- 博客(483)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 Servlet 3.1+和Reactor融合机制
摘要： Servlet 3.1+与Reactor的融合通过异步Servlet规范（AsyncContext）适配Reactive Streams模型，使Reactor能在Tomcat等Servlet容器中运行。核心原理是Servlet线程接收请求后释放，由Reactor线程处理异步流，最终通过AsyncContext回调响应。Spring WebFlux通过ServletHttpHandlerAdapter自动完成适配，支持MVC与WebFlux共存。优势包括兼容存量Servlet容器和渐进式改造，但存在性
2026-02-11 17:37:28
398
原创 Spring MVC和Spring WebFlux是否能在同一个应用中共存
Spring MVC和Spring WebFlux可以在同一应用中通过不同路径或端口隔离运行，实现方式包括同端口不同路径或不同端口隔离容器。适用场景包括存量系统改造、混合业务需求等，但需注意容器冲突、线程模型差异和依赖兼容性问题。共存方案适合过渡阶段，长期建议根据业务特点选择单一技术栈。
2026-02-11 16:42:48
590
原创 推理引擎与大模型的关系（精简版）
摘要：大模型（静态权重文件）与推理引擎（动态计算框架）是AI服务的核心组件。大模型提供知识参数但无执行能力，推理引擎负责加载模型、计算调度和接口服务。二者关系如同"百科全书与朗读者"——模型决定回答质量，引擎控制响应速度与并发性能。生产环境需采用优化引擎（如vLLM）而非原生框架，业务层通过标准接口调用。完整AI服务需模型与引擎协同工作，分别解决"答得好"和"答得快"的问题。（149字）
2026-02-02 11:26:59
599
原创 大模型响应性能全解析：影响时延、吞吐量、稳定性的核心因素与优化方向
摘要：本文系统分析了大模型响应性能的核心影响因素，涵盖六大维度：模型固有属性（参数量、架构、量化）、输入输出设计（Prompt长度、解码策略）、推理引擎优化（vLLM、TGI）、硬件基础设施（GPU算力、显存）、调度架构（请求调度、限流）及业务逻辑。关键指标包括首包时延（TTFT）、令牌生成速度（TPOT）和吞吐量。优化方向涉及模型量化、Prompt精简、引擎选型及硬件配置，强调高并发下的稳定性保障。通过多维度协同优化，可显著提升大模型在生产环境中的性能表现。
2026-02-02 11:10:05
1058
原创 大模型Skill能力底层原理：从原子工具到业务技能的完整实现机制
摘要：本文系统阐述了大模型Skill能力的实现原理，指出Skill是连接用户任务与原子工具的业务抽象层。Skill与Tool存在本质差异：Tool是原子操作，而Skill是包含多Tool、子任务流程和专属Prompt的完整业务单元。Skill通过五层机制实现：描述层转化为语义声明、路由层完成意图匹配、编排层执行标准化流程、能力增强层加载专属约束、执行层实现模型与框架协同。文章还分析了Skill体系的架构优势，并给出Java后端的工程落地方案，强调通过清晰定义、合理拆分和规范封装实现稳定可靠的智能体系统。
2026-02-02 10:55:28
2277
原创 大模型工具调用（Function Call / Tool Call）核心原理完整讲解
大模型工具调用原理摘要（148字）： 大模型工具调用实现了从文本生成到结构化决策的升级，其核心原理是模型根据用户意图和工具Schema生成JSON格式调用指令，由外部框架执行具体操作。完整流程包含工具注册、意图判断、参数生成、执行和结果回传五个环节。模型通过预训练数据、Prompt约束和解码限制确保JSON格式准确，但并不真正理解工具逻辑。工具调用与普通文本生成的关键差异在于输出严格结构化，依赖外部框架执行。当前主流大模型均支持标准工具调用格式，通过Agent框架实现多工具协同工作。
2026-02-02 10:31:08
2333
原创 Flux.publishOn(Scheduler)方法的核心作用
Flux.publishOn(Scheduler)方法用于切换数据流下游操作的执行线程，仅影响后续操作符而不改变上游线程。其核心特性包括仅作用于下游、支持多次切换和背压友好。常见调度器类型有parallel（CPU密集型）、boundedElastic（IO密集型）等。与subscribeOn不同，publishOn不改变数据流源头线程。实际应用中可通过多次调用实现不同处理阶段的线程优化，如IO操作与CPU计算分离。
