、RAG、Agent、Function Calling 这些术语劝退，以为需要深厚的算法背景。实际上，今天的大模型应用开发本质上是在做一件事：把大模型当作一个"能力很强但不懂业务的实习生"来调度。你要做的三件事分别是——用清晰的语言告诉它做什么（提示词工程）、给它提供参考资料（RAG）、让它学会使用工具（Agent 与工具调用）。本文将用四个可独立运行的实战项目，带你从零搭建一条完整的技能链路。

2026-10-14 08:11:11 7

原创企业级大模型应用的提示词工程：从“写提示词“到“设计认知接口“

提示词工程在企业场景下的本质，是把人与模型的交互从"自由对话"升级为"受控接口"。三层架构解决的是结构问题，可观测性解决的是管理问题，评测集解决的是迭代问题，而"优化提示词还是换模型"的判断解决的是边界问题。这四个层面组合起来，才构成完整的提示词工程能力。对于大多数企业团队而言，从建立三层提示词架构和一份最小回归评测集开始，是最务实的第一步。

2026-10-14 08:08:28 23

原创多智能体协作系统设计：从架构模式到工程解法

多智能体协作正在从"概念热"回归"工程理性"。它既不是无所不能的银弹，也并非被证伪的噱头——真相是：大多数标准化业务流程用轻量单智能体加工具调用就能高效完成；只有任务具备天然的可分解性、并行性和交叉校验价值时，多智能体的成本才物有所值。把账算清楚、把失败模式防住、把观测做起来，多智能体才能从 Demo 走向生产，真正成为"AI 团队化作业"的可靠形态。

2026-10-13 08:33:09 80

原创 Vibe Coding 工程化实践：AI 协同编码的落地方法论

市面上大量标榜"AI 编程"的教程，教的是怎么让 ChatGPT 写个函数、用 Copilot 补几行代码。但一进入真实项目——一个没有文档的遗留模块、一个模糊的业务需求、一个要对接三方 API 的微服务——很多人就卡在"第一步怎么动笔"。这说明问题不在工具，而在方法：AI 能力嵌入真实软件工程毛细血管的路径，还没有被系统化。这篇文章把 Vibe Coding 从"个人尝鲜"推进到"团队工程化"：先拆解主流 AI 编程工具的分工，再走一遍从需求拆解到交付的完整流程，最后给出可以落地的工程方法论。

2026-10-13 08:30:45 14

原创 Vibe Coding 开发工作流：从自然语言描述到可交付软件

Vibe Coding 的价值不在"让 AI 写代码"本身——自动补全早就让这件事变得稀松平常——而在于它把开发者从"翻译需求为代码"的机械劳动中解放出来，推到"定义意图、把控方向、验收质量"的位置。它不是编程的终结，而是编程责任的转移。用一句话总结：AI 负责把想法变成代码，你负责把代码变成可靠的软件。理解并驾驭这个分工，是 2026 年每个开发者都该掌握的技能。

2026-10-13 08:28:16 84

原创 LLM 推理部署优化：从瓶颈分析到量化与引擎调优的完整路径

部署优化之前，必须把指标口径统一，否则讨论效率毫无意义。TTFT（Time To First Token，首 token 延迟）：从发出请求到收到第一个输出 token 的时间。它决定了用户的"第一感知"，对话类应用必须压住它。TPOT / ITL（Token 间延迟 / Inter-Token Latency）：相邻两个输出 token 的间隔时间，决定生成速度的体感，通常以 ms/token 计。吞吐量（Throughput）：单位时间内完成的请求数或生成的 token 数，对应服务容量和成本效率。

2026-10-13 08:25:53 216

原创 RAG 架构深度解析：从基础管线到生产级增强方案

RAG 的价值不在于技术名词的新颖，而在于它为企业大模型应用提供了"可控的知识来源"。从基础管线到混合检索、重排、双层索引、GraphRAG，每一层优化都在回答同一个问题：如何让模型"说到做到、有据可查"。把检索质量当成系统第一优先级的团队，通常会在评估集上收获最稳定的回报。

2026-10-13 08:23:33 169

原创 LangGraph 生产级智能体开发：状态管理与工具链设计的实战要点

网上有太多标题党教程：“3 分钟用 LangChain 搭个 AI 助手”、“手把手教你调用大模型 API”。但真正动手做生产级应用的人都知道，模型能回话、能写诗，和"能帮你订会议室、查库存、比价下单、自动填表"之间隔着一条巨大的鸿沟。问题不在模型本身，而在缺少一个能指挥、能规划、能纠错、能调用工具的"大脑"——也就是 Agent。我带过多个从零起步的 Agent 项目，最深的体会是：Agent 开发不是大模型调用的延伸，而是软件工程思维的回归。

