- 博客(10)
- 收藏
- 关注
原创 我不想背提示词模板:于是让 AI 给自己写提示词,结果有点意外
二改提示词审”最高,拿到 6.25 分。不过相对“二改提示词”,它多消耗了 0.55 的 Token 用量、37 次调用和约半小时,只换来 0.15 分提升。所以它适合对外发布、投资评审、监管沟通、安全相关等错误代价高的任务,不适合每次都默认开启。按需求生成执行提示词,别执行。(比较复杂的任务就使用提示词包)拿到结果后,开一个新对话,把执行提示词粘进去。以最挑剔的反驳者攻击这个提示词,找出歧义、遗漏、不可验证假设和可能诱发幻觉的表述;只输出修改后的可执行提示词,别执行。
2026-09-30 17:00:53
231
原创 寻找懒人提示词
主要是有两个地方可以进行结合1.审查提示词包,给出更好的提示词包,在生成一个方案(二改提示词);所以我准备探索只用记住最简单的一句提示词,获得更好效果。当然就一句话大概率是解决不了什么问题的所以应当从AI生成提示词来入手,虽然每次问AI要提示词再发给AI让他解决问题,总感觉怪怪的,就好像是像。背景:现在我们使用AI解决问题时需要给出大量的提示词,还有记住和学会大量的提示词以及提示词模版,这对于像我这样比较懒的人根本不适用。再审查提示词:“以最挑剔的反驳者攻击这个提示词,并给出修改好的提示词方案”
2026-09-30 16:52:27
110
原创 java高频面试题基础篇top30
对应的包装类分别是 Byte、Short、Integer、Long、Float、Double、Character、Boolean,包装类本质上是对象,可以用于泛型、集合等只能存放对象的场景。是类加载器加载类时,先把请求交给父类加载器处理,父类无法加载时,子类加载器才尝试加载。先通过 jstat、jmap、jstack、JFR 等工具观察堆使用、GC 频率、停顿时间和线程状态,判断问题是内存不足、GC 压力还是线程问题,再针对性调整参数,最后通过压测验证效果。”,用于定义行为规范,一个类可以实现多个接口。
2026-09-20 23:25:44
175
原创 如何用 Codex 快速接手一个新项目
用 Codex 接手新项目,最重要的不是问得多,而是把问题放对地方。主线任务负责“我对项目的整体理解”。分支任务负责“这个具体问题到底怎么回事”。分支结束后,再把有价值的结论回填主线。只要坚持这个习惯,你的 Codex 任务不会越聊越乱,项目理解也会越来越清楚。第一天不需要搞懂所有细节,你只需要建立地图、确认启动方式、知道核心目录,并整理出下一批要解决的问题。这样第二天继续学的时候,你不会从零开始。
2026-07-31 18:17:16
464
2
原创 PDF_RAG知识入库实战
这篇文章主要是整理PDF RAG 知识入库相关的资料,把网上比较零散的内容尽量系统地汇总到一起。它更像是一份学习笔记,而不是标准答案。文章内容会比较丰富,不仅会介绍整体设计思路、企业实践和常见踩坑,还会结合Java和Python两种生态给出对应的实现方案。大家可以根据自己的技术栈和学习需求按需阅读,不需要一次性全部看完。这份文档不是论文,也不是官方文档的翻译,更不是概念百科。它希望站在工程实践的角度,把从PDF 上传到 Milvus、Elasticsearch 入库。
2026-07-15 22:33:48
424
原创 Vibe Coding 怎么开始?先别急着写代码
这段时间大家都在讨论 Vibe Coding。很多人告诉我们不要一上来就写代码,要先写文档、先规划,但很少有人真正讲清楚:在开始让 Agent 干活之前,我们到底应该准备什么?这篇文章,我试着把这件事总结清楚。本文会涉及一些背后的原理和实践方法,内容相对完整。如果你想系统理解 AI Agent 开发前的准备流程,可以完整阅读;如果只是想快速上手,也可以先关注文中的 Checklist 和实践部分。后续我也会整理一篇更偏实践、更快速上手的版本,帮助大家直接应用到自己的项目中。——————————————
2026-07-12 22:07:14
943
原创 Git学习文档-从问题出发理解设计本质
Git的核心是基于内容寻址的分布式文件系统,通过SHA-1哈希标识版本,用blob、tree、commit三类对象管理代码历史。其关键创新在于:分支仅是轻量级指针,提交保存文件快照而非差异,每个开发者拥有完整仓库。实用层面,它通过代码回退、分支管理、多人协作等场景提供解决方案。理解merge与rebase的区别,掌握GitFlow标准工作流,并学会冲突解决和线上回滚,即可应对日常开发。核心启示:理解“内容寻址+对象模型+分支本质”远比死记命令重要,掌握这些原理才能灵活应对各种版本控制需求。
2026-07-11 10:30:45
472
原创 RAG项目量化评估
本文探讨如何对 RAG(检索增强生成)项目进行量化评估,帮助系统从“能运行”提升到“效果可靠”。文章指出,仅实现问答功能并不能证明 RAG 的质量,需要建立完整评估体系。评估可覆盖数据处理、检索、排序、生成和性能等阶段,分别关注 Chunk 合理性、Recall@K、MRR、Faithfulness、延迟、QPS 等指标。同时,通过构建真实测试集,对优化前后的效果进行对比验证。量化评估不仅能定位系统瓶颈,也是区分 Demo 与工程化 RAG 的关键。
2026-07-11 09:32:07
525
原创 Spring Cloud Alibaba Gateway 实战教学:构建高性能微服务网关
优先级从高到低: ───────────────────────────────── @Order(-200) AccessLogFilter ← 记录所有请求(含被拒绝的)规则: 优先执行鉴权过滤器(最先),然后是日志/限流,最后是响应处理。@Order(100) ResponseFilter ← 统一响应处理 ─────────────────────────────────。- StripPrefix=1 # 去掉第一层路径前缀,/api/user/list -> /user/list。
2026-07-10 10:38:51
291
原创 RAG 实战教学完全指南
文章摘要: RAG(检索增强生成)技术通过结合检索与生成模型,解决大模型的三大短板:知识滞后、幻觉问题和私有知识盲区。其核心流程包括离线阶段(文档加载、分块、向量存储)和在线阶段(查询检索、Prompt增强、生成回答)。技术实现推荐SpringAI + DashScope(通义千问) + Elasticsearch/Milvus,支持PDF/Word等文档解析。关键优化包括分块策略选择(Token/语义分块)、元数据设计(业务字段索引)、混合检索(向量+关键词)及缓存机制。实战案例演示了电商客服场景的RAG
2026-07-10 09:02:17
710
1
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
RSS订阅