我把这些做成了一个完整项目：docs-rag-chat。技术栈是 Flask + Vue3 + LangChain + FAISS，后端支持按 app_id 隔离知识库，前端支持实时流式渲染答案。项目地址：https://github.com/eagle1949/docs-rag-chat。

我之前推荐过YouTube吧，像 Kapathy 的 YouTube 频道是免费的，吴恩达的课程也是免费的，李宏毅老师的课程也是免费的。他的意思应该是：即使你不会从底层去做，但你必须要懂 AI 在干什么，这个才是真正理解 AI 的关键。周末我学习 AI 的时候，在 YouTube 搜到 Kapathy 的一些视频，感觉讲的挺好的。通过让你自己去理解反向传播是怎么算的，注意力机制是怎么工作的，一行一

NestJS DTO：用装饰器优雅地完成了复杂的数据校验，保证了接口的健壮性。SSE 响应头：理解了流式输出必须的 HTTP 协议头设置。Callback 模式：在 Service 层通过回调函数解耦了业务逻辑和 HTTP 响应。LangChain 集成：利用 stream 方法和 for await 循环，极简地实现了大模型的流式对接。现在的 Chatbot 已经具备了“企业级”的雏形。不仅仅是

这份资料内容涵盖：Java、MyBatis、ZooKeeper、Dubbo、Elasticsearch、Memcached、Redis、MySQL、Spring、Spring Boot、Spring Cloud、RabbitMQ、Kafka、Linux等技术栈。由于篇幅限制，笔记无法全部为大家展示出来，就以截图主要内容的形式让大家参考啦，需要完整版的小伙伴可以点击。由于篇幅限制，笔记无法全部为大家

线程池就是提前创建若干个线程，如果有任务需要处理，线程池里的线程就会处理任务，处理完之后线程并不会被销毁，而是等待下一个任务。由于创建和销毁线程都是消耗系统资源的，所以当你想要频繁的创建和销毁线程的时候就可以考虑使用线程池来提升系统的性能。java 提供了一个java.util.concurrent.Executor 接口的实现用于创建线程池。CAS 是 compare and swap 的缩写，

本文基于 LangChain v1.x，包含 LCEL、RAG、Agent 等核心内容，代码均可直接运行。适合有 Python 基础、想动手做 AI 应用的开发者。

我前几天在想一个问题：AI Agent 到底怎么才能"学会"新技能？不是那种微调训练的学法，而是——我今天有个新需求，希望 Agent 明天就能处理，后天就能自动化。这种"即插即用"的能力扩展，有没有一种足够轻量的实现方式？。它的做法简单到有点反直觉——写一个 Markdown 文件，描述清楚"你是谁、什么时候用、怎么做"，放到指定目录下，Agent 下次对话就能自动识别和执行。不需要编译，不需要

有没有同感？在和 Cursor、Claude Code 这些 AI 搭档天天共事的过程中，你会发现它们越来越像那种只会甩锅的同事，于是给它们装上了一个专门“骂醒 AI”的 PUA 插件。开源项目tanweai/pua github.com/tanweai/pua。

写了五年 Java，团队快把CompletableFuture 的坑踩了个遍。在 Stream 里 join()，以为并行其实串行。用 thenApply 没加 Async，回调跑到 Delayer 线程上把全局调度卡死。嵌套 join() 导致线程池死锁，排查了三天。allOf 以为是 fail-fast，傻等所有任务超时才返回。很多踩坑和避坑都是线上事故换来的。半夜 oncall，周末加班 d

综合来说，Agent = LLM + 自主循环 + 工具调用 + 记忆java// 伪代码展示 Agent 的核心循环// 大脑// 工具箱// 记忆// Agent 的核心运行循环// 把用户目标加入工作上下文while (true) { // ← 关键: 自主循环，不是一问一答// 1. 思考: 分析当前状态，决定下一步// 2. 判断: 目标完成了吗？// 3. 行动: 调用工具执行// 4