- 博客(66)
- 收藏
- 关注
RSS订阅原创 读后感：《解析极限编程：拥抱变化》
《解析极限编程：拥抱变化》是Kent Beck关于敏捷开发的经典著作，系统阐述了极限编程（XP）的核心理念与实践方法。本书提出了以"沟通、简洁、反馈、勇气、尊重"为核心的价值观，并详细介绍了13项关键实践，如TDD、结对编程和持续集成等。XP强调通过短周期迭代、高协作和持续反馈来应对需求变化，打造高质量的软件。相比Scrum和Kanban，XP更注重工程实践，适用于小型高变化项目。书中强调XP不是无纪律开发，而是需要高信任团队和良好企业文化的支持。核心思想在于让软件工程回归人性化协作，将变化视为常态而非例外
2025-11-09 15:37:42
1030
原创 读后感：All You Have to Do Is Ask(How to Master the Most Important Skill for Success)
本书揭示了"提出请求"这一被低估的重要能力。通过分析"请求+给予"的良性循环，作者指出：1）明确SMART请求能提升成功率；2）克服心理障碍需转变思维，视请求为合作起点；3）建立制度化请求机制可增强团队协作；4）善用弱连接网络并保持互惠是关键；5）领导者示范能培育持续互助的文化生态。书中强调请求不是索取，而需结合回馈，在文化适配的情境中实践，即使失败也不应放弃这项能力。
2025-11-01 14:33:42
811
原创 openai-cookbook：what makes documentation good（翻译总结）
好文档应让读者快速获取有用信息。结构清晰、易于浏览是关键：用分段标题、简短段落、目录与列表呈现重点；结论前置、加粗重要内容。语言要简洁明确，避免歧义、行话与模糊指代，保持风格一致。兼顾新手与专家，提供清晰示例与潜在问题解答。最终目标是以共情视角写作，帮助读者高效理解。
2025-10-24 21:09:41
891
原创 Google 智能体设计模式：学习和适应
学习与适应能力使智能体(Agent)能通过经验自主优化，在动态环境中持续改进。主要学习范式包括强化学习(试错优化)、监督学习(标注数据训练)、无监督学习(模式发现)及大模型少样本学习(快速适应)，辅以在线学习和记忆机制实现实时响应。近端策略优化(PPO)和直接偏好优化(DPO)是关键算法，前者通过策略裁剪确保稳定更新，后者简化人类偏好对齐流程。典型应用涵盖个性化助手、金融交易、自动驾驶、欺诈检测等领域，通过持续学习提升决策质量、安全性和用户体验。这些技术共同推动智能体从预设程序向自主演进的进化。
2025-10-11 23:46:04
648
原创 Google 智能体设计模式：防护栏/安全模式
Guardrails是确保AI代理安全运行的多层防护机制，通过输入验证、输出过滤、提示约束等7个层级，防止有害内容生成。应用于客服、教育、法律等领域，需遵循模块化、可观测性等工程原则。作为负责任AI的核心，需持续优化防御体系，以应对风险并保障AI长期可靠服务人类。
2025-10-11 23:36:34
492
原创 Google 智能体设计模式：探索与发现
本文探讨了AI探索与发现模式的核心概念与实际应用。该模式强调AI系统主动进入未知领域，通过多智能体协作模拟科学方法，在科学研究、游戏策略、市场分析等领域展现创新潜力。重点案例包括Google Co-Scientist（实现78.4%假设准确率）和MIT的Agent Laboratory框架，展示了自动化研究流程与知识共享机制。文章指出这种模式能增强而非替代人类创造力，但需注意安全伦理问题。这种目标驱动的AI正从工具转变为独立知识伙伴，有望加速各领域的创新发展。
2025-10-11 23:28:28
745
原创 Google 智能体设计模式：优先级排序
AI Agent 在复杂环境中面临多任务冲突和资源受限问题，优先级排序模式通过评估任务紧急性、重要性、依赖关系等标准，帮助Agent聚焦关键任务。该模式包括标准定义、任务评估、调度逻辑和动态调整四个核心要素，适用于从战略目标到即时行动的多层次决策。实际应用涵盖客户支持、自动驾驶、金融交易等领域。优先级排序赋予AI类似人类的决策能力，使其能动态调整策略，成为智能代理的核心能力之一，显著提升了AI的效率与适应性。
2025-10-11 23:21:05
477
原创 Google 智能体设计模式：评估与监控
