选择分布式锁方案时需要从业务场景出发，权衡一致性、性能、可用性的需求。在生产环境中，监控、容错、降级比锁算法本身更为重要。随着云原生技术的发展，分布式锁正在从客户端SDK向基础设施能力演进，这提供了新的思考和演进方向。分布式锁不是银弹，在很多场景下可以通过无锁设计异步处理事件溯源等方案避免分布式锁的使用，这才是架构设计的最高境界。

关注核心需求安全隔离 → 反向代理水平扩展 → 负载均衡API治理 → API网关分层协同fill:#333;fill:black;fill:#333;演进式设计初创项目：Nginx（反向代理+负载均衡）微服务转型：增加API网关（如Kong）全球规模：引入全局负载+边缘网关真实案例V1.0：Nginx反向代理（单体应用）V2.0：HAProxy + Nginx（服务分离）V3.0：Kong网关

定义清晰策略边界：每个策略应解决单一问题面向接口编程：上下文仅依赖策略接口控制策略范围：避免创建过于细粒度的策略结合工厂模式：解耦策略创建逻辑单元测试策略：独立测试每个策略实现监控策略执行：记录策略使用情况用于分析架构师洞见：策略模式本质是将可变性封装在独立的策略对象中，符合开闭原则（OCP）。在微服务架构中，可将复杂策略实现为独立服务，通过策略网关进行路由，实现架构级策略管理。命令模式适用场景判

本质定义：一种轻量级、开放的标准格式，用于将特定领域的专业知识、操作指南（SOP）、脚本代码和资源打包，赋予 AI Agent 特定技能。核心隐喻通用模型= 高智商的实习生（有潜力但缺乏特定经验）。= 岗位操作手册 + 专用工具箱（让实习生瞬间变成资深专家）。解决痛点上下文限制：避免将所有文档塞入 Prompt，导致 Context Window 爆炸。能力幻觉：通过预置脚本和确定性逻辑，减少模型

在群聊模式中，每个 Agent 都是一个独立的 Kernel 实例，拥有自己的系统提示词、插件和模型配置。它们通过一个协调器进行通信，模拟人类团队的协作流程。例如，一个“软件架构师”Agent 负责拆解需求，一个“代码生成器”Agent 负责编写代码，一个“代码审查者”Agent 负责检查质量。当内置插件无法满足需求时，规划器可以生成C# 代码，然后动态编译执行。这需要谨慎启用，因为它涉及代码执行

负责理解用户意图，将任务分解，分发给合适的Worker，并汇总结果。：各司其职，如订单处理Agent、售后Agent、知识库Agent等。

Microsoft Agent Framework（MAF）是微软推出的面向 .NET 和 Python 的开源智能体开发框架，定位为构建 AI 代理（Agent）和多代理工作流（Multi-Agent Workflow）的统一底座。2026 年 4 月，MAF 1.0 正式发布，标志着 API 稳定并承诺长期支持（Long-Term Support）。

可以被理解为一个“AI 服务生成器”。你只需要定义一个包含特定业务方法的 Java接口，并通过注解描述这些方法的行为，LangChain4j 就会在运行时自动生成该接口的实现类（一个代理对象）。这种声明式编程的模式，与或Retrofit的设计思想如出一辙。它让你的业务代码专注于“做什么”，而将“怎么做”（如调用 LLM、处理输入输出、管理对话历史）的复杂性完全隐藏在框架内部。

NVIDIA TensorRT 是一个高性能深度学习推理优化器，可以对训练好的模型进行层融合精度校准（FP16/INT8）和内核自动调优，显著提升在 NVIDIA GPU 上的推理速度。对于 YOLO、BERT 等模型，TensorRT 往往能带来2-5 倍的加速，同时降低显存占用。

工具：k6 或 JMeter，模拟并发用户数 100~500。场景意图识别路径（ML.NET）：目标延迟 < 10ms，QPS > 5000。RAG + LLM 路径：目标延迟 < 5s，QPS > 50。混合路径：根据业务比例混合。监控指标：CPU、内存、网络 I/O、GPU 利用率、Token 消耗、错误率。ML.NET实现了低成本的意图识别，过滤简单问题。承担了复杂的对话编排、函数调用和 R