MCP（Model Context Protocol，模型上下文协议） 是由Anthropic公司（Claude模型的开发商）在2024年11月推出并开源的一种开放协议标准。它旨在标准化应用程序如何为大型语言模型（LLMs）提供上下文信息，可以形象地理解为"AI应用的USB-C接口"，为大模型连接各种数据源和工具提供了统一标准，使 LLM 能够连接各种数据源和外部工具，从而实现跨模型、跨平台无缝地

MCP（Model Context Protocol，模型上下文协议） 是由Anthropic公司（Claude模型的开发商）在2024年11月推出并开源的一种开放协议标准。它旨在标准化应用程序如何为大型语言模型（LLMs）提供上下文信息，可以形象地理解为"AI应用的USB-C接口"，为大模型连接各种数据源和工具提供了统一标准，使 LLM 能够连接各种数据源和外部工具，从而实现跨模型、跨平台无缝地

代码示例");// 换行操作方法特点输出println()自动换行，简单直接print()不换行，适合连续输出printf()格式化输出，灵活控制样式输入Scanner类支持多种数据类型读取文件读写FileReaderFileWriter用于文件操作。

参数高效微调（Parameter Efficient Fine Tuning, PEFT）是在微调大模型时仅更新少量参数的技术，通过冻结大部分原始权重，仅训练添加的适配器层、低秩矩阵或特定参数子集，大幅降低计算和存储成本，避免灾难性遗忘，实现高效适配新任务，典型方法包括LoRA、Adapter、Prefix Tuning等。

Transformer是Google在2017年提出的革命性深度学习模型，完全基于自注意力机制处理序列数据，摒弃了传统的RNN和CNN结构。其核心优势包括解决长距离依赖问题、实现并行计算，成为GPT、BERT等大语言模型的基础架构。Transformer由编码器和解码器组成，采用多头注意力机制、残差连接和层归一化等技术。输入处理包含词元化和向量化两个关键步骤，现代大模型主要使用BPE、WordPi

摘要： 智能体（Agent）是以大语言模型（LLM）为核心，具备自主感知、决策与行动能力的AI实体，其运行机制遵循“感知-思考-行动-观测”闭环。智能体通过记忆模块（短期/长期）、感知模块（多模态输入）、工具模块（扩展能力）和规划模块（任务拆解与反思）协同工作，实现动态决策。与固定流程的工作流不同，智能体具有高度灵活性和目标导向性，擅长处理复杂多变的任务。未来，智能体与工作流将深度融合，形成更强大

LangChain是由Lang.AI开发的开源框架，专注于基于大语言模型(LLM)的应用开发。它采用三层架构设计：架构层提供核心功能，组件层连接外部系统，部署层支持企业级应用。框架包含六大核心组件：模型交互接口、检索系统、记忆模块、链式工作流、智能体和回调机制。LangChain通过模块化设计简化了AI应用开发流程，支持快速构建智能体、问答系统等复杂功能。开发者可通过Python环境安装相关包，利

方法适用场景是否跨平台是否涉及 I/O获取系统属性路径是否获取文件绝对路径是否获取类路径资源是否跨平台路径拼接是否URI统一资源标识是否Web 应用中的 request获取 Web 请求路径是否读取 JAR 内资源是否根据具体需求选择合适的方法，确保路径处理的灵活性和兼容性。

压缩列表的连锁更新是指在 Ziplist 中插入或删除元素时，由于每个 Entry 记录前一个节点的长度（，导致后续多个节点的字段需要连续修改，从而引发多次内存重分配和数据迁移的现象。触发场景：插入或删除元素：当某个 Entry 的长度变化后，后续所有 Entry 的字段都需要更新。长度变化阈值：当某个 Entry 的长度从小于 254 字节变为大于等于 254 字节（或反之），其字段的存储方式会

messages在实际项目中，无论你是在开发客服助手、文案生成系统、知识库搜索引擎，还是构建多模态 Agent，理解并掌握这些参数的调优技巧，是将大模型从“能跑”到“好用”的关键一步。