登录社区云，与社区用户共同成长
邀请您加入社区
本阶段我独立负责的全栈开发工作，严格按照 “AI 智能体逻辑→后端接口→前端交互” 的闭环路线推进。本阶段我完成的核心成果：完成角色智能体 Agent 逻辑开发，实现人设读取、风格保持、多轮上下文管理、大模型调用全流程；完成角色聊天、角色信息、历史对话、清空上下文 4 个核心后端接口开发与联调；完成角色对话前端页面开发，实现角色选择、消息收发、回复展示、加载状态等交互；完成全链路联调与问题修复，实
GitHub、开源贡献、小白入门、Pull Request、加入组织、保姆级教程前面咱们花了三篇加一个番外，把你自己的“一亩三分地”打理得井井有条了。但 GitHub 真正牛逼的地方，不在于你能存自己的代码，而在于很多兄弟到了这一步就怂了：“我就是个写了几百行代码的小白，去别人的项目里像个无头苍蝇，这也不敢点，那也不敢碰，生怕被大佬骂成傻X。别怕！今天这篇，咱们就彻底抛开“技术实现”，纯粹从**“
FlowMind是一款基于RuoYi-Cloud框架扩展的AI智能开源工作流系统，集成了Flowable工作流引擎和AI辅助设计功能。该系统创新性地引入AI智能流程设计，用户通过自然语言描述需求即可自动生成BPMN流程结构、表单和分类配置，大幅降低流程设计门槛。系统保留了RuoYi-Cloud的17项基础功能，并新增审批中心、草稿箱等特色功能，支持完整的流程生命周期管理。技术栈涵盖Vue3、Spr
Sophnet 提供的是 OpenAI兼容的 Chat Completions 接口，因此后端调用地址应为 `/v1/chat/completions`，请求体使用 `messages` 数组，而不是 Responses API 的 `input` 格式。4. Controller层：对外暴露 `/api/ai/chat`，保持项目统一的 `ApiResponse` 返回结构。本周最重要的技术决策
在 2026 年高并发系统架构中，I/O 性能依然是决定应用吞吐量和响应延迟的关键因素。`BufferedInputStream` 作为 Java I/O 体系中的经典缓冲装饰器，其设计哲学、源码实现及与现代并发模型（如 Project Loom 虚拟线程）的协同优化，值得深入剖析。
本文介绍了焕新家二手家电交易平台"的开发与测试情况。该平台基于SpringBoot+Vue+MySQL技术栈，提供二手家电交易全流程服务，包含用户和管理员两大功能模块。用户可实现浏览、发布、购买、AI估价等操作，管理员则负责用户、商品、订单等系统管理。文章展示了平台界面截图，并详细说明了系统测试方案，包括登录功能测试用例和结果分析。测试表明平台功能完善，运行稳定。最后提供了部分核心代码片
页面加载完成后，自动发送一个异步请求（AJAX），向后端请求品牌列表数据。拿到响应数据后，将其设置到页面对应的数据模型上，用于渲染展示。接收到前端的异步请求后，调用Service层的selectAll方法进行业务查询。得到返回的集合后，将该集合转换为JSON格式字符串，最后通过响应对象将JSON数据返回给前端。selectAll方法被调用后，直接调用Dao层的方法，获取所有品牌数据的列表，并将结果
当类中只有一个需要隐藏的成员还好，如果有很多个需要隐藏的成员，每一个都写前置声明，并用智能指针来管理，那就实在太繁琐了。—它在安全性、封装性、编译效率与接口简洁性之间取得了近乎完美的平衡，既坚守了 RAII 的资源管理原则，又有效隔离了实现细节，堪称现代 C++ 工程实践中“高内聚、低耦合”的典范。另外，作为对外的接口，最好是提供像 Java / C# 那样的接口，C++ 的纯虚函类也行，隐藏掉所
