本篇文章是通过儒猿课堂中的一篇关于《从 0 开始带你成为RocketMQ高手》的课程中进行学习的，这篇文章《从 0 开始带你成为RocketMQ高手》是根据一些场景来进行触发的，本人觉得比较不错，如果大家想看原文的话，可以进行跳转到儒猿课堂中进行观看，我这里只是写一些我在观看完这个课程之后自己的收获，我这里不可能有那么详细的介绍。我这里只是自己的见解。

本文系统梳理Docker核心原理与实战应用，涵盖容器与虚拟机对比、底层技术（Namespaces、Cgroups、UnionFS）、镜像/容器/仓库三大组件，详解高频命令、Dockerfile优化、DockerCompose编排及生产落地案例。结合金融、AI、微服务等场景，提出资源管控、数据持久化、安全规范与日志管理等最佳实践，助力开发者从“会用”进阶为“精通”，实现高效、稳定、可追溯的容器化部署

TCP 是字节流协议，没有数据包边界。操作系统内核有缓冲区：发送方会把多次小数据缓存合并再发送；接收方缓冲区会积攒数据，recv()一次读取缓冲区里所有可用字节。发送粘包：连续多次 send，内核合并成一个数据包发出接收粘包：一次 recv 读到多条消息，分不清消息起止⚠️ 粘包不是 bug，是 TCP 正常特性；UDP 不会粘包（数据报自带边界）。不要盲目把 UDP 做成 TCP 复刻：丢失 U

进程（Process）：操作系统资源分配的最小单位。每个进程拥有独立的内存空间、CPU 时间片、文件句柄等系统资源，进程之间完全隔离，互不干扰。线程（Thread）：操作系统 CPU 调度的最小单位，也叫轻量级进程。一个进程包含至少一个主线程，同一进程内的所有线程共享进程的内存、资源、全局变量，仅拥有独立的栈空间。GIL（Global Interpreter Lock，全局解释器锁）同一时刻，一个

大语言模型（Large Language Model，LLM）是一种基于深度学习技术构建的人工智能模型，主要用于处理自然语言相关的任务。LLM利用了大量的数据进行训练的模型，可以生成连贯的文本，理解语言并回答问题。LLM作为基础技术，提供强大的语言理解和生成能力。是构建人工智能系统的基石。：是一种基于Transformer架构的大型语言模型，它通过无监督的学习方式，对大量文本数据进行预训练，它是一

大模型应用的技术架构正在快速迭代：从最初的单轮 API 调用，到基于 RAG 的知识库问答，再到如今具备自主决策能力的多工具 Agent，应用形态正在从 “问答工具” 向 “智能执行体” 持续演进。对于开发者与技术团队而言，掌握分层架构设计思想、理解 RAG 与 Agent 的核心原理、熟练运用开发框架与集成方式，是构建高质量大模型应用的核心能力。未来随着多模态模型、端侧推理、Agent 编排技术

随着开源大模型能力的快速迭代，本地部署大模型已经从 “尝鲜玩法” 变成了很多团队的刚需：企业内部敏感数据不能上云、离线场景需要 AI 能力、高频调用想降低 API 成本、定制化领域模型需要快速验证…… 但传统本地部署方案依赖复杂的环境配置、依赖管理、量化适配，对非算法工程师门槛极高。Ollama 的出现彻底改变了这一局面。它将模型下载、环境依赖、推理引擎、服务封装全部标准化，真正做到了「一行命令启

提示词工程可以通俗理解为自然语言编程：开发者通过规范化的自然语言向大模型下达指令、定义规则、限定输出，引导模型按照预期完成指定任务的过程。大模型的输出质量，核心不取决于模型本身，而取决于提示词的设计逻辑。高质量的 Prompt 可以让通用大模型无需微调，精准适配各类垂直业务场景。嵌入（Embedding）是 AI 领域核心技术，本质是将高维自然语言文本，映射为低维稠密数值向量的过程。向量数据库是专

在前文我们系统拆解了 LangChain 的核心基础组件：聊天模型包装器、结构化消息、PromptTemplate、ChatPromptTemplate 等。这些底层组件赋予了开发者极高的自由度，可以精细控制每一次大模型调用的输入输出，但也带来了显而易见的工程化难题：业务代码中充斥着模板初始化、变量填充、模型调用、结果解析的重复样板代码，多步骤任务需要手动编排组件流转，开发效率低、维护成本高。Op

在前文我们系统拆解了 LangChain 的核心基础组件：聊天模型包装器、结构化消息、PromptTemplate、ChatPromptTemplate 等。这些底层组件赋予了开发者极高的自由度，可以精细控制每一次大模型调用的输入输出，但也带来了显而易见的工程化难题：业务代码中充斥着模板初始化、变量填充、模型调用、结果解析的重复样板代码，多步骤任务需要手动编排组件流转，开发效率低、维护成本高。Op