AI Agent 在执行任务时，常见的是指其在感知、规划、行动等阶段采用的思维与执行模式。这些范式影响了 Agent 的决策效率、鲁棒性、可扩展性等。

Re-ranking 是搜索推荐系统中不可或缺的精细化步骤，它将粗糙的召回结果转变为精准且个性化的排序列表。随着深度学习和大语言模型的发展，Re-ranking 技术不断革新，从传统特征学习到生成式排序，为系统智能化赋能。我们在长租公寓 AI Leasing 项目中，结合规则匹配、向量检索和生成式重排序，成功构建了高效、精准且可解释的推荐体系，极大提升了用户满意度和业务效果。未来，Re-ranki

LangChain 是一个开源框架，提供了一套高层 API 和模块，帮助开发者快速构建复杂的 LLM 应用（如问答系统、RAG、Agent 等）。它专注于组件组合、链式调用与外部工具整合。LangGraph 是 LangChain 团队推出的一个框架，用于实现多节点、条件跳转、并发执行的工作流系统，基于有向图思想构建。LangSmith 是 LangChain 团队提供的商业服务平台，用于可视化调

本文探讨了大型语言模型与工具/服务连接的开放标准ModelContextProtocol（MCP）。首先分析了三种传输方式：Stdio适合本地部署，HTTP+SSE支持远程但扩展性有限，StreamableHTTP是最新推荐方案。其次介绍了MCP核心交互流程：初始化协商、工具发现和工具调用。然后详细说明了Server端的七大职责和Client适配层的八大功能。最后指出不同厂商SDK实现差异，建议添

查询改写（Query Rewriting）是指对用户原始输入的查询进行重写、扩展或规范化，使其更容易被系统理解和处理，同时保留其原始语义。改写后的查询可以用来提升：🔍 搜索系统的召回率和准确率🧠 问答系统对意图的理解💡 推荐系统的兴趣泛化能力查询改写，是从传统搜索走向大模型智能搜索的重要一步。它不仅改善了用户体验，更成为构建高质量检索系统的关键策略之一。如果说 RAG 是“让语言模型读文档”

本文对比了FunctionCall模式和MCP协议在LLM系统中的应用差异。FunctionCall作为简单直接的模型调用工具机制，适合少量工具场景，但随着工具和模型数量增多会面临扩展性和维护性问题。MCP则通过标准化的Client-Server架构、工具发现机制和会话管理等设计，解决了复杂场景下的工具集成问题，支持多步骤调用链和动态扩展。虽然MCP初期实现成本较高，但在规模化应用中展现出显著优势

本文探讨了大型语言模型与工具/服务连接的开放标准ModelContextProtocol（MCP）。首先分析了三种传输方式：Stdio适合本地部署，HTTP+SSE支持远程但扩展性有限，StreamableHTTP是最新推荐方案。其次介绍了MCP核心交互流程：初始化协商、工具发现和工具调用。然后详细说明了Server端的七大职责和Client适配层的八大功能。最后指出不同厂商SDK实现差异，建议添

本文对比了FunctionCall模式和MCP协议在LLM系统中的应用差异。FunctionCall作为简单直接的模型调用工具机制，适合少量工具场景，但随着工具和模型数量增多会面临扩展性和维护性问题。MCP则通过标准化的Client-Server架构、工具发现机制和会话管理等设计，解决了复杂场景下的工具集成问题，支持多步骤调用链和动态扩展。虽然MCP初期实现成本较高，但在规模化应用中展现出显著优势

拦截器是一种面向切面编程的设计实现，它能够方便的在API调用前后进行记录、修改request/response等操作，大大的简化了代码，提升代码复用性的同时降低了其耦合度，这是Spring给出的一种非常棒的设计模式！

Java虚拟机运行时数据区域被分为五个区域：堆(Heap)、栈(Stack)、方法区(Method Area)、本地方法栈(Native Stack)、程序计数器(Program Count Register)。本次将根据这5个子模块详细介绍JVM的内存结构。