跳转很方便，ctrl + 函数名即可。

该警告指正在使用的功能或方法已经被启用，并且未来可能会删除。这种输出涉及到日志输出，

Function Call: 基于LLM的语言理解能力，通过理解语义，自主决策使用某项工具，并。必须要懂得算法原理：了解向量，了解模型底层的原理，例如RAG的原理（如何划分chunk大小）面试题：在当下的一个场景下，如何提高Function Call的成功率，如何做如何思考？Agent，将无状态输出的大模型，变成了有状态输出的逻辑大脑，目标也是工业化。更多趋势：多Agent协作(Multi-Age

大模型在处理长文本时首Token延迟高的核心原因是Transformer的自回归生成机制导致Prefill阶段计算成本高。模型需反复计算历史Token的Q、K、V向量，造成重复计算。KV Cache机制通过缓存历史K/V向量实现增量计算，显著提升生成速度，但会占用大量显存。当前优化方向包括显存管理、数据压缩、动态缓存和架构改进等策略，以平衡计算效率与显存消耗的矛盾。这一瓶颈揭示了Transform

大模型基础和提示词基础

如果是java选手，学习过langchain4j，上手这部分内容应该很快。先详细看看课程目标建立对 LangChain 的整体认识，知道它是什么、解决什么问题、在 AI 应用开发里处于什么位置。理解 LangChain 在 1.x 时代的产品边界、包结构、版本演进，以及它与LangGraph、LangSmith、Deep Agents 的关系。建立对 Model I/O、Chains、Memory

MCP 常被称为“AI 的 USB-C 接口”。它解决的核心痛点是：传统模式下 m 个模型 × n 个工具需要 m×n 次定制开发，引入 MCP 后只需 m+n 次实现即可全互联。标准化连接层：统一 LLM 与外部工具/数据源的交互接口，各厂商只需实现一次 Client 或 Server 即可互通能力扩展桥梁：让模型从“只会回答”升级为“能执行操作”（读文件、查数据库、调 API）安全隔离层：所有

MCP 常被称为“AI 的 USB-C 接口”。它解决的核心痛点是：传统模式下 m 个模型 × n 个工具需要 m×n 次定制开发，引入 MCP 后只需 m+n 次实现即可全互联。标准化连接层：统一 LLM 与外部工具/数据源的交互接口，各厂商只需实现一次 Client 或 Server 即可互通能力扩展桥梁：让模型从“只会回答”升级为“能执行操作”（读文件、查数据库、调 API）安全隔离层：所有

通过ctrl + shift + P执行 View : Move Primary Side Bar Right进行查看。如果要将Agent对话调整到左边，文件查看在右边。可以修改对应的settings.json文件。通过Ctrl + E 在Agent布局和Editor布局两种布局间切换。针对当前项目，可以新增.vscode/settings.json，这样secondary side bar就会自

针对 CLI 版本的 Claude Code，Anthropic 官方文档明确推荐通过修改配置文件来禁用自动更新。该方法适用于所有安装方式（包括原生安装与 npm 安装），且配置不会被后续的版本更新所覆盖。