- 博客(28)
- 收藏
- 关注
RSS订阅原创 LLM驱动Grep的代码搜索架构
本文基于2026年3月泄露的Claude Code CLI源码快照，深入拆解了Anthropic放弃RAG、改用。
2026-05-28 15:44:13
682
原创 工业级Skill开发：5步避坑指南
工业级AI技能开发的核心在于模块化与工程化，而非堆砌提示词。关键开发流程包括：1）评估先行，建立覆盖正例、负例和边界用例的测试集；2）精准定义触发条件而非功能描述；3）聚焦特殊规则而非基础流程；4）采用分层文件结构实现渐进式加载。开发中需遵循五大原则：评估驱动、边界优先、最小上下文、容错设计和持续迭代。常见误区包括混淆技能与提示词、忽视评估测试、过度详细步骤说明等，这些都会影响技能的稳定性和扩展性。
2026-05-28 15:39:21
631
原创 OpenClaw架构设计与记忆系统
压缩的核心逻辑是“完整保留最近核心对话，对早期对话生成高信息密度摘要”，类似开卷考试中“完整保留最新考点，对往期内容做精炼总结”。触发模式：支持手动触发（用户通过/compact命令执行，可指定保留内容）与自动触发（系统实时监控token用量，当用量超过上下文窗口-预留缓冲的水位线时自动执行，例如20万窗口在用量超过18万时触发）；技术实现：采用自适应分块策略，基于token比例动态调整分块大小（基础分块比率40%，最小分块比率15%），每块独立生成摘要；设计了三层降级的摘要策略，顶层分块策略、
2026-05-21 16:04:17
841
原创 PyTorch图像数据加载实战指南
本文详细介绍了使用PyTorch构建高效图像数据加载流水线的方法。主要内容包括：1) 通过Dataset和DataLoader实现数据批量加载；2) 使用ImageFolder处理自定义分类数据集；3) 应用transforms模块进行数据预处理和增强；4) 内置数据集(MNIST)的快速使用方法。教程以花卉分类为例，完整演示了从数据集划分、预处理到可视化展示的全流程，为深度学习模型训练提供了标准化的数据加载方案。
2026-05-21 15:55:19
447
原创 Milvus向量数据库：AI时代的搜索革命
摘要：Milvus是一款开源向量数据库，专为处理AI时代的非结构化数据（文本、图像等）而设计。它支持三种部署模式（Lite/Standalone/Distributed），采用计算与存储分离的云原生架构。核心功能包括：1）高效向量检索，支持十亿级数据毫秒响应；2）混合搜索能力，结合向量相似性、标量过滤和全文检索；3）丰富的索引类型（HNSW/IVF/DISKANN等）。通过Schema定义数据模型，支持自动索引选择（AUTOINDEX）和多种相似度度量（如COSINE）。
2026-05-20 14:01:38
855
原创 生成式AI时代：基础设施决定模型性能上限
本文系统阐述了2025-2026年生产级AI系统的完整技术栈。文章按数据层→训练层→推理层→智能体层的递进顺序，深入解析了构建高性能AI系统的核心原理与工程实践。重点包括：Parquet/Arrow数据管道优化、GPU训练加速技术（DALI/ZeRO/FSDP）、大模型微调方法（LoRA/DPO）、vLLM推理优化，以及新兴的智能体MLOps架构（MCP协议）。特别强调现代AI性能瓶颈已从算法转向基础设施工程，并提供了应对内存墙、通信瓶颈等关键挑战的解决方案。
2026-05-20 13:57:18
492
原创 大语言模型后训练全解析
本文系统阐述了大语言模型（LLM）从基础模型到AI助手的后训练流程，重点解析了SFT、DPO和GRPO三阶段技术。SFT通过指令-回答样本训练模型遵循指令；DPO利用偏好对优化回答质量；GRPO通过强化学习提升推理能力。文章对比了不同训练方法的优劣，强调数据集质量的重要性，并指出RL阶段虽能显著提升性能但需较高算力支持。后训练技术经历了从SFT到DPO再到RL的演进，当前开源工具已使完整流程对开发者开放。核心建议是从指令模型出发，根据需求选择适当训练阶段，优先保证数据质量而非数量。
2026-05-19 09:34:16
600
原创 RAG实战：构建低幻觉Agent全指南
