BFF 层流式输出：从前端直连到生产级流式网关的架构演进 v039 拆解了 LLM 流式输出的完整技术链路——从 HTTP chunked transfer encoding 到 SSE 协议，从 R

深度重构：Agent Skills——从 Prompt 工程到能力工程 阅读本文你将获得： 一个定义：Skill 不是 Prompt，是“能力蒸馏” 一个协议：SKILL.md 的工程密码（descr

一、 核心认知：RAG 的上游，决定了下游的天花板 常见的 RAG 图解往往从 Embedding 开始画起，仿佛文本天生就是干净、结构化的。但现实中的“原材料”是混沌的：可能是带广告的网页、排版混乱

分词与文本向量化是所有大模型应用的基础，也是区分普通使用者与开发人员的关键知识点，下面结合理论 + 本地可运行代码完整讲解。 1. Token 分词：模型运算、计费的最小单元 Token 基础计价规则

2022年加入了一个小的创业公司，记录了自己在一个小公司做技术经理的这段时间的心酸工作史，以及自己的成长，对想要加入创业公司的忠告。

从一个能跑的项目开始 我写了一个 AI 流式对话的前端页面——用户在输入框里打字，点击提交，页面上逐字显示 DeepSeek 的回复。核心代码长这样： 功能跑通了，效果不错。但多看两眼就会发现几个问题

Phase 7.4 学习博客：为什么多 API 项目需要 Swagger / OpenAPI 这次解决的真实问题 PrepMind AI 做到 Phase 7.4 时，问题已经不是“有没有 API”。

V040：RAG 检索增强生成的工程链路解构与生产级系统设计 引言：RAG 认知的三个层次 对 RAG（Retrieval-Augmented Generation）的理解可分为三个递进层次： 层次

Phase 7.3 复盘：后台任务不只是“扔进队列”，还要能被看见 这篇博客记录 PrepMind AI 在 Phase 7.3 做的事件可观测增强。它不是一个很炫的 AI 功能，但非常适合面试讲，因

面试官问：“你能接受加班吗？”我脑袋嗡的一声，余音绕梁三日不绝于耳。 那一刻，我简直觉得自己像被突然砸中脑袋，脑袋里嗡的一声，余音绕梁三日。作为一个职场小白，这种问题简直颠覆了我对面试的认知。于是，我

Worker Readiness：为什么 /health 不能证明后台任务能跑 这篇文章复盘 PrepMind AI 的 Phase 7.11。它做的不是一个用户能直接点到的新功能，而是一个很典型的工

从审计日志到可下载证据包：事务型 Outbox、租约 fencing 与保留水位 这篇文章解决什么问题 后台有了 OperatorAuditLog，不代表事故发生时就能安全地把一段记录交给排障人员。真

最近AI圈最火的技术概念，非MCP（Model Context Protocol，模型上下文协议） 莫属。 如果你深耕AI应用开发、智能体搭建，一定深有体会：过去做大模型对接是一件极度繁琐的事。对接网

一条SQL昨天还跑得飞快，今天突然慢了一个数量级。执行计划没变、索引没删、数据量也没暴涨——问题出在哪？答案往往藏在两个容易被忽视的地方：索引碎片和统计信息。本文从索引碎片和统计信息的形成机制出发

这一年，左耳朵耗子走了，大家更要注意身体。 这一年，都是前端已死的论调，我偏偏不信，和很多人争论，就是为了给大家更多温暖。 这一年，降本增笑，我见识了太多，洒泪离开前团队，从杭州到北京。

大家有没有遇到过这种情况：刚开始接手一个项目，或者自己从零搭一个新功能，一开始代码还挺清晰，逻辑也挺顺。但随着需求不断迭代，功能越加越多，代码就开始“放飞自我”了——各种逻辑绕来绕去，模块之间互相调用

事件驱动：CommonEvent与EventHandler 一、背景与动机：为什么需要事件驱动？ 1.1 轮询 vs 事件驱动 假设你要等一个快递，有两种方式： 轮询方式：每隔5分钟给快递员打个电话问

模型输出本身就是随机的，同一个需求跑两遍，spec 和代码的细节难免有出入；但如果流程能稳住（先澄清、再写 spec、再拆任务、再实现，顺序和交接点每次都对得上），产出的随机就不会失控——每一步...

为什么要学习鸿蒙开发 大家好，我是石小石！最近一直在寻找新的工作机遇，但是行情确实不好，几乎没人理我。机缘之下，我搜了一下鸿蒙开发，看起来还不错！ 于是，我深入的探索、学习了一下鸿蒙，得出一个重要结论