AI Agent工程师成为技术新风口，大厂争相布局，人才缺口巨大。传统Java/Python开发者凭借工程经验优势，转型AI Agent工程师薪资可提升50%-100%。转型路径包括掌握Python基础、API调用、Prompt工程、RAG检索、LangChain框架等核心技能，并通过项目实战逐步提升。当前正处于AI Agent落地的黄金窗口期，开发者可通过3-6个月系统学习完成转型，抓住这一波技
智能体开发真不是「调个大模型API」那么简单，从会话管理、上下文设计、权重调优到稳定性保障，每一步都有坑。我这几个问题算是最典型的，如果你也在做智能体相关的开发，希望能帮你少走点弯路。
本文介绍了文本分割器在文档处理中的核心作用，重点讲解了两种主要拆分方法：基于字符长度的CharacterTextSplitter和基于Token的tiktoken编码拆分。通过具体代码示例，展示了如何通过设置chunk_size和chunk_overlap参数来控制拆分粒度，同时保持语义完整性。文章还分析了硬性约束拆分的RecursiveCharacterTextSplitter使用场景，以及针对
这是一个由多个AI智能体驱动的沉浸式群面模拟系统语音交互与实时字幕5类不同角色的AI候选人智能体事件化复盘与五维能力评估MBTI人格画像可视化本系统通过AI多智能体技术模拟真实群面场景，结合语音交互和事件化复盘，为求职者提供了一个低成本、高频次的群面练习平台。五维智能体画像- 从人格、情绪、角色、能力、记忆五个维度建模Manus Agent架构- 通过工具调用实现复杂决策事件化复盘- 每条评分都有
Coding Agent 的性能不仅取决于底层大模型，更取决于包围它的 **Harness**（系统提示、工具、中间件、记忆等）。复旦&北大提出 **AHE（Agentic Harness Engineering）**，通过**组件可观测性、经验可观测性、决策可观测性**三大支柱，让另一个「进化 Agent」自动迭代优化 Harness。
本文介绍了Langchain4j框架在Spring Boot中的集成与应用
本文为Java工程师提供大模型应用实战指南，从原理认知、系统架构到生产落地，详细讲解了如何构建企业级大模型应用。文章重点介绍了LLM、RAG、Agent、Skill的概念和作用，以及它们在企业级应用中的组合方式。同时，还提供了Java落地方案，包括模块拆分、代码实战、高并发与可扩展性设计等。最后，文章总结了Java工程师在大模型应用中的关键能力，并强调了工程化的重要性。
本文通过分析若依（RuoYi）开源项目，深入学习 Spring IOC、DI 和 Spring MVC 注解的实际应用。RuoYi 是一个基于 Spring Boot 的权限管理系统，代码规范，非常适合学习 Spring 框架的使用。本文将从以下几个方面进行分析： 1. Spring 环境启动流程 2. Spring IOC 和 DI 注解的使用 3. Spring MVC 注解的使用 4. 拓展
Nacos是阿里开源的动态服务发现与配置管理平台，作为Eureka的替代方案在国内广泛使用。它整合了注册中心、配置中心等功能，支持单机和集群部署。文章详细介绍了Nacos的安装配置、服务注册发现、负载均衡策略、健康检查机制、环境隔离等核心功能，并对比了Nacos与Eureka的差异。Nacos提供更丰富的特性，如权重控制、命名空间隔离、配置中心等，支持AP/CP模式切换，采用推送式服务发现机制。通
内存池（Memory Pool）是一种内存预分配技术，核心是在程序启动时或初始化阶段，向操作系统申请一块连续或离散的内存空间作为“内存池”，后续程序中所有的内存分配、释放操作，均在该内存池内部完成，无需直接与操作系统交互。其核心作用主要体现在三个方面：降低性能开销：系统级内存分配接口（malloc/free）会涉及内核态与用户态的切换，且每次分配都需遍历空闲内存链表，高并发场景下频繁调用会严重拖慢