本文系统介绍了RAG（检索增强生成）技术的全链路实现方案。针对知识库构建不规范、检索精度不足等挑战，详细解析了从文档加载、智能切分、索引构建到检索优化、生成调优等核心技术环节，提出了"可测、可调、可信赖"的工程化目标。重点阐述了Meta-Chunking语义分割、HyDE检索优化、GraphRAG多跳推理等创新方法，并介绍了Ragas自动化评估框架的核心指标和测试集生成方法。该指南为开发者构建低幻觉、高确定性的Agent应用提供了完整的技术路线。
2026-05-19 09:28:38
565
原创 Async 注解原理分析
Spring的@Async注解通过动态代理实现异步方法执行，核心流程包括：1）@EnableAsync启动异步支持；2）AsyncAnnotationBeanPostProcessor创建代理；3）拦截方法调用并提交线程池处理。使用建议：自定义线程池避免资源耗尽，注意同类调用失效问题，合理处理返回值和异常。关键点：异步任务由AnnotationAsyncExecutionInterceptor拦截处理，默认使用SimpleAsyncTaskExecutor（需替换），事务需配置REQUIRES_NEW
2025-12-21 15:12:51
1035
原创 Spring中的设计模式
Spring框架中应用了多种设计模式，包括工厂模式(BeanFactory)、代理模式(AOP实现)、单例模式(Bean默认作用域)、模板方法模式(JdbcTemplate)等。核心设计思想是控制反转(IoC)和依赖注入(DI)，通过容器管理对象依赖关系。此外还应用了观察者模式(事件驱动)、适配器模式(AOP通知处理)、装饰者模式(动态功能扩展)等模式，这些设计模式的运用使Spring具有高度灵活性和可扩展性。
2025-12-20 13:42:53
832
原创 Spring Bean生命周期与循环依赖全解析
本文系统介绍了Spring框架中Bean管理的核心概念。主要内容包括：1) Bean的定义及常用注解（@Component、@Repository等）的区别；2) 依赖注入的三种方式及推荐做法；3) @Autowired与@Resource注解的异同；4) Bean的五种作用域及线程安全问题；5) Bean生命周期的四个阶段；6) 循环依赖问题的三种情况及解决方案，重点分析了三级缓存机制在单例模式下的应用原理。文章还探讨了@Lazy注解解决循环依赖的局限性，强调最佳实践是避免设计上的循环依赖。
2025-12-20 13:40:00
758
原创 Spring AI MCP Server Starter：快速构建MCP服务器
SpringAIMCPServerStarter是为SpringBoot应用提供MCP（模型上下文协议）服务器自动配置的组件，支持SYNC/ASYNC两种服务器类型和STDIO、WebMVCSSE、WebFluxSSE三种传输协议。它内置工具、资源、提示词、补全四大核心功能，支持变更通知、上下文传递等特性，能无缝集成SpringAI工具框架。通过自动注册SpringBean规范，开发者可以快速搭建MCP服务器并实现客户端交互，适用于命令行工具、Web应用和响应式系统等多种场景。
2025-12-19 10:24:51
1331
原创 Spring AI MCP 客户端 Boot Starter 全解析
SpringAIMCP客户端BootStarter是为SpringBoot应用提供MCP协议客户端自动配置的组件，支持STDIO、SSE和SSEWebFlux三种传输协议，提供SYNC/ASYNC两种客户端类型。具备多实例管理、自动初始化、生命周期管理等核心功能，可与SpringAI工具执行框架集成。通过配置文件可灵活定义连接参数，支持自定义客户端行为，适用于需要与MCP服务器交互的AI应用。组件提供标准版和WebFlux版两种Starter，支持同步/异步通信模式，生产环境推荐使用SSEWebFlux协议
2025-12-19 10:23:43
1243
原创 Memory Sharing（MS, 共享记忆）框架
共享记忆（MS）框架通过构建多智能体共享记忆池，解决LLM智能体在开放式任务中示例不足、理解有限的问题。该框架将智能体生成的提示-回答对作为可复用记忆存入全局池，通过动态检索和更新机制增强上下文学习能力。核心组件包括记忆生成、写入和检索，确保高质量记忆的积累和精准匹配。实验表明，MS框架能显著提升智能体在文学创作、逻辑推理等任务中的表现，打破记忆孤岛并降低开放式任务门槛，实现系统的持续优化。
2025-12-18 16:48:38
