命名规范：遵循，主配置存放公共配置；激活方式：主配置文件指定为默认方式，命令行 / 环境变量可覆盖；合并用法：通过拆分功能型配置文件。

LangChain4J 整合多 AI 模型的核心精髓所有聊天模型均提供统一的chat()方法，调用逻辑完全一致，降低学习成本；DeepSeek 兼容 OpenAI 接口标准，实现「零依赖扩展」，复用现有 OpenAI 整合代码；SpringBoot 场景通过BOM 统一版本 + Starter 自动装配，实现「配置与代码分离」，最大化提升可维护性和扩展性；本地模型（Ollama+DeepSeek-

预约业务落地需先完成持久层开发，核心是通过实现 “姓名 + 身份证 + 科室 + 日期 + 时间” 的唯一预约校验；工具类通过@Tool注解标记业务方法，@P注解描述参数，帮助大模型理解参数含义并正确传参；小智 AI 服务通过tools属性绑定工具类后，大模型可自动分析用户指令（如 “预约挂号”），调用对应工具方法并返回自然语言结果，实现 “自然语言交互 → 工具调用 → 业务落地” 的闭环。

LangChain4j 中通过特定注解配置提示词模板，实现对大语言模型（LLM）的精准指令控制，核心注解包括@MemoryId@V，主要用于定义系统提示、用户输入、会话记忆和参数绑定。// 从资源文件加载系统提示词模板，结合多参数@MemoryId int memoryId, // 会话记忆ID@UserMessage String userMessage, // 用户输入问题@V("userna

*** 自定义小智助手的内容检索器* 步骤：加载文档 → 初始化内存向量库 → 文档分割+向量化+入库 → 构建检索器*/@Bean// 1. 加载本地知识库文档（MD格式，使用默认TextDocumentParser解析）Document doc1 = FileSystemDocumentLoader.loadDocument("E:/knowledge/医院信息.md");

依赖层：引入 WebFlux + LangChain4j-Reactor 支撑响应式流式返回；配置层：指定通义千问流式模型的 API 密钥和模型名称；接口层：将 AI 服务和 Controller 的返回值改为，并指定流式模型 / 响应类型；最终效果：后端逐段推送通义千问的回答内容，前端实时接收并展示。

128 陷阱本质：Integer 对-128~127数值缓存对象，超出范围每次新建对象，导致==比较地址不一致；自动拆装箱：装箱调用valueOf()，拆箱调用xxxValue()（如 intValue ()），是编译器语法糖；核心避坑：比较 Integer 数值用equals()，避免 new Integer ()，警惕拆箱时的空指针。

自定义对象作为 key 时，必须重写hashCode()和equals()，否则会导致 key 重复：java运行// 反例：未重写hashCode/equalsmap.put(new User("001"), "张三");// 输出 null（两个User对象哈希值不同）// 正例：重写hashCode/equals@Override// 基于唯一标识id计算哈希@Override优先于自然排序

ArrayList：动态数组实现，查询快、增删慢，单线程查询场景首选，创建时指定初始容量可优化性能；LinkedList：双向链表实现，首尾增删快、查询慢，仅适用于单线程首尾频繁操作的场景；Vector：古老的线程安全数组，效率极低，现代开发中已被替代；选型核心：单线程看操作类型（查询 / 增删），多线程看读写比例（读多写少用 CopyOnWriteArrayList）。

JVM 内存核心：区分 “线程私有 / 共享” 是理解内存安全和 OOM 的关键，堆是 GC 核心，虚拟机栈是方法执行的载体；编译与执行：Java 跨平台依赖 “字节码 + JVM” 分层设计，字节码不是机器码，需 JVM 二次转换；CPU 调度核心：时间片轮转实现多线程 “并发”，多核实现 “并行”，非公平调度优先性能而非绝对公平。