HTTP 是为了连通世界，而 HTTPS 是为了在连通的世界里建立信任。作为后端开发者，我们不仅要让服务‘通’，更要让数据‘信’。通俗定义TCP (Transmission Control Protocol) 是一种面向连接的、可靠的、基于字节流的传输层通信协议。“连接”的本质在网络世界里，并没有一根真实的线连着两台电脑。所谓的“TCP 连接”，其实是通信双方（客户端和服务端）在内存中维护的一组状

本文介绍了在Docker环境中构建基础AI Agent的开发流程。首先强调理解底层数据流的重要性，提出Agent本质是一个包含观察、思考、行动、结果的循环过程。详细说明了Docker网络配置要点，包括服务名作为内部域名的使用方式。提供了虚拟环境配置指南，推荐使用pyproject.toml管理依赖。实战部分展示了如何定义工具集（如获取日期时间函数）并与LLM交互，通过纯Python实现一个能调用本

文章摘要 本文介绍了AI Agent开发中RAG（检索增强生成）深度优化的实战方法，重点解决元数据与摘要利用率低的痛点。当前系统存在语义鸿沟、领域混淆和摘要浪费等问题，导致检索效果不佳。 解决方案采用可插拔的检索策略架构，重构rag/pipeline.py为动态组装器，支持多种检索策略组合。技术实现包括： 新增策略模式核心目录和具体检索器插件 配置Elasticsearch搜索引擎环境（Docke

本文介绍了在AI Agent开发中为Agent添加RAG（检索增强生成）功能的第三阶段实战。通过Docker Compose部署Milvus向量数据库及其依赖组件（etcd、MinIO），构建知识库系统。文章详细说明了环境配置步骤，包括编写docker-compose.yml文件、设置数据持久化、网络整合以及启动策略。同时提供了Attu图形化管理工具的部署方法，并解释了Milvus的核心架构和数据

文章摘要： 本文介绍了如何为AI Agent添加持久化记忆功能，实现会话的断点续聊。通过LangGraph框架的Checkpointer机制，可将对话状态自动保存到数据库，下次运行时通过thread_id恢复上下文。文章详细演示了使用MemorySaver实现本地内存存储的步骤，包括引入检查点模块、修改编译配置和运行时传入thread_id等关键代码实现。同时预留了切换到Redis存储的接口，为后

本文介绍了基于PostgreSQL构建RAG自动化评估体系的实践。作者在WSL2+Ubuntu+Docker环境中，通过Docker Compose编排新增了PostgreSQL 16服务，并配置了pgvector等扩展。文章详细说明了PostgreSQL的配置步骤，包括初始化SQL脚本、服务启动验证、应用连接方式以及备份策略。重点突出了PostgreSQL的JSONB类型、混合模型优势及未来趋势

特性Recursive (递归)Parent-Child (父子)Sentence (句子级)粒度中等 (200-500 字)子块小 (100-200 字) + 父块大极小 (10-50 字)向量语义完整性⭐⭐⭐⭐ (较好)⭐⭐⭐⭐ (子块较纯净)⭐⭐ (较差，易丢失上下文)关键词匹配精度⭐⭐⭐⭐⭐⭐⭐ (子块密度高)⭐⭐⭐⭐⭐ (极高)LLM 上下文质量⭐⭐⭐⭐⭐⭐⭐⭐⭐ (返回的是大块)⭐ (

早期的人工智能有两个流派知识蕴含在神经网络的参数中，但是那些参数是对机器友好，对人类并不友好的，所以知识图谱就是解决这样的问题的一个AI分支，知识图谱旨在利用图结构建模、识别和推断事物之间的复杂关联关系和沉淀领域知识；知识图谱的核心是为深度学习找到合适的向量表示就是Embedding,而且这个还要是结构化的表示(图数据)；基于图的表示最基础的图的表示是有向图，基于的是RDF(Resource De

有时在Excel整理数据时，会把第一行写为变量名，第二行写为变量标注(label)。在导入Stata中时，第一行可以自动转化为变量名，但第二行标注会在导入时成为第一个标量。使用回归的方式来标记不包含缺失值的样本(注意是样本层面，只要有一个变量缺失，整个样本就算缺失)注意：对数转换后,系数估计值的含义会发生变化,解释结果时要慎重。计算EER：思路是将连乘积的问题转化为求和问题，对数化。是Stata

知识抽取是知识图谱与NLP的交叉领域；知识图谱工程可以从关系型数据库中获取知识从视觉数据获取知识,（Scene Graph Construction之前的Caption-LSTM看图说话也可以理解为从视觉数据获取知识）从文本获取知识核心就是NLP的序列标注问题，这里不再赘述；最开始先是机器学习模型HMM为主，后被深度学习模型取代BiLSTM-CRF；总结一下HMM模型即可对于网络的Head部分有这