文档切块↓TF-IDF 向量化↓余弦相似度排序↓Top-K 与阈值过滤↓带编号证据的提示词↓生成、引用与校验框架能减少工程代码，却不能替代对链路的理解。以后使用 LangChain、LlamaIndex、Embedding 模型或向量数据库时，你可以明确知道每个组件替换了什么，也能在答案出错时先问一句：“是侦探找错了证据，还是发言人拿对了材料却临场发挥？这比把温度参数从0.7调到0.6，然后虔诚地

localhost永远指向当前网络命名空间自己；宿主机访问容器使用HOST_PORT；容器之间使用；服务名稳定，容器 IP 不稳定；共享网络才具备直接通信条件；先判断 DNS、拒绝、超时还是认证错误，再检查对应层。下次再遇到，不要先重装 Docker，也不要急着把端口全部暴露。DNS → 网络成员 → 端口监听 → 应用就绪 → 认证配置在哪一步失败，就优先修哪一层。

图 3：先盘点、再按对象清理、单独审核卷，最后才压缩或迁移。禁止直接删除 VHDX，unregister前必须有可验证备份。原创教学图（Image2 生成）。Docker 官方说明，默认会删除停止容器、未使用网络、悬空镜像和未使用构建缓存；默认不会删除卷，这是为了避免重要数据意外丢失。-a扩大到所有没有被容器引用的镜像。# 高风险示例：只有完成卷审计和备份后才考虑 docker system pr

线上发布完成后，Pod 没有进入稳定的Running，而是在RunningError之间反复切换。很多人的第一反应是删除 Pod 或提高副本数，但新 Pod 很快又开始重启。这是因为。真正需要回答的是：容器为什么退出、谁触发了终止、上一次进程留下了什么证据。本文用一个可复现的失败 Pod 建立完整排查链：确认故障容器，读取Last State、退出原因和事件，使用找回崩溃前日志，区分应用异常、OO

明明安装了 requests，运行时却提示”“我的电脑能跑，同事和 CI 一装就报依赖冲突”“项目换了目录，原来的.venv突然失效”——Python 环境问题往往不是包没有安装，而是包被装进了另一个解释器、依赖没有被可靠锁定，或者把不可移动的虚拟环境当成了项目文件。过去我们常用解决这些问题。它们仍然可靠、标准、值得掌握，但项目还需要自己补齐 Python 版本选择、依赖解析、锁文件、运行入口和

Agent 演示时能查询天气、创建工单，接入生产后却出现另一幅景象：同名工具选错，金额字段传成字符串，超时后重复下单，权限拒绝被模型当成“再试一次”，最终回答还声称操作已经完成。把这些问题统称为“模型不稳定”，通常只会得到更长的提示词，却没有形成可验证的工程边界。MCP 解决的是工具发现与调用协议，不会自动替开发者完成参数校验、授权、审批、幂等、超时恢复和审计。本文用一个可运行的转账工具契约，拆解

一个 Agent 正在整理几十份文档，已经完成检索、生成计划和风险检查，准备写入知识库。此时进程被重启，界面只留下“任务失败”。如果重新执行，前面的模型调用会重复计费；如果直接从写入步骤继续，又无法确定上一次写入到底成功没有。长任务真正困难的地方不是“让模型多思考几轮”，而是让一次执行跨越进程重启、网络超时和人工等待之后，仍能知道自己走到哪一步、哪些副作用已经发生、下一步能否安全重试。本文用 Py

一个 Agent 正在整理几十份文档，已经完成检索、生成计划和风险检查，准备写入知识库。此时进程被重启，界面只留下“任务失败”。如果重新执行，前面的模型调用会重复计费；如果直接从写入步骤继续，又无法确定上一次写入到底成功没有。长任务真正困难的地方不是“让模型多思考几轮”，而是让一次执行跨越进程重启、网络超时和人工等待之后，仍能知道自己走到哪一步、哪些副作用已经发生、下一步能否安全重试。本文用 Py

一个 Agent 正在整理几十份文档，已经完成检索、生成计划和风险检查，准备写入知识库。此时进程被重启，界面只留下“任务失败”。如果重新执行，前面的模型调用会重复计费；如果直接从写入步骤继续，又无法确定上一次写入到底成功没有。长任务真正困难的地方不是“让模型多思考几轮”，而是让一次执行跨越进程重启、网络超时和人工等待之后，仍能知道自己走到哪一步、哪些副作用已经发生、下一步能否安全重试。本文用 Py

一个 Agent 正在整理几十份文档，已经完成检索、生成计划和风险检查，准备写入知识库。此时进程被重启，界面只留下“任务失败”。如果重新执行，前面的模型调用会重复计费；如果直接从写入步骤继续，又无法确定上一次写入到底成功没有。长任务真正困难的地方不是“让模型多思考几轮”，而是让一次执行跨越进程重启、网络超时和人工等待之后，仍能知道自己走到哪一步、哪些副作用已经发生、下一步能否安全重试。本文用 Py