AI 侧边栏作为独立组件（），与阅读页（）通过 Vue 标准的props 向下传递、emit 向上通知机制进行通信。职责分离：阅读页负责管理阅读状态和侧边栏开关，侧边栏专注于 AI 对话逻辑，两者互不侵入可复用性AISidebar可以嵌入任何需要 AI 辅助的页面，只需传递对应的上下文参数可测试性：组件边界清晰，可以独立对阅读页和侧边栏进行单元测试组件通信模型：ReadingView（父组件）│。
精简文件 + 定期 Compact（5 分钟搞定，省 30-40%）模型路由，简单任务用便宜模型（配置一下，省 70%）上中转站（改两行配置，成本再砍 80%）开 Prompt Cache（如果支持的话）区域订阅（有风险，量力而行）OpenClaw 本身是开源免费的，真正的成本全在 Token 上。很多人觉得"养龙虾太贵"然后放弃了，其实不是龙虾贵，是你没管好它的"饭量"。管好上下文、选对模型、用
现在不都是通过流水线去解决这个问题的吗?不用那么担心了吧。我自己的AI IDE里配了不少skill，改完让AI跑一套分析和审核，比如说这3个skill有一个总的入口skill来串联，配置在SKILL.md里。改完代码后先在「改动点」界面逐个人工审核每处变更，确认没问题剩下全部交给AI了。另外我会再加上600多行的工程规则文件，告诉AI该怎么写代码，让它按我的风格和标准来。这套操作下来，对我这种工作
从事运维工作的同仁，大多有这样的共鸣：每天围着服务器、网络设备、监控告警打转，重复部署、排查故障、备份数据，看似掌握多种工具，却缺乏核心竞争力；随着年龄增长，职业焦虑愈发明显，薪资涨幅缓慢，甚至面临被替代的风险。而网络安全行业，作为国家重点扶持领域，凭借“人才缺口大、薪资待遇高、职业生命周期长”的优势，成为运维转型的最优赛道之一。很多运维同仁转型前会陷入自我怀疑：“我没接触过网安，能做好吗？”“转
一旦连接，用户的网络流量就会先经过攻击者的设备，实现中间人监听或篡改。广度： 面向企业安全建设的核心场景（渗透测试、红蓝对抗、威胁狩猎、应急响应、安全运营），本知识库覆盖了从攻击发起、路径突破、权限维持、横向移动到防御检测、响应处置、溯源反制的全生命周期关键节点，是应对复杂攻防挑战的实用指南。攻击者通过恶意篡改DNS服务器上的域名解析记录，或者通过入侵路由器、污染本地DNS缓存等手段，将用户正常访
云HIS系统源码采用前沿云计算技术构建B/S架构医疗管理平台，基于SpringBoot+MyBatisPlus后端和Angular前端实现前后端分离。系统包含综合管理和业务两大模块，支持门诊/住院全流程管理、电子病历、药品库存等核心功能，通过MySQL+MyCat集群确保数据高效处理。创新性采用微服务架构实现模块化部署，结合Nginx负载均衡和SpringSecurity安全框架，为医疗机构提供高
这是因为操作系统中，线程调度是随机的，也就是抢占式执行，多线程之间如何调度，按照什么顺序执行，这完全取决于操作系统，和程序员没什么关系，你即使是想修改也改不了，不过如果你为线程设置优先级，理论上倒是可以指定他们的调度顺序，但是操作系统也就是参考一下，并不一定会严格执行。我就拿一张桌子四个人的例子来说，其实上边是一种理想化的方式，有没有可能，有两个人都想吃同一只鸡，形成了一个竞争关系，产生了线程之间
本文提供了Linux环境下Java应用部署与运维的完整实践指南。主要内容包括：1）基础环境搭建与SSH连接；2）文件目录管理核心命令（mkdir/cp/mv/rm等）；3）Vim编辑器配置SpringBoot文件；4）日志管理技巧（cat/tail/grep/less）；5）Java应用部署流程（nohup后台运行、端口检查）；6）进程与权限管理；7）网络与磁盘排查工具；8）压缩打包与远程传输；9
本项目是一个校园成绩分析与教学辅助平台，采用前后端分离架构（Vue3+SpringBoot）实现从Excel数据导入到多维分析的完整流程。系统核心功能包括：1）智能Excel导入模块，支持表头识别、数据清洗和错误检测；2）多维度分析模块，提供学生/班级/年级成绩分析、学科雷达图、排名预警等功能；3）教学辅助模块，整合教师评估、资源推荐和本地Ollama大模型的AI问答服务；4）可视化报表导出，支持
