《LLM与AI Agent的区别：从知识库到行动者的进化》 文章通过比喻和公式解析了LLM（大语言模型）与AI Agent的本质区别：LLM如同知识渊博但行动受限的教授，擅长生成内容却无法执行任务；而AI Agent则是具备行动力的助教，能主动规划任务、调用工具并交付结果。二者的核心差异体现在三个维度：AI Agent=LLM+规划能力+记忆系统+工具使用，实现了从被动应答到主动执行、从内容生成到

本文解析了大模型工具生态中的核心概念与底层逻辑。通过"餐馆点餐"类比，区分了工具定义(菜单)、Function Calling(点菜)和工具执行(做菜)三个环节。重点对比了本地@tool装饰器与跨平台MCP协议：@tool适合快速开发但绑定特定框架，MCP则实现跨语言/跨框架的工具复用。文章还探讨了动态工具发现方案(工具检索器和分层架构)以应对工具爆炸问题。最终指出未来架构将是Function C

摘要： 大模型API中的"缓存命中"能大幅降低使用成本。当用户重复发送相同文本时，系统会复用之前计算的中间状态（KV Cache），而非重新处理，从而节省算力。DeepSeek等厂商通过磁盘缓存技术将这部分Token价格降低50%-90%。要最大化缓存命中率，需将固定文本前置、变动内容后置，避免污染缓存前缀。正确设计Prompt结构可显著提升响应速度并降低运营成本，这是规模化AI应用的重要优化手段

本文解析了大模型工具生态中的核心概念与底层逻辑。通过"餐馆点餐"类比，区分了工具定义(菜单)、Function Calling(点菜)和工具执行(做菜)三个环节。重点对比了本地@tool装饰器与跨平台MCP协议：@tool适合快速开发但绑定特定框架，MCP则实现跨语言/跨框架的工具复用。文章还探讨了动态工具发现方案(工具检索器和分层架构)以应对工具爆炸问题。最终指出未来架构将是Function C

摘要： 本文深入探讨了大模型Agent记忆机制的设计挑战与解决方案。首先分析了全量历史对话堆叠带来的三大技术灾难：计算复杂度爆炸、中间迷失现象和商业化成本问题。随后指出纯向量RAG方案的"时序坍塌"缺陷，即语义相似但时间冲突的信息召回问题。核心解决方案是构建基于状态机的记忆固化系统，通过异步解耦、信息降维和冲突状态机实现精准记忆管理。最后提出混合检索架构（图谱路由+倒排索引+向量召回）解决复杂关联

工业级RAG检索质量演进与调优实践 本文系统梳理了工业级RAG(检索增强生成)技术在落地过程中的关键挑战与优化路径。作者将大模型比作"博古通今但记性不好的天才"，而RAG则是为其配备的"联网iPad"，通过检索外部知识库解决原生大模型的五大痛点：时效性、幻觉、私有数据访问、可追溯性和微调成本。 文章重点剖析了数据切片技术的演进历程：从早期的固定长度切片，到基于文档结构的规则切片，再到更先进的语义切

《LLM与AI Agent的区别：从知识库到行动者的进化》 文章通过比喻和公式解析了LLM（大语言模型）与AI Agent的本质区别：LLM如同知识渊博但行动受限的教授，擅长生成内容却无法执行任务；而AI Agent则是具备行动力的助教，能主动规划任务、调用工具并交付结果。二者的核心差异体现在三个维度：AI Agent=LLM+规划能力+记忆系统+工具使用，实现了从被动应答到主动执行、从内容生成到

《RAG的进化：从检索增强到上下文管理的技术跃迁》 摘要：随着大模型上下文窗口的扩展，"Naive RAG"架构确实面临淘汰，但检索技术的核心价值正在经历深刻转型。2026年的技术发展呈现三大趋势：1）超长上下文窗口使模型可直接处理完整文档，但需要解决"注意力稀释"问题；2）上下文缓存技术成为新的性能优化关键，实现计算资源的智能复用；3）Agentic RA

今天使用mybatisPlus的updateBatchById方法时，不知道为什么，总是有个属性在设置为null的时候更新失败。通过打印的日志也可以看到，执行的sql语句根本没有相应字段。