归档

06 月

3 篇

06.25 混合技术应用 本文通过9个典型场景，拆解RAG、Agent、多模态处理、工具调用、工程化部署等核心技术的混合应用逻辑。RAG构建企业知识库，解决幻觉与私有知识问题，生产端经文档解析、智能切片、向量化建库，消费端通过多路召回、重排、流式生成实现闭环。Agent通过意图路由、短期/长期记忆与工具调用形成对话记忆闭环；多Agent编排借助总控与子Agent分工处理复杂任务。FC、MCP与RAG构成“黄金三角”，分别负责动态工具调用、标准化接入与静态知识检索。多模态摘要降维、NL2SQL自助取数、高并发工程策略、数仓ETL及推荐系统三层链路进一步拓展应用边界。读者可掌握从技术选型到系统落地的完整思路，核心在于场景化组合RAG+向量库+大模型+工具链的底层逻辑。 AI 应用 06.14 OpenClaw 自托管 Agent 网关 OpenClaw是一个自托管开源AI助手网关，将飞书、钉钉、微信等聊天软件统一接入本地LLM Agent，实现多渠道统一接入、自托管安全可控。其核心三层架构（Channel/Brain/Body）实现关注点分离：Gateway层负责消息路由与鉴权，从不调用模型；Brain层负责指令解析、人格定义和LLM推理，支持Claude/GPT等模型无缝切换；Body层提供工具调用（如天气、日程）和文件操作。消息处理遵循七阶段Agentic循环（归一化、路由、上下文组装、LLM推理、ReAct工具循环、技能加载、持久化记忆）。记忆采用Markdown+YAML文件存储，支持人工编辑和Git备份，通过检索式访问避免上下文窗口爆炸。自动化任务支持Heartbeat心跳、Cron定时和Webhook事件触发。安全设计三道权限闸：入口闸（本地连接与配对码）、工具闸（默认拒绝白名单）、执行闸（Docker沙箱隔离）。实践踩坑提示包括记忆选择性遗忘、技能依赖耦合、Cron时区问题及Docker权限控制。核心优势：透明可控、安全隔离、灵活扩展。 AI 应用 06.03 Claude Code 原理与优化 Claude Code 的核心是单线程 while 主循环（ReAct 模式），通过工具调用触发循环，纯文本回复终止；支持实时打断（h2A 双缓冲队列）。为应对上下文窗口限制，设计五层压缩流水线（从丢弃旧消息到语义压缩），并强调状态外化到文件（如 CLAUDE.md）避免依赖内存。持久记忆由跨会话的 CLAUDE.md 和会话级扁平消息历史构成。四大扩展机制（MCP、Skills、Plugins、Hooks）与子代理（仅返回摘要）实现可控扩展。成本优化需分级选模型、主动压缩（/compact）、回退隔离及切换镜像。Agent SDK 复用核心 harness 加速开发。掌握工具触发循环、压缩策略和状态外化，可构建可控、可调试的生产级 AI 代理系统。 AI 应用

05 月

2 篇

05.23 Vanna 与 NL2SQL Vanna 是一个基于 RAG 的开源 NL2SQL 框架，不微调模型，而是通过向量化存储 DDL、业务文档和示例 SQL 对，在用户提问时检索相关上下文，由 LLM 生成 SQL 并执行，支持安全校验和自校正。其核心优势在于低成本、可增量更新、可解释且框架无关（支持多种 LLM、向量库和数据库）。训练阶段仅需向量化语料，提问阶段自动完成检索、生成、执行和结果可视化。针对 Schema Linking、业务口径歧义、SQL 方言差异和安全风险等难点，Vanna 提供两级检索、业务文档定义、方言指定和三层安全防御等方案。评估应使用执行结果准确率而非文本匹配。Vanna 2.0 转向 Agent 化架构，支持多轮交互、用户权限和流式富 UI。读者可快速落地低成本、可扩展的文本转 SQL 方案，连接业务人员与数据库。 AI 应用 05.11 Context 与 Harness 工程 大模型应用工程分四层递进：Prompt Engineering让模型听懂需求，Context Engineering提供决策信息，Harness Engineering确保稳定执行，Learning Loop实现持续优化。后一层包含前一层。Agent落地中，模型决定天花板，Harness决定落地能力，其六层组件覆盖输入侧（上下文精细化）、动作侧（工具系统、执行编排）和校验侧（评估观测、约束恢复）。上下文腐化通过召回（RAG）、压缩（摘要提炼）、组装（结构化存储）治理。状态必须外化到文件系统，按任务状态、会话中间结果、长期记忆分层存储。实操中通过项目级/用户级/会话级配置及自动化钩子实现稳定执行。掌握这些工程方法可让大模型从“听话”到“能干”，显著提升复杂任务成功率。 智能体 Agent

