本文摘要：智能体（Agent）是一种能自主感知环境、采取行动并达成目标的AI系统，其核心特征包括自主性和行动能力。智能体可分为简单反射型、基于模型、基于目标、基于效用和学习型等类型。智能体通过PEAS模型（性能、环境、执行器、传感器）描述任务环境，并遵循"感知-思考-行动-观察"的闭环运行机制。文章还探讨了智能体的应用场景、评估标准及局限性，如可能产生"幻觉"和陷入无限循环等问题。最后通过案例分析

/City 是最内层的对象，只需要实现基本的浅拷贝 Address 包含 City 对象，因此需要在 clone() 中递归拷贝 City。// true, intern() 返回常量池中的引用。：既会拷贝基本数据类型，也会针对实例对象的引用地址所指向的对象进行复制，深拷贝出来的对象，内部类指向的不是同一个对象。//直接**.clone()**即可，也可以实现 Cloneable 接口并简单重写

/ flatMap：List<List<String>> -> List<String>（扁平化）// 静态变量不会被序列化。.filter(s -> s.length() > 5)// 过滤。.map(String::toUpperCase)// 转换。.sorted()// 排序。

本文摘要：Java核心知识点精要，包含六大模块：1）面向对象三特性（封装/继承/多态）及设计原则；2）数据类型选择（如金融计算用BigDecimal）；3）final/static关键字特性；4）异常处理机制（throw/throws区别）；5）Object类方法（equals/hashCode规范）与泛型；6）反射原理及注解机制。重点涵盖值传递、字符串不可变性、异常体系等高频考点，并解析经典面试

本文摘要： 本章介绍了大语言模型的基础知识，重点讲解了语言模型的发展历程和Transformer架构。首先从统计语言模型N-gram入手，分析了其基于马尔可夫假设的概率计算方法和最大似然估计原理，同时指出了数据稀疏性和泛化能力差两大缺陷。接着介绍了词嵌入技术，通过将词语映射到高维向量空间，解决了N-gram的词孤立问题，并展示了词向量运算的经典案例。最后探讨了RNN和LSTM网络，解释了其通过隐藏

智能体发展经历了从符号主义到联结主义再到强化学习的演进过程。符号主义（1950s-1980s）认为智能源于符号处理，通过专家系统实现，但面临知识获取瓶颈和系统脆弱性问题。联结主义（1980s-2000s）采用神经网络自下而上学习，解决了感知问题。强化学习（2010s+）通过试错机制专注于决策问题。预训练+微调范式（2018+）利用海量数据训练模型，突破了知识获取瓶颈。最终，LLM智能体（2022+

核心四要素: 传感器(sensors) 环境(Environment) 执行器(actuator) 自主性(Autonomy)智能体 = 能通过传感器感知环境 + 自主通过执行器采取行动 + 达成目标的实体面试回答版我理解 Agent 本质上是一个能自主完成目标的 AI 系统，跟传统 AI 最核心的区别在于「自主性」和「能行动」。传统 AI 是你问一个问题它回答一个问题，每次都是独立的，被动响应；