1462
原创 上下文工程
上下文工程是优化大语言模型（LLM）动态上下文管理的系统性方法，旨在解决智能体在长时运行中的上下文爆炸和性能衰减问题。核心策略包括卸载、缩减、检索、隔离和缓存上下文，通过外部存储、智能摘要、语义搜索等技术降低Token消耗，提升响应效率。典型应用涵盖研究助手、多模态系统和企业自动化场景。多智能体架构通过任务分解和上下文隔离显著提升性能，但面临注意力分散、工具调用复杂等挑战。未来将聚焦自动化管理、多模态融合和标准化框架建设，推动AI智能体向生产级工具演进。
2025-12-18 16:43:37
1286
原创 RAG 查询重写
RAG系统中查询重写技术通过多策略优化解决用户查询模糊、复杂或依赖上下文的问题。多查询重写生成语义相关的查询变体提升召回率；问题分解将复杂查询拆解为子问题逐个检索；Step-Back策略先检索抽象框架再定位细节；指代消解解决对话中的代词指代问题。四种策略协同应用可显著提升检索效果：召回率提升20-30%，复杂查询准确率提升40-50%，专业查询漏检率降低35-45%，对话场景错误率降低50-60%。实现时需根据查询类型灵活组合策略，平衡效果与成本。
2025-12-17 10:33:55
1033
原创 多路召回（Multi-Route Retrieval）
多路召回技术通过并行执行多种检索策略（关键词、语义、多模态等），再采用融合算法（RRF、加权排名）生成最终结果，有效解决单一检索的局限性。其架构包含多策略并行检索（稀疏/稠密/多模态）、智能融合算法和动态调优机制。Milvus等工具支持混合检索实现，典型步骤包括数据预处理、索引构建和多路召回执行。该技术优势在于多维度语义覆盖、场景动态适配和成熟工程化落地，适用于医疗、电商等需要高召回率的领域。
2025-12-17 10:31:01
2388
原创 向量数据库索引与检索类型
摘要：向量数据库通过高效索引技术实现语义检索，核心分为数据结构（哈希/树/图/倒排）和压缩（平坦/量化）两大维度。主流组合方案包括IVF-PQ（平衡型）、HNSW-PQ（高维优选）和Vamana（超大规模）。选型需权衡数据量、维度、精度与资源，HNSW现为高维事实标准，IVF-PQ适合内存受限场景，Vamana专注磁盘优化。未来趋势包括硬件加速、多模态索引和自动调参技术。
2025-12-16 10:26:34
950
原创 向量数据库：解锁AI时代的语义搜索
向量数据库是一种专门用于高效存储、索引和搜索高维向量数据的系统，通过AI模型将非结构化数据转化为向量，实现基于语义的相似性检索。与传统数据库不同，向量数据库无需人工标注即可自动关联语义相似的内容。
2025-12-16 10:21:44
1037
原创 Java 面试小册 | HashMap 的 put 方法
本文通过面试对话形式解析了Java HashMap的put方法核心机制。重点包括：1）putVal流程（初始化→哈希计算→数据插入→扩容检查）；2）扰动算法通过高低位异或增强散列性；3）链表转红黑树需同时满足长度>8且数组>64；4）扩容触发条件为size超过容量×0.75，采用数组翻倍并优化迁移策略。这些源码细节对理解HashMap性能优化至关重要。
2025-12-15 09:24:24
880
原创 一文看懂 Claude Skills 原理
Claude Skills 是 Anthropic 推出的模块化AI能力扩展方案，通过"文件系统封装+渐进式披露"机制，为智能体注入标准化领域知识。其核心特点包括：1) 模块化封装元数据、指令和资源三要素；2) 分层加载机制显著降低token消耗；3) 与MCP工具调用协议形成"知识+工具"协同；4) 支持快速构建智能导购等专业应用。该方案解决了传统智能体知识零散、上下文冗余、复用困难等痛点，已成为工业级AI系统的标配能力。
2025-12-15 09:01:40
2658
原创 工具调用（@Tool）
摘要：SpringAI提供三种工具定义方式（声明式@Tool、编程式MethodToolCallback、动态@Bean），支持信息检索与执行操作两类核心场景。工具通过ChatClient/ChatModel配置，由ToolCallingManager管理执行生命周期，具备自动生成JSONSchema、结果转换、上下文传递等能力。模型仅发起工具调用请求，实际执行由应用完成，确保安全性。支持框架自动执行与手动控制两种模式，提供异常处理和可观测性支持，通过日志和追踪监控工具执行过程。
