苏三的开发日记

AI Agent 是一个由大模型驱动、能够理解目标、拆解任务、调用工具、接收环境反馈并持续迭代执行的智能系统。

Java后端面试七大核心速查：JVM组成、JMM并发、GC算法、线程池调优、execute与submit、OOM排查、MQ选型，附面试模板与速记卡。

AI不再是一个不受约束的代码生成器，而是被纳入软件工程质量体系中的高效执行单元。它可以显著降低遗留代码理解成本，提高测试补齐效率，加速安全重构过程，并帮助团队形成更稳定的知识账本。

SSD 提升的是“需求准确率”，TDD 提升的是“代码正确率”。在 AI Coding 里，它们的价值是：SSD 防止 AI 瞎写；TDD 防止 AI 写错；SSD + TDD = 可控、可验

Spring Boot 启动优化不是背配置，而是先定位耗时，再针对 Bean 初始化、数据源连接、启动任务阻塞这三个大头逐步优化。

新增字段不能简单直接ALTER，而要根据字段重要性、数据库版本、业务压力和风险等级，选择Online DDL，gh-ost/pt-osc、扩展表或预留字段，并配合低峰执行、限速、监控、回滚和分批回填。

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。