避免 Codex “自认为做完”，最后返工：完成后请确保：1. npm run lint 无报错2. 单元测试全部通过3. 不新增无关依赖4. 只修改 src/auth 目录文件5. 输出修改清单+验证结果关键：把“工程标准”告诉AI，不是让它自由发挥。2026 用 Codex 的核心：把它当“开发队友”，不是“代码生成器”。• 用 /plan 控方向，用 @文件 给上下文• 需求写具体、验收讲标

AI Agent 不是大模型的简单封装，而是下一代 AI 应用的核心范式：它让 AI 从「回答问题的工具」变成「解决问题的执行者」，从「需要人步步引导」变成「给定目标就能自主闭环」。• 长期持久记忆：基于向量数据库与 RAG 检索机制，持久化存储历史任务记录、领域知识、用户偏好、成功与失败案例，任务启动时按需召回，突破上下文窗口的物理限制；• 短期工作记忆：依托大模型上下文窗口，存放当前任务的会话

AI Agent 不是大模型的简单封装，而是下一代 AI 应用的核心范式：它让 AI 从「回答问题的工具」变成「解决问题的执行者」，从「需要人步步引导」变成「给定目标就能自主闭环」。• 长期持久记忆：基于向量数据库与 RAG 检索机制，持久化存储历史任务记录、领域知识、用户偏好、成功与失败案例，任务启动时按需召回，突破上下文窗口的物理限制；• 短期工作记忆：依托大模型上下文窗口，存放当前任务的会话

1. RAG核心逻辑：文档解析→分块→向量化→向量存储→检索→Prompt增强→LLM生成，链路每一环都会影响最终效果。2. 调优核心：文本分块、混合检索、重排模型、Prompt约束是提升精度的四大关键，也是项目落地的重点工作。3. 框架选型：新手/快速落地选国内一站式框架（FastGPT/Dify）；深度开发、定制化需求选择LangChain/LlamaIndex。RAG目前已经成为大模型工程落

自注意力机制：让序列中每一个字，都和全文所有字做关联匹配，自动计算彼此的相关权重。通俗翻译：模型在读每一个字的时候，会自动判断：全文中哪些字和我关系最大，重点关注、加权理解。举例：句子：“小明丢了书包，他很着急”- 看到“他”，注意力自动聚焦到“小明”- 看到“着急”，注意力关联“丢了书包”这就是语义关联、上下文理解的本质。1. Self-Attention 是 Transformer、所有现代大

1. SFT拼的不是数量，是纯度与规范性2. 预训练学知识，SFT学习惯、风格、任务、格式3. 3成通用+7成行业，是最稳落地配比4. 数据集干净，模型效果一定涨；数据集脏，怎么调参都没用5. 标准、统一、真实、多样、正确，是SFT数据五维黄金标准如果你需要，我可以继续输出：1. SFT数据集清洗Python脚本2. 数据集自动去重、过滤、格式统一工具3. 多轮对话SFT数据集制作教程需要的话告诉

避免 Codex “自认为做完”，最后返工：完成后请确保：1. npm run lint 无报错2. 单元测试全部通过3. 不新增无关依赖4. 只修改 src/auth 目录文件5. 输出修改清单+验证结果关键：把“工程标准”告诉AI，不是让它自由发挥。2026 用 Codex 的核心：把它当“开发队友”，不是“代码生成器”。• 用 /plan 控方向，用 @文件 给上下文• 需求写具体、验收讲标

SFT（Supervised Fine-Tuning）监督微调：基于预训练底座大模型，使用高质量人工标注指令数据集，以有监督学习的方式，让模型学习「用户指令 → 标准回答」的映射关系。1. SFT 是大模型从“能用”到“好用”的第一道门槛；2. 预训练学知识，SFT学任务，RLHF学审美；3. SFT效果核心不在于参数，而在于高质量、高纯净数据集；4. 所有私有化行业模型、企业专属模型，必须经过S

异常：hive> show tables;FAILED: Error in metadata: java.lang.RuntimeException: Unable to instantiate rg.apache.hadoop.hive.metastore.HiveMetaStoreClient FAILED: Execution Error, return code 1 from

主要分区：程序计数器、虚拟机栈、本地方法栈、堆、方法区1、虚拟机栈（jvm stacks）线程私有，生命周期与线程相同。主要存放：局部变量表、操作数栈、动态链接、方法出口2、堆（heap）所有线程共享的区域、在虚拟机启动时创建。存放：对象实例。堆是GC重点照顾对象，所以也被称GC堆。3、方法区（Method Area）主要存放：被虚拟机加