<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ttyy1112的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ttyy1112</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ttyy1112]]></copyright><item><title><![CDATA[Servlet 3.1+和Reactor融合机制]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157977552</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157977552</guid><author>ttyy1112</author><pubDate>Wed, 11 Feb 2026 17:37:28 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[Spring MVC和Spring WebFlux是否能在同一个应用中共存]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157976635</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157976635</guid><author>ttyy1112</author><pubDate>Wed, 11 Feb 2026 16:42:48 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[推理引擎与大模型的关系（精简版）]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157646965</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157646965</guid><author>ttyy1112</author><pubDate>Mon, 02 Feb 2026 11:26:59 +0800</pubDate><description><![CDATA[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&quot;百科全书与朗读者&quot;——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&quot;答得好&quot;和&quot;答得快&quot;的问题。（149字）]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157646522</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157646522</guid><author>ttyy1112</author><pubDate>Mon, 02 Feb 2026 11:10:05 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157646093</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157646093</guid><author>ttyy1112</author><pubDate>Mon, 02 Feb 2026 10:55:28 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型工具调用（Function Call / Tool Call）核心原理完整讲解]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157645492</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157645492</guid><author>ttyy1112</author><pubDate>Mon, 02 Feb 2026 10:31:08 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[Flux.publishOn(Scheduler)方法的核心作用]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157476794</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157476794</guid><author>ttyy1112</author><pubDate>Wed, 28 Jan 2026 18:46:18 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[Reactor响应式编程中Sinks.Many]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157472111</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157472111</guid><author>ttyy1112</author><pubDate>Wed, 28 Jan 2026 15:46:49 +0800</pubDate><description><![CDATA[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）]]></description><category></category></item><item><title><![CDATA[Reactor响应式编程中Flux和FluxSink]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157470747</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157470747</guid><author>ttyy1112</author><pubDate>Wed, 28 Jan 2026 14:56:52 +0800</pubDate><description><![CDATA[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&quot;水龙头&quot;控制Flux&quot;水管&quot;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]]></description><category></category></item><item><title><![CDATA[多智能体架构深度解析：企业落地如何选择Skills与SubAgents？]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157176223</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157176223</guid><author>ttyy1112</author><pubDate>Tue, 20 Jan 2026 14:22:06 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[Agent+Skills架构进阶：嵌套型SubAgent的Skill化封装方法论]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157033024</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157033024</guid><author>ttyy1112</author><pubDate>Fri, 16 Jan 2026 20:03:56 +0800</pubDate><description><![CDATA[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&quot;对外&quot;与&quot;对内&quot;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&quot;对外简单、]]></description><category></category></item><item><title><![CDATA[Workflow or Agent+Skill：AI 工作流的进化抉择]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157032081</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157032081</guid><author>ttyy1112</author><pubDate>Fri, 16 Jan 2026 18:44:38 +0800</pubDate><description><![CDATA[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&quot;死流程&quot;升级为可复用、可进化的&quot;活资产&quot;，是企业数字化转型的关键决策。]]></description><category></category></item><item><title><![CDATA[Agent、Skill、Tool、LLM 的四层关系与协同逻辑]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/157030959</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/157030959</guid><author>ttyy1112</author><pubDate>Fri, 16 Jan 2026 17:34:38 +0800</pubDate><description><![CDATA[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）。]]></description><category></category></item><item><title><![CDATA[ReActAgent reasoning() 方法深度解析]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/156992325</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/156992325</guid><author>ttyy1112</author><pubDate>Thu, 15 Jan 2026 19:40:47 +0800</pubDate><description><![CDATA[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&quot;决策引擎&quot;，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。]]></description><category></category></item><item><title><![CDATA[Spring AI Alibaba 实现 Workflow 全指南]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/156948226</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/156948226</guid><author>ttyy1112</author><pubDate>Wed, 14 Jan 2026 16:21:06 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[AgentScope Java 集成 Spring AI Alibaba Workflow 完整指南]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/156947960</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/156947960</guid><author>ttyy1112</author><pubDate>Wed, 14 Jan 2026 16:09:54 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[ReAct智能体]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/156947236</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/156947236</guid><author>ttyy1112</author><pubDate>Wed, 14 Jan 2026 15:39:51 +0800</pubDate><description><![CDATA[ReAct智能体是一种结合推理与行动的AI架构，通过&quot;思考→行动→观察&quot;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。]]></description><category></category></item><item><title><![CDATA[“澄清”和“触发OOS”]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/156943949</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/156943949</guid><author>ttyy1112</author><pubDate>Wed, 14 Jan 2026 13:36:09 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[SFT 和 RFT]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/156942300</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/156942300</guid><author>ttyy1112</author><pubDate>Wed, 14 Jan 2026 11:34:44 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[NLU（自然语言理解）详解]]></title><link>https://blog.youkuaiyun.com/ttyy1112/article/details/156852635</link><guid>https://blog.youkuaiyun.com/ttyy1112/article/details/156852635</guid><author>ttyy1112</author><pubDate>Mon, 12 Jan 2026 10:31:35 +0800</pubDate><description><![CDATA[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；]]></description><category></category></item></channel></rss>