分享我用 Lerna Monorepo 管理 Web 端、Dashboard 后台和 H5移动端三个项目一年多的真实体验。我踩过的三个大坑：共享 package 的边界如何划分、构建顺序的隐形依赖如何解决、多个端共用版本号为何是个坏主意。附跨端代码复用率数据和 CI/CD优化前后对比，以及为什么重来一次我会直接选 pnpm + Turborepo。

上篇我们搞定了RAG数据清洗的脏活累活，这篇接着啃硬骨头——文本分块。别小看"切文本"这件事，分好了召回精准，分不好直接翻车。我会从固定大小、滑动窗口，一路走到递归分隔符、语义分块，再到底层的Parent-Child小块变大块模式，五种策略逐级对比，优劣一目了然。重点掰开揉碎讲递归分隔符算法，尤其是中文场景下的分隔符优先级设计，这才是它横扫工业界成为默认方案的核心原因。最后拉上Dify和KMS的分

AI 写的 UI 为什么总是紫色渐变、Inter 字体、居中布局？不是 AI 不会做设计，而是你没有给它设计方向。本文拆解一套五维设计体系——Typography、Color、Motion、Space、Texture——每个维度讲清楚"决定什么、怎么做、避什么坑"。文末附两组 A/B 实证对比（同一需求，有/无设计约束），以及一份可复用的设计决策 Checklist，拿来就能用。

RAG（检索增强生成）是当下大模型落地最热门的方向，但把概念跑通和在企业级系统中真正用好，中间隔着无数细节。本文以 KMS 知识管理平台（15万文档、2000+用户）为真实场景，从架构设计、Chunking策略、向量数据库选型到混合检索调优，完整记录 RAG 从 0 到 1 的落地过程。代码可运行，踩坑有复盘，适合正在将 LLM 集成到业务系统中的全栈开发者阅读参考。

这篇文章记录我作为 KMS 前端负责人，用 Dify 给公司知识管理平台加上 AI 智能问答的完整落地过程。不讲空泛的"AI 赋能"，而是从三个真实痛点出发（关键词搜不准、知识难复用、权限边界模糊），一步步讲清楚：为什么选 Dify、知识库怎么配置（父子分段 + BGE 模型选型对比）、工作流怎么设计（检索→条件判断→LLM→兜底的全链路）、前端怎么集成（fetch + ReadableStrea

这篇文章记录我作为 KMS 前端负责人，用 Dify 给公司知识管理平台加上 AI 智能问答的完整落地过程。不讲空泛的"AI 赋能"，而是从三个真实痛点出发（关键词搜不准、知识难复用、权限边界模糊），一步步讲清楚：为什么选 Dify、知识库怎么配置（父子分段 + BGE 模型选型对比）、工作流怎么设计（检索→条件判断→LLM→兜底的全链路）、前端怎么集成（fetch + ReadableStrea

AI 对话的流式输出不止是"打字机效果"——它是一套从前端 SSE解析到状态管理再到渲染管线的完整架构。本文以 KMS 知识管理平台的 AI对话模块为实践案例，分享手写 SSE 解析器、三条流式路径统一设计、Zustand 双层 Store、增量渲染管线以及生产环境竞态处理的真实方案。如果你想做生产级AI 对话产品，这篇文章会比"用 EventSource 写个 demo"更有参考价值。

分享我用 Lerna Monorepo 管理 Web 端、Dashboard 后台和 H5移动端三个项目一年多的真实体验。我踩过的三个大坑：共享 package 的边界如何划分、构建顺序的隐形依赖如何解决、多个端共用版本号为何是个坏主意。附跨端代码复用率数据和 CI/CD优化前后对比，以及为什么重来一次我会直接选 pnpm + Turborepo。