本文系统解析Java企业级分层架构（Controller/Service/Manager/Repository/DAO/Mapper），阐明各层职责边界、设计原则与典型误区，强调单一职责、依赖倒置、关注点分离等核心思想，助力构建高内聚、低耦合、易维护的可扩展系统。

Docker 知识体系围绕”镜像、容器、数据卷、网络、仓库“五大核心展开，通过上述命令可完成从镜像拉取/构建、容器运行/管理、数据持久化、网络配置到仓库交互的全流程操作。建议结合场景实践（如用 Dockerfile 构建应用、自定义网络实现服务互联）加深理解。

本文将结构化、全维度覆盖 Linux / Windows / MacOS 三大系统的 Docker部署方案，同时完整讲解基于Docker的前后端分离项目从容器化到生产级部署的全流程，兼顾开发环境易用性与生产环境稳定性。

《 Docker 高频常用命令速查表 》，本表筛选了日常开发、运维、生产环境中80%场景高频使用的核心命令，附带可直接运行的实战示例，可直接复制保存为本地速查手册。

本文 以底层核心→组件升级→整体架构→全链路流程→工程细节→产业演进 的逻辑，全方位结构化梳理Transformer核心知识体系，覆盖自注意力机制、多头注意力、Encoder-Decoder结构三大核心模块，同时关联现代大语言模型的架构演进。

本文围绕LLM全生命周期的核心概念，构建「底层基础表征与能力边界」+「模型能力构建与人类价值对齐」两大核心板块的完整知识体系，覆盖定义、原理、作用、技术细节、常见误区与行业实践，形成逻辑闭环。

本文以 “ 底层原理→核心组件→单Agent闭环→多Agent群体智能→工程化落地框架 ” 为核心逻辑线，全方位、结构化梳理AI Agent的完整知识体系，覆盖理论本质、技术实现、工程实践与行业演进全维度。

检索增强生成（Retrieval-Augmented Generation, RAG）是结合外部知识库检索与大语言模型生成能力的技术框架。核心逻辑是：在大模型生成回答前，先从私域/实时知识库中召回与用户Query相关的权威知识片段，将其作为事实上下文注入Prompt，引导大模型严格基于检索到的内容生成回答。

本文围绕**核心原则、角色设定、零样本/少样本提示、思维链CoT**四大核心模块，构建全链路、可落地的提示工程系统性知识体系

本文档系统性覆盖**大模型微调**的核心技术体系，完整包含**全参数微调、LoRA/QLoRA低秩适配的核心原理、优劣势、落地流程，以及配套的数据集规范**，形成从理论到落地的全链路知识闭环。