这篇文章是KMS知识管理平台前端CI/CD全流程的实战记录。作者从手动部署翻车的教训讲起，手把手带你用多阶段构建把Docker镜像从1.2G瘦到121MB，配合GitLab CI搭出一条代码push即自动lint、测试、构建、部署的完整流水线。文中拆解了Nginx缓存策略、SPA路由配置、运行时环境变量注入等关键环节，真正实现"一次构建，多处部署"。更难得的是，作者分享了Docker Compos

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。

从传统 Markdown 编辑器升级到企业级富文本编辑器，我在金融科技公司的知识管理平台中深度使用 Tiptap 已超过一年。本文结合真实生产环境实践，详细分享 Tiptap 的选型思考、基于 ProseMirror 的扩展架构设计、Yjs 协作编辑落地方案，以及自定义业务组件开发经验。同时总结了中文输入法、Word 粘贴清洗、协作撤销冲突、大文档性能优化等多个典型踩坑案例，并给出对应解决方案。如

MobX 的核心理念是"任何可以从应用状态推导出来的东西，都应该自动推导出来"。的细粒度依赖追踪让只有真正用到那块数据的组件才会 re-render，不需要 React.memo 或 useMemo 手动优化。前端状态管理没有银弹，选型本质上是权衡你的团队结构、项目规模和业务复杂度。团队最终用了 MobX，踩了一年坑后，我想分享一些真实的体感。- 两者混用也可以：全局状态用 MobX，服务端缓存用

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

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。

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。