chagumu's blog

1. 引言：从提示词工程到系统工程的范式转移 在 AI Agent 迈向生产环境的过程中，开发者往往会陷入“提示词迷思”，试图通过无限堆砌 Prompt 来覆盖业务边界。然而，由于大模型本质上的概率性，纯粹的提示词工程在面对长链条任务、复杂工具调用和状态一致性要求时，往往表现出极高的脆弱性。 作为架构师，我们必须清醒地认识到：Agent 的落地不仅仅是算法的博弈，更是严谨的系统工程。要实现从原型到工业级应用的飞跃，必须建立一套能够约束不确定性的“稳固支架”。这就是 Harness 架构 的核心哲学： “Harness 并非业务逻辑本身，而是保障流程稳健、可验证的工业底座。其核心思想是：Agent 的每一次犯错都不应被视为偶然的失败，而应转化为对环境架构的持续修复与沉淀。” 将状态作为一等公民，利用传统高并发后端架构的 ACID 特性或最终一致性模式来治理模型输出，是 Agent 工业化的必经之路。 2. Harness 架构的六大支柱：构建稳健的 Agent 环境 Harness 架构通过六个维度为 Agent 提供标准化的运行边界。当系统失效时，架构师应定位至特定的支架进行硬性加固， ...

很多人看AI教程、逛技术社区，都会撞见两个词：预训练、微调。 预训练还好理解，就是给模型从零上学知识。但微调，很多人越看越懵：到底是大修？小改？还是重新训练一遍？要不要很贵的显卡？普通人能不能碰？ 就四个字：顾名思义，看懂微调。 1. 拆字理解 微调，拆开就是两个字：微小 + 调整。 翻译成人话就一句：不推翻重来，只小修小补，把现成的大模型改得更贴合自己用。 我们先对比两件事，一秒分清边界： 预训练：从零开始，喂全网海量数据，花几十万算力成本，把模型从“啥也不懂”教成“全能通用学霸”，只有大厂能做。 微调：拿已经练好的现成学霸模型，只用少量专属资料，轻轻调整模型底层参数，不颠覆原有能力，只补齐专属本事，个人、小团队、家用显卡全都能做。 核心记住：微调，不是重做，是打磨。就像工匠手里的细磨抛光，底子不变，质感翻倍。 2. 比作我们-大学生 不用冰冷的技术概念，用职场场景一比，所有人都能秒懂。 通用大模型 = 刚毕业的优质应届生 三观正、基础扎实、学习能力强，懂常识、会沟通、能应对各类基础工作。但短板很明显：不懂你们公司业务流程、不懂行业专属话术、不懂内部办公规范、不懂你的专属工作习惯。直 ...

不管是用ChatGPT写报告，用国产大模型做行业咨询，还是自己部署模型做项目，你大概率会碰到这样的场景：问模型一个近期的热点事件，它一脸“茫然”，说“我的知识截止到XXX年”；让它推荐行业最新工具，它给的都是已经淘汰的旧版本；甚至问一个简单的事实性问题，比如“最新的行业政策是什么”，它给出的答案早就过时失效了。 很多人会疑惑：明明是“智能”模型，怎么连最新的信息都不知道？其实，LLM的知识过时，不是模型“笨”，而是它的“知识储备方式”天生有局限。今天，咱们就用最通俗的话，把LLM知识过时的来龙去脉讲清楚，再分享目前工业界和学术界最实用的解决方案，不管你是开发者、产品经理，还是普通使用者，都能看懂、能用得上。 一、先搞懂：什么是LLM的“知识过时”？ 其实一句话就能说透：LLM的知识，都是“预训练阶段”学来的，相当于它在训练截止日期前，把海量数据“死记硬背”进了自己的参数里。训练结束后，它的参数就固定了，再也不会主动去“学新东西”——而现实世界一直在变，新事件、新数据、新技术、新政策不断涌现，久而久之，模型里的“旧知识”就跟不上现实的“新变化”，这就是知识过时。 举几个最直观的例子，一看 ...

一、Indexing 到底是什么？ Indexing = 给你的知识库做 “超级目录” 你有一堆文档： PDF Word 网页 笔记 表格 书籍 不能直接理解文字 不能快速查找 把 “杂乱无章的文字” → 变成 “计算机能快速检索的结构化向量数据” 它是 RAG 的前置基建，没有 Indexing，就没有检索，就没有准确回答。 二、Indexing 的完整 5 步流程（标准 RAG 架构） 所有 RAG 系统的 Indexing 都遵循这 5 步，一步都不能少： 1. 文档加载（Load） 作用：把非结构化文件 → 纯文本 2. 文本清洗（Clean） 去掉没用的东西： 多余空格、换行 水印、页眉页脚 乱码、符号 表格乱码 作用：让向量更纯净，避免噪声影响语义 3. 文本分块（Chunk） 太长 → 向量无法完整表达语义 太长 → 检索不精准 太长 → 大模型读不完 切分规则（最关键）： 按段落 按句子 按固定长度 按语义（最推荐） 保留重叠（避免语义切断） Chunk 质量 = 检索效果 = RAG 回答效果 4. 文本向量化（Embedding） 就是你刚才问的 ...

一、为什么需要扩容？ HashMap 底层是一个 数组 + 链表/红黑树 的结构。数组长度是固定的，随着元素不断插入，哈希冲突概率增大，链表越来越长，查询效率从 O(1) 退化为 O(n)。 为了维持高效的查询性能，HashMap 在元素数量达到一定阈值后会自动进行扩容（resize）。 二、核心参数 参数 默认值 说明 DEFAULT_INITIAL_CAPACITY 16 初始容量，必须是 2 的幂 DEFAULT_LOAD_FACTOR 0.75f 负载因子 MAXIMUM_CAPACITY 2^30 最大容量 threshold capacity × loadFactor 扩容阈值 扩容触发条件： 1当前元素数量（size）> threshold（容量 × 负载因子） 默认情况下：16 × 0.75 = 12，即插入第 13 个元素时触发扩容。 三、扩容策略：容量翻倍 编辑 每次扩容，新数组容量 = 旧容量 × 2。 123// JDK 8 源码（resize 方法节选）int newCap = oldCap << 1; / ...

(Model Context Protocol) 简单比喻：MCP就像是给AI装了一套"插件系统" 想象一下，Claude本身就像一个很聪明的大脑，但它被"困"在一个对话框里。MCP就是让Claude能够"伸出手"去操作外部工具的协议。 具体来说： Claude原本只能聊天，不能直接访问你的文件、数据库、API等 有了MCP，你可以给Claude连接各种"服务器"（MCP servers） 比如连接GitHub的MCP服务器后，Claude就能帮你查看代码、创建issue 连接Google Drive后，Claude就能读取、搜索你的文档 连接数据库后，Claude就能查询、分析数据 技术角度：这是Anthropic开发的一个标准化协议，让AI模型能够安全地调用外部工具和数据源。 技术文档：https://juejin.cn/post/7604037348607082534?share_token=2684000a-90a2-44c4-9bdb-22930deaab35 主流支持 MCP 的软件 Cla ...