<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[feng65536的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/feng65536</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; feng65536]]></copyright><item><title><![CDATA[工程驾驭力：技术团队如何持续交付高质量系统]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/162940378</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/162940378</guid><author>feng65536</author><pubDate>Thu, 16 Jul 2026 16:19:03 +0800</pubDate><description><![CDATA[工程驾驭力是指技术团队在持续交付高质量系统的过程中，对研发活动（需求→开发→测试→发布→反馈）的可见性、可控性与持续优化能力。其直接对应 EPC（Engineering Performance Capability，工程效能胜任力）框架——即团队不只是工具和流程的使用者，更能在面对新范式（如 AI Harness 工程）时主动设计交付策略、识别瓶颈并推动改进。可见性：团队能否实时看到研发流程中各环节的状态？哪些环节是瓶颈？哪些环节存在重复的人工操作？可控性。]]></description><category></category></item><item><title><![CDATA[Gmail-邮件自动处理系统]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161980069</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161980069</guid><author>feng65536</author><pubDate>Sun, 14 Jun 2026 15:35:08 +0800</pubDate><description><![CDATA[摘要：作者开发了一套基于Next.js 14的Gmail自动处理系统，解决企业手动处理海量邮件附件的痛点。系统整合Gmail API自动检索下载Excel附件，通过ExcelJS实现动态数据清洗和多表头识别，采用Prisma处理事务并发，前端支持大表编辑和快照功能。作者将整套解决方案拆解为8篇详细教程，涵盖架构设计、API集成、ETL处理等全流程，完整代码已发布在个人技术站devcfg.com。该系统显著提升了海外邮件附件处理的自动化程度和效率。]]></description><category></category></item><item><title><![CDATA[【Next.js实战②】Excel 派送表动态解析：表头识别与 FIELD_ALIASES 映射]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161960198</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161960198</guid><author>feng65536</author><pubDate>Sat, 13 Jun 2026 19:37:14 +0800</pubDate><description><![CDATA[本文针对货代/物流场景中Gmail附件派送表解析的痛点，提出了一套动态识别表头的解决方案。文章详细介绍了五步解析流水线：将文件读成二维矩阵、检测表头行、建立列映射、逐行解析并记录警告、按仓库汇总箱数。系统采用别名映射机制兼容不同模板，支持xlsx和csv格式，通过动态识别和标准化处理解决了列名不统一问题。解析结果包含明细数据、仓库汇总和警告信息，设计上强调数据挽救而非直接拒绝。最后给出了与Gmail链路的衔接方式和测试建议，建议测试不同表头位置、列名变体和数据异常情况。]]></description><category></category></item><item><title><![CDATA[【Next.js实战①】Gmail API 按柜号检索邮件：OAuth 双 Cookie 与搜索 Fallback]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161960122</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161960122</guid><author>feng65536</author><pubDate>Sat, 13 Jun 2026 19:30:55 +0800</pubDate><description><![CDATA[本文介绍了如何通过Next.js与Gmail API实现物流业务中的邮件自动化处理方案。重点包括：1）采用独立OAuth授权流程管理Gmail访问权限；2）设计双重Cookie机制隔离系统登录与Gmail访问；3）实现基于柜号的智能邮件搜索策略，支持发件人优先与全范围搜索的fallback机制；4）开发附件解析与评分系统，自动选取最佳邮件；5）优化事务处理边界，避免网络请求影响数据库事务。该方案将传统人工处理流程自动化，显著提升物流订单处理效率，同时详细列举了实施过程中的常见问题与解决方案。]]></description><category></category></item><item><title><![CDATA[网页端嵌入 Agent 对接前端方案]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161287428</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161287428</guid><author>feng65536</author><pubDate>Thu, 21 May 2026 15:31:01 +0800</pubDate><description><![CDATA[当前前端项目正从被动展示走向主动交互，AI Agent 嵌入网页端可自动化 UI 操作、优化布局并辅助编码。