作为一名 Java 开发者，每天最怕的不是写不出 Bug，而是早上满怀信心地打开 IntelliJ IDEA，准备大干一场时，发现——，或者满屏的红色波浪线报错，提示找不到依赖。这时候你可能会纳闷：“明明pom.xml文件就在那儿，图标也是蓝色的 Maven 图标，看起来一切正常啊？别被骗了，这很可能是 IDEA 又“抽风”了。它虽然显示了 Maven 文件，但实际上并没有真正识别并加载你的 Ma

特征维度线程安全❌ (单线程极致性能)✅ (高并发安全)并发护城河无锁CAS + synchronized 锁头节点扩容逻辑高低位平移单线程搬运多线程协同 Help Transfer 搬运Null 支持允许 Key 和 Value 为 Null❌ 严禁出现 Null。

反射：在运行状态中，对于任意一个类都能知道类里面的所有属性和方法，对于任意一个对象都能调用它的方法和属性。让程序在运行时通过“查字典”（读字节码）来动态决定要做什么，从而实现代码逻辑与具体实现（如数据库驱动、插件）的完美解耦。通过改配置文件（yaml)不需要改代码不需要重新编译。JDBC 驱动加载为什么要用反射？如果直接写 new Driver()，你的代码就和 MySQL 这种特定的数据库强绑定

1.Excepti（异常）：Exception类及其子类表示程序在运行过程中可能遇到的、可以被捕获和处理的异常情况，通常是由于外部因素（网络中断，文件不存在）或者程序逻辑错误导致的。泛型：参数化类型，是一种可以表示其他数据类型的数据类型，解决数据类型的安全问题，在类声明或实例化时只要指定好具体类型即可。作用：泛型强制在编译时检查类型匹配，自动处理类型转化，，无需手动强转，代码复用，实现通用算法和数

受限于大语言模型（LLM）的上下文窗口限制（Token Limit），以及向量模型在长文本提取核心语义时的局限性，我们需要将长篇大论的长文档“切碎”，变成一段段独立且短小精悍的文本块。这就是文档分块（Chunking）。这就好比在图书馆里找资料，我们找的不是某一本书，而是书中对应具体知识点的那几页。如果说向量检索是“海选”，为了效率通常选出几十个候选者（如 Top 20）；那么重排就是“终面”。

简单来说，Embedding 就是把人类的文字（词语、句子、甚至图像），翻译成计算机能懂的一长串数字（数组）。这串数字，在数学上就叫作“向量”。我们可以把向量在这个多维空间里想象成一个具体的“坐标”。语义相近的词（比如“高兴”和“开心”），它们在空间中的坐标离得非常近。语义无关的词（比如“高兴”和“水杯”），它们在空间中的坐标离得很远。我们不再匹配字面，而是匹配“意思”。这就是我们在 RAG 架构

简单来说，Embedding 就是把人类的文字（词语、句子、甚至图像），翻译成计算机能懂的一长串数字（数组）。这串数字，在数学上就叫作“向量”。我们可以把向量在这个多维空间里想象成一个具体的“坐标”。语义相近的词（比如“高兴”和“开心”），它们在空间中的坐标离得非常近。语义无关的词（比如“高兴”和“水杯”），它们在空间中的坐标离得很远。我们不再匹配字面，而是匹配“意思”。这就是我们在 RAG 架构

受限于大语言模型（LLM）的上下文窗口限制（Token Limit），以及向量模型在长文本提取核心语义时的局限性，我们需要将长篇大论的长文档“切碎”，变成一段段独立且短小精悍的文本块。这就是文档分块（Chunking）。这就好比在图书馆里找资料，我们找的不是某一本书，而是书中对应具体知识点的那几页。如果说向量检索是“海选”，为了效率通常选出几十个候选者（如 Top 20）；那么重排就是“终面”。

受限于大语言模型（LLM）的上下文窗口限制（Token Limit），以及向量模型在长文本提取核心语义时的局限性，我们需要将长篇大论的长文档“切碎”，变成一段段独立且短小精悍的文本块。这就是文档分块（Chunking）。这就好比在图书馆里找资料，我们找的不是某一本书，而是书中对应具体知识点的那几页。如果说向量检索是“海选”，为了效率通常选出几十个候选者（如 Top 20）；那么重排就是“终面”。

RAG 就是给大模型装上了一个随时可以查阅的“外挂大脑”或“参考书”。没有 RAG（闭卷考试）：模型只能单纯依靠在预训练阶段死记硬背下来的知识（肚子里的墨水）来硬答。遇到没背过或者忘了的题，就只能瞎蒙。有了 RAG（开卷考试）：我们给大模型发了一本“参考书”（你的本地知识库）。当被问到问题时，它不再急着直接作答，而是先去书里查阅相关的资料，然后再结合查到的资料进行作答。这样一来，回答的准确率和时效