本文介绍了从Agent到CrewAI框架的演进过程。首先解释LLM应用与传统应用的区别，指出LLM应用的输入、过程和输出更具不确定性。接着阐述LLM Agent的概念，即具备感知、推理、行动能力的自动化LLM系统，并分析构建优秀Agent的六大特征。文章重点讨论Multi-Agent系统，提出任务设计应遵循8/2法则（80%精力用于任务设计，20%用于代理定义），强调动态任务驱动的重要性。最后介绍

本文介绍了参数高效微调(PEFT)技术及其在自然语言处理中的应用。文章首先探讨了如何选择适合的预训练模型，以文本风格润色任务为例，推荐了Qwen2.5系列模型。随后详细阐述了微调方案的选择标准，包括QLoRA、Flash Attention-2等技术组合。文章重点展示了PEFT实战过程，特别是数据准备阶段的数据增强技术，通过教师模型自动生成高质量的指令数据集，包括总结扩写、提问回答和风格迁移三种模

在过去的学习中，我们已经了解到，一个有序的ID往往对插入更友好，如果能带上时间标识，那么对运维也很友好。而在分布式系统中，全局唯一也是必不可少的要求。关于高效生成有序带时间的全局唯一的ID，我们常见的方案是雪花ID（Snowflake）。今天，我们一起来了解一个**IETF官方标准**，宣传自己更符合未来趋势的方案——UUIDv7。

本文介绍了RAG流程中的向量化步骤，重点讲解了如何使用sentence-transformers库将文本转换为向量，并通过余弦相似度进行语义比较。作者演示了加载中文Embedding模型bge-small-zh-v1.5的过程，展示了如何计算文本向量间的相似度，解释了向量维度的意义（512维），并比较了点积、余弦相似度和欧氏距离三种向量比较方法。文章强调余弦相似度是衡量文本语义相似度的首选方法，因

fastjson转换对象为jsonStr后多出属性。

在过去的学习中，我们已经了解到，一个有序的ID往往对插入更友好，如果能带上时间标识，那么对运维也很友好。而在分布式系统中，全局唯一也是必不可少的要求。关于高效生成有序带时间的全局唯一的ID，我们常见的方案是雪花ID（Snowflake）。今天，我们一起来了解一个**IETF官方标准**，宣传自己更符合未来趋势的方案——UUIDv7。

尽管正确添加了Maven依赖，且依赖存JAR包存在被加载的类，但是IDEA仍无法识别，同时刷新Maven也没有效果。如果以上方法都无效，可以尝试重新下载依赖的jar包，或者手动将jar包添加到项目中。尝试重新导入maven项目：右键项目 -> Maven -> Reimport。确认依赖的jar包是否存在于本地仓库中，可以在maven仓库目录下确认。确认依赖是否正确添加到了项目的pom.xml文件

把需要比对的jar包放到任意目录下，然后选中两个需要比较的jar包，右键，选择Compare Archives，然后就可以比较了。这次疏忽了，每次打包前需要commit界面看一下当前代码和仓库的差异，哪怕几千个也要排序看一下，出错真的很难过。除了一些小工具外，idea自带了jar包比较的功能。

尽管正确添加了Maven依赖，且依赖存JAR包存在被加载的类，但是IDEA仍无法识别，同时刷新Maven也没有效果。如果以上方法都无效，可以尝试重新下载依赖的jar包，或者手动将jar包添加到项目中。尝试重新导入maven项目：右键项目 -> Maven -> Reimport。确认依赖的jar包是否存在于本地仓库中，可以在maven仓库目录下确认。确认依赖是否正确添加到了项目的pom.xml文件

本方法是基于hutool工具包，org.w3c.dom。与dom4j方法差不多，不过支持XPath了传入String格式的xml字符串，如果能明确知晓元素节点信息，可以使用XPath表达式获取节点值与元素属性值import cn.hutool.core.util.XmlUtil;import org.w3c.dom.Document;import org.w3c.dom.Element;impor