本文聚焦如何在前端（React/Vue3）中集成 AI Agent，涵盖客户端工具定义、安全通信及流式输出等核心环节。读完本文，你将掌握：React 集成 AG-UI 组件、Vue3 对接 Agent 流式输出、前端 Agent 安全通信实现、LangChain 前端 Agent 对接的基本方法。]]></description><category></category></item><item><title><![CDATA[对话框打字机效果：Vur + Java/Python 实现]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161285912</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161285912</guid><author>feng65536</author><pubDate>Thu, 21 May 2026 14:32:12 +0800</pubDate><description><![CDATA[摘要 本文详细介绍了在Vue 3中实现打字机效果的两种后端方案(Java Spring Boot和Python FastAPI)结合SSE协议的技术实现。文章首先分析了SSE相比WebSocket在文本生成场景下的优势，然后重点讲解了Vue 3 Composition API管理流式状态的核心方法，包括ReadableStream解析、SSE数据流处理和异常中断机制。针对后端实现，分别提供了Java和Python的完整代码示例，涵盖响应头设置、流式数据格式化和异常处理等关键环节。通过本文，开发者可以掌握构建]]></description><category></category></item><item><title><![CDATA[历史对话关联 RAG 上下文检索 — 内部技术介绍]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161257974</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161257974</guid><author>feng65536</author><pubDate>Wed, 20 May 2026 15:20:04 +0800</pubDate><description><![CDATA[在多轮对话场景中，用户的后续提问往往依赖历史上下文（如指代“它”“那个方案”或省略主题）。传统 RAG 系统仅处理单轮 query，无法有效捕捉对话依赖关系。本文说明如何将对话历史融入检索过程，构建对话式 RAG 上下文检索系统。读完本文你将掌握：多轮 RAG 系统实现中的上下文维护方案、历史对话 RAG 查询压缩的基本原理，以及使用 LangChain、LlamaIndex 完成实战编码的思路。本文介绍了如何将历史对话关联到 RAG 上下文检索中，以解决多轮对话下的指代消解和主题省略问题。两种范式。]]></description><category></category></item><item><title><![CDATA[RAG系统检索结果优化策略]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161256814</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161256814</guid><author>feng65536</author><pubDate>Wed, 20 May 2026 14:24:06 +0800</pubDate><description><![CDATA[本文围绕RAG检索结果优化，系统性地介绍了检索前、检索中、检索后三个阶段的策略。建立评估基线：标准测试用例 + 初始指标记录，是优化可追溯的前提。检索前：多轮对话改写、实体消歧能显著提升查询质量。检索中：语义切分 + 元数据嵌入是最具性价比的改进手段；标签设计须与智能体提示词配合。检索后：RRF适合快速融合；Cross-Encoder适合精排；分层管道兼顾效率与精度。参数调优：相似度阈值、召回片段数、重排k值需结合测试集进行搜索。持续迭代：每次改动后重跑基线测试，保证可量化的改进。下一步可探索的方向。]]></description><category></category></item><item><title><![CDATA[RAGAS框架使用指南：从入门到高效评估RAG系统]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161167776</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161167776</guid><author>feng65536</author><pubDate>Sun, 17 May 2026 16:15:13 +0800</pubDate><description><![CDATA[本文介绍了RAGAS框架在评估RAG系统中的应用价值，重点解析了其核心评估指标和原理。RAGAS通过量化分析问题、标准答案、检索上下文和生成答案之间的关系，提供客观的评估指标，包括忠实性（答案与上下文一致性）、答案相关性（回答针对性）、上下文精度（检索结果信噪比）和上下文召回（信息覆盖率）。文章还详细说明了各指标的计算方法和应用场景，帮助开发者精准定位RAG系统瓶颈，实现从主观评估到数据驱动的优化闭环。]]></description><category></category></item><item><title><![CDATA[RAG 检索增强系统：从原理到实战的完整指南]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161166408</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161166408</guid><author>feng65536</author><pubDate>Sun, 17 May 2026 14:37:17 +0800</pubDate><description><![CDATA[摘要：RAG检索增强生成技术解析与应用指南 本文系统介绍了检索增强生成（RAG）技术，该技术通过结合外部知识库与大语言模型（LLM）来解决模型知识局限和幻觉问题。