本文介绍了求解盛水容器最大面积问题的两种方法。暴力枚举法通过双重循环计算所有可能的容器组合面积，时间复杂度为O(n²)，空间复杂度O(1)。更优的双指针法则从数组两端开始，每次移动较矮的指针，在O(n)时间内找到最优解。双指针法的正确性在于：移动短边可能获得更高高度来弥补宽度损失。以示例[1,8,6,2,5,4,8,3,7]为例，双指针法能高效计算出最大面积49。相比暴力法，双指针法更适合处理大规

摘要：大语言模型面临的越狱攻击正成为严峻安全威胁，指通过特殊提示词等手段绕过安全机制诱导模型输出有害内容。主要类型包括提示越狱攻击、模型操控攻击和间接攻击，可能导致信息泄露、放大偏见等危害。当前防御体系包含安全性训练、红队测试等多层措施，但面临多模态攻击、系统级风险等新挑战。AI安全需贯穿模型全生命周期，实现攻防动态平衡，确保技术向善发展。

定义：使用外部LLM接口处理企业或个人数据时，敏感、机密或者受保护的数据因模型提供商的安全漏洞、配置不当、内部人员滥用或恶意攻击等原因，未经过授权而被披露、访问、窃取或传输的问题。应对场景：适用于将LLM集成到产品或服务中的任何场景，尤其是在实时交互和用户生成内容的环境中，需要对LLM的输入与输出进行严格的审核与过滤。应对场景：适用于AI模型的开发与发布流程，在模型投入生产环境前，进行代码级别的安

摘要：RAG（检索增强生成）技术能有效解决大模型的知识冻结和幻觉问题，通过检索外部知识提升回答准确率。RAG流程包括文件解析、切割、检索和重排序等难点环节，适用于高精度场景。Agent架构结合LLM、记忆、工具和规划能力，实现智能决策。大模型开发主要有纯Prompt、Agent+Function Calling、RAG和微调四种方式，其中RAG适合补充领域知识，而微调成本较高但能形成长期记忆。不同

Ollama是一个支持本地运行大模型的集成框架，主要用于LLaMA架构的开源模型。它支持跨平台部署（Mac/Linux/Windows），可自动下载和运行Qwen、Deepseek等主流模型。安装后，用户可通过命令行或图形界面交互，模型默认保存在C盘但可自定义路径。通过LangChain的ChatOllama模块可轻松调用本地模型（如deepseek-r1:8b），支持默认端口或自定义地址访问。O

本文介绍了LangChain中的Memory模块及其实现方式。Memory用于存储多轮对话的上下文信息，使大模型具备记忆能力。文章详细讲解了多种Memory组件：基础组件ConversationBufferMemory存储完整对话历史；ConversationBufferWindowMemory只保留最近K条对话；ConversationTokenBufferMemory基于token数量控制记忆

摘要：Harness是AI领域用于"驾驭"大模型的基础设施体系，包含目标设定、工具接入、记忆管理等核心模块。它与Prompt（单次指令）和Skill（可复用能力）构成层级关系：Harness提供系统级框架，Skill封装具体任务能力，Prompt触发即时响应。三者协同工作（如代码开发场景），形成"骨架-肌肉-神经信号"的有机整体，使AI智能体能够安全高效地完

本文介绍了在智能Agent中嵌入记忆组件的多种实现方式。通过LangChain框架，分别展示了传统方式和通用方式下的ReAct和function_call两种实现路径。具体包括：1）传统方式使用ConversationBufferMemory存储对话历史；2）通用方式通过自定义提示词模板或使用官方ReAct模板实现记忆功能。文中详细演示了如何初始化Agent、配置记忆组件，并通过连续对话（如查询北

摘要：RAG（检索增强生成）技术能有效解决大模型的知识冻结和幻觉问题，通过检索外部知识提升回答准确率。RAG流程包括文件解析、切割、检索和重排序等难点环节，适用于高精度场景。Agent架构结合LLM、记忆、工具和规划能力，实现智能决策。大模型开发主要有纯Prompt、Agent+Function Calling、RAG和微调四种方式，其中RAG适合补充领域知识，而微调成本较高但能形成长期记忆。不同

本文介绍了开源项目 Scientific Coding，它是一套面向 Codex、Claude Code、Cursor、等 AI 编程 Agent 的工程协作 Skill。项目通过“先读上下文、再写代码；先确认事实、再调用接口；先验证结果、再宣布完成”等原则，约束 AI 在真实开发中的行为，重点减少接口编造、业务臆测、过度重构、忽略测试和破坏架构等问题。该 Skill 包含完整规则、检查清单、提示