本文从 Docker 基础概念入手，系统讲解镜像、容器、数据卷、本地挂载、自定义网络、Dockerfile 与 Docker Compose 等核心技术，并结合 SpringBoot、MySQL、Nginx 实现完整项目部署流程。文章通过大量命令示例与实战演示，帮助读者理解 Docker 容器化原理及多容器协同运行方式，适合 Docker 初学者与后端开发者快速入门项目容器化部署。

大语言模型（LLM）是在海量数据上训练的大规模人工智能模型，能够理解和生成自然语言，典型代表包括 GPT、Claude、Gemini、DeepSeek、通义千问等。其核心基础是 Transformer 架构，通过自注意力机制捕获长距离语义关系，实现高效并行计算和上下文理解。随着模型参数和数据规模增长，LLM 展现出上下文学习、指令遵循和逐步推理等涌现能力。大模型广泛应用于文本生成、知识问答、代码开

上下文工程（Context Engineering）是围绕大模型完整上下文进行管理与优化的技术体系，目标是在有限的上下文窗口内，仅向模型提供与当前任务最相关的信息，从而提升推理质量、降低成本并减少幻觉。文章首先介绍了 Token、Prompt、Context 与 Memory 的区别，说明上下文不仅包含提示词，还包括历史对话、工具、记忆及 RAG 检索内容。随后分析长上下文带来的 Lost in

大语言模型（LLM）是在海量数据上训练的大规模人工智能模型，能够理解和生成自然语言，典型代表包括 GPT、Claude、Gemini、DeepSeek、通义千问等。其核心基础是 Transformer 架构，通过自注意力机制捕获长距离语义关系，实现高效并行计算和上下文理解。随着模型参数和数据规模增长，LLM 展现出上下文学习、指令遵循和逐步推理等涌现能力。大模型广泛应用于文本生成、知识问答、代码开

上下文工程（Context Engineering）是围绕大模型完整上下文进行管理与优化的技术体系，目标是在有限的上下文窗口内，仅向模型提供与当前任务最相关的信息，从而提升推理质量、降低成本并减少幻觉。文章首先介绍了 Token、Prompt、Context 与 Memory 的区别，说明上下文不仅包含提示词，还包括历史对话、工具、记忆及 RAG 检索内容。随后分析长上下文带来的 Lost in

Redisson 分布式锁是基于 Redis 实现的一种高可靠锁机制。其核心采用 Hash 结构存储锁信息，通过线程标识（owner）与计数器实现可重入特性，同一线程可多次加锁而不会发生死锁。加锁与解锁过程通过 Lua 脚本保证原子性，同时校验持有者身份，避免误删他人锁。针对锁竞争问题，Redisson 基于发布订阅（Pub/Sub）机制实现阻塞式重试，降低自旋带来的性能开销。在未显式指定过期时间

本文围绕分布式 ID 生成中的 Snowflake 算法展开，简要介绍其 64 位结构及核心组成，包括时间戳、机器标识与序列号，并分析其在高并发场景下的优势与时钟回拨等潜在问题。在此基础上，对美团 Leaf 提供的两种实现方式进行了说明：号段模式通过数据库批量分配 ID 区间并在内存中发号，不依赖雪花算法，侧重稳定性；Snowflake 模式则基于 Twitter Snowflake 实现分布式生

本文主要介绍 RabbitMQ 的基础概念与 SpringAMQP 的使用方式。首先对同步调用与异步调用进行了对比，分析了 MQ 在系统解耦、异步处理、提升性能和避免级联失败中的作用，并对 RabbitMQ、Kafka、RocketMQ 等主流 MQ 进行了简单选型比较。随后讲解了 RabbitMQ 的核心结构，包括 Producer、Consumer、Queue、Exchange 和 Virtu

本文主要总结了 SpringAMQP 在 RabbitMQ 中的核心使用方式，包括消息转换、生产者与消费者可靠性、消息持久化以及异常处理机制。首先介绍了消息转换器。默认情况下 Spring 使用 JDK 序列化，存在数据体积大、安全性差、可读性差等问题，因此通常会使用 Jackson JSON 序列化器，将对象自动转换为 JSON 进行消息传输，提高可读性与跨语言兼容性。

本文围绕 RabbitMQ 在实际业务中的可靠性问题展开，重点介绍了消息重复消费导致的幂等性问题，以及延迟消息的实现方案。首先分析了订单支付、退款等场景中重复消费可能带来的业务异常，并介绍了“唯一消息ID”和“业务状态判断”两种幂等性解决方案，同时结合条件更新实现乐观锁思想。随后讲解 RabbitMQ 延迟任务的两种实现方式：TTL+死信交换机，以及官方延迟消息插件，并结合 Spring AMQP