RAG采用"开卷考试"机制，在生成答案前先检索相关文档片段，显著提升回答的准确性和时效性。文章详细拆解了RAG的三个核心阶段：索引（文档分块与向量化）、检索（语义相似度匹配）和生成（上下文增强的LLM推理），并对比了RAG与微调技术的差异。针对企业知识库应用场景，提供了从文档预处理、Embedding模型选择到向量数据库部署的完整实施方案，推荐使用]]></description><category></category></item><item><title><![CDATA[什么是驾驭工程？从概念到实操，手把手教你驯服AI Agent]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161150592</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161150592</guid><author>feng65536</author><pubDate>Sun, 17 May 2026 01:48:28 +0800</pubDate><description><![CDATA[本文介绍了驾驭工程（Harness Engineering）这一新兴AI开发范式，旨在通过外部约束系统、反馈回路和编排机制来提升AI Agent的可靠性。文章对比了传统提示词工程与驾驭工程的区别，并通过Python代码示例演示了如何实现约束检测和自动修正功能。驾驭工程的核心思想是通过环境优化而非模型调整来驯服AI，使其行为更可控、错误更易追踪。这种方法特别适合需要稳定输出的AI应用场景。]]></description><category></category></item><item><title><![CDATA[LangGraph的深度理解：从原理到实战的完整指南]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161119690</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161119690</guid><author>feng65536</author><pubDate>Fri, 15 May 2026 18:05:24 +0800</pubDate><description><![CDATA[摘要： LangGraph作为革命性框架，通过有向图模型重构AI工作流，解决了传统Agent开发的状态混乱、流程僵化等问题。其核心包含状态、节点、边和编译四大组件，支持动态非线性流程。本文通过构建智能客服Agent的实战案例，演示了从环境准备到条件边设置的完整流程，并总结了常见踩坑点（如状态管理、循环控制）与生产级优化方案（异步处理、模块化设计）。对比传统方案，LangGraph在可维护性和扩展性上优势显著，为复杂AI系统开发提供了可视化、低代码的新范式。]]></description><category></category></item><item><title><![CDATA[Python FastAPI 入门教程：从零搭建高性能API的实操指南]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161102507</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161102507</guid><author>feng65536</author><pubDate>Fri, 15 May 2026 09:34:40 +0800</pubDate><description><![CDATA[本文是一篇Python FastAPI入门教程，详细介绍了如何从零搭建高性能API。FastAPI作为现代Python Web框架，结合Starlette和Pydantic，提供自动文档生成、异步支持和类型提示校验等核心优势。教程包含环境准备、代码编写、服务启动和文档测试等实操步骤，并分享了常见问题的解决方案。通过本指南，开发者可以快速掌握FastAPI的基础用法，为构建高效API服务打下坚实基础。]]></description><category></category></item><item><title><![CDATA[LangFuse 自托管实战：选型理由、Docker 部署与常用配置全解析]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161090481</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161090481</guid><author>feng65536</author><pubDate>Thu, 14 May 2026 21:10:32 +0800</pubDate><description><![CDATA[本文深入解析LangFuse自托管方案，涵盖三大核心内容：首先从环境一致性、数据主权和扩展性角度阐述选型理由；其次提供详细的Docker部署指南，包括优化后的docker-compose.yml配置和启动流程；最后详解关键环境变量配置，并分享常见问题解决方案。通过实战演示和踩坑记录，帮助开发者快速搭建安全可控的LLM观测平台，特别适合对数据隐私和定制化有要求的企业场景。]]></description><category></category></item><item><title><![CDATA[手把手教你用 TensorFlow.js 在浏览器里跑机器学习模型]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/161090418</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/161090418</guid><author>feng65536</author><pubDate>Thu, 14 May 2026 21:06:49 +0800</pubDate><description><![CDATA[TensorFlow.js 是一个强大的 JavaScript 机器学习库，让开发者能在浏览器中直接构建和运行 ML 模型。本文从核心概念张量入手，详细介绍了张量的创建、运算和内存管理技巧，并通过房价预测案例展示了完整的开发流程：数据准备、模型定义、训练预测及保存加载。