本文介绍了 agentscope-harness 中 CompactionMiddleware 的实现方案，旨在解决长对话 Agent 面临的上下文窗口限制、注意力衰减和成本爆炸问题。该方案采用三层渐进式压缩（参数截断、工具结果裁剪和 LLM 总结）、链式总结和双层长期记忆（日账本和精选记忆），在有限上下文窗口内保持对话一致性。核心流程包括拆分系统消息、动态配置解析、渐进式压缩触发判定，以及记忆抽

本文介绍了如何通过OpenTelemetry + Langfuse实现对AgentScope 2.0项目的可观测性集成。主要内容包括： 选择Langfuse作为可视化平台，采用OpenTelemetry标准协议而非私有SDK，避免供应商锁定 整体架构设计：通过两个中间件协作，OtelTracingMiddleware生成标准Span，LangfuseEnrichmentMiddleware补充专有

MongoDB MongoCursorNotFoundException（错误码 - 5）的成因与解决方案。该异常是因客户端访问的游标在服务端已失效，主因是游标闲置超 10 分钟被自动清理。MongoDB 通过ClientCursorMonitor后台线程每隔 60 秒扫描，CursorManager的timeoutCursors方法依据cursorShouldTimeout_inlock逻辑，判

本文介绍了AgentScope 2.0在构建AI Agent时如何通过Tool、MCP和Skill三种能力实现工具扩展。项目基于Spring Boot框架，通过分层架构将工具与Agent解耦，核心配置集中在config包。文章详细分析了技术栈版本、代码结构、关键约定，并提供了装配链路速查图，展示了从启动到对外暴露接口的完整流程。AgentScope通过Tool（本地方法）、MCP（跨语言协议）和S

本文介绍了AgentScope 2.0在构建AI Agent时如何通过Tool、MCP和Skill三种能力实现工具扩展。项目基于Spring Boot框架，通过分层架构将工具与Agent解耦，核心配置集中在config包。文章详细分析了技术栈版本、代码结构、关键约定，并提供了装配链路速查图，展示了从启动到对外暴露接口的完整流程。AgentScope通过Tool（本地方法）、MCP（跨语言协议）和S

本文详细介绍了基于SpringAI框架和MongoDB向量搜索实现企业级RAG（检索增强生成）方案的全过程。主要内容包括：1）核心技术栈选择，使用SpringAI简化开发流程，MongoDB实现向量存储与检索；2）环境配置与核心依赖引入；3）关键编码实现，包括文本向量化、向量存储、相似度检索等核心环节；4）完整RAG流程演示，通过语义匹配增强大模型回答准确性。该方案有效解决了企业私有数据问答和知识

本文介绍了一个基于Java+SpringAI框架实现的轻量级RAG问答系统，用于故障编码解释场景。系统包含四大核心模块：MongoDB连接配置、向量存储实现、向量检索配置和本地小模型连接。核心功能包括知识库初始化、向量检索和RAG问答，通过手动实现余弦相似度计算实现向量比较。测试表明，该系统虽然实现了私有化部署，但存在小模型输出格式控制差、结果不稳定等缺点。建议优化向量存储方式、升级模型规模并改进

摘要：Java后端服务因MySQL连接参数配置不当引发OOM故障。问题根因是缺失useCursorFetch=true和defaultFetchSize=10000参数，导致JDBC默认一次性加载千万级结果集到内存。解决方案包括：1)修改连接URL添加游标和分批参数；2)设置合理fetchSize值(建议1000-10000)。关键经验：大数据量查询必须启用游标模式，并根据数据规模调整fetchS

Ollama是一款开源跨平台工具，简化本地大语言模型（LLM）的部署与管理。它支持Windows/macOS/Linux系统，通过极简命令实现模型运行、下载和管理，无需复杂配置。核心特性包括隐私优先的本地离线运行、硬件自动适配和丰富的模型支持（兼容30+主流开源模型）。提供安装目录自定义、模型版本管理、后台服务控制等功能，并支持创建和分享自定义模型。常用命令包括ollama run启动模型、oll

摘要：本文介绍了通过ToolCalling技术解决本地部署的Qwen3:1.7b模型获取实时时间的问题。传统调用方式因模型训练数据时效性限制，返回错误时间（2023年）。解决方案通过定义DateTimeTools工具类，使用@Tool注解标记获取当前时间的方法，并注册到模型工具列表中。测试显示，工具调用后返回准确时间（2026-01-30T22:45:30.123456），验证了该技术在扩展大模型