Agent 的核心骨架（如所示）极其简单，可以概括为一个公式：Agent =while循环 + 工具调用 +状态检查，历史记录只增不减，导致模型注意力稀释，质量下降。会话结束即失忆，无法跨任务或跨时间延续。仅靠简单的字符串黑名单（如rm -rf）拦截风险，极易被绕过。每一轮都发送全量历史，Token 消耗呈线性甚至指数级增长为了解决上述问题，Claude Code 引入了Harness Engin

Agent 的核心骨架（如所示）极其简单，可以概括为一个公式：Agent =while循环 + 工具调用 +状态检查，历史记录只增不减，导致模型注意力稀释，质量下降。会话结束即失忆，无法跨任务或跨时间延续。仅靠简单的字符串黑名单（如rm -rf）拦截风险，极易被绕过。每一轮都发送全量历史，Token 消耗呈线性甚至指数级增长为了解决上述问题，Claude Code 引入了Harness Engin

Agent 的核心骨架（如所示）极其简单，可以概括为一个公式：Agent =while循环 + 工具调用 +状态检查，历史记录只增不减，导致模型注意力稀释，质量下降。会话结束即失忆，无法跨任务或跨时间延续。仅靠简单的字符串黑名单（如rm -rf）拦截风险，极易被绕过。每一轮都发送全量历史，Token 消耗呈线性甚至指数级增长为了解决上述问题，Claude Code 引入了Harness Engin

消息队列削峰，一般解决的是突发流量激增额情况。如果是流量持续增大，并且单机性能优化达到极致，那么只能水平扩容。削峰，也可以理解为在解耦的基础上，进一步考虑了流量激增的情况；而解耦更侧重考虑整体的相应时间。

由于开启了幂等生产，在同一分区中，同一生产者消息的编号需要是连续的，也就意味着中间不能丢消息，所以通常情况下，开启幂等性也会启用 acks=all和retries 设置，来尽可能确保消息是可以连续的，不然如果中间出现空洞，整个流程就会卡住，需要有专门的程序或者人工介入。这种方式有一个缺点，增减节点会对原有的路由分布会造成冲击，比如原来9个分区，用户id是10，那算出来就是10%9=1号分区，假设增

Kafka受欢迎有一个很大的原因是因为他提供了天然的容灾解决方案，可以应对机器故障等各种异常。

比如发送短信场景，假设服务SvrA发送消息给SvrB，SvrB发送短信给客户，很多时候业务是允许SvrA不需要得到SvrB发送完成的回应，只需要消息发送到SvrB就行了，这种情况下，如果还让SvrA等待SvrB的返回，显然会导致性能变低，同时还要去关注SvrB的运行结果。还有更常见的，比如一个业务流程，过了10多个微服务，单个也许不长，加起来就很难接受。以上的情况下，用户很难通过同步接口长时间等待

消息队列的解耦，就是上下游服务相互依赖，但上游服务不关心下游服务结果，同时需要降低整体响应时间，且下游即便出现问题也不需要上游来解决的场景。

那么我们可以通过一个案例来告诉大家什么是RAG。假设我们现在有一个需求,就是AI智能运维助手，通过提供的错误编码，给出异常解释来辅助运维人员更好的定位问题和维护系统。比如我们现在提供的错误代码中，00000代表success,A0001代表网络故障，A0002代表系统限流。但是传统的LLM是有缺陷的，比如LLM的知识不是实时的，不具备知识更新；LLM可能不知道你私有的领域/业务知识；LLM有时会在

向量是用于表示具有大小和方向的量；向量又可以描述为矢量。