m1kasaz

一、质量属性：敏感点与权衡点 敏感点：为了实现某种特定的质量属性，一个或多个构建所具有的特性 权衡点：影响多个质量属性的特性，是多个质量属性的敏感点 二、软件架构风格 1. 数据流风格 批处理风格 场景：日志处理、每日的数据清洗 优点：实现简单、便于调试、可处理大批数据 缺点：实时性差、资源利用率低 管道-过滤器 优点：并行可插拔、易维护、可拓展 缺点：不适合交互、单向数据流不适合复杂业务系统、IO 传输有性能开销 场景：Unix 命令、编译器、音频处理、数据流处理 2. 调用/返回风格 主程序/子程序 场景：小型软件 优点：结构简单、开发成本低、易理解 缺点：耦合度高、拓展性差 层次 定义：每一层根据职责不同划分不同的层次，下层为上层提供服务，上层仅依赖下层，禁止跨层调用或反向依赖 场景：MVC...

记录由这篇课程得到的一些关于RAG的启发。 What RAG RAG：检索增强，就像他的名字一样，RAG的过程大概就分为两个部分 Retrive（检索） 我们知道LLM的原理就是通过你输入的Prompt不断预测下一个词，而且这个词的概率会随着**上下文（Context）**的变化而变化，RAG就是通过改变Prompt或者说Context的方式，影响模型的回答。 向量数据库已经被认为是比传统数据库更高效的一种检索库 在我们输入一段初始的Prompt，模型在处理上下文的时候，系统会先通过某个编码器（Embedding）将文本convert成向量，然后去向量数据库（Vector...

项目思考 12345运行架构：参与建设轻量级 AI Agent 运行时，打通 CLI、Gateway、WebUI、OpenAI-compatible API 四类核心交付入口，将消息总线、Agent Loop、Session、Cron、Heartbeat 等能力解耦并下沉到统一运行时中，实现多形态接入与底层能力的一次开发、多端复用。执行闭环：围绕工具调用型 LLM 执行链路实现多轮推理、流式响应、子代理协作、上下文裁剪与中断恢复等核心能力，形成覆盖消息接入 → 推理执行 → 会话持久化 → 结果分发的完整 Agent 执行闭环，保障复杂任务在长链路下的稳定性与可恢复性。扩展体系：完善多渠道与多模型扩展体系，仓库内置 15 个聊天渠道模块与 35 个 Provider 配置项，并沉淀 Session、Memory、Cron、Heartbeat...

LeetCode22：括号生成 22. 括号生成 - 力扣（LeetCode） 数字 n 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 有效的 括号组合。 思路： 最直接的思路，构建一个长度为2n的数组，针对每个位置枚举两种情况，最后校验生成的字符串是否合格(显然这个指数级别的时间复杂度不满足条件) 仔细思考左括号和右括号的限制条件（在第一个思路上进行减枝），对于当前持有left个左括号和right个右括号的数组来说，需要满足 左括号数量必须小于n 右括号数量必须小于左括号 基于此我们可以得到加括号的限制条件： 如果左括号的数量小于n，仍可以继续插入左括号 如果右括号的数量小于左括号，仍可以插入右括号 递归出口为右括号已经全部插入 代码实现如下： {fold}1234567891011121314151617181920212223242526272829303132333435363738394041424344454647class Solution {    public...

怎么保证Mysql的主从一致性 根据一致性有低到高，Mysql分为异步复制、半同步复制、组复制。异步复制是将binlog文件发送给从节点就不管了，半同步复制是只要有一个从节点告知主节点已经将binlog复制完毕，主节点就返回插入完成的消息，组复制就需要大多数节点都告知主节点复制完毕，主节点才会返回。 如何使用redis实现分布式锁 1SET lock_key unique_value NX PX 30000 lock_key：锁的名字。 unique_value：关键点！ 每个客户端生成的随机唯一 ID（如 UUID）。用于释放锁时校验“这把锁是不是我加的”。 NX：只有 key 不存在时才设置成功（保证互斥）。 PX 30000：设置 30...

...

230. 二叉搜索树中第 K 小的元素 给定一个二叉搜索树的根节点 root ，和一个整数 k ，请你设计一个算法查找其中第 k 小的元素（k 从 1 开始计数）。 思路：遍历顺序肯定是中序，才能用上搜索树的性质。 全局记录答案。 123456789101112131415161718192021class Solution { private int ans; private int k; public int kthSmallest(TreeNode root, int k) { this.k = k; dfs(root); return ans; } // 左中右遍历，在根节点k--。 private void dfs(TreeNode node) { if (node == null || k <= 0) { return; } dfs(node.left); //...

xxl-job对比其他定时任务处理器的优势 支持动态更新cron表达式 日志写入 任务失败通知 提供可视化监控 支持分布式任务 IOC的原理 项目启动的时候会扫描所有类是否包含容器化管理的注解，如果有先将类信息统一封装成BeanDefination的规范，然后通过反射机制调用空参构造函数进行实例化，然后进行依赖注入，调用初始化方法，以及postconstruct注解方法，进行aop增强，包装成bean对象后放入IOC容器中 1.项目启动不会扫描所有类，而是扫描包路径下带有@bean和@component类 2.不一定调用空参构造 3.依赖注入需要注意循环引用问题 4.postconstruct -> init -> 自定义init ->...

countdownlatch 1234567891011121314151617181920public class Main { public static void main(String[] args) throws InterruptedException { // 主线程等待n个子线程，每次调用countdown表示该线程准备好了 CountDownLatch latch = new CountDownLatch(2); new Thread(() -> { System.out.println("线程1执行"); latch.countDown(); }).start(); new Thread(() -> { System.out.println("线程2执行"); ...

提示词（prompt） zero-shot：零样本学习，无提示 few-shot：少样本学习，少量示例 检索增强（RAG） 通过构建向量数据库等为大模型提供新的知识库，大模型通过检索这些知识库学习新的知识。 我们可以通过文本嵌入大模型将文本转换成向量，模型会把一段文本拆分成多个维度（抽象语义特征）的数字列表。 进行向量匹配时，主要使用余弦相似度算法来确定两段文本的相似度。 余弦相似度：计算两个向量的夹角。 对于两个 n 维向量 $A = [a_1,a_2,…,a_n]$、$B = [b_1,b_2,…,b_n]$，余弦相似度计算公式为：$$ \cos(\theta) = \frac{\sum_{i=1}^{n} a_i b_i}{\sqrt{\sum_{i=1}^{n} a_i^2} \cdot \sqrt{\sum_{i=1}^{n} b_i^2}} $$ LangChain 三种模型：LLM、聊天模型、 文本转向量： 123456from langchain_community.embeddings import DashScopeEmbeddingsmodel =...