名侦探722-优快云博客

原创 Python 语法入门：从零开始写出你的第一个程序

本文介绍了 Python 入门阶段最常用的语法，包括：变量和数据类型输入、输出与运算符条件判断与循环列表、元组、字典和集合函数、模块与异常处理文件读写与类的基本概念编程能力不是“看会”的，而是“写会”的。现在就打开编辑器，从一个十几行的小程序开始吧。

2026-08-29 15:13:48 309 1

MVCC 的本质不是“复制很多份数据”，而是把以下几项能力组合起来：隐藏事务字段 + Undo 版本链 + Read View 可见性判断 + 后台清理它的工作流程可以概括为：数据被修改时，通过 Undo Log 保留旧版本；当前记录通过回滚指针连接历史版本；事务执行快照读时创建或复用 Read View；数据库根据事务 ID 判断当前版本是否可见；如果不可见，就沿版本链查找更早的可见版本；不再被任何事务需要的旧版本最终由 Purge 机制清理。

2026-08-18 08:55:14 322

原创 Java 类的生命周期：从 .class 文件到卸载

Java 类从字节码进入 JVM 到最终卸载，会经历以下过程：加载 → 验证 → 准备 → 解析 → 初始化 → 使用 → 卸载加载负责把字节码转换成 JVM 中的类结构和Class对象。验证保证字节码格式、语义和执行安全。准备为静态字段分配内存并设置默认值，编译期常量可能直接获得常量值。解析把类、字段和方法的符号引用转换成可直接访问的引用。初始化执行静态字段赋值和静态代码块，父类先于子类初始化。对象初始化与类初始化不同，每创建一个对象都会执行实例初始化和构造器。卸载。

2026-08-14 15:29:00 341 1

原创 Agent 性能优化与最佳实践

提示词即代码— 用 Few-Shot + CoT + 角色扮演三件套，系统化提升输出质量工具是 Agent 的手和眼— 标准化描述降低误用率，缓存减少冗余调用成本意识前置— 模型分层路由 + 上下文裁剪 + Prompt 缓存，三管齐下为失败而设计— 重试 + 熔断 + 降级，构建韧性系统没有可观测性就没有可靠性— 日志 / 指标 / 链路追踪是生产环境的必需品📅 发布于 2026-08-03。

2026-08-04 09:44:00 485 1

原创主流 Agent 开发框架对比

AI Agent 开发框架哪家强？本文从 LangChain、AutoGen、CrewAI 到 Dify，全面拆解四大主流框架的核心概念、适用场景与选型策略，帮你选对轮子，少走弯路。

2026-07-29 17:03:10 564

原创多 Agent 协同系统设计：从单兵作战到团队协作

PM Agent— 需求分析师System Prompt：你是一位经验丰富的产品经理，擅长将用户需求转化为可执行的技术任务输入：用户的自然语言需求输出：结构化的任务列表（含优先级、依赖关系、验收标准）工具：项目管理工具、知识库检索— 系统架构师System Prompt：你是资深系统架构师，专注技术方案设计，遵循 SOLID 原则输入：PM 拆分后的任务输出：技术方案（接口定义、数据模型、文件结构）工具：代码库搜索、设计模式库— 开发者。

2026-07-18 18:04:03 595

原创构建 Agent 的五大难点与解决方案

随着大语言模型（LLM）能力的飞速提升，AI Agent 成为 2025-2026 年最炙手可热的技术方向。从 AutoGPT 到 Claude Code，从客服机器人到自动化运维，Agent 正在重塑软件开发的范式。然而，构建一个真正可靠的 Agent 远比做一个 ChatBot 困难得多。一个 Demo 级的 Agent 可能一个下午就能搭出来，但要做到生产级可用——能稳定运行、不烧钱、不给用户添乱——需要跨越许多深坑。

