专栏进度：08 / 10 (自动化实战专题)Allure 是一款支持多语言、多框架的开源报告工具。它的强大之处不仅在于颜值，更在于它能记录测试步骤、附件、历史趋势、严重级别以及自动截屏。

专栏进度：01 / 03 (Docker 专题)你是否经历过安装 psycopg2 或 pandas 时，因为服务器缺少某个 C 语言库而折腾一个下午？Docker 的核心价值在于：它将你的代码、解释器、依赖库、甚至操作系统配置，全部打成一个只读的 “镜像（Image）”。

Docker Compose 的核心是 docker-compose.yml。它定义了三个关键要素：Services (服务)：你的容器镜像（Python 应用、数据库等）。Networks (网络)：让容器之间能通过“服务名”互相访问（比如 db:5432 而不是变化的 IP）。Volumes (数据卷)：保证数据库重启后，数据不会丢失。

专栏进度：03 / 03 (Docker 专题收官)在本地跑通 Docker Compose 只是开始。当你把代码推向生产服务器时，你必须面对现实世界的残酷：服务器重启了怎么办？数据库数据被容器删了怎么办？手动部署太慢怎么办？

专栏前言：如果说 Prompt 是大脑的思考方式，那么 RAG 就是大脑能随时翻阅的私人图书馆。本篇我们将深入探讨如何利用 Python、向量数据库和重排序技术，构建一套精准的知识库问答系统。🚀 为什么“直接问”大模型不再有效？幻觉问题：模型不知道答案时，会一本正经地胡说八道。数据滞后：大模型无法感知实时信息或企业内部私有数据。成本昂贵：将海量文档作为上下文（Context）输入，会迅速耗尽 T

专栏前言：大模型本质上是“无状态”的。每一次对话对它来说都是初次见面。本篇我们将探讨如何通过 Python 编排，利用不同的记忆策略让 AI 突破 Token 瓶颈，构建拥有“持久人格”的智能体。🚀 为什么“直接带上历史记录”行不通？很多开发者最初的做法是将所有对话记录（Chat History）全部塞进 Prompt。这会带来三个致命问题：费用爆炸：Token 消耗随对话轮数呈指数级增长。上下

专栏进度：01 / 10 (微调实战专题)在 2026 年的 AI 开发语境下，“微调”已经从大厂的专利变成了开发者的常用工具。但 90% 的项目失败，不是因为算力不够，而是因为选错了技术路线。本篇将带你建立一套科学的“微调决策矩阵”，并完成工业级开发环境的闭环搭建。

容器默认的文件系统是临时的——容器删除后，其中所有数据都会丢失。对于数据库、日志、配置等需要持久化的数据，Docker 提供了三种存储方式：Volume、Bind Mount 和 tmpfs。容器运行时，所有对文件系统的修改都写入容器的可写层（位于宿主机 /var/lib/docker/overlay2/…即使使用 docker commit 将容器保存为新镜像，也只能保留当时的状态，不适合频繁变

本文将带你从零开始，编写第一个 docker-compose.yml，掌握常用命令，并运行一个完整的 LAMP 示例。注意：新版 Docker Compose 也可作为 Docker 插件使用：docker compose（无横线）。下文使用 docker-compose 命令，但推荐迁移到 docker compose。这是因为 Compose 会自动创建一个默认网络（<目录名>_default

本文将深入讲解 Compose 的网络模型、depends_on 的局限与健康检查方案、环境变量使用技巧，以及如何通过多个 Compose 文件实现配置复用和环境隔离。本文介绍了 Compose 的高级用法：自定义网络实现服务隔离，健康检查确保依赖就绪，环境变量管理配置，以及多文件扩展适配不同环境。同时，Compose 会自动加载项目目录下的 .env 文件（如果存在），并用于替换 Compose