2026-01-28 18:46:18
701
原创 Reactor响应式编程中Sinks.Many
Sinks.Many是Reactor 3.4+版本引入的高级多订阅者发射器，是对基础FluxSink专门处理「0到N个元素的异步序列」，支持多个订阅者同时消费数据流；遵循Reactive Streams规范，原生支持背压（Backpressure）；提供多种「订阅者策略」，可精细化控制消息如何分发给不同订阅者（比如是否补发历史消息、是否允许多订阅者）；本质是「生产者-消费者模型」的高级实现，解决了在多订阅者场景下灵活性不足的问题。FluxSink= 单水龙头（仅适配单个消费端，分发规则固定）
2026-01-28 15:46:49
812
原创 Reactor响应式编程中Flux和FluxSink
Flux和FluxSink是Reactor响应式编程的核心组件。Flux作为0-N个元素的异步序列容器，支持链式操作符和背压控制。FluxSink则是Flux的手动发射器，用于动态控制元素发射。两者通过Flux.create()或Flux.generate()关联，FluxSink作为"水龙头"控制Flux"水管"的数据流动。典型应用场景包括：FluxSink用于异步事件处理（如消息推送）、动态数据源集成（如数据库变更）、背压控制（解决生产消费速率不匹配）。通过Flu
2026-01-28 14:56:52
877
原创 多智能体架构深度解析：企业落地如何选择Skills与SubAgents？
摘要：多智能体架构为企业AI应用落地提供了四种核心模式：子智能体（集中式专业协同）、技能（轻量化能力扩展）、切换（流程化状态交互）和路由（多源结果合成）。这些架构在任务并行性、上下文管理和执行效率上各有优势：子智能体和路由适合多领域并行任务，技能和切换更适合轻量化扩展和流程化交互。企业应根据核心需求选择架构，建议从单智能体起步验证业务价值，遇到上下文过载或协作瓶颈时再升级为多智能体架构。关键考量因素包括工作负载特征、成本与体验平衡，以及分布式开发需求。
2026-01-20 14:22:06
901
原创 Agent+Skills架构进阶：嵌套型SubAgent的Skill化封装方法论
本文探讨了Agent+Skills架构中嵌套型SubAgent的Skill化封装方法论。核心观点是：只要SubAgent对外提供单一明确的能力边界，无论内部逻辑多复杂，都可封装为高阶可复用Skill。文章分析了单一职责原则的"对外"与"对内"维度，阐述了嵌套型Skill的三大优势（提升复用粒度、简化主Agent逻辑、适配复杂业务），并给出4步封装流程：固化接口标准、分层封装逻辑、嵌入全链路日志、做好版本管理。通过医疗AI系统案例，说明该方法能实现"对外简单、
2026-01-16 20:03:56
1407
1
原创 Workflow or Agent+Skill：AI 工作流的进化抉择
AI工作流构建面临传统Workflow与Agent+Skill架构的抉择。传统Workflow可视化操作稳定但僵化，适合简单线性任务；而Agent+Skill通过自然语言定义模块，具备灵活进化能力，但存在技术门槛。采用五步构建法（拆分、编排、存储、分摊、迭代）可实现复杂任务的智能化处理，通过混合架构、成本优化和AI辅助工具可解决稳定性、成本和门槛问题。这一选择本质上是将自动化资产从"死流程"升级为可复用、可进化的"活资产"，是企业数字化转型的关键决策。
2026-01-16 18:44:38
1144
原创 Agent、Skill、Tool、LLM 的四层关系与协同逻辑
摘要：大模型智能体（Agent）体系由四层组件构成协同关系：LLM作为决策中枢，Tool提供外部能力接口，Skill封装Tool形成标准化能力单元，Agent整合所有组件完成复杂任务。其协作流程为LLM解析任务→决策调用Skill→Skill封装Tool执行→Agent聚合结果。核心特点是分层解耦（LLM不直接操作Tool）与能力封装（Skill屏蔽Tool细节），最终实现单个组件无法完成的复合任务，类比医生结合专业知识（LLM）、设备（Tool）和操作技能（Skill）完成诊疗（Agent）。
2026-01-16 17:34:38
1357
原创 ReActAgent reasoning() 方法深度解析
