jdk1.7的HashMap的源码分析参考我之前整理的连接https://blog.csdn.net/thqtzq/article/details/90146880，之前也有整理头插法导致的死循环，这里再整理一下。参考连接：https://coolshell.cn/articles/9606.html扩容的核心源码如下：void transfer(Entry[] newTable, boole..

转换接口，让两个接口不匹配的类正常协作场景：老接口/第三方接口、格式不一样，我要“转一下”才能用兼容、转换、适配、接口不一致。

只要你的业务是：多实例部署 + 并发 + 不能重复执行 / 不能并发修改，就用 Redis 分布式锁。核心价值：分布式环境下防并发、防重复、保证数据安全高频场景：防重复提交、秒杀超卖、定时任务、并发修改、幂等保证不适用：金融强一致、长耗时锁、极高可靠性要求。

postman设置登录信息

LangChain 是一个 开源的大语言模型（LLM）应用开发框架，核心作用是把 LLM（如 GPT、Claude、Llama）与外部数据、工具、记忆、业务流程连接起来，解决大模型 “无记忆、无实时数据、不能动手操作.常用：Milvus、Chroma、Pinecone、ES 向量检索。流程：用户提问 → 检索知识库（RAG） → 丢给 Agent → Agent 决定是否调用工具 → 给出最终答案

数据接入 → 预处理分片 → 向量化入库 → Agent意图决策 → 多路检索召回 → LLM知识整合 → 溯源输出 + 多轮记忆。

它不是一问一答，而是。

RAG 优化：数据清洗、语义分块、多路召回+重排、强约束 Prompt、自动化评估Agent 卡死：最大步数、异常捕获、格式容错、防循环、超时退出降低幻觉：RAG 依据、禁止编造、检索精准、事实校验工具调度：工具描述、路由选择、串行/并行/条件执行、重试降级长上下文：分块检索、压缩、摘要、向量记忆、动态窗口。

模型编造不存在的信息、乱答规则、瞎编订单号、胡说政策，看起来很合理但实际是错的。通过RAG 检索约束 + 严格 Prompt 限制 + 事实校验机制 + 低温度生成 + 知识库治理，从源头减少模型编造，确保回答真实可靠。从文档切分、嵌入模型、混合检索+重排序、查询改写、知识库治理五个维度系统性优化，大幅提升 RAG 检索精准度。通过conversationId 唯一标识 + Redis 存储对话历

/ 定义天气查询工具，实现FunctionCallback@Component@Override// 工具名，LLM调用时使用@Overridereturn "查询指定城市的实时天气，参数：city城市名";// 描述，LLM判断是否调用@Override@Override// 实际调用天气API/数据库// 工具入参DTO工作流编排：用Sequential/Parallel/Graph组织多个R