在鸿蒙应用开发中，随着功能逐步复杂化，一个文件几百行代码的情况越来越常见。面对多人协作、需求频繁变动、功能模块庞大等场景，如果还把所有逻辑堆在一起，不仅开发难度高，后期维护也成了灾难。这个时候，就需要“模块化开发”来帮我们分而治之。本文将结合 ArkTS 的特性，讲解如何进行模块拆分、组件组织、路由管理以及数据状态隔离等模块化开发策略。在 ArkTS 中进行模块化开发，能显著提升项目结构清晰度、开

有了之前的基础，我们现在已经知道了如何 通过调用自己定义的 工具 对AI 的功能进行拓展，但是面对一些我们不能自己编写解决方案的场景时，这个工具调用 貌似就有点鸡肋了，作用有限。所以，我们这篇文章讲讲，MCP 服务的调用。(第三方 提供的 特殊的工具集)MCP，实际上是一种协议，它定义了 AI 和 第三方工具集之间进行交互的 统一标准。实际上，就是为了避免第三方工具集千奇百怪的返回值与要求的参数

安装并初始化 Git LFS；用配置大文件追踪规则；解决.gitignore忽略问题（强制添加或修正 ignore）；提交并推送，LFS 自动上传大文件。确保大文件从一开始就用 LFS 管理，避免先用普通 Git 提交导致历史残留；遇到 ignore 报错时，优先用git add -f快速解决，无需修改原有 ignore 规则。按本文步骤操作，即可顺利绕过 Git 大文件限制，实现高效提交。

git revert用于撤销一个已经提交到 Git 仓库的更改。不同于git resetgit revert会通过创建一个新的提交来“反转”指定提交的内容，而不会改变历史提交的记录。因此，git revert是一种更安全的回退操作，适用于团队合作中，因为它不会影响历史提交的结构。：撤销合并提交，保留第一个父提交的变更。：撤销合并提交，保留第二个父提交的变更。：撤销合并提交，保留第三个父提交的变更（

本文探讨了Spring AI中MCP服务的动态调用与加载问题。通过分析源码发现MCP服务配置存储在SseParameters中，最终由McpClientAutoConfiguration类管理。研究指出可通过注入ToolCallbackProvider实现类来区分不同MCP服务，实现动态调用。针对动态加载需求，文章提出两种方案：一是自定义配置McpSseClientProperties Bean（

虽然 WebSocket 全双工很强，但对于大模型对话这种“一问多答”的场景，SSE（Server-Sent Events）其实更轻量、更符合 HTTP 语义。但在微信小程序里，我们并没有标准的API。不过别慌，微信的wx.request（Taro 中是）支持了参数。这就给了我们操作的空间！😏在小程序里做大模型流式输出，其实就是一场“前端 + 网络 + 后端”的综合战役。前端：Taro +是基础

虽然 WebSocket 全双工很强，但对于大模型对话这种“一问多答”的场景，SSE（Server-Sent Events）其实更轻量、更符合 HTTP 语义。但在微信小程序里，我们并没有标准的API。不过别慌，微信的wx.request（Taro 中是）支持了参数。这就给了我们操作的空间！😏在小程序里做大模型流式输出，其实就是一场“前端 + 网络 + 后端”的综合战役。前端：Taro +是基础

虽然 WebSocket 全双工很强，但对于大模型对话这种“一问多答”的场景，SSE（Server-Sent Events）其实更轻量、更符合 HTTP 语义。但在微信小程序里，我们并没有标准的API。不过别慌，微信的wx.request（Taro 中是）支持了参数。这就给了我们操作的空间！😏在小程序里做大模型流式输出，其实就是一场“前端 + 网络 + 后端”的综合战役。前端：Taro +是基础

Kimi、DeepSeek、ChatGPT、文心一言、通义千问和豆包等生成式对话 AI 模型各有优势，适用于不同的应用场景。通过深入了解这些模型的技术原理和应用场景，我们可以更好地选择适合自己的工具，推动 AI 技术的发展和应用。

通过使用 Karpenter，Adevinta 不仅实现了更顺畅的集群升级，还在实例选择上获得了更大的灵活性，提升了工作负载隔离能力，实现了自动化的安全更新，并节省了大量成本。相反，如果客户设置了过于严格的 PDB（例如，指定 maxUnavailable: 0），则会阻止任何自愿的 Pod 驱逐，包括必要的节点排空以进行维护。这一自动化选择虽然节省了成本，却导致了性能的下降，进而影响了整体服务质