本文深入解析了ReActAgent的reasoning()方法，这是实现ReAct（推理-行动）模式的核心组件。该方法采用响应式编程设计，通过Mono/Flux实现异步非阻塞执行，包含迭代控制、上下文构建、流式AI调用和实时消息处理等关键环节。方法支持HITL交互、重新推理请求和错误恢复等复杂状态流转，体现了事件驱动架构和精细的状态管理。作为智能体的"决策引擎"，该方法兼具异步性、可扩展性和健壮性，协调AI模型调用、工具使用和人机交互，是ReActAgent实现智能推理的核心机制。
2026-01-15 19:40:47
523
原创 Spring AI Alibaba 实现 Workflow 全指南
本文介绍了Spring AI Alibaba框架中的Workflow模块，该模块基于Java2AI Graph Core规范，实现了声明式、可视化、可复用的AI工作流编排功能。文章从核心概念、环境准备、实现步骤三个方面详细讲解了如何构建电商客服智能回复工作流。主要内容包括：1）核心概念对齐，解释Workflow与Java2AI Graph的映射关系；2）环境准备，包含Maven依赖配置和YAML核心参数设置；3）实战示例，通过@Workflow和@WorkflowNode注解实现用户问题解析、知识库检索、回
2026-01-14 16:21:06
1244
原创 AgentScope Java 集成 Spring AI Alibaba Workflow 完整指南
本文介绍了如何将AgentScope Java与Spring AI Alibaba及Java2AI Graph Core进行深度集成，构建一个完整的智能体工作流系统。主要内容包括： 核心集成思路：通过三层适配实现能力融合，包括模型层复用、工作流层封装和执行层适配，以AgentScope为智能体核心，Spring AI Alibaba为工作流引擎。 工程配置：提供Maven依赖整合方案和YAML配置文件示例，涵盖Spring AI Alibaba、AgentScope Java和Java2AI Graph C
2026-01-14 16:09:54
2198
1
原创 ReAct智能体
ReAct智能体是一种结合推理与行动的AI架构，通过"思考→行动→观察"的循环解决复杂任务。它让大模型在推理过程中调用外部工具，解决了纯文本推理的幻觉问题和能力局限。核心组件包括任务解析器、推理引擎、工具执行器和结果处理器。相比纯推理的CoT或纯行动的范式，ReAct更适合需要多步骤决策的场景，如医疗诊断、运维故障处理等。落地关键在于构建工具生态、控制推理过程、管理上下文和处理异常。该架构已广泛应用于医疗、客服、科研等领域，显著提升了AI处理复杂任务的能力。
2026-01-14 15:39:51
853
原创 “澄清”和“触发OOS”
摘要：本文探讨了大模型在医疗智能助手中处理用户输入的两种核心策略——澄清（Clarification）和触发OOS（Out of Scope）。澄清适用于信息不完整但可回答的情况，通过补全关键信息确保准确性；触发OOS则针对超出能力或合规边界的问题，明确拒绝以避免风险。文章通过医疗场景示例、对比表格和流程图详细说明了两者的判断标准，并提供了工程落地方案和代码示例，强调医疗场景中合规优先、安全至上的原则，建议宁可拒绝也不误导用户。
2026-01-14 13:36:09
690
原创 SFT 和 RFT
摘要： SFT（监督微调）和RFT（奖励微调）是大模型优化的两种关键技术。SFT通过标注数据训练模型适配特定任务（如医疗问答），侧重准确性；RFT则基于奖励模型优化输出，提升安全性、合规性（如避免医疗误导）。SFT需成对标注数据，RFT依赖奖励模型和强化学习。二者协同使用：SFT确保专业能力，RFT对齐人类偏好。在医疗等场景中，需优先完成SFT的专业适配，再通过RFT强化风险提示与合规性，同时严格遵守数据隐私法规。
2026-01-14 11:34:44
900
原创 NLU（自然语言理解）详解
NLU 是计算机对人类自然语言的语义解析、意图识别、情感分析、指代消解等能力的统称，核心是跨越“语言符号”到“语义内涵”的鸿沟理解词语/句子的真实含义（如区分“苹果”是水果还是公司）；识别用户的真实意图（如“附近有咖啡店吗”的意图是“查询周边咖啡商家”）；分析文本中的情感倾向（如“这个产品太好用了”是正面情感）；处理语言中的歧义、指代（如“小明把书给了小红，她很开心”中“她”指小红）。NLU 是 NLP 的核心子领域，核心目标是让计算机理解自然语言的语义和意图，而非简单处理语言符号；