2026-07-16 10:36:14 658 4

原创 Agent 的工作原理与理解方式

ReActReasoning +Acting（推理 + 行动），是当前 AI Agent 领域最主流的框架范式。它由 Google Research 在 2022 年提出，核心思想是让大语言模型在推理（Thought）和行动（Action）之间交替循环，从而能够处理需要与外部世界交互的复杂任务。纯语言模型被困在"知识截止日期"里，而 ReAct 让模型"长出双手"，可以主动获取信息、操作工具、观察反馈，再据此调整下一步策略。把4.2（工作模式）和4.3（理解视角）

2026-07-14 09:16:21 620 4

原创 AI Agent 的四大组成部分详解

dataclass"""Agent 工具的标准化定义"""name: str # 工具名称（LLM 用它来识别）description: str # 功能描述（帮助 LLM 判断何时使用）parameters: dict # 参数 JSON Schemafunction: Callable[..., Any] # 实际执行函数tools = ["description": "读取指定路径的文件内容","description": "文件的绝对路径"},

2026-06-28 16:11:54 876

原创从工具到伙伴：AI Agent 核心架构深度剖析

回想 2022 年底 ChatGPT 横空出世时的场景——你问一句，它答一句。这种"一问一答"的模式本质上是一个无状态的推理引擎：给定输入，产生输出，然后遗忘一切。局限表现无法行动ChatGPT 只能"说"，不能"做"。它无法帮你订机票、发邮件、操作数据库。缺乏记忆每次对话都是独立的。它不记得你昨天说过什么，也不会从历史中学习。不会规划遇到复杂任务（如"帮我筹备一次发布会"），它只能给出笼统建议，无法拆解成可执行的步骤。而Agent（智能体）正是为解决这三个局限而生。

2026-06-25 19:15:01 1337 3

原创 RAG索引生成优化篇（下）：RAPTOR 与 ColBERT

"""使用 GMM 进行聚类，自动选择最优簇数"""best_n = 2bic = gmm.bic(embeddings) # BIC 越低越好print(f"最优簇数: {best_n}, BIC: {best_bic:.2f}")# 执行聚类你的场景推荐方案原因快速落地，成本敏感概念简单，改动小，ROI 高长文档、多层次语义RAPTOR天然处理不同粒度的查询精度要求极高，存储可接受ColBERT接近 Cross-Encoder 的精度超大规模（百万级）

2026-06-22 19:37:14 739 2

原创 RAG索引生成优化篇(上）：Multi-representation Indexing（多表征索引）

这是整个 Pipeline 最核心的一步。我们让 LLM 为每个 Chunk 生成一句精炼的摘要，这个摘要将成为后续检索的"钥匙"。# Prompt 模板：让 LLM 为文档片段生成摘要"""你是一个专业的文档摘要助手。请用一句话概括下面这段文档的核心内容。要求：1. 摘要长度控制在 50 字以内2. 突出关键实体、动作和结论3. 使用简洁、客观的语言文档内容：一句话摘要："""# 创建摘要链# 为所有文档生成摘要Document(

2026-06-20 10:29:55 712 3

原创【RAG技术从小白到深入理解】路由优化与查询构建策略：RAG 系统的智能调度与精准检索

在实际应用中，用户的查询千差万别，不同类型的问题需要走不同的检索路径。RAG 路由的核心思想是：在收到用户查询后，先由路由器（Router）分析查询特征，然后将其分发到最合适的检索通道。一句话总结：路由就是 RAG 系统的"智能调度中心"——不是所有问题都适合用向量检索，把问题分发给最懂它的检索器，才能获得最佳效果。

2026-06-16 19:14:08 644 7

原创【RAG技术从小白到深入理解】RAG 查询优化策略：从多查询到 HyDE 的完整指南

在构建 RAG（Retrieval-Augmented Generation）应用时，我们常常遇到一个尴尬的场景：知识库里有答案，但系统就是检索不出来。问题往往不在于向量模型不够好，而在于用户的原始查询和知识库中的文档之间存在语义鸿沟。用户提问的方式千差万别：有人问得过于简短，有人问得过于宽泛，有人用的术语和文档中的不完全一致。如果我们只是简单地把原始问题向量化然后做相似度检索，检索效果往往会大打折扣。查询优化（Query Optimization）

