本文从业务和架构角度探讨对话系统中意图识别的优化策略。业务上指出准确率需达90%以上才可用，95%后每提升1%都至关重要。架构层面提出三层处理流程：接入层预处理、意图识别层（含关键词匹配/轻量分类/LLM兜底三阶段）和业务逻辑层。优化方案包括：构建贴近真实用户的测试集、槽位类型标记、多意图拆分、多轮对话管理和意图切断机制。强调需定期分析错误案例持续优化，准确率提升对整体对话体验具有决定性影响。

是操作系统提供的一种内存管理技术，它使得应用程序认为自己有连续的、独立的内存空间，而实际上，这个虚拟内存可能部分存储在物理内存上，部分存储在 磁盘（如硬盘的交换分区或页面文件） 中。访问分页系统中内存数据需要两次的内存访问 ：一次是从内存中访问页表，从中找到指定的物理页号，加上页内偏移得到实际物理地址，第二次就是根据第一次得到的物理地址访问内存取出数据。当一个程序访问的页（页面）不在物理内存中时，

MCP 是一个开放协议，用于标准化应用程序向大语言模型（LLM）提供上下文的方式。你可以把 MCP 想象成 AI 应用的 USB-C 接口——正如 USB-C 提供了一种将设备连接到各种外设和配件的标准化方式一样，MCP 提供了一种将 AI 模型连接到不同数据源和工具的标准化方式。MCP的出现不是为了解决function calling的问题的（幻觉，提取不准确等问题依然可能出现），而是为了解决针

MCP 是一个开放协议，用于标准化应用程序向大语言模型（LLM）提供上下文的方式。你可以把 MCP 想象成 AI 应用的 USB-C 接口——正如 USB-C 提供了一种将设备连接到各种外设和配件的标准化方式一样，MCP 提供了一种将 AI 模型连接到不同数据源和工具的标准化方式。MCP的出现不是为了解决function calling的问题的（幻觉，提取不准确等问题依然可能出现），而是为了解决针

写 Python 的人迟早会碰到同一个问题：我想定义一套「契约」——规定某些类必须实现某些方法，然后让别的代码依赖这套契约而不是具体实现。从 Python 3.0 的 `abc` 模块，到 Python 3.8 引入的 `typing.Protocol`，官方前后给了两套机制。但很多人用了很久，仍说不清：为什么有时候要 `class Foo(ABC)`，有时候只要写个 `Protocol` 就够了

KV Cache与Prompt Caching是大模型推理中的两种缓存技术。KV Cache主要优化单次对话内自回归生成的重复计算，通过缓存历史token的Key-Value对避免重复注意力计算，显著提升decode阶段效率。Prompt Caching则针对多轮对话复用固定前缀（如system prompt），通过哈希匹配直接复用已计算的KV张量，减少重复prefill消耗。两者协同工作——Pr

CoT只适合纯推理场景，不具备调用工具和与外部交互的能力，完成推理仅依赖已有知识，如数学逻辑推理题、文本写作类等基于已有规则的问题。Final Answer：杭州 7 月单周平均降雨 28mm，宁波 42mm，宁波周降雨量比杭州多 14 毫米。执行阶段（Execute）：遍历每一个子任务，并根据子任务需求调用工具执行，子任务内部采用循环模式。Observation：杭州未来 7 天 24~32℃，

本文介绍了Harness架构中MCP层与客户端的五种连接方式及其特点：1）本地进程通信（无网络）；2）SSE长连接（单向HTTP1.1）；3）HTTP短连接（REST POST）；4）长轮询（伪长连接）；5）WebSocket（全双工）。同时对比了RPC（JSON-RPC）和gRPC的实现差异，并分析了MCP协议的三种实现方案（本地进程/HTTP流式/SSE）及各自适用场景。最后补充了HTTP各版

本文介绍RAG系统的构建与优化，分为存储、检索、优化三阶段。存储阶段处理文本后采用Elasticsearch同时支持关键词和向量检索，选用Qwen3-Embedding等模型进行2048维向量化。检索阶段结合KNN向量检索和BM25关键词检索，使用Deepseekchat生成回答。优化部分包括评估指标（召回率、准确率等）、问题定位（数据处理/召回策略/模型选择）及提升方案（GraphRAG/Lig