本文系统介绍了智能Agent的评估与监控方法论，强调通过外部持续测量提升系统性能。核心内容包括：构建指标与反馈循环的关键环节；实时性能跟踪、合规审计等应用场景；响应评估、延迟监控等实践方法；人工评估与自动化指标对比；Agent轨迹和多Agent系统的评估策略。重点提出"AI承包商"模式，通过正式合约、动态协商和质量迭代，实现从提示驱动到合约驱动的转变，增强可靠性和可问责性。文章指出持续评估对应对概率性和环境动态至关重要，未来需关注准确性、协作质量等多维评估。
2025-10-11 23:17:07
519
原创 Google 智能体设计模式：推理技术
本文探讨了智能体（Agent）的高级推理方法，重点介绍了多步骤逻辑推理、问题分解与逐步求解等核心目标，旨在提升准确性、连贯性和鲁棒性。文章列举了复杂问答、数学问题、代码调试等典型应用场景，并详细阐述了思维链（CoT）、思维树（ToT）、自我纠正、程序辅助语言模型（PALMs）等核心推理技术。此外，还介绍了推理扩展定律、Deep Research应用、Agent的思考循环以及未来发展方向，强调AI正在从工具进化为自主Agent，具备内部独白、审议与自我纠正、行动能力和协作推理等核心能力。
2025-10-11 22:56:33
578
原创 Google 智能体设计模式：资源感知优化
智能体的高效运行策略 资源感知优化使智能体在计算、时间、财务等约束下动态管理资源，平衡效率与精度。核心策略包括分层模型选择（如复杂任务用大模型，简单任务用小模型）、动态路由（LLM驱动的任务分类）和批评反馈机制。典型应用场景涵盖成本优化、延迟敏感系统和边缘设备节能。关键技术涉及动态模型切换、自适应工具使用、上下文修剪和学习型资源分配。通过模块化多Agent架构（路由、执行、监控），实现质量与成本的动态平衡，特别适用于预算有限、实时响应和复杂工作流的场景。
2025-10-10 21:27:38
584
原创 Google 智能体设计模式：Agent 间通信（A2A）
A2A协议是支持多AI Agent协作的开放标准，通过HTTP通信实现跨框架互操作。其核心包括Agent Card（数字身份）、多种交互模式（同步/异步/流式）和安全机制（mTLS/OAuth）。该协议支持任务委派、动态发现和多模态通信，与MCP协议互补，共同构建模块化、可扩展的多Agent系统。目前获Google等大厂支持，将成为企业级AI应用的基础协议。
2025-10-10 21:20:28
637
原创 Google 智能体设计模式：知识检索（RAG）
检索增强生成（RAG）通过整合外部知识库解决大语言模型（LLM）静态知识局限，提升回答的实时性与准确性。其核心流程包括语义检索、提示增强与答案生成，依赖嵌入、分块和向量数据库技术。高级模式如GraphRAG（知识图谱）和Agentic RAG（智能代理）可处理复杂跨文档问题，但增加复杂度。应用涵盖企业问答、客服、科研等领域，需权衡准确性、维护成本与延迟。RAG的关键价值在于减少幻觉、支持引用验证，但面临信息碎片化、检索质量与性能优化等挑战。
2025-10-10 21:15:19
513
原创 Google 智能体设计模式：人机协同（HITL）
HITL模式（Human-in-the-Loop）通过结合人类认知优势与AI计算能力，形成人机协作系统。人类在高风险、复杂场景中提供监督、纠正和决策支持，确保AI输出的安全性与合规性。该模式适用于内容审核、金融、医疗等领域，但面临可扩展性不足、专家依赖等挑战。HITL是负责任AI部署的核心，将持续作为关键设计模式保障AI可信度。
2025-10-10 20:58:20
501
原创 Google 智能体设计模式：异常处理与恢复
AI Agent在现实应用中需具备异常处理与恢复能力，确保稳定运行。核心模式包括错误检测、处理（如重试、回退、降级）和恢复（如回滚、诊断、升级）。该模式适用于客服、金融、智能家居等场景，通过日志记录、通知机制等策略，提升系统鲁棒性。关键要点是构建"遇错不崩"的Agent，涵盖检测→处理→恢复全流程，从而最小化停机时间并增强用户信任。智能不等于稳定，异常处理能力是AI系统可靠运行的必要条件。
2025-10-10 20:49:46
764
原创 Google 智能体设计模式：目标设定与监控
