Embedding从CV到NLP再到神经网络、深度学习的应用越来越广泛，比如NLP 中常用的 word embedding和 entity embedding。那么究竟什么是Embedding呢?对他进行直译是嵌入层。比如地图就是对于现实地理的Embedding，现实的地理地形的信息其实远远超过二维，但是地图通过颜色和等高线等来最大化表现现实的地理信息。Embedding是object的低维稠密的

其中有一个错别字大模型也能识别出来。但是不同的大模型，推理能力不同。

ES建议器本质是通过“预计算”或“实时相似度匹配”，在用户输入过程中（或输入后）提供优化建议，解决两大核心问题：输入效率：通过自动补全减少用户输入量（如搜索框实时联想）。输入准确性：通过拼写纠错修正用户的错误输入（如“appel”修正为“apple”）。所有建议器均通过ES的_searchAPI中的suggest字段触发，不影响主查询结果，仅返回建议内容。核心作用：针对“实时前缀补全”设计，比如搜

Al Agent，称为人工智能代理，或者称为AI智能体。它是一种模拟人类智能行为的人工智能系统，以大型语言模型(LLM)作为其核心规划决策引擎。能够感知环境，做出决策，并执行任务以实现特定的目标。提示工程(Prompt Engineering)，也称为上下文提示，是一种通过不更新模型的权重/参数来引导LLM行为朝着特定结果的方法。提示工程可以用于各种任务，从回答问题到算术推理乃至各种应用领域，理解

RAG 是的缩写，中文翻译为"检索增强生成"。它是一种将检索系统和生成式 AI 模型结合的技术方案，主要包含两个核心步骤：1.检索（Retrieval）：根据用户输入的问题，从知识库中检索出相关的文档或信息片段2.生成（Generation）：将检索到的相关信息作为上下文，结合用户问题，让大语言模型生成准确的回答这种方案既能让模型基于最新的知识作答，又可以提供可溯源的参考依据，有效解决了大语言模型

Elasticsearch 中，scroll 是一种用于批量获取大量查询结果的机制（类似数据库的游标）。当查询结果集很大时（比如几十万、上百万条），一次性返回所有结果会占用大量资源，而 scroll 可以将结果分批返回：第一次查询时，ES 会创建一个查询结果的快照（snapshot） 并保留上下文（包含快照的引用、当前位置等信息），同时返回第一批结果和一个 scroll_id。后续通过这个 scr

Al Agent，称为人工智能代理，或者称为AI智能体。它是一种模拟人类智能行为的人工智能系统，以大型语言模型(LLM)作为其核心规划决策引擎。能够感知环境，做出决策，并执行任务以实现特定的目标。提示工程(Prompt Engineering)，也称为上下文提示，是一种通过不更新模型的权重/参数来引导LLM行为朝着特定结果的方法。提示工程可以用于各种任务，从回答问题到算术推理乃至各种应用领域，理解

关于SqlParser引言：fdb-sql-parser 是 FoundationDB 在被 Apple 收购前开源的 SQL Parser（不支持很复杂的SQL），目前已无人维护。jsqlparser 是基于 JavaCC 的开源 SQL Parser，是 General SQL Parser 的 Java 实现版本。

尽管拜占庭的“幽灵”很难处理，但在实际工作应用中，却并不需要过分去考虑它，因为对于大多数系统来说，内部环境里，硬件故障导致消息错误的概率本身就很低，还要按照拜占庭叛徒的策略来处理故障就更为困难了。3.如果N大于该Acceptor已经响应过的所有请求的编号，那么它就会将它已经接受过（已经经 过第二阶段accept的提案）的编号最大的提案作为响应反馈给Proposer，如果还没有的accept提案的话

对目标文档（由 routing 或文档 ID 定位到的主分片），随机选择该主分片或其所有副本分片之一执行查询，且会在多个请求间做「轮询负载均衡」，避免单个分片 / 节点过载。只有当集群中至少有这么多分片（主分片+副本分片）处于活跃状态时，才会执行写操作；，强制文档存储到 / 查询时定位到「唯一的主分片」—— 简单说，就是给文档分配一个 “分片定位标识”，让 ES 不用默认逻辑，而是按你指定的规则找