特别强调了数据归一化和内存管理的重要性，并总结了常见问题解决方案。TensorFlow.js 降低了机器学习门槛，使前端开发者也能轻松实现图像分类等高级功能。]]></description><category></category></item><item><title><![CDATA[ollama 常用命令]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/149302951</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/149302951</guid><author>feng65536</author><pubDate>Sun, 13 Jul 2025 00:52:52 +0800</pubDate><description><![CDATA[Ollama常用命令指南：基础操作包括下载模型（pull）、运行模型（run）并支持参数调整（如温度、最大token数）、查看本地模型（list）和删除模型（rm）。高级功能涵盖硬件加速选择（GPU/CPU）、后台运行（detach）、批量推理（generate）和日志查看（logs）。参数调优支持随机性控制（temp）、内容过滤（moderate）等。典型场景如快速测试模型、代码生成和磁盘清理。帮助命令（help）可随时查阅详细说明。]]></description><category></category></item><item><title><![CDATA[AI作为开发加速器：效率提升与能力边界的再思考]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/149111469</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/149111469</guid><author>feng65536</author><pubDate>Fri, 04 Jul 2025 10:28:08 +0800</pubDate><description><![CDATA[AI工具正在重塑开发流程，大幅提升代码生成和问题排查效率。然而，实践表明AI存在明显的能力边界：它能处理基础任务，但无法替代工程师在架构设计、异常处理和复杂决策中的专业判断。团队实验显示，AI生成的代码常存在深层缺陷，真正的价值在于人机协作——将AI定位为&quot;副驾驶&quot;，保持人类在关键决策中的主导权。未来，初级编程任务将自动化，而系统设计等高阶能力的价值将更加凸显。开发者需从语法记忆转向需求分析和抽象建模，在AI时代守护专业深度。]]></description><category></category></item><item><title><![CDATA[AI助力开发效率提升，专业能力不可替代]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/149110184</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/149110184</guid><author>feng65536</author><pubDate>Fri, 04 Jul 2025 09:45:48 +0800</pubDate><description><![CDATA[AI是效率的革命者，而非能力的魔术师。它能显著提升开发效率与跨领域学习速度，但无法替代从新手到资深工程师所需的专业深度积累。]]></description><category></category></item><item><title><![CDATA[使用 FRPC 实现网络穿透的完整指南]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/149074114</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/149074114</guid><author>feng65536</author><pubDate>Wed, 02 Jul 2025 17:16:57 +0800</pubDate><description><![CDATA[本文介绍了FRP内网穿透工具的配置与使用，分为服务端(FRPS)和客户端(FRPC)两部分。服务端需公网服务器，配置监听端口和认证token；客户端需配置公网服务器地址和待穿透的内网服务(如SSH或Web)。通过建立隧道，将内网服务映射到公网服务器端口，实现外部访问。文中详细说明了软件下载、配置文件修改、系统服务部署及防火墙设置等步骤，并阐述了FRP穿透的核心原理：客户端主动连接服务端建立隧道，服务端转发外部请求到内网。最后提供了验证穿透成功的方法和访问流程说明。]]></description><category></category></item><item><title><![CDATA[Mac系统可使用自带工具/usr/libexec/java_home进行JDK多版本管理]]></title><link>https://blog.youkuaiyun.com/feng65536/article/details/149050167</link><guid>https://blog.youkuaiyun.com/feng65536/article/details/149050167</guid><author>feng65536</author><pubDate>Tue, 01 Jul 2025 16:49:55 +0800</pubDate><description><![CDATA[摘要：Mac系统可通过/usr/libexec/java_home工具管理多JDK版本，支持Oracle官网或Homebrew安装（如brew install temurin8/11/17）。使用java_home -V查看已安装版本，export命令临时切换版本，修改.zshrc或.bash_profile文件设置永久默认版本（需指定版本号并更新PATH），最后source配置文件生效。该方法无需第三方工具即可实现JDK版本切换。（149字）]]></description><category></category></item></channel></rss>