本文探讨了AI Agent的目标导向机制，提出让AI不仅能执行任务，还能自我评估和调整。核心框架包括明确目标设定、持续进度监控和建立反馈循环三大要素，类比旅行规划进行说明。文章列举了客服自动化、个性化学习等六大应用场景，并提供了基于LangChain的代码实践示例。最后总结了SMART原则等关键经验法则，强调目标驱动是AI从被动反应转向主动智能的关键，需要清晰可衡量的目标配合严格监控机制和反馈循环。
2025-10-10 20:41:16
860
原创 Google 智能体设计模式：模型上下文协议 (MCP)
模型上下文协议（MCP）为LLM与外部系统交互提供标准化开放接口，支持动态发现资源、工具和提示模板，实现复杂Agent能力。其客户端-服务器架构通过统一通信协议（如JSON-RPC/HTTP）降低集成复杂度，适用于多系统协同场景（如实时数据查询、媒体生成、IoT控制）。相比专有工具函数调用，MCP具备跨LLM互操作性和可扩展性，但需确保API返回结构化数据以适配LLM解析。核心价值在于使LLM突破文本生成局限，成为可执行实际任务的多模态智能体。
2025-10-10 20:34:54
946
原创 Google 智能体设计模式：记忆管理
记忆管理是智能Agent实现持续交互与个性化服务的核心能力，分为短期记忆（上下文窗口）和长期记忆（持久存储）。短期记忆处理当前会话信息，长期记忆保存跨会话数据。Google ADK、LangChain等框架通过Session、State和MemoryService等组件实现记忆管理，而Vertex AI Memory Bank提供自动化长期记忆服务。有效的记忆管理使Agent能够维持上下文、个性化交互并持续学习，是从简单问答工具进化为智能助手的关键。
2025-10-10 20:19:39
944
原创 Google 智能体设计模式：多智能体协作
多Agent协作模式通过专业化分工与通信机制解决复杂任务，将问题分解并由不同Agent处理，提升效率与质量。协作形式包括顺序交接、并行处理、辩论共识等，适用于研究分析、软件开发、创意生成等场景。系统设计需明确角色职责、通信渠道和任务流程，框架如CrewAI可提供支持。多Agent协作增强了模块化与扩展性，产生的集体智能超越单体Agent能力，为Agent与外部环境交互奠定基础。
2025-10-10 20:10:08
454
原创 Google 智能体设计模式：规划
智能行为的核心在于规划能力，包括远见、任务分解和动态策略制定。规划模式让Agent从初始状态出发，通过适应性行动序列达成目标，适用于流程自动化、机器人导航和信息综合等场景。Google DeepResearch展示了自主研究系统的规划应用，如竞争分析和学术研究。经验表明，规划模式适合多步骤复杂任务，是连接人类意图与自动化执行的关键，使Agent从反应式转向目标导向的战略执行者。
2025-10-10 19:57:27
299
原创 Google 智能体设计模式：工具使用（函数调用）
Agent通过工具调用（函数调用）实现与外部世界交互，突破LLM训练数据限制。核心流程包括：工具定义→LLM决策→生成结构化调用→框架执行→结果整合。
2025-10-10 19:47:31
520
原创 Google 智能体设计模式：反思
反思模式通过引入反馈循环提升Agent输出质量，采用生产者-评审者模型实现客观评估与迭代优化。核心流程包括执行、评审、反思、迭代，适用于创意写作、代码调试等场景。优势在于提升准确性与适应性，但会增加计算成本与延迟。适用于质量优先的任务，建议使用独立评审者确保客观性。
2025-10-10 19:40:17
305
原创 Google 智能体设计模式：并行化
并行化模式通过并发执行独立子任务优化工作流，显著提升系统性能。其核心在于识别无依赖关系的任务（如API调用、数据分析等），利用框架（如LangChain的RunnableParallel或Google ADK的ParallelAgent）实现异步执行。典型应用包括多源信息收集、客户反馈分析、旅行规划等场景。该模式尤其适合存在外部I/O延迟的任务，但需权衡并发带来的复杂度。结合顺序/条件模式，可构建高效复杂系统。关键优势在于缩短响应时间，提升多任务处理效率。
2025-10-10 19:34:28
336
原创 Google 智能体设计模式：路由总结
