本文是针对算法设计与分析这门课的知识点整理，内容多来源于教科书以及我看到的一些优秀博文，其中我最推崇是《labuladong的算法小抄》，它的内容让我眼前一亮，不同于教科书的死板套路，它从不一样的角度去解读学习算法，语言通俗易懂，让我受益匪浅。我特别喜欢其中说的一句话计算机解决问题其实没有任何奇技淫巧，它唯一的解决办法就是穷举，穷举所有可能性。算法设计无非就是先思考“如何穷举”，然后再追求“如何聪

在上一篇中，我们聊到AI的本质是概率模型，核心是通过计算概率分布输出最优结果，还通过Dify开源平台了解了大模型交互的工程化逻辑。但实际使用中，让大模型回答“李白哪年出生”这种常识问题时顺风顺水，可一旦问“2025年某行业最新政策解读”“某企业内部产品研发规范”这类专业或时效性强的问题，它要么答非所问，要么“一本正经地胡说八道”。这并不是大模型“变笨了”，而是它从根源上就存在“知识短板”。今天我们

最近在开发一个开源 Agent 项目 ZenoAgent。因为调用商用大模型 API 成本太高，所以决定华为云 ECS 上部署一套本地开源大模型服务。本文记载了服务器部署大模型过程中踩的坑

最近在开发一个开源 Agent 项目 ZenoAgent。因为调用商用大模型 API 成本太高，所以决定华为云 ECS 上部署一套本地开源大模型服务。本文记载了服务器部署大模型过程中踩的坑

MCP（Model Context Protocol）是Anthropic推出的标准化协议，旨在解决AI能说不能做的困境。该协议为AI与外部工具/数据源建立统一接口，支持工具发现、调用和资源访问。MCP采用三层架构（Host-Client-Server）和JSON-RPC通信，包含工具、资源和提示三大核心组件，实现AI与外部世界的安全交互。相比传统插件系统，MCP降低了开发成本，解决了工具碎片化和

作为一个长期使用 Java 的后端开发者，我对 AI Agent 的内部运作机制充满了好奇。为了深入理解 Agent 的工作原理，我决定动手写一个简单的 Agent 系统 —— ZenoAgent。本文记录了我在这个过程中的学习心得与技术实践，包括如何手写 ReAct 循环、在分布式环境下实现 Human-in-the-loop、尝试复刻类 o1 的流式思考以及探索错误处理机制。希望这些踩坑经验能

为什么同样的模型，Claude Code 能自动重构代码、提交 PR，而你写的脚本却只会吐出无法执行的废话？本文从一次真实的抓包分析切入，扒开 Claude Code 的“魔法外衣”，带你从零拆解 Agent 的核心骨架（ReAct 循环）与四大器官（上下文、记忆、RAG、MCP）。没有枯燥的理论，只有真实的工程哲学与避坑指南。如果你想知道如何把一个“只会聊天的 AI”变成“能干活的数字员工”，这

**java学习日志——Idea访问servlet404问题**最近学了servlet后开始尝试自己部署项目，无论是eclipse还是idea我都试过。但一路上的坎坷只有自己清楚。其中部署项目时最心酸也是困扰我最久的给servlet发送请求时出现404的问题。可能你把网上的方法试了遍，可依旧没解决你的问题。无论是注解配置（当然也可以是xml配置）还是服务器部署上都没什么问题，但就是出现40...

最近在开发一个开源 Agent 项目 ZenoAgent。因为调用商用大模型 API 成本太高，所以决定华为云 ECS 上部署一套本地开源大模型服务。本文记载了服务器部署大模型过程中踩的坑

本文基于 OpenClaw 开源仓库源码（4.5版本）进行深度分析，全面覆盖路由、会话隔离、安全边界、AI 推理执行引擎、上下文管理、ACP 协议、Cron 任务等核心模块，重点模块附有源码注解与 Mermaid 架构图，帮助读者系统性理解这套多渠道 AI 助手网关的设计原理。