2026-06-15 18:00:40 808 5

原创【RAG技术从小白到深入理解】一文搞懂 RAG：索引、检索、生成与评估全流程

RAG 的核心不是让大模型记住所有知识，而是让大模型在回答问题前，先从外部知识库中检索相关内容，再基于这些内容生成答案。Indexing：索引构建Retrieval：检索召回Generation：答案生成Evaluation：效果评估其中，Indexing 决定知识能不能被正确组织，Retrieval 决定能不能找到正确内容，Generation 决定能不能基于上下文生成高质量答案。文档清洗是否干净chunk 是否合理embedding 是否适合业务检索策略是否准确。

2026-06-14 20:31:13 633 6

原创【每日八股】雪花算法：分布式 ID 生成的经典方案

雪花算法是一种经典的分布式 ID 生成方案。它通过时间戳、机器 ID 和序列号组合出一个 64 位整数，在保证全局唯一的同时，也具备很高的生成性能和较好的数据库索引友好性。用本地计算代替中心化发号，在高并发分布式环境下生成趋势递增的全局唯一 ID。但在使用雪花算法时，一定要重点关注两个问题：机器 ID 不能冲突系统时钟不能大幅回拨只要这两个问题处理好，雪花算法就是一个非常实用、稳定、性能优秀的分布式 ID 方案。

2026-06-11 19:28:38 832 8

原创【项目实战】给黑马点评增加滑动窗口限流：Redis + Lua + AOP 实现接口防刷

虽然项目已经用了 Redis、Lua、分布式锁、异步下单等方案来保证库存安全，但如果短时间内大量请求直接打到秒杀接口，后端仍然会承受很大压力。固定窗口实现简单，但边界问题明显。比如限制 10 秒 10 次，用户可以在第 9.9 秒请求 10 次，再在第 10.1 秒请求 10 次，短时间内实际打进来 20 次请求。尤其是秒杀场景，限流可以把大量无效请求挡在业务逻辑之前，减少 Redis、数据库和消息队列的压力。滑动窗口则会根据当前时间动态统计最近一段时间内的请求数，更平滑，也更适合秒杀、防刷这类场景。

2026-06-08 18:45:44 663 6

2503_91308599的博客

原创 Python 语法入门：从零开始写出你的第一个程序

原创深入理解 MVCC：数据库如何做到“读写互不阻塞”

原创 Java 类的生命周期：从 .class 文件到卸载

原创 Agent 性能优化与最佳实践

原创主流 Agent 开发框架对比

原创多 Agent 协同系统设计：从单兵作战到团队协作

原创构建 Agent 的五大难点与解决方案

原创 Agent 的工作原理与理解方式

原创 AI Agent 的四大组成部分详解

原创从工具到伙伴：AI Agent 核心架构深度剖析

原创 RAG索引生成优化篇（下）：RAPTOR 与 ColBERT

原创 RAG索引生成优化篇(上）：Multi-representation Indexing（多表征索引）

原创【RAG技术从小白到深入理解】路由优化与查询构建策略：RAG 系统的智能调度与精准检索

原创【RAG技术从小白到深入理解】RAG 查询优化策略：从多查询到 HyDE 的完整指南

原创【RAG技术从小白到深入理解】一文搞懂 RAG：索引、检索、生成与评估全流程

原创【每日八股】雪花算法：分布式 ID 生成的经典方案

原创【项目实战】给黑马点评增加滑动窗口限流：Redis + Lua + AOP 实现接口防刷

原创 Java 线程创建方式总结：Thread、Runnable、Callable、线程池与虚拟线程

原创 CAS 的 ABA 问题：值没变，就真的没被改过吗？

原创 Spring 三级缓存如何解决循环依赖？

原创缓存更新到底是先删缓存还是先更新数据库？

原创《一篇文章搞懂常见限流算法：固定窗口、滑动窗口、漏桶和令牌桶》

原创 Happens-Before：并发编程中的“先后关系”

原创 JDK21新特性 —— 虚拟线程

原创一篇文章带你搞懂“三色标记法”

空空如也

空空如也