2026-01-12 10:31:35
1198
原创 Medical Entity Recognition（医疗实体识别）
MER 本质是面向医疗领域的序列标注任务实体类别完全贴合医疗场景，需覆盖专业的医疗概念；文本数据包含大量专业术语、缩写（如“心梗”=“心肌梗死”）、非标准化表述（如医生手写病历的口语化描述）；对实体识别的准确率和召回率要求极高（错误识别可能导致医疗决策失误）。例如，对电子病历文本「患者男，58岁，因急性心肌梗死入院，医嘱服用阿司匹林100mg/日，无药物过敏史」文本片段实体类型急性心肌梗死疾病（DISEASE）阿司匹林药品（DRUG）100mg/日用药剂量（DOSAGE）
2026-01-12 10:17:10
1007
原创 Design Token 详解
摘要： Design Token（设计令牌）是设计系统中的原子级变量，封装颜色、字体等基础属性，实现设计与研发的统一语言。其核心价值在于：统一设研认知（如品牌色sys.color.brand）、自动同步变更、支撑主题切换（如暗黑模式）及降低维护成本（一处修改全局生效）。常见类型包括颜色、排版、布局及组件专属Token。工作流程中，Token通过C2D2C模式双向同步至设计工具（Figma）与代码（CSS变量），解决传统静态规范的手动同步问题。京东云实践表明，Token能消除版本偏差，提升D2C代码准确性，成
2026-01-04 13:32:20
1418
原创 分布式架构与云原生架构的区别与关联
摘要： 分布式架构与云原生架构是现代系统设计的两种核心范式，二者并非对立，而是演进关系。云原生架构是面向云优化的分布式架构高级形态，强调容器化、微服务和DevOps。分布式架构侧重业务拆分与性能扩展，而云原生架构深度集成云能力（如弹性伸缩、服务网格），实现高效运维与自动化交付。适用场景上，传统稳定系统适合分布式架构，而高并发、快速迭代场景更适合云原生。二者呈包含关系，企业可根据实际需求选择渐进式演进路径。
2026-01-04 11:00:01
656
原创 系统架构设计
本文系统阐述了系统架构设计的核心概念与实践框架。架构作为连接业务与技术的关键桥梁，其核心价值包括业务对齐、复杂度治理和技术选型指导。文章从层次划分（业务/应用/数据/技术/运维架构）和风格划分（单体/分布式/云原生/AI原生）两个维度对架构进行分类，并详解了微服务、事件驱动、分层架构和AI Agent等主流模式。同时提出了高内聚低耦合、弹性设计等核心原则，以及从需求分析到验证迭代的实践流程。最后强调架构师需平衡业务与技术，通过持续演进打造支撑长期发展的系统架构。
2026-01-04 10:47:56
559
原创 大模型记忆系统设计方案
摘要：大模型记忆系统旨在赋予AI长期记忆、上下文关联和个性化认知能力，采用三级架构（瞬时/短时/长时记忆）实现信息分层管理。核心模块包括交互接口、记忆管理（提取/存储/检索/遗忘）和大模型交互，关键技术涵盖结构化/向量化存储、上下文感知检索和增量优化。典型应用于个性化对话、任务协作等场景，需解决记忆膨胀、隐私安全等挑战。部署建议根据规模选择轻量级或企业级方案，强调实用性、轻量化和隐私保护原则。（149字）
2025-12-31 11:42:19
888
原创 提示工程（Prompt Engineering）与上下文工程（Context Engineering）
提示工程（Prompt Engineering）与上下文工程（Context Engineering）是优化大语言模型（LLM）应用的两大核心层级。提示工程聚焦单次交互的指令优化与格式设计，而上下文工程则系统性管理多轮对话的信息供给与状态闭环。两者协同工作：提示工程作为子模块嵌入上下文框架中，上下文工程为其提供动态数据支持。实践路径建议从基础提示模板入手，逐步引入检索增强生成（RAG）、分层记忆系统和工具编排，最终形成可迭代优化的闭环系统。核心差异体现在：提示工程侧重单次交互质量，上下文工程则解决多轮任务中
2025-12-31 11:28:27
545
原创 基于MCP协议的LLM-Agent数据流转与业务实现详解
本文详细介绍了基于MCP协议的LLM-Agent系统架构与数据流转机制。MCP协议作为连接大语言模型与外部世界的桥梁，系统包含用户、LLM、MCP Client和Server四个核心组件。数据流转过程分为六个阶段：从用户请求到LLM推理、工具发现与选择、工具调用、执行结果返回、结果整合推理，最终生成回复。系统实现分为框架层（通信协议、连接管理等）和业务层（工具逻辑、权限控制等）。文章特别强调提示工程、意图识别等业务定制点的重要性，为构建智能助手系统提供了清晰的技术实现路径。
