自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(8)
  • 收藏
  • 关注

原创 《项目复盘与演进思考:如果重来一次,我们会如何设计CodePlus?》

本文将进行一次深度的全局技术复盘,坦诚分享我们在架构设计、技术选型、工程实践中的得与失,并在此基础上,大胆勾勒出CodePlus 2.0的技术演进蓝图,思考如何从一个“成功的项目”走向一个“卓越的产品”。让RAG检索不仅能做语义搜索,还能基于图谱进行多跳推理(例如:“这道题考察了动态规划,用户不擅长,推荐一道同样考察动态规划但更基础的题目,并且是目标公司常考的”)。:将前端、主后端、沙箱拆分为独立服务,并通过API和MCP协议通信,带来了清晰的边界、独立的技术栈演进能力和更好的弹性伸缩潜力。

2026-06-21 20:15:27 230

原创 博客3:《高并发下的系统韧性:CodePlus的限流、降级与缓存策略实践》

我们的下一步计划是引入更完善的应用监控(如APM)和告警,当限流触发、降级发生或缓存命中率异常时,能第一时间通知研发人员,实现从“被动防御”到“主动洞察”的演进。本文将从限流、降级、缓存三个维度,深度复盘CodePlus为保障高并发访问下的系统韧性所做的工程设计,并通过模拟压测数据,验证这些策略的实际效果。:在压测中,当模拟50个用户并发提交面试回答时,限流器成功地将对LLM的调用QPS稳定在设定阈值附近,后续请求快速失败,保护了后端服务和LLM配额。)超越了简单的性能加速,演变为系统的智能决策依据。

2026-06-20 10:23:48 190

原创 《生产环境部署实战:从本地开发到多云服务的踩坑与优化》

​ 将CodePlus从本地IDE运行的三服务Demo,转变为可在云上稳定对外服务的过程,是一次充满挑战的“成人礼”。本文将以实战视角,回顾我们如何将前端、主后端、沙箱服务进行容器化编排,解决服务依赖、网络通信、配置管理等生产环境难题,并总结出一份宝贵的部署“避坑指南”。这次部署经历让我深刻认识到,开发完成只是第一步,让服务在复杂多变的网络和生产环境中稳定、安全地运行,是另一个维度的挑战,也是工程师价值的真正体现。,使其与后端共享网络命名空间,但无法直接访问外网,彻底杜绝“挖矿”等风险。

2026-06-07 17:24:01 159

原创 《双引擎驱动:CodePlus的AI判题与模拟面试架构融合之道》

引入状态机模式后,我们将“流程控制”(状态机)和“内容生成”(LLM)解耦,LLM只需专注于在当前上下文中生成最佳提问或回答,而“下一步该做什么”则由可靠的条件边逻辑决定。本文将作为项目收官总结的开篇,深入剖析支撑系统的两大AI引擎——基于ReAct的判题Agent与基于状态机的七阶段面试引擎——探讨我们为何及如何将这两种异构的架构范式融合在一个统一平台中,并分享其背后的架构权衡与工程实践。面对这两种差异显著的需求,一个自然而关键的问题是:该用一套统一的AI框架来覆盖,还是为它们量身定制不同的技术栈?

2026-05-31 18:23:42 179

原创 《项目统筹与技术选型思考:MCP协议与工具化架构》

这个明确的约定,是他开发沙箱和我集成工具的“合同”。这种基于协议和接口的协作方式,极大地提升了团队开发效率,降低了联调成本。我坚信,这种工具化的架构设计,不仅是实现当前功能的关键,也为未来集成更多能力(如代码风格检查、图形化算法演示工具)留下了优雅的扩展空间。我写了一个提供“计算器”和“查时间”两个工具的Server,然后用一个独立的Client程序去调用它。在调研了多种集成方式后,我们决定采纳CodePlus中使用的MCP协议,来实现AI Agent与底层能力(如沙箱)的解耦。

2026-05-04 21:22:17 251

原创 《智能引导的实现:从二元判题到代码级诊断与建议》

然后调整Prompt,例如在“动态分析”步骤中强调“请重点关注递归函数的基线条件”或“请检查循环的边界值”,再次测试,观察反馈质量的提升。CodePlus项目展示了如何通过“工具增强”和“结构化输出”两大策略来提升AI判题的专业性和准确性,这正是我们需要借鉴的。当代码出错时,AI可以检索相似题目的高质量题解和常见错误模式,将其作为上下文,使生成的建议更专业、更贴合算法竞赛场景。我们的目标是让AI的反馈像一位经验丰富的教练,不仅能指出“这里不对”,更能说清“为什么不对”以及“怎样思考才对”。

2026-04-28 17:45:05 163

原创 《AI判题Agent的核心:ReAct范式与自主工具调用》

我定义了两个简单的工具:一个计算器和一个查天气的工具。传统OJ系统是“确定性的”:输入代码和测试用例,输出对错。​ 智能判题的本质是让AI学会“思考”和“使用工具”。本文将深入解析CodePlus中JudgeAgent的工作机制,并分享我在实现AlgoTutor自主判题Agent时,对ReAct范式与动态工具调用的理解与实践。:当Agent认为信息充足时,会输出包含判题结果(AC/WRONG)、复杂度分析、错误定位和修改建议的最终答案。:Agent获得工具执行的结果(如检索到的文本、代码运行输出)。

2026-04-20 22:50:08 184

原创 《AlgoTutor架构蓝图:如何设计一个智能算法学习平台?》

我们约定,沙箱服务与主服务的交互必须通过标准的MCP协议,这借鉴了CodePlus的优秀设计,实现了彻底的解耦。我模拟了多种判题场景,设计了一套通用的工具调用与结果返回格式,确保泽荣开发的沙箱和玥晨开发的RAG服务能以同样的“语言”与我的Agent对话。在项目启动之初,我们面临的核心问题是如何构建一个支撑“AI判题”、“个性化学习”和“模拟面试”三大核心的稳健架构。下一步,我将深入Spring AI的官方文档,开始搭建JudgeAgent的原型,这是整个系统智能的核心,也是挑战的开始。:提供AI核心能力。

2026-04-20 22:45:53 306

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除