数组、栈、队列、链表都属于线性数据结构，元素呈一对一线性关系；树、图属于非线性数据结构，元素关系更复杂。栈和队列并非独立存储结构，是操作受限的数组/链表：栈后进先出，队列先进先出。JS 数组pushunshiftsplice都会修改原数组，不属于纯函数；unshift、数组结合shift实现队列，大数据场景性能较差。JS 数组内存并非一定连续，元素类型混杂时底层切换为哈希表存储。数组查询快、增删慢

（简称 MP）是 MyBatis 的增强工具，由国人开发维护，在 MyBatis 的基础之上只做增强、不做改变。只为简化开发而生，不对 MyBatis 原有能力做任何侵入式改动。简化单表 CRUD：传统 MyBatis 中，即使是最简单的单表查询也需要手写 XML 映射文件或注解 SQL，而 MP 内置的BaseMapper直接提供了数十种常用方法，绝大多数单表操作可以做到零 SQL 编写。提升开

你手机里的相册 App，搜索"猫"就能找到所有猫的照片。这背后不是靠文件名匹配，而是靠 语义理解——它知道照片里"有猫"。传统数据库做不到这件事，向量数据库可以。打个比方：传统数据库像图书馆的索引卡片——你必须知道书名或作者才能找到书。向量数据库像一位懂你的图书管理员——你说"那本讲外星人和小男孩友谊的书"，他就能找到《E.T.》的相关资料。在学习向量数据库之前，你可能用过更简单的方案：方案一：L

调用大模型时，默认是"一次性返回"：你发请求，模型把整段答案生成完，再一次性返回给你。这种方式叫同步调用。问题在于：大模型生成一段长文本可能要十几秒，这期间用户只能干盯着 loading 图标转圈，体验很差。流式输出（Stream）改变了这个模式：模型一边生成、一边把已经生成出来的"碎片"（token）推送给客户端，客户端边收边显示，像打字机一样逐字出现。ChatGPT 那种"文字一个个蹦出来"的

在构思Prompt时，首先要回答一个问题：我想做什么样的东西？对于3D小世界编辑器，定位是“摆在桌子上的小模型”，而不是“开放世界探索游戏”。这两者的差异巨大：模型世界：规模有限（8×8网格），视角固定俯瞰，物体像积木一样拼接，强调手作感和可控性。开放世界：无边无际，需要LOD（细节层次）技术、动态加载、第一人称或第三人称漫游。将定位明确写入Prompt，可以防止模型生成过于复杂或不切实际的方案。

本文核心讲解了编程底层哈希容器体系：哈希表是 Dict、Set 的底层核心，依靠 key 哈希运算实现 O(1) 极速查询；Dict 适合高速键值检索，内存开销大；List 节省内存，大数据查询低效。同时明确了可哈希规则：只有不可变对象可作为字典、集合的键，可变对象会直接抛出类型错误。最后区分了可变与不可变对象的本质差异，联动 JS 变量提升优先级知识点，打通前后端底层逻辑。

Token：LLM 最小计价/工作单位，BPE 子词切分产物，不是字符也不是单词。Tokenization 必要性：神经网络只认数字，文本必须转 ID 再 Embedding 为连续语义向量。BPE 算法：从字符开始反复合并高频字节对，兼顾语义完整性和词汇表效率。Embedding：完成"离散符号 → 连续语义"的关键一跃，让语义相似度可计算。余弦相似度：衡量语义相似度的标准工具，只看方向不看长度

在模型之上，是数据的艺术；在模型之下，是数据的地基。智能 = 数据 × 算力 × 算法，数据决定智能上限，是三者中最关键的一环。训练集学规律，验证集调参数，测试集测泛化——三者严格分离，测试集绝不可反复使用。K 折交叉验证让每份数据轮换充当训练/测试集，防止单次划分偏差，适合中小数据集。LLM 数据工程是动态循环：质量评估 → 动态验证集 → 覆盖率分析 → 去重与污染检测。实战要点：seed 固

Harness Engineering 代表的是 AI 工程化从"调 Prompt"到"建系统"的范式跃迁。演进路径：Prompt → Context → Harness，每一步解决前一步的局限核心比喻：模型是引擎 / 马，Harness 是整车 / 挽具缺陷驱动设计：无状态→记忆层记忆层是基石：CLAUDE.md 作为导航地图，/init建立记忆，持续更新——这是 Harness 的首要切入点。

让任何 AI 模型以统一的方式访问任何外部资源和工具。它类比于硬件领域的 USB-C——统一接口、即插即用、生态共享。