2026-10-13 08:21:21 137

原创 AI Agent 技术演进：从 ReAct 循环到 LangGraph 状态机的架构实践

从规则引擎到 ReAct 循环再到状态机，Agent 的演进本质上是"确定性"与"灵活性"的不断再平衡：规则引擎太死板，ReAct 太自由，状态机则把自由度约束在显式的结构里。对于 2026 年的工程团队来说，理解这条演进线，比追逐任何新框架都更重要——因为下一个框架的诞生，大概率还是沿着"如何更可控地释放模型能力"这个主线继续推进。

2026-10-13 08:17:52 129

原创 LangChain4j 实战：Java 生态下的大模型应用开发之路

大模型应用开发的热度已经持续了很久，但打开各类教程，几乎清一色是 Python。前端社区有 LangChain 的完整示例，后端 Java 团队想找个像样的参考都费劲。很多 Java 团队评估了一圈，最后要么硬着头皮引入 Python 重写核心链路，要么自己手搓 HTTP 调用、JSON 解析、会话管理，把本可以复用的能力重复造了无数遍。这种割裂感其实很没道理。大模型应用开发的底层逻辑——连接外部资源、处理协议、组织数据、管理状态——正是 Java 后端开发者玩了几十年的老手艺。

2026-10-13 08:15:32 49

原创上下文工程实战：四个维度决定大模型输出的上限

提示词工程教会你怎么"说"，上下文工程教会你怎么"摆"。对于已经过了"能不能跑"阶段、正在追求"答得准"的团队来说，把上下文当作一等公民来设计和管理，往往比继续堆提示词更有效。从结构、预算、顺序、边界四个维度入手，配合评估体系持续迭代，你会看到输出质量实实在在的提升。

2026-10-13 08:13:08 145

原创 LangChain 大模型应用开发实战：从环境搭建到四大核心场景落地

LangChain 把大模型应用开发的常用套路标准化了，但它解决不了所有问题——业务理解、数据质量、评估体系，这些依然要靠团队自己建设。把框架当成基础设施，把精力投向真正产生差异化的地方，这才是大模型应用开发的正确姿势。

2026-10-13 08:10:55 237

原创分布式多智能体系统架构设计：从单体 Agent 到规模化协作

做 AI 应用的时间越长，越会发现一个尴尬的事实：单体 Agent 在真实业务里往往不够用。你让一个大模型 Agent 同时管客服、查订单、审批退款、更新库存，它很快就会陷入上下文混乱，工具调用链越拉越长，错误越叠越多。更麻烦的是，一个 Agent 挂掉，整个业务流程就卡死了。所以过去两年，分布式 Agent 系统从一个学术概念迅速变成了工程刚需。

2026-10-12 21:50:00 14

原创 MCP 与 A2A 协议实战：智能体互操作标准如何重塑 AI 应用架构

MCP 由 Anthropic 在 2024 年底提出，核心使命是把 AI 模型和外部工具、数据源、服务之间的交互标准化。没有 MCP：每个 AI 工具都要自己写集成代码，GitHub 一套、Slack 一套、数据库一套…… N 个工具 × M 个 AI = N×M 个集成。有了 MCP：每个工具写一个 MCP Server，AI 通过 MCP 协议连接，N 个工具 + M 个 AI = N+M 个实现。这个变化不是数学游戏，是把"你的集成代码"变成"大家的公共资产"。

2026-10-12 21:47:35 91

原创 Vibe Coding 2.0 团队落地实战：从个人 Copilot 到工程化 AI 编程工作流

Vibe Coding（氛围编程）这个词，2025 年 2 月由 OpenAI 联合创始人 Andrej Karpathy 首次提出，同年入选柯林斯词典年度热词。它的核心逻辑一句话概括：人只负责描述业务意图，把全部代码实现细节交给 AI，依靠运行效果与直观反馈完成迭代。传统编程是人主导编码：记忆语法、手写逻辑、查文档、逐行调试。原生 Vibe Coding 彻底倒置了角色——人成为产品决策者、架构把控者、验收审核者，输出自然语言需求、技术约束、验收标准；

2026-10-12 21:45:12 388

原创 LLM 推理部署优化实战：从 KV Cache 原理到 vLLM 调优的完整账本

大模型真正进入生产环境以后，最容易被低估的问题往往不是"模型能不能跑起来"，而是"每生成一个 token 到底要花多少钱"。在实验环境中，单次请求跑得快、显存占得满，并不意味着线上服务具有良好的经济性。生产环境面对的是持续到来的并发请求、长度差异巨大的 prompt、不断增长的 KV Cache，以及 TTFT（首 Token 延迟）、TPOT（每输出 Token 延迟）、吞吐量和显存利用率之间复杂的权衡。尤其对于长上下文和高并发场景，模型权重本身反而不一定是第一瓶颈。

