苏三的开发日记

Long Context、Agentic Retrieval、LLM Wiki 都不是对 RAG 的简单“替代”，更准确地说，它们是 RAG 在不同场景下的增强、重构或上层工程化形态。

RAG 调优的本质是：先把知识治理好，再让检索召回更全、排序更准、生成更受约束，最后通过评测和版本管理形成持续迭代闭环。

死锁本质是：多个线程 / 事务/ 进程互相等待对方释放资源，结果谁也无法继续执行。 在 Java 后端里，常见于 Java 锁、数据库事务锁、Redis 分布式锁、MQ 消费并发更新订单等场景。

本文档适合用于Java后端面试复习 内容覆盖：Java 集合、Java 并发、MySQL 索引优化、Redis 数据结构、缓存异常与缓存一致性。

本文档主要整理 Redis、RabbitMQ、RocketMQ、Kafka 在消息队列场景中的常见实现方案，包括：消息不丢失、延迟队列、顺序消费等核心问题。

RAG不是把整篇文档直接丢给大模型，而是先把文档切成多个小片段： 切片质量会直接影响： 影响点 说明 检索准确率 切得太碎，语义不完整；切得太大，噪声多。

多模态 RAG 的本质是把文本、图片、表格、音频、视频等不同类型数据，先解析成可理解、可检索、可追溯的知识片段，然后通过向量检索、关键词检索、结构化查询等方式找到相关内容，最后让LLM生成答案。

RAG 的本质：用检索系统给大模型提供可靠上下文，让大模型基于真实资料回答问题。RAG 的主要优势：解决知识时效性问题、减少模型幻觉、提升垂直领域问答质量、增强可解释性、降低微调成本。

OpenClaw是一个自托管的个人 AI 助理网关，可以把 飞书、微信、QQ、WebChat 等聊天入口连接到本地或服务器上的Agent。

function call是让大模型在一次对话里使用，MCP 是一个统一协议，让模型客户端和外部系统之间，能标准化地发现并使用工具。

多模态 = 让 AI 像人一样，同时看、听、读，并把不同信息联合理解。市场上的多模态模型如Gemini，GPT, Qwen等。

视觉识别更偏向于感知层。 它主要解决的是： 图里有什么物体。视觉推理基于视觉识别，基于此进行一些推理工作。

Agent 是什么？ Agent（智能体）不是普通“问一句答一句”的聊天模型，而是一个围绕目标执行多步任务的系统。

两者的关系是： 自注意力机制（Self-Attention）是注意力机制（Attention）的一种特殊情况。注意力机制是大类，自注意力机制是其中一种。区别在于 Q、K、V 是否来自同一个序列。

Transformer 是一种基于注意力机制的序列建模架构，通过自注意力捕捉全局依赖关系，取代RNN，成为现代大语言模型的核心。

模型是函数，神经网络是多层非线性函数；通过损失函数衡量误差，用梯度下降（基于偏导）优化参数，学习率控制更新速度；用训练集学习，用测试集验证，避免过拟合。

ChatGPT训练分四步：先在海量文本上预训练学习语言规律；再用人工标注进行监督微调；通过人类反馈强化学习优化回答质量；最后进行安全对齐，确保内容可靠合规。整体目标是生成自然、有用且安全的回答。

因为在线方式安装docker,docker-compose存在一些网络上的难题，所以采用离线方式在kali系统安装docker与docker-compose服务。经过测试，可以正常使用。

本文记录/分区存储空间不足，如何从/home分区分出部分空间给到/分区使用。经过测试可以正常运行。如有问题，请评论留言。

本文记录了JVM的重要组成部分，JVM参数的设置及其含义，最后给出了GC排查的一般路径(jps,stat,jmap,top,jstack)