2025-12-14 10:05:18
1105
原创 MCP 实现
MCP（Model Context Protocol）是一种标准化的大语言模型工具调用交互协议，旨在实现AI工具安全高效地调用本地/远程资源。该协议定义了5个核心角色（主机、客户端、服务器、本地/远程数据源），支持两种实现方式：基于stdio的嵌入式本地调用和基于SSE的远程服务调用。MCP通过@Tool注解封装工具方法，实现与FunctionCall类似但更标准化的功能，特别强调通信协议标准化和多场景适配。其核心价值在于提供统一接口、实现业务解耦、确保安全可控，并能促进AI工具生态发展。最佳实践建议工具设
2025-12-14 09:59:33
1211
原创 Chain-of-Thought Prompting（CoT, 管道模式）
摘要：提示链（PromptChain）是大语言模型处理复杂任务的核心方法，通过"分而治之"将任务拆解为独立子问题，构建模块化工作流。其核心价值在于降低认知负荷、提升可解释性和可控性，突破单一提示的局限性。关键技术包括结构化输出、步骤粒度控制和错误重试机制，适用于信息处理、复杂问答、内容生成等场景。未来将向自适应、多智能体和多模态方向发展，成为构建高级AI系统的基础框架。掌握提示链是运用LLM解决复杂问题的工程化思维体现。
2025-12-12 10:30:28
896
原创 MCP 协议 Streamable HTTP 传输层的技术升级
MCP协议引入的StreamableHTTP传输层通过三大创新设计解决了AI通信的核心痛点：统一通信端点简化架构，动态流式传输适配多样化场景，会话状态管理支持断线恢复。性能测试显示，相比传统HTTP+SSE方案，StreamableHTTP在高并发下连接数减少93%，时延波动降低95%，代码量缩减60%，显著提升企业级AI应用的稳定性和开发效率。该方案兼容现有HTTP生态，特别适合金融、医疗等需要高可靠性的场景，以及边缘计算等网络不稳定环境，为AI服务的规模化部署提供了关键通信支撑。
2025-12-12 10:14:58
1480
原创 Reasoning-Acting（ReAct）
摘要：ReAct（推理-行动）是大语言模型智能体实现自主决策的核心范式，通过"思考→行动→反馈"闭环机制，使AI系统具备动态决策、工具集成和适应反馈的能力。该范式包含观察、思考、行动、反馈、状态更新五个步骤，解决了传统LLM在幻觉、工具集成和动态适应等方面的痛点。ReAct适用于复杂问答、任务规划、故障排查等场景，其落地需要合理设计推理Prompt、明确工具参数、设置终止条件和完善错误处理机制。未来ReAct将向多智能体协作、多模态交互和强化学习优化方向发展，是构建高级AI系统的重要基础
2025-12-11 15:58:15
1166
原创 AI应用开发
企业级AI系统开发存在两条技术路径：自研/框架开发（如LangChain）与低代码平台（如Dify）。前者适合高定制化需求，提供完全自主的技术栈选择和深度优化能力，但开发成本高；后者侧重快速上线，通过可视化界面降低技术门槛，但灵活性受限。核心差异体现在开发成本、技术控制度、运维复杂度和迭代速度等方面。选型需权衡团队能力、业务复杂度与效率需求：技术团队追求性能优化选自研，非技术团队快速验证选平台。二者在准确性、稳定性和扩展性等维度各具优势。
2025-12-11 15:16:33
556
原创 AI 基础概念
本文系统分析了大型语言模型(LLM)及其关键技术体系。LLM以超大规模参数和海量训练数据为基础，具备跨领域通用能力和涌现特性，但存在高算力需求。围绕LLM的三大关键技术包括：1）RAG通过检索外部知识库解决模型知识过时和幻觉问题；2）记忆机制分为短期会话记忆和长期知识记忆，实现交互连贯性和个性化；3）智能体(Agent)通过工具调用(MCP)和多智能体协作(A2A)形成自主任务处理能力。这些技术共同推动AI从被动响应向主动解决复杂任务进化，构成"思考-记忆-行动-协作"的完整智能系统。
2025-12-10 16:27:16
999
1
natapp内网穿透工具
2025-12-14
Maven构建依赖管理工具
2025-12-14
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人