飞飞 ❤️ 晨晨

AI Agent 基础概念 感知（Perception）模块：获取外部环境信息，接收多模态输入（文本、图像、传感器数据），例如GPT-4o可端到端处理视觉与语音。 决策（Planning）模块：基于LLM/AIGC大模型进行思考、规划、决策，通过思维链（CoT）、思维树（ToT）等技术拆解复杂目标，并基于反馈持续优化策略。 行动（Action）模块：调用工具（API、数据库、搜索引擎、机器人肢体等）去完成任务。 记忆（Memory）模块：记忆模块又可以分为短期记忆和长期记忆。短期记忆依赖大模型的上下文窗口（如128K tokens）存储数据和知识，用于优化任务效果。长期记忆则通过向量数据库+RAG实现历史经验存储与检索。 核心消息类型在AI Agent主流框架设计中，定义了三种核心消息类型：System Prompt（System Message）、Assistant Prompt（Assistant Message）和User Prompt（User Message），三者功能明确区分： User Prompt：代表用户的直接输入的问题。 Assistant Prompt：代表 ...

从零到一：AI Agent（智能体）开发完全指南 基于 Spring Boot + LangChain4j 的智能体系统开发教程 📚 教程概览本教程将带你从零开始构建一个完整的AI Agent系统，包含多Agent协作、实时通信、Web界面等现代AI应用的核心功能。 🎯 学习目标 理解AI Agent的核心概念和架构 掌握多Agent协作系统的设计 🛠️ 技术栈 后端: Spring Boot 2.7.18 + LangChain4j 1.0.1 前端: Bootstrap 5 + WebSocket AI模型: Qwen plus 🤖 AI Agent基础概念与原理什么是 AI Agent（智能体）？AI Agent（智能体）是一个能够感知环境、做出决策并执行行动的智能系统。它结合了人工智能、自然语言处理和工具调用能力，能够自主完成复杂任务。Agent 代表了人工智能从被动响应到主动智能体的重要演进。 核心特征与原理1. 自主性（Autonomy） 定义: Agent能够独立做出决策并执行行动，无需持续的人工干预 原理: 基于预设的目标函数和约束条件，Agent自主选 ...

目录 掌握 Cursor 基础 如何有效获得更高品质的回复 实战运用 MCP 入门与应用 掌握 Cursor 基础1. Cursor 安装与基本设置什么是 Cursor？Cursor 是一款 AI 驱动的代码编辑器 (IDE)，专为开发者设计，能够理解你的代码和意图，提供代码补全、重构建议，甚至可以帮你生成完整的代码片段。在进入 AI 代理时代后，Cursor 的 AI 代理功能，进一步以自动化的方式，协助开发者完成任务。 下载安装 访问官网：前往 cursor.sh 选择版本：根据操作系统下载对应版本 安装程序：运行安装程序，按照向导完成安装 首次启动：启动 Cursor，完成初始设置 初始配置# 安装完成后，首次启动会引导你进行以下配置：1. 选择主题（深色/浅色）2. 配置 AI 模型（Claude 3.5 Sonnet 或其他）3. 设置快捷键偏好4. 选择扩展插件 2. AI 程式助手 (Coding Assistant) 与 AI 代理 (Coding Agent) 有什么不同？AI 程式助手 (Coding Assistant) 交互方式：对话式交互，需要你主动提问 ...

概述提示工程（Prompt Engineering）是一门较新的学科，关注提示词开发和优化，帮助用户将大语言模型（Large Language Model, LLM）用于各场景和研究领域。 提示工程不仅仅是关于设计和研发提示词。它包含了与大语言模型交互和研发的各种技能和技术。提示工程在实现和大语言模型交互、对接，以及理解大语言模型能力方面都起着重要作用。用户可以通过提示工程来提高大语言模型的安全性，也可以赋能大语言模型，比如借助专业领域知识和外部工具来增强大语言模型能力。 比如 写一篇产品经理的演讲稿，注意使用以下词汇: 赋能,抓手,中台,闭环,落地,漏斗,沉淀,给到,同步,对齐,对标,迭代,拉通,打通,升级,交付,聚焦,倒逼,复盘,梳理,方案,联动,透传,咬合,洞察,渗透,兜底,解耦,耦合,复用,拆解非常好！以下是针对**技术人员听众**的**数据传输产品产品经理演讲稿**，语言更偏技术导向、逻辑严谨，同时融合了您提供的专业词汇，适合在技术大会、内部架构分享或研发团队交流中使用。---# 数据传输产品演进与实践：从解耦到赋能的技术闭环各位技术同仁，大家好！我是本次分享的数据传输产品负 ...

总览 人工智能系统分为三个级别：大型语言模型 (LLM)、人工智能工作流（AI Workflows）和人工智能代理（AI Agents），每个级别代表着不断增加的自主性和复杂性。 LLMs: 这些模型根据用户提示生成响应(Input → Output)，但缺乏自主性或独立行动的能力。 AI Workflows: AI Workflow 使用预定义逻辑自动执行重复性任务（Input → Predefined Path → Output），虽然提高了效率，但缺乏针对创造性或动态场景的灵活性和适应性。 AI Agents 是最先进的，能够独立推理、行动和迭代以实现复杂的目标（Goal → Reason → Act → Iterate → Final Output），并且有检索增强生成 (RAG) 和 ReAct 等框架加持。 基础概念AI 中的流式响应流式响应允许 AI 系统在计算响应的同时逐步生成并显示输出。系统无需等待整个响应生成后再显示，而是在 chunks 数据（tokens）准备就绪时发送它们。此功能使交互感觉更流畅、更自然，就像进行真实的对话一样。 流式响应是如何工 ...

