摘要： Agent Learning Lab 是一个专注于AI应用开发学习的实验项目，通过模块化设计拆解Prompt、结构化输出、RAG等核心能力，提供可观察、可调试的白盒化实验环境。项目定位为开发者学习平台，强调过程展示（如模型原始输出、检索来源、耗时等）和技术文档沉淀。目前已实现基础模块，未来计划扩展联网搜索、Function Call、Workflow Agent等功能，逐步构建完整的Age

DeepSeek API最新推出的上下文缓存功能引发关注。该功能并非缓存最终回答结果，而是缓存模型处理重复输入前缀时的中间计算状态，包括重复提示词、长上下文中间结果等。与传统缓存不同，它不固定输出内容，仍受温度参数等影响保持随机性。该技术特别适合多轮对话、长文档问答等场景，能显著降低重复处理相同上下文的计算成本。开发者可通过优化提示词结构（稳定内容前置）来提高缓存命中率，并通过API返回的缓存命中

摘要： MCP（Model Context Protocol）是一种标准化协议，旨在解决AI调用外部工具的碎片化问题。不同于Function Calling或Plugin等方案，MCP通过统一工具接入、发现和调用方式，构建了AI与外部能力的"接口标准层"。其核心包含Client（LLM）、Server（能力提供方）和Tool（执行单元）三个角色，形成"LLM→MCP

大模型参数量增加并非简单添加人工规则，而是扩展了模型的内部表示空间。本文通过对比小模型和大模型对同一问题的回答差异，揭示了大模型能力的本质： 大模型并非基于if-else规则系统，而是通过上下文预测下一个token的概率分布 模型"理解意图"的本质是上下文改变了内部向量状态，进而影响输出概率 Transformer通过注意力机制融合上下文信息，形成细粒度特征表示 参数量增大意味着模型能同时保留更多

小模型容易套模板，不是因为它“笨”，而是因为它更容易学到粗粒度相关性。留存差 → 签到积分大模型更容易抓住问题本质，也不是因为它写了更多规则，而是因为它能保留更多上下文特征，表达更复杂的条件关系。情绪分析产品 + 留存差→ 可能不是缺少签到积分→ 而是缺少用户复访理由→ 应该拆情绪触发、长期记录、复盘价值和行动建议小模型更容易输出高频套路。大模型更容易识别细分场景。差异的底层原因，是内部表示空间和

复杂 Agent 不一定全靠大模型。上下文理解复杂语义判断任务规划边界案例处理低信息场景推理成本低速度快适合固定任务适合结构化输出适合高频简单环节工程流程把一个复杂函数拆成了多个简单函数。F(x) = yf1(x) = a每一步复杂度下降，小模型就能参与。工程复杂度上升延迟可能上升错误会传播需要校验和兜底大模型用参数容量处理复杂性。小模型用工程流程处理复杂性。

摘要： 本文通过一个真实线上事故案例，揭示了Spring事务失效的核心原因——事务注解在内部方法调用时不生效，导致并发场景下数据不一致。案例中，单例Bean的成员变量共享状态与事务边界未覆盖完整执行路径，造成“看似回滚实则脏数据”的必然结果。文章对比了不同层级工程师的视角：初级者纠结注解配置，资深者关注执行路径与系统设计，架构师则反思团队对事务边界的认知偏差。关键结论在于，事务是兜底机制而非业务隔

本文分析了配置中心客户端单例模式中出现的空指针异常问题。通过还原事故现场，揭示了经典"双重检查锁"写法在没有volatile修饰时，由于JVM指令重排序导致对象可能被提前发布，造成"半初始化"状态被其他线程访问的根本原因。文章从薪资差异视角，对比了不同级别工程师在问题定位、根因分析和解决方案上的思维差异，指出高薪工程师更关注对象发布模型和系统级规范。最后提出

AI工具助力微信小程序开发实战：从工具选择到代码优化全流程指南。本文记录了一次借助AI工具开发微信小程序的经验，包括工具对比（Cursor、Trae、CodeBuddy）、技术栈选择（Taro+CSSModules）、UI样式还原（通义大模型辅助）等关键环节。重点分享了如何合理搭配AI工具链（CodeBuddy处理逻辑+元宝提供技术建议+通义还原设计稿），同时强调人工审查代码的重要性。最终形成了一

在 Java 程序中，线程（Thread）是操作系统分配 CPU 时间的最小单位。一个进程可以包含多个线程，它们共享进程的内存空间，却能同时执行不同的任务。阶段并发模型核心技术典型问题解决思路单体多线程资源竞争、数据一致性锁、线程池、原子类分布式异步化 + 事件驱动MQ、Kafka、协程、分布式锁跨节点一致性、上下文丢失分布式事务、Trace传递、幂等机制多线程是性能的钥匙，但在复杂系统中也是最锋