本文系统介绍了Java Web中Listener和Filter两大核心组件。Listener用于监听Servlet容器事件（如应用启动/关闭、Session创建销毁），通过事件驱动模型实现回调；Filter采用责任链模式拦截请求/响应，实现权限控制、日志记录等功能。文章详细对比了两者的配置方式（web.xml/注解）、执行顺序、典型应用场景及注意事项，强调Listener适合全局资源管理，Filt

Java的Condition接口提供了比Object.wait()/notify()更精细的线程协调机制，主要特点包括：1）一个Lock可创建多个Condition，实现多条件精准唤醒；2）支持await()、signal()等方法，可响应中断；3）基于AQS实现，通过独立等待队列管理线程。典型应用如生产者-消费者模型，使用时需注意循环检查条件、避免死锁等最佳实践。Condition通过多条件队列

量化是一种模型压缩技术，通过降低参数精度（如FP32→INT8）减小模型体积，而LoRA则是通过低秩适配器实现高效微调，仅训练少量新增参数。QLoRA结合二者优势，先对模型进行4-bit量化，再应用LoRA微调，使单卡GPU也能训练大模型。实战示例展示了如何使用LoRA微调代码生成模型，包括数据准备、模型配置、训练和推理全流程，并对比了不同场景下的超参数设置建议。三种技术形成了一套递进的模型瘦身+

DeepSeek是什么，DeepSeek-R1-Zero,DeepSeek-R1大模型，MoE（Mixture-of Experts）,RL(Reinforcement Learning)，KD（Knowledge Distillation）学习记录

本文介绍了如何搭建一个完全本地化的RAG（检索增强生成）系统，结合LangChain、Milvus、Ollama和Streamlit等技术。系统具备文档处理、向量存储、本地大语言模型和友好交互界面，支持多种文件格式，确保数据隐私。文章详细说明了环境配置、核心代码实现、高级功能扩展和部署方案，提供了从开发到生产的一站式解决方案，适用于企业知识库、智能客服等场景，兼顾安全性和可扩展性。

量化是一种模型压缩技术，通过降低参数精度（如FP32→INT8）减小模型体积，而LoRA则是通过低秩适配器实现高效微调，仅训练少量新增参数。QLoRA结合二者优势，先对模型进行4-bit量化，再应用LoRA微调，使单卡GPU也能训练大模型。实战示例展示了如何使用LoRA微调代码生成模型，包括数据准备、模型配置、训练和推理全流程，并对比了不同场景下的超参数设置建议。三种技术形成了一套递进的模型瘦身+

本文全面介绍了RAG（检索增强生成）技术的背景、定义、优缺点及实战应用。RAG通过结合外部知识检索和大模型生成能力，有效解决了大语言模型的知识局限性和幻觉问题，成为企业知识管理的热门方案。文章详细阐述了RAG的技术架构、演进历程及适用场景，并提供了一个本地RAG系统的实战项目。RAG技术具有知识更新快、成本低、可解释性强等优势，但也面临检索质量依赖、文档处理复杂等挑战，特别适合企业知识库、专业咨询

本文对比了StableDiffusionWebUI和ComfyUI两种AI图像生成工具。StableDiffusionWebUI界面简洁易用，适合新手快速生成基础图像；而ComfyUI功能更强大，提供高级参数调整和实时预览，更适合专业用户深度定制。两者都基于扩散模型技术，通过逐步去噪生成高质量图像，但ComfyUI对硬件要求更低。文章还解释了扩散模型的工作原理和训练过程。建议初学者选择WebUI入

Stable Diffustion, AIGC, AI智能画图，本地，Nvidia GeoForce 1080 8G*2

什么是json5，它和json有什么区别，主要用在哪些场景？