2025-12-19 21:33:14
723
原创 MCP协议核心概念与通信机制
MCP协议是AI应用与外部工具交互的标准化通信接口，采用JSON-RPC 2.0实现客户端-服务器架构。核心组件包括： 1）MCP Server：提供工具实现和管理资源 2）MCP Client：发现并调用远程工具 3）通信机制：支持stdio/SSE/WebSocket传输，包含初始化、工具发现和调用三个阶段。协议通过标准化的请求/响应格式实现AI系统与外部工具的安全高效交互，典型应用如计算器服务，客户端发送数学表达式，服务器返回计算结果。该协议为AI系统扩展功能提供了标准化接口方案。
2025-12-19 20:55:01
819
原创 当前主流AI Agent框架深度分析报告
本报告对当前主流AI Agent框架进行了深度分析。报告将框架分为三大类：通用Agent开发平台（如LangChain、AutoGen、CrewAI）、自主任务执行框架（如AutoGPT、SWE-agent）和多Agent协作平台（如AgentVerse）。 报告重点解析了LangChain的链式组合模块化架构、AutoGen的对话驱动多Agent系统以及CrewAI的企业团队模拟设计理念。通过代码示例展示了各框架的核心实现机制，包括LangChain的Agent执行引擎、Memory系统和自定义Chain
2025-12-17 22:24:47
1118
原创 Redis集群数据库选择策略
Redis集群模式与单机模式在数据库选择上存在关键差异：集群仅支持DB0，替代方案包括键前缀隔离法和多集群实例。生产环境应遵循键命名规范，优化分片策略，并设计跨业务访问模式。迁移时需分析现有DB使用情况，建立前缀映射，使用批量工具转换。监控推荐按前缀统计指标。决策时应优先考虑键前缀隔离方案，配合hash tag实现逻辑隔离。集群环境下，合理的键设计可完全替代传统多DB架构。
2025-10-10 13:48:16
938
原创 Redis数据库隔离业务缓存对查询性能的影响分析
Redis数据库隔离业务缓存对查询性能的影响分析表明：隔离本身不直接提升性能，但通过减少键冲突、优化SCAN操作范围和内存局部性间接优化整体表现。测试显示，采用多DB隔离方案(如分3-8个DB)可使平均延迟降低25-33%，P99延迟改善37-50%。关键措施包括按业务分库、结合布隆过滤器、优化Redis配置参数，并注意集群模式下需用键前缀替代SELECT。建议对性能敏感系统采用"业务分DB+键前缀+布隆过滤器"组合方案，同时避免频繁DB切换等反模式。
2025-10-09 15:55:17
443
原创 Redis数据库大小与高效使用指南
Redis数据库大小特性与使用指南：Redis实例中的所有数据库共享同一内存池（通过maxmemory配置），无法为单个DB设置独立上限。文章提供了8个最佳实践：1)按业务划分数据库；2)环境隔离；3)设置合理淘汰策略；4)监控使用情况；5)定期清理；6)规范键命名；7)合理设置TTL；8)避免FLUSHALL。还介绍了伪分片策略和方案对比表，建议大多数应用采用"业务+环境"混合划分方式，配合内存监控和命名规范。
2025-10-09 15:46:32
426
原创 Model Context Protocol
MCP协议是Anthropic开发的AI安全连接标准，采用客户端-服务器架构，支持双向通信和多种传输方式。核心组件包括资源、工具和提示词三大模块，提供细粒度权限控制、沙箱隔离和审计日志等安全特性。协议工作流程涵盖连接建立、能力协商、资源发现及交互执行四个阶段，适用于数据集成、工具调用、内容管理等场景。其标准化接口、插件化设计和多语言支持使MCP成为构建智能应用生态系统的重要基础设施，兼具安全性、灵活性和可扩展性优势。
2025-10-09 14:41:23
439
原创 Cloud Computing（云计算）和Sky Computing（天空计算）
云计算与天空计算是两种不同层次的计算范式。云计算通过互联网提供可扩展资源，而天空计算是跨多个云平台的统一抽象层。关键区别在于：云计算专注于单云资源虚拟化，存在厂商锁定风险；天空计算实现多云互联，支持跨云调度和自动故障转移。技术上，云计算依赖特定云服务，天空计算则通过统一接口抽象多云资源。应用场景上，云计算适合企业系统上云，天空计算更适用于需要跨云优化成本或合规的场景。天空计算被视为"云世界的TCP/IP"，有望成为未来多云管理的主流范式。