路由（Routing）是Agent系统中的关键模式，用于动态选择执行路径，突破线性提示链的限制。实现方式包括：基于LLM的路由（通过提示词输出类别）、基于嵌入的路由（语义匹配）、基于规则的硬编码路由，以及基于机器学习模型的分类路由。路由可应用于任务开始、处理中间点或子程序内部。框架如LangChain/LangGraph和Google ADK提供支持。典型场景包括人机交互（如虚拟助手）、数据处理（邮件分类）和多Agent系统协作。
2025-10-10 19:29:06
860
原创 Google 智能体设计模式：提示词链
提示词链（Prompt Chaining）通过将复杂任务拆解为有序子步骤，显著提升大语言模型的处理能力。这种模块化方法解决了单一提示词常见的指令遗漏、上下文丢失等问题，具有可靠性高、可调试性强等优势。典型应用场景包括信息处理工作流、复杂查询回答、数据转换、内容生成等7大领域。实现时可采用LangChain等框架，通过结构化输出确保信息准确传递。作为构建复杂AI系统的基础，提示词链结合上下文工程，能有效支持多步推理和工具集成，是从简单问答迈向智能系统的关键技术。
2025-10-10 18:08:59
519
原创 问题记录：一个简单的字符串正则匹配算法引发的 CPU 告警
正则表达式因使用回溯算法（NFA）在匹配复杂URL时可能导致CPU使用率飙升，尤其在高频调用或海量数据场景下。优化建议包括预编译Pattern、优化正则结构（避免贪婪匹配）、避免循环中重复创建Matcher、分层匹配以及使用高性能替代方案（如java.net.URL或RE2/J引擎）。定位问题可通过分析CPU栈中的正则回溯方法，最终根据场景选择预编译、标准库解析或RE2引擎等方案以提升性能。
2025-10-09 21:07:27
534
原创 思考：工匠和工程师的区别
工匠与工程师的核心区别在于思维方式和目标：工匠追求艺术性、独特性，依赖经验与直觉；工程师注重科学性、可复制性，运用理论与系统方法。工匠创造独一无二的作品，工程师设计标准化产品。现代趋势下，两者逐渐融合，工匠采用科技工具，工程师融入美学追求。两者路径不同，但都是人类创造力的体现。
2025-08-24 11:11:45
792
原创 每周算法思考：栈与队列
固定分区法实现简单、性能 O(1)，适合容量已知且均匀分配的场景；如果需要动态共享空间，可以使用灵活分区法（如循环队列 + 栈指针）来提升利用率，但实现更复杂。辅助栈法是该问题的经典且最优解法，既能保证操作时间复杂度为 O(1)，又能简单直观地实现min功能。适用于需要频繁查询当前最小值且性能要求高的栈操作场景。
2025-08-09 18:26:03
912
原创 异常检测：算法分类及经典模型概览
异常检测（Anomaly Detection 或 Outlier Detection）旨在通过数据挖掘技术，识别出数据集中与大多数数据在行为模式上不一致的“异常个体”或“异常事件”。这些异常点通常蕴含着重要的业务信息，如欺诈行为、设备故障或新的商业机会。
2025-07-31 22:28:47
979
原创 论文笔记：On the Biology of a Large Language Model
Anthropic公司最新研究《关于大型语言模型的生物学》提出了一种生物学视角来解析Claude 3.5 Haiku模型的内在机制。
2025-07-23 13:02:10
1397
原创 网络安全：告警研判流程
整个过程可以分为三大步：事前准备、告警初筛与定优、以及深入研判与处置。在开始分析告警之前，必须对“战场”有清晰的认知。没有这些背景信息，告警研判就像在迷雾中航行，效率低下且容易出错。核心准备要素：熟悉网络环境拓扑 (Network Topology):理解业务场景 (Business Scenarios):掌握流量走向 (Traffic Flow):面对成千上万的告警，不可能逐一详细分析。必须先进行快速筛选，将资源集中在高风险的告警上。这依赖于对告警关键属性的评估。告警筛选定优顺序如下：通过以上维度的组合排
2025-07-21 11:22:51
1930
原创 读书笔记：《软件开发者路线：从学徒到高手》
摘要：开发者的成长之道 这篇文章系统性地探讨了软件开发者的成长路径，涵盖学习、实践、职业规划等多个维度。核心观点包括：主动将自己置于高手环绕的环境以加速学习；通过刻意练习、阅读源码和构建个人项目来提升技能；在职业发展中坚守技术初心而非盲目晋升；建立反馈机制和知识管理体系；以及勇于面对失败和挑战舒适区。文章强调持续学习、深度思考和实践的重要性，为开发者提供了一套全面的成长方法论，帮助他们在技术道路上不断精进。
