本文深入解析了RAG（检索增强生成）技术如何解决大模型无法访问私有数据的问题。文章首先指出三类"看不到"的数据：知识截止、私有数据和实时数据，并分析暴力塞入Prompt的三大弊端（上下文限制、高成本和注意力稀释）。核心解决方案是通过"先检索后回答"的两阶段流程：离线阶段将私有数据向量化存入数据库，在线阶段通过语义搜索精准召回相关片段构造增强Prompt。RA

AI技术演进：从FunctionCalling到Skills的智能化升级 摘要：本文梳理了AI工具调用技术的演进历程。第一阶段FunctionCalling作为底层机制，让大模型具备了调用外部工具的能力；第二阶段MCP协议统一了工具接口标准，解决了兼容性问题；第三阶段Skills将Prompt指令与MCP工具组合成标准化工作流，实现了业务逻辑的工程化沉淀。Skills通过配置文件封装工作流程，使A

MCP（模型上下文协议）是Anthropic推出的AI工具标准化协议，解决了工具集成重复开发的问题。它将工具开发与使用解耦：工具开发者只需实现MCPServer，AI应用通过MCPClient即可调用所有兼容工具。MCP包含三大角色（Host、Client、Server）和三种能力（Tools、Resources、Prompts），与FunctionCalling形成互补关系：FunctionCa

摘要： FunctionCalling是大模型与Agent间的标准化工具调用协议，解决指令传递的精准性问题。传统方式依赖自然语言描述工具，导致AI回复不可控，需大量解析代码；而FunctionCalling通过三部分结构化数据实现高效协作：1）工具定义（JSON格式说明书）；2）AI调用指令（固定JSON结构）；3）工具返回结果（规范格式反馈）。它覆盖Agent流程中的关键信息交换点（第1、2、4

摘要： 本文探讨了如何通过工具（Tool）赋予大模型实际执行能力，使其从“参谋”变为“实干家”。核心观点包括： Agent与Tool协作：Agent作为调度员协调用户、大模型和工具，大模型决策，工具执行。 Tool四要素：函数本体（执行代码）、名称（识别标签）、描述（关键决策依据）、参数定义（JSONSchema格式）。 工具分类与风险： 查询类（低风险，可自主调用）； 写入类（中风险，需人工确认

摘要：Agent（智能体）是一种以大模型为"大脑"，结合工具执行能力的程序，能够自主完成多步骤任务。它由大模型、工具、记忆和执行循环四部分组成，通过ReAct（推理-行动-观察）或Plan-and-Execute（先规划后执行）两种模式工作。相比固定流程的Workflow，Agent能动态决策，适合开放复杂任务。开发挑战包括幻觉传导、工具调用失败等问题。Agent让大模型从&q

摘要： Prompt（提示词）是与大模型交互的核心，包含指令、背景、格式要求等所有输入内容。好的Prompt需明确目标、提供充分背景、指定输出格式，分为UserPrompt（具体任务）和SystemPrompt（角色设定与行为规则）。优化Prompt的6个原则包括：赋予角色、正向约束、提供背景、固定输出格式、Few-shot示例、思维链推理。Prompt需迭代调试，尤其在Agent开发中，稳定的P

摘要：本文系统介绍了大模型（LLM）的基础概念与核心特性。首先阐明大模型通过海量参数和训练数据掌握语言规律，其本质是根据上下文预测合理文本。关键概念包括Token（文本处理单位）和上下文窗口（记忆限制），解释了模型"无状态"特性及多轮对话的实现机制。文章重点分析了大模型的四大能力：自然语言理解、逻辑推理、内容生成和规则遵循，同时指出其三大短板：缺乏执行能力、知识时效性有限和记忆

2026年后端开发迎来重大变革：AI生成90%业务代码后，开发者转向AOA架构（Agent-Oriented Architecture），Rust替代Java成为主流，Serverless 2.0和WASM容器化兴起。后端角色转变为"智能体编排师"，需掌握分布式推理系统、国产芯片适配及AI安全防护。传统CRUD程序员面临淘汰，而精通Rust优化、AI协议和架构设计者薪资翻倍。未

本文深度解析苍穹外卖企业级项目的技术架构与核心痛点，涵盖JWT鉴权、数据脱敏、Redis缓存优化等关键技术点。文章特别剖析Spring事务失效原因及解决方案，并提供面试加分思路。通过分层架构图与业务流程解析，揭示如何用ThreadLocal、AOP等技术支撑复杂业务场景。最后抛出"秒杀功能设计"思考题，帮助开发者从CRUD进阶到架构思维。适合正在学习企业级项目或准备面试的Java开发者阅读。