（Session）：在店里存档你的完整消费记录（存在服务器）。（Cookie）：直接交给你保管的小便签（存在客户端浏览器）。假设你常去一家咖啡店，这家店用「」记录你的消费习惯。我们把这个过程比作。现在我们仔细阅读一下咖啡馆的公告，看似没有什么作用，但等学完Cookie和Session之后再看会发现十分有用。
LangChain4j 的价值不只是“用 Java 调一下大模型 API”，而是把大模型能力变成 Java 应用中的一等公民。接口定义能力注解描述行为Service 承载业务Spring Boot 管理配置Tool 调用业务系统RAG 接入私有知识库如果你已经熟悉 Java 和 Spring Boot，那么 LangChain4j 是进入大模型应用开发的一个非常自然的入口。先从一个简单的聊天接口开
线性表（Linear List）：是具有相同数据类型的n个元素的有序集合。a0a1aiai1an−1a0a1...aiai1...an−1表中的元素个数 n 称为表的长度，n=0 是称为空表当1in1 < i
我现在想做【学习软件设计师的知识】我的基础是【学习过计算机网络、数据结构、数据库、java、操作系统本科课程】我的资源是【20天时间、软件设计师教程、软件设计师一本通、20年真题、王勇软件设计师视频教程及其相关笔记】我的目标是【高分通过软件设计师考试】请你从第一性原理出发，帮我分析：这件事的本质是什么成功的关键变量有哪些我现在最缺什么最小可执行版本是什么接下来10天我应该怎么做。
本文主要介绍了大模型工程师的入门门槛并不高，强调了应用工程师的重要性，并提出了四大核心能力：提示工程、RAG检索增强生成、模型微调、工程部署能力。文章通过真实案例展示了传统程序员成功转型大模型工程师的过程，并提供了一个零基础友好的学习路线图，鼓励读者抓住当前大模型应用人才需求爆发的时机进行转型。月薪 15K 的 Java 仔，转行大模型后直接翻倍。别不信，这事儿正在批量发生。有人说想搞大模型必须
本文介绍了如何将YOLOv26与Spring Boot 3.3集成，构建生产级目标检测服务。通过对比多种技术方案，选择了Spring Boot 3.3+YOLOv26+ONNX Runtime的技术栈，该组合在性能和稳定性上表现优异。文章详细阐述了分层架构设计，包括接入层、业务层、推理层和基础设施层，确保系统具备高并发、资源管理和异常处理能力。同时提供了完整的环境搭建指南和Maven依赖配置，以及
这两年，开发者对这个词应该已经不陌生了。以前写代码，我们更习惯先把逻辑想清楚，再一行一行实现。遇到不会的语法、报错或者框架用法，就去查文档、搜博客、翻 Stack Overflow。但现在很多时候，流程已经变了。我们会先用自然语言描述自己想做什么，让 AI 生成一版代码，再根据实际运行结果不断修改、调试和重构。开发者的工作重心，也开始从“亲手写出每一行代码”，慢慢转向“描述目标、提供上下文、判断结
摘要：商汤科技推出免费TokenPlan公测，提供三款大模型（DeepSeekV4Flash、SenseNova6.7Flash-Lite、SenseNovaU1Fast）每5小时1500次免费调用。三款模型各具特色：Flash-Lite适合办公场景，U1Fast专注多模态图像生成，DeepSeekV4Flash支持256K长上下文。该服务兼容OpenAI API格式，支持多模态输入和23种开源技
以下是我的思考，然后在AI的讲解下.。
当AI生成一半代码，资深程序员的价值真的消失了吗？当企业为养不起技术团队而发愁，创新只能止步于成本吗？这不是危言耸听。一边是30岁上下的技术骨干，在房贷、育儿与“35岁危机”的夹缝中挣扎，与家人聚少离多；一边是中小企业主，面对动辄百万的研发成本和难以把控的外包质量，数字化转型步履维艰。码上云工正在改变这场困局。我们构建了一个全新的连接平台：让经验丰富的程序员，凭借“AI工具+深厚经验”的组合，成为