2025-07-14 22:01:27
772
原创 《Google 软件工程》：如何写好文档？
技术文档是工程组织成功的关键，但其价值往往被低估。核心理念是，并将其融入工程师现有的工作流程中，从而降低编写门槛，提升文档的质量与生命力。
2025-07-13 16:45:28
923
原创 每周算法思考：数组与字符串
方法时间复杂度空间复杂度是否使用额外结构说明哈希集合O(n)O(n)✅ 是最常用，效率高排序比较O(n log n)O(1)~O(n)❌ 否适中，空间可控双重循环O(n²)O(1)❌ 否最保守，暴力位运算O(n)O(1)❌ 否快，但限制多。
2025-07-06 12:45:20
244
翻译 效率工具：Cursor（AI IDE）的工作原理
本文深入解析了Cursor等AI编程工具的底层机制与优化技巧。文章指出，LLM的本质是预测下一个单词，而AI IDE在此基础上通过多轮工具调用实现智能代理功能。作者从三个阶段（早期解码式、指令微调、工具调用）阐述了LLM的发展历程，并揭示了Cursor等IDE的工作原理：基于VS Code二次开发，整合聊天面板和多种工具，通过精心设计的提示词实现复杂编码任务。文章还分享了实用技巧。
2025-06-14 14:09:56
440
原创 项目研究：使用 LangGraph 构建智能客服代理
本教程介绍如何用LangGraph构建智能客服代理。系统基于图的工作流，包含问题分类、情绪分析、自动响应和人工升级四大模块。通过定义State状态结构和多个处理节点，实现用户查询的自动化处理：首先分类问题类型，分析情绪倾向，若情绪负面则转人工，否则根据类别生成专业回复。工作流通过LangGraph构建，可视化展示各节点的逻辑关系。该方案能有效提升客服效率，缩短响应时间，适用于技术支持、账单咨询等常见场景。
2025-06-08 11:38:56
1076
原创 读后感：《The Clean Coder: A Code of Conduct for Professional Programmers》
《The Clean Coder》旨在指导程序员如何以专业态度面对软件开发。书中涵盖责任、时间管理、代码质量、测试及与团队合作等主题，强调职业道德、持续学习和有效沟通的重要性。
2025-01-25 11:43:16
309
原创 代码工艺：实践《修改代码的艺术》中如何安全地在现有代码库中修改代码的方法
《修改代码的艺术》一书提出安全修改代码的步骤：1. 定义变更点；2. 寻找测试点；3. 打破依赖关系；4. 编写测试；5. 修改和重构。通过优化用户信息更新逻辑，拆分复杂方法、引入接口、编写单元测试，最终提升了代码的可读性和扩展性，确保修改安全且保留原有行为。
2025-01-22 22:45:39
628
原创 代码工艺：实践 Spring Boot TDD 测试驱动开发
博客介绍了TDD（测试驱动开发）在Spring Boot中的实践，核心流程为Red-Green-Refactor：先编写失败的测试（Red），再实现功能使测试通过（Green），最后重构代码（Refactor）。通过一个计算税收的接口示例，展示了如何从测试用例出发，逐步实现功能并优化代码，确保代码质量和需求准确性。TDD有助于提高代码质量、支持重构并明确需求。
2025-01-22 16:03:05
854
原创 读后感：《The Missing README: A Guide for the New Software Engineer》
《The Missing READM》是一本详尽介绍现代软件工程细节的书，由资深软件工程师 Chris Riccomini 撰写，内容涵盖重构、技术选型、代码评审等。作者通过实践与经验分享，帮助程序员理解工程本质，解决疑惑，启发职业信仰与成长。
2025-01-18 09:31:00
320
原创 代码工艺：高并发解决方案介绍
通过横向扩展、缓存、ES、分库分表、MQ消峰和单元化等策略，可以有效解决高并发场景下的性能瓶颈，需根据具体需求选择合适的方案。
2024-10-24 16:16:39
1122
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