04 月

3 篇

04.30 Agent 与记忆系统 Agent与记忆系统是AI应用的核心。短期记忆采用MySQL会话表实现滑动窗口机制，只保留最近5轮对话并生成摘要，避免Token过载。长期记忆基于Weaviate向量数据库，按6种类型分类管理（如偏好、承诺），设定不同重要性阈值与保留天数，冲突处理采用时间衰减系数而非物理覆盖。意图识别通过轻量提示词将用户输入路由至预设模块，兜底策略调用大模型。Agent规划从基础的ReAct到复杂决策的ToT/GoT，工业级采用Plan-and-Execute加Self-Reflection确保稳定性。多Agent动态路由通过LangGraph条件边实现任务分发。框架选型上，线性任务用LangChain，复杂循环与多Agent协同用LangGraph。记忆更新遵循版本化与时间戳加权原则。工程挑战包括分层治理、增量摘要、强制终止条件等。 智能体 Agent 04.19 后端系统设计 核心四板斧：限流 → 缓存扣减 → 异步落库 → 最终一致。 1. 前端/网关限流：按钮置灰防重复、Nginx/网关限流、答题验证码削峰。 2. 库存预热到 Redis：下单先在 Redis 用原子操作扣减，扛住高并发，DB 不直接顶流量。 后端与工程 04.08 工程化与部署 基于 Starlette（异步 Web 框架）+ Pydantic（数据验证序列化）。特点：高性能（与 NodeJS/Go 相当）、支持 ASGI（异步）、依赖注入（Depends）、自动生成 API 文档。 后端与工程

03 月

2 篇

03.27 数据库与并发 本文系统梳理数据库与并发核心知识：B+树因固定查询复杂度、叶节点链表支持范围查询成为主流索引；MVCC通过快照实现读写不互斥，MySQL默认可重复读隔离级别，读已提交每次新建快照；SQL优化需用索引、聚合优先、建临时表，大数据量可采用宽表和ClickHouse分区分桶；ClickHouse的列式存储与ReplacingMergeTree适合聚合与增量去重；Elasticsearch依赖倒排索引、分片副本和缓存实现高效召回；多线程需注意竞态条件与死锁，守护线程随主线程结束自动终止；经典SQL题通过自关联和分组统计筛选在≥3家网吧出现时间重叠的用户对。掌握这些知识可提升系统设计与查询优化能力。 后端与工程 03.16 Python 基础 Python核心基础8大模块：数据类型分不可变（数字、字符串、元组）与可变（列表、字典、集合），影响赋值与内存；装饰器通过函数或类动态增强行为，可用作速率限制等；迭代器实现`__next__`协议，生成器用`yield`逐步产生值，内存高效；GIL使CPU密集型任务多线程效率低，建议用多进程，I/O密集型可用多线程或异步；反射用`getattr`等动态调用，GC以引用计数为主、标记清除和分代回收为辅，上下文管理器通过`__enter__/__exit__`自动释放资源；`==`默认比较地址，`__eq__`可自定义相等逻辑；`re`模块支持匹配、替换、分割及预编译和分组；常用内置函数如`map`、`filter`、`zip`提升编码效率。理解这些基石可应对面试、优化代码并解决实际问题。 后端与工程