预训练：学习语言基础知识（无监督）。监督微调：学习特定任务的问答能力（有监督）。奖励建模：构建评判生成质量的评分系统。强化学习：在评分系统指导下持续优化。神经网络：通过加权求和 + 激活函数实现信号传递。参数：存储训练后的知识和经验。

上下文信息不宜过长，过长会导致 AI 生成的结果越来越不准确（受限于注意力机制的有效范围）。依赖模型的预训练知识，比较适合简单任务，也是日常对话常用的方式。幻觉是生成不准确或不存在的数据结果，本身是 LLM 的固有缺陷。定义 AI 的系统角色，作为前置条件，每次提问都发给 AI。类似提问时先把要问的问题说清楚，让对方能准确理解你的需求。类似与人沟通时的表达技巧，好的提示词可以获得更好的回复。AI

用户输入问题，AI 结合知识库内容和相关知识，生成准确、真实、具有时效性的回答结果。优点存在问题使模型在某些领域专业化，适合用于专业领域研究。使小模型在专业领域也能发挥作用，减少硬件开销成本。让模型具备调用外部 API 的能力，扩展 AI 的实际操作范围。常见能力AI 调用时，会把数据转成 JSON 格式发送。被调用的工具包含的核心参数内容：工具定义示例：AI 调用示例：Token 消耗使用工具会

BuildKit 是 Docker 官方下一代构建引擎，需 Docker 18.09 及以上，并在环境中显式启用。把包管理器缓存目录挂载为 BuildKit 缓存卷，可在锁文件未变时复用依赖，加速后续构建。最终镜像中不会包含构建阶段的源码、开发依赖、构建工具等，仅包含运行阶段需要的产物与配置。系列镜像仅包含应用运行时依赖，不含 shell、包管理器等，依赖越少，潜在漏洞面越小。等，只保留运行所需的

在 Github -> 个人设置 -> SSH and GPG key 中填入公钥消息。公钥复制到 下方的密钥输入框，添加后即可通过 SSH 访问仓库。在 SSH Keys 配置中，将得到的。打开 Git Bash ，使用。通过 PowerShell 操作。启用代理软件再执行流程即可。查看本地代理配置端口。

在项目或群组/实例的里新增 Runner，设置名称和要绑定的tags（如nodedocker创建完成后页面上会给出，后面会使用上。自建 Runner 这里的标签（tag）按需填写，CIjob 中只有配置符合的 tags 标签时才会使用对应的 Runner，后续也可以编辑。

指定 Job 只在带对应标签的 Runner 上执行，实现精确调度，将资源密集型任务（如镜像构建、大体积编译）放到专用 Runner，避免与共享 Runner 上的其他任务争抢资源。将同一 Job 按维度拆成多个子 Job 并行运行，常用于测试（如 unit、integration、e2e）或多环境组合，从而缩短总构建时间。对重复出现的配置（如相同构建命令、cache、artifacts），可抽成

结构化克隆算法（Structured Cloning Algorithm）是用于复制复杂 JavaScript 对象的算法，广泛应用于postMessage()、IndexedDB、Worker数据传递等场景。与 JSON 序列化的区别：比JSON.stringify()支持更多类型（如 Date、Map、二进制数据等），但仍有局限性（如不支持函数）。错误对象（Error 及其子类，如 TypeE

Diff 算法流程：Vue 3 的 diff 算法分为五个步骤：同步头部节点、同步尾部节点、处理新增节点、处理删除节点、处理乱序节点。通过预处理快速缩小范围，然后通过 key 映射和 LIS 算法处理复杂的节点移动场景。最长递增子序列算法：使用贪心算法 + 二分查找 + 回溯列表的方式，找出不需要移动的节点序列。通过贪心策略和二分查找找到局部最优解，然后通过回溯指针数组还原出真正的递增子序列，最小

自定义 Hook 就是封装逻辑的函数，类似 Vue 的 composable。通常把重复的逻辑提取出来，不包含业务代码。规则名字必须以use开头可以在组件间共享逻辑共享的是逻辑，不是状态本身Hook 之间可以传值，会保持最新每次渲染都会重新运行必须是纯函数事件处理函数用 useEffectEvent 包裹不要写太通用的 Hook（如useMount），保持具体使用：把 useEffect 里的逻辑