1.程序运行时，JVM 加载Test类，将类的元数据（包括静态变量b、成员变量c定义，以及mainchangeeat方法的字节码 ）存入方法区2.静态变量b在方法区分配内存，默认值初始化后赋值为20；静态常量池（方法区的一部分 ）存储mainchange等方法的符号引用，以及字符串字面量（如后续用到的"demo"先标记 ）。3.main是静态方法，JVM 为其创建栈帧压入线程栈，开始逐行执行：4.

封装是面向对象三大特性之一，核心是通过访问权限控制隐藏类的内部实现细节，仅暴露必要的接口供外部交互。

增强 for 循环是遍历数组和集合的简化语法，底层依赖迭代器（集合）或索引（数组）。适合仅读取元素的场景，代码更简洁易读。不适合需要索引、修改集合结构或灵活控制遍历过程的场景，此时应使用普通 for 循环或迭代器。迭代器（Iterator）是一种用于遍历集合（如 List、Set、Map 等）元素的接口，它提供了统一的遍历方式，无需关心集合的具体实现细节。迭代器属于 Java 集合框架的一部分，位

关系：jQuery 是 JS 的 “工具库”，基于 JS 实现，简化了特定场景的开发。适用场景快速开发简单页面（如企业官网、静态页），jQuery 仍能提高效率。维护旧项目（大量 legacy 系统仍依赖 jQuery）。现代复杂应用（如单页应用）更推荐原生 JS 或前端框架。JSON 与 Java 对象的相互转换是数据交互的核心操作，主流工具（fastjson、Jackson、Gson）均提供了

这部分代码是基于 Spring Boot 框架，结合 LangChain4j 库实现聊天记忆（Chat Memory）的 MongoDB 持久化存储方案。核心功能是将 LangChain4j 中的聊天消息列表序列化后存入 MongoDB，并提供读取、更新、删除聊天记忆的能力，同时配置了基于消息窗口的聊天记忆提供者。核心逻辑：通过实现 LangChain4j 的接口，结合 Spring Data M

Function Calling 用于弥补 LLM 短板，核心是通过@Tool标记工具方法，在@AiService中绑定工具类；@Tool的namevalue@P注解能提升 LLM 调用工具的准确性，支持多会话隔离；工具调用流程：用户提问 → LLM 判定调用工具 → 执行工具方法 → LLM 整理结果回复，关键是 LLM 自动完成 “是否调用”“如何传参” 的决策。

网络堵了，TCP 主动减慢发送速度。

本地部署 Ollama+DeepSeek 模型，验证服务和模型可用；SpringBoot 项目引入 Ollama Starter 依赖，配置base-url和model-name；注入，通过chat()方法实现本地模型调用。

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-

通过@AiService注解声明 AI 服务，指定聊天模型、记忆提供者，结合@MemoryId实现提示词和会话控制。/*** 硅谷小智（北京协和医院智能客服）核心接口*/wiringMode = EXPLICIT, // 显式绑定模式（精准控制依赖）chatModel = "qwenChatModel", // 指定使用的大模型（如通义千问）chatMemoryProvider = "chatMe