6个月，说长不长，说短不短。零基础转型LLM开发工程师，没有捷径可走，靠的是每天2-3小时的专注投入，靠的是遇到问题不放弃的坚持，靠的是聚焦核心技能、不盲目跟风的理性。现在，AI红利还在持续，LLM开发工程师的需求还在不断增长，只要你愿意迈出第一步，按照这份规划稳步推进，6个月后，你也能摆脱零基础的标签，拿到高薪offer，抓住属于自己的AI时代红利。记住：AI时代，最可怕的不是“你不会”，而是“
本文由资深开发者小卢分享GPT-5.5 Codex在国内环境下的配置指南。文章详细介绍了Codex的核心能力，包括项目理解、代码修改等实用功能，并对比了GPT-5.5版本的优势。配置部分涵盖Windows、macOS和Linux三大平台的环境准备、安装步骤及配置文件设置（auth.json和config.toml），提供了关键参数说明和常见问题排查方法。最后给出首次使用测试流程、常用命令手册和最佳
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应
本文探讨了C#与实时操作系统（RTOS）在工业控制系统中的协同应用。RTOS提供确定性调度和低延迟控制，而C#则适用于上层应用开发。通过嵌入式Windows、C/C++接口或共享内存等方式，C#可与RTOS结合，实现高精度控制、数据采集和远程监控。系统架构中，RTOS处理实时任务（如运动控制和传感器采集），C#负责可视化、业务逻辑和远程通信。这种组合能开发出高效稳定的工业自动化系统，满足智能制造等
这篇文章介绍了编程中的方法封装概念，重点讲解了如何通过定义和调用方法来提高代码复用性。主要内容包括： 方法的基本概念：将重复代码封装成可复用的功能块，类比生活中的电饭煲功能 方法定义语法：展示了仓颉编程语言中定义方法的格式，包括参数和返回值的类型声明 四种常见方法类型：有参数有返回值、有参数无返回值、无参数有返回值、无参数无返回值 方法的好处：代码复用和维护方便，修改时只需改动一处 实践部分：创建
这篇文章介绍了编程中数组和列表的基本概念与应用。作者首先通过生活中的例子（如班级花名册、购物清单）引出程序中的列表概念，对比了笨拙的逐个定义变量和高效的数组定义方式。文章详细讲解了数组的创建、访问元素、遍历等基本操作，并指出了仓颉语言中类型后置语法的不直观之处。通过实际代码示例展示了如何计算数组的总和、平均值、最大最小值等统计信息。最后，作者提供了一个完整的学生信息管理系统实践案例，演示了如何用数
竖排繁体PDF高效转换方案 传统PDF工具难以处理竖排繁体文本，导致阅读和提取困难。MinerU通过视觉理解技术，在布局分析阶段同步预测文本旋转角度和阅读顺序，准确还原竖排结构，输出结构化Markdown。再结合DeepSeek V4 Flash进行繁简转换与横排重排，实现本地化高效处理。 核心优势： MinerU原生支持竖排识别，避免传统OCR的顺序错乱 两阶段处理：先提取结构，再语言转换，确保
对比维度普通函数调用Agent 工具调用调用时机编译时确定，代码写死运行时决策，LLM 推理参数来源程序员指定，硬编码LLM 从自然语言提取错误处理抛异常，静态处理逻辑返回错误给 LLM，自主恢复调用链确定，可预测不确定，依赖推理性能开销纳秒级秒级（含 LLM 推理）可调试性高，可单步跟踪低，需观察推理日志适用场景确定性任务，性能敏感开放性任务，需要灵活决策普通函数调用 vs Agent 工具调用
java
——java
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
2048 AI社区
AtomGit AI 社区
openEuler 社区
DeepSeek技术社区
EazyDevelop社区
