自然语言处理（NLP）的核心发展经历了三次技术跃迁：传统统计时代： 基于规则与特征提取（如词袋模型、TF-IDF），利用概率论进行分类与标注，但面临“维度灾难”与“语义鸿沟”。深度学习时代： Word2Vec 实现了词汇的向量化表示；RNN 与 Seq2Seq 架构赋予了模型处理时序数据和上下文记忆的能力，但受限于长文本的“信息压缩瓶颈”与串行计算的低效。大模型时代： 注意力机制（Attentio

当 Servlet 容器（如 Tomcat）启动时：为 Web 应用创建全局上下文环境 ；容器调用中配置的方法；该方法初始化上下文（即 IoC 容器，默认实现为 ）；加载指定的配置文件信息到 IoC 容器中；最终， 实例以键值对形式保存在中（键为 ）。至此，IoC 容器的初始化正式开始。通过方法启动整个容器（通用入口）无论是 Web 环境还是独立应用，创建容器实例（如或 ）后，都会调用其方法来启动

跨平台与 Class 结构（本文）→ 类加载与双亲委派（前作）→ GC 与调优（后续专题）→ OOM 排查与 Arthas 实战。把「字节码 → 类加载 → 内存五区 → 执行引擎」串成一条线，再去看 GC 日志、堆 dump、Metaspace 溢出，才有落脚点。下一篇预告：垃圾回收算法、分代收集与 G1/ZGC 选型（JVM 模块第二篇）。

本文是 Spring Cloud Alibaba 系列的 Sentinel 模块第一篇，沿 **「Sentinel 是什么 -> 核心概念 -> 与 Hystrix 对比 -> 限流原理 -> 滑动窗口 -> 责任链 -> 节点类型」** 这条主线，系统梳理 Sentinel 的基础概念与核心原理。Sentinel 是阿里开源的面向分布式服务架构的**流量治理组件**，主要围绕**流量控制、熔断降

告诉模型行为并提供交互上下文，给模型定角色、提供背景。SystemMessage(content="你是一个专业的 Python 翻译助手，只回答翻译结果")用途- 设置语调（正式/幽默/简洁）- 定义模型角色（翻译助手/代码专家/数据分析师）- 为 response 建立指导规则- 给模型一个"性格"和"回答风格"概念一句话理解Message模型交互的输入输出单元，携带 role + conte

步骤钩子位置涉及中间件1. 人类询问→发给模型PII 脱敏 → Summarization 摘要 → ModelRetry 重试 → LLMToolSelector 筛工具2. 模型调用工具HumanInTheLoop 审批 → ToolRetry 重试 → ToolCallLimit 限次3. 工具回复模型before_model（回到循环）ContextEditing 清理 → Summari

概念一句话理解LLM经预训练+微调，无需再训练即可执行多种任务微调获得的能力，模型输出工具调用意图（JSON）类比前后端 JSON 规范，模型输出符合 schema 的结构化数据支持图片/音频/视频等非文本输入输出Reasoning模型是 Agent 的大脑，负责决策、解释、判断终止LangChain 接口标准化统一接口，可无缝切换不同模型提供商两种使用方式直接调用（简单任务）vs Agent 驱

调用方法特性典型应用场景单次输入，单次输出简单的问答、工具调用单次输入，流式输出Web 聊天界面、实时翻译多次输入，并行输出批量数据清洗、文档嵌入异步 (Async)非阻塞，并发处理高并发 API 网关、微服务。

这是整个框架的灵魂与基石，定义了所有组件的“标准接口”（如模型、提示词、输出解析器）。

注意力 = Q-K 匹配 + V 加权不是“修改信息”，而是“选择并组合已有信息”。Query 是“我在问什么”（Decoder 当前需求）Key 是“你能回答什么”（Encoder 各位置能力）Value 是“答案内容”（真正要取的信息）Softmax 是归一化工具，让权重可解释为“关注比例”。缩放（/√dₖ）不是可选项——它是稳定训练的关键技巧。多头注意力 = 多组独立 QKV→ 让模型同时关