2025-08-12 11:19:53
1657
原创 ML基础设施（Machine Learning Infrastructure）
机器学习基础设施（ML Infrastructure）是支撑AI项目全生命周期的技术架构，包含计算资源、数据管理、开发工具链和部署运维四大核心模块。其本质是将机器学习工程化过程中的通用能力沉淀为可复用组件，显著提升研发效率。典型架构涉及GPU集群调度、特征存储、实验跟踪（如MLflow）和模型服务（实时/批量推理）等关键技术。与传统IT设施相比，ML设施更关注GPU资源优化、PB级数据处理和模型漂移监测。当前趋势呈现训练/推理一体化、Serverless化及智能成本调度等特点。据调研，完善的基础设施可使模型
2025-08-12 11:12:18
1204
原创 SkyPilot 的产生背景
摘要（148字）： SkyPilot是为解决云计算与机器学习生态痛点而生的开源工具，针对三大核心问题： 云环境碎片化：多云API差异、定价波动（如V100时价差达3倍）、40%ML任务因配置错误浪费资源； ML工作流特殊性：需动态切换资源类型（Spot/On-Demand实例）与规模（单卡→百节点训练）； 现有工具局限：需组合Terraform/Airflow等3+工具，30%时间耗于调试。 其创新整合实时价格优化、跨云统一抽象，使ML团队运维时间减少75%、云支出降60%，实现"一次编写，多云运
2025-08-12 11:00:43
871
原创 微信服务通知全流程Java实现方案
微信服务通知Java实现方案摘要 本文介绍了微信服务通知的Java全流程实现方案，主要包括： 架构设计：采用分层架构，业务系统通过微信通知服务接入多种消息类型（模板/文本/小程序消息） 核心实现： 配置管理类集中管理微信参数 Access Token服务实现定时刷新和缓存 消息发送服务支持模板消息构建和发送 异步消息队列消费处理 增强功能： 模板消息管理接口 失败重试机制 消息模板同步功能 技术特点： 使用Redis缓存access_token 定时任务自动刷新token 支持小程序页面跳转 异步消息处理提
2025-08-11 21:53:42
1356
原创 基于 FreeMarker 实现 SQL 模板动态生成的完整指南
本文介绍了使用FreeMarker动态生成SQL的完整方案，包含Maven配置、模板创建和Java实现。通过FreeMarker的条件判断、循环和变量替换功能，可灵活构建动态SQL查询。文章提供了SQL模板示例(.ftl文件)和Java模板处理器工具类，支持参数化查询、排序分页等常见功能，并包含SQL注入防护机制。高级技巧部分展示了复杂条件处理、动态列选择和表连接等场景的实现方法。这种方案可显著提升SQL的灵活性和可维护性，特别适合需要动态构建查询条件的应用场景。
2025-08-07 15:32:07
1054
原创 Apache Camel 中 ProducerTemplate
摘要：Apache Camel 的 ProducerTemplate 是一个关键接口，用于将消息主动发送到路由端点。它提供多种发送方法（如 sendBody 和 requestBody），支持同步/异步消息传递，并允许添加消息头。典型应用场景包括 REST 请求处理、定时任务和测试。模板线程安全，使用后应关闭，且端点 URI 需预先声明。作为连接业务代码与 Camel 路由的桥梁，它简化了消息驱动应用的开发。
2025-08-04 17:01:19
519
原创 Kubernetes中ingess以及它和nginx的关系
在 Kubernetes 中，Ingress 是管理集群外部与内部服务之间 HTTP/HTTPS 流量的核心资源，而 Nginx 则是实现 Ingress 功能最常用的工具（以 Nginx Ingress Controller 的形式存在）。Ingress Controller 是一个运行在集群中的 Pod，它的作用是监听 Kubernetes 集群中 Ingress 资源的变化，并将其转换为具体的流量转发配置（如 Nginx 配置），从而实现对外部流量的路由。# 转发到 api-service。
2025-08-03 16:54:27
1262
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人