题目要求我们最终返回一个被反转的链表，以上面的实例为例， 我们是要返回节点5当做头节点的，但是在我们遍历的时候不知道链表的长度，等我们循环结束跳出的时候，cur和next都变成了null, 也就是5的下一个null节点, 所以我们需要一个pre节点来存储我们当前节点的上一个节点， 最终返回它。因为链表的递归节点一般都是.next进行参数传入, 所以当当前节点的下一个节点不为空时（判断当前节点的下一

因为这是一个环形房间，从哪里开始都一样，我们可以将房间分为两组，第一组就是从第一个房间到倒数第二个房间，然后第二组就是第二个房间到倒数第一个房间，然后得出这两组所求的最大金额，返回的就是两组当中最大金额的最大值，第几个到第几个的房间偷取的最大金钱数和打家劫舍1情况相同。假设数组为num,那么dp[0]为num[0],dp[1]为max(num[0],num[1]),通过遍历我们的房屋，那么就可以得

RAG 全称 Retrieval-Augmented Generation，也就是检索增强生成。简单来说，RAG 就是给大模型配了一个外挂知识库。模型自己不知道的东西，先去知识库里面翻一翻，找到相关的资料，然后再基于这些资料来回答你的问题。我们都知道 LLM（大语言模型）是有局限的，它的底层是 Transformer 架构，本质上是一个"文字接龙"游戏 —— 根据前面的文字预测后面最可能出现的文字

这让 SKILL.md 保持静态文件的优点，同时具备一定的动态能力。这种三层结构让一个 Agent 可以"知道自己有 100 项能力，但只带一项能力的重量"。只把识别能力所需的最小元数据放进上下文，真正的指令体和资源在被触发时才按需加载。这意味着一个技能失控不会把别的技能拖下水，也不会让别的技能的硬规则被泛化进来。它们解决的是同一个问题——如何让模型调用外部世界——但思路截然不同。）是元数据契约，

这是面试中经常会被问到的问题——“你说你做 Agent，那什么是 Agent？” 很少有人能回答得明白。Agent =LLM工具调用规划能力记忆管理。它不再是一个只能"一问一答"的聊天机器人，而是能够 端到端地帮助人完成一个复杂任务的智能体。

文章摘要：本文探讨了AI智能助手在项目管理系统中面临的上下文管理挑战。作者通过四种架构模式的演进（ReAct、Plan-Execute、Router分发、三层上下文裁剪），揭示了Agent系统设计的核心痛点：不是模型能力或prompt优化，而是如何精准控制上下文信息的流动。最终提出的"三层上下文裁剪"方案，通过区分路由层、执行层和工具层的信息需求，既保证了功能完整性，又避免了不

比如"当前页面：项目详情，当前已选中任务，触发来源：任务抽屉"。注意这里。

1.什么是闭包。

为了实现组件化隔离，Vue 3 对组件内部的 DOM 节点进行了封装。

最近做 RAG 项目时，很多人第一步就卡在“文档解析”上。表面看，好像都是把 PDF 里的内容读出来，但不知道要如何选择LlamaParseDeepDoc。