精要主义：在纷繁世界中找回人生的掌控力引言在这个信息爆炸、选择过剩的时代，我们似乎从未如此“忙碌”，却又从未如此“空虚”。社交媒体上的焦虑、工作与生活的失衡、目标与行动的脱节，都在提醒我们：“多即是少”的陷阱正在吞噬我们的专注力与幸福感。《精要主义》（Greg McKeown 著）一书如同一剂清醒药，直指现代人的核心困境——如何从“疲于奔命”转向“精准发力”。它的答案简单却深刻：“更少，但更好”（Less but Better）。 一、精要主义的本质：选择与放弃的智慧精要主义不是简单的“断舍离”，而是一种系统性思维，主张通过 “探索、排除、执行” 三步骤，筛选出真正重要的事务，并为其投入全部精力。其核心逻辑在于： “选择”的力量： 人生中90%的忙碌源于被动接受外界安排，而精要主义者主动掌握选择权，拒绝被“他人的优先级”绑架。 “甄别”的智慧： 大多数事务只是“无意义的多数”，真正能创造价值的仅占20%。正如林语堂所言：“生之智慧，在于摒弃不必要之事”。 “取舍”的勇气： 成功常成为失败的催化剂。例如，事业上升后机会增多，若全盘接受反而导致精力分散，最终瓦解最初的专注点。 二、实践精要 ...

数据结构的存储方式数据结构的存储方式只有两种，数组（顺序存储）、链表（链式存储） 队列、栈:既可以用数组实现也可以用链表实现 图:邻接表就是链表，邻接矩阵就是二维数组。邻接矩阵判断连通性迅速，并可以进行矩阵运算解决一些问题，但是如果图比较稀疏的话很耗费空间。邻接表比较节省空间，但是很多操作的效率上肯定比不过邻接矩阵。 邻接表和邻接矩阵是图（graph）这种数据结构的两种常见表示方法。它们各自有优缺点，适用于不同的场景。下面分别介绍这两种表示方法。 邻接矩阵定义：邻接矩阵是一个二维数组（或矩阵），用来表示图中顶点之间的连接关系。对于一个包含n个顶点的图，它的邻接矩阵是一个n×n的矩阵A，其中A[i][j]的值代表从顶点i到顶点j是否存在边。对于无权图，如果顶点i和顶点j之间有边，则A[i][j] = 1；否则A[i][j] = 0。对于有权图，A[i][j]则存储的是边(i, j)的权重，而如果不存在这样的边，通常会用一个特殊的值（如无穷大或0）来表示。优点： 简单直观，容易理解和实现。 检查两个顶点之间是否存在边的时间复杂度为O(1)。 对于稠密图（即边数接近最大可能值的图），使用 ...

❝ MySQL原生Online DDL是MySQL数据库提供的一项功能，它允许在不中断数据库服务的情况下执行数据定义语言（DDL）操作。 ❞ 一、背景与意义在传统的数据库系统中，执行DDL操作时通常需要锁定表，以防止数据不一致。然而，这种锁定会导致表在DDL操作期间不可用，从而影响数据库的可用性。MySQL原生Online DDL解决了这个问题，它允许DDL操作在表仍然可用时执行，大大提高了数据库的可用性，特别是对于需要24/7高可用性的应用来说，这是一个重要的特性。 二、工作机制MySQL原生Online DDL的工作机制涉及多个步骤和内部原理： 1. 准备阶段 「检查与评估」：在执行DDL操作之前，MySQL会进行一系列的检查和评估工作。这包括验证DDL操作的语法正确性、检查用户权限以及评估所需资源等。 「选择执行策略」：根据DDL操作的类型和表的结构，MySQL会选择一个合适的执行策略。这通常涉及决定是使用COPY算法、INPLACE算法还是INSTANT算法。 2. 执行DDL操作 「COPY算法」： 「创建临时表」：首先，MySQL会创建一个与原始表结构相似的新临时表。 ...

追源索骥：透过源码看懂Flink核心框架的执行流程 前言Flink是大数据处理领域最近很火的一个开源的分布式、高性能的流式处理框架，其对数据的处理可以达到毫秒级别。本文以一个来自官网的WordCount例子为引，全面阐述flink的核心架构及执行流程，希望读者可以借此更加深入的理解Flink逻辑。 本文跳过了一些基本概念，如果对相关概念感到迷惑，请参考官网文档。另外在本文写作过程中，Flink正式发布了其1.5 RELEASE版本，在其发布之后完成的内容将按照1.5的实现来组织。 1.从 Hello,World WordCount开始首先，我们把WordCount的例子再放一遍： public class SocketTextStreamWordCount {public static void main(String[] args) throws Exception { if (args.length != 2){ System.err.println("USAGE:\nSocketTextStreamWordCount ...

事务层事务层实现了对并发操作的ACID事务支持。 CRDB事务分为两个阶段： write & reads，即事务执行阶段，当进行写操作时，CRDB并不会直接对硬盘的数据进行修改，而是使用另外两个东西来进行辅助，这两个东西也避免了锁的使用： Transaction record，存储在range第一个被修改的key处，表明了修改当前key的事务所处的状态：PENDING，COMMITTED或者ABORTED。第一个状态表示事务正在进行；第二个状态表示事务已经提交；第三个表示事务已经丢弃，正在进行重试或者rollback。 Write intents，对数据的修改写在这里，此外还带一个指向transaction record的指针，来表明这些数据当前或者之前被一个事务修改过，其他事务根据这个状态来决定对这些数据的下一步操作。产生一个新的write intent前需要检查这一块数据有没有更晚时间戳的提交值，如果有的话该事务需要被重新开始。 当进行读操作时，会检查所读的每块数据的write intent，如果不存在，那么直接读以前的mvcc数据就行了，如果有write in ...