2026-10-12 21:42:52 72

原创本地部署开源 LLM 实战：从 GGUF 量化到 Ollama 与 vLLM 的完整选型指南

本地部署开源 LLM 在 2026 年已经是一条成熟、可复制的路径：GGUF 统一了模型格式，OpenAI 兼容 API 统一了接入方式，Ollama/llama.cpp/vLLM 覆盖了从个人体验到生产服务的全部场景。先算清硬件账，再按场景选方案，最后做扎实的测试与监控——本地推理就能成为你 AI 应用里一块稳定、自主、成本可控的底座。

2026-10-12 21:40:20 371

原创 GraphRAG 与知识图谱实战：把企业知识库复杂问答准确率从 31% 拉到 68%

图谱建好后，用图算法（如 Leiden 算法）做社区检测，把紧密关联的实体聚成"社区"，再让 LLM 为每个社区生成主题摘要。这些社区摘要支撑"全局性理解问题"——问"文档集讨论了哪些主题"，直接检索社区摘要就行，不用遍历全文。

2026-10-12 21:37:50 121

原创 RAG 企业知识库落地实战：从文档解析到智能问答的完整管线

RAG 是一条成熟的、可复制的企业知识库落地路径，但它不是"装个向量数据库就完事"的简单工程。从数据清洗、切分、向量化，到混合检索、重排序、引用约束，再到分层架构和评测体系，每一个环节都有扎实的工程细节。把管线里的每一环都做到位，企业知识库问答才能真正从"能用"走向"好用"。

2026-10-12 21:35:32 127

原创企业级 AI Agent 落地路线：从场景选型到治理体系搭建

企业级 Agent 落地没有玄学，就是选对场景、搭好工程底座、守住治理底线。市场数据已经证明 Agent 是确定性的方向，但真正决定成败的是工程化能力：能不能扛并发、能不能追踪、能不能灰度、能不能审计。把这四件事做扎实，Agent 就会从"演示品"变成真正为企业创造价值的"数字员工"。

2026-10-12 21:33:05 172

原创 AI Agent 从 Demo 到生产：工程化落地的完整拆解

如果你在 2026 年还觉得"AI Agent 只是个概念"，那信息可能滞后了。打开各大云厂商发布会、开源社区活跃榜、招聘网站岗位描述，会发现同一个信号：AI Agent 已经从"概念验证"进入"落地交付"阶段。行业共识正在形成——单纯的大模型调用没有壁垒，基于 Agent 的工程化架构才是应用的核心壁垒。

2026-10-12 21:30:47 315

原创 LLM 模型适配层设计：从“能用“到“好用“的接入工程实践

做过大模型应用开发的工程师大概都经历过这样的场景：项目初期只用一家模型厂商的 API，一切岁月静好。等业务方提出"换一个更便宜的模型"“客户要求私有化部署开源模型”"新发布的模型跑分更高想试试"的时候，你才发现当初的接入代码写得有多随意——模型名硬编码在业务代码里、请求格式跟着厂商 SDK 走、错误处理是针对某个特定 API 的报错信息写的。每换一个模型，就要改一遍调用代码，测试用例跟着重写，线上问题定位半天最后发现是模型返回格式变了。这就是典型的缺少模型适配层的症状。

2026-10-12 21:27:54 159

原创多智能体协作落地：交接棒机制与稳定性工程的实战指南

多智能体系统的魅力在于"组织智能"——一群各有专长的智能体像团队一样协同，完成任何单一智能体都无法独立完成的任务。但组织智能的前提是组织纪律：结构化的交接、清晰的责任边界、全局的监督、可控的成本。先设计好这些纪律，再让智能体进场干活。否则，你得到的不是一支团队，而是一群各说各话、互相踩脚、账单失控的"乌合之众"。

2026-10-11 08:29:08 26

原创多智能体系统设计：拓扑结构、通信机制与状态管理的完整拆解

多智能体系统设计不是把 Agent 堆在一起，而是设计一个"组织"：拓扑结构决定分工，通信机制决定协作，状态管理决定一致性，稳定性工程决定生存。这四层设计完成之前，别急着写代码——先想清楚你的智能体团队长什么样，再让它开始干活。记住那条黄金法则：为多 Agent 而多 Agent，只会收获数倍的 token 成本和一倍的调试痛苦；先证明单 Agent 力不从心，再升级到多智能体。

2026-10-11 08:26:52 85