Swift 语法学习指南 (Kotlin 开发者版) 本指南为 Kotlin 开发者提供 Swift 语法的快速入门，通过对比两种语言的异同点来加速学习。主要包含以下核心内容： 基础语法对比 变量声明：Swift 使用 let/var vs Kotlin 的 val/var 类型推断：两者都支持强类型推断 空安全：Swift Optional vs Kotlin Nullable 关键特性比较 函

LRU缓存：原理与实现 LRU（Least Recently Used）是一种常用的缓存淘汰策略，核心思想是优先保留最近使用过的数据，淘汰最久未使用的数据。其典型实现采用哈希表+双向链表结构，保证O(1)时间复杂度的get/put操作。 主要特点： 使用哈希表快速定位节点 双向链表维护访问顺序（头节点最近使用，尾节点最久未用） 容量满时自动淘汰尾节点 应用场景包括图片缓存、数据库查询缓存等内存受限

AI智能体入门：从概念到实践 摘要：本文介绍了AI智能体（Agent）的核心概念与技术架构。智能体代表AI从"能聊天"到"能做事"的进化，由大语言模型（大脑）和工具集（身体）组成，具备理解、推理和执行能力。文章解析了智能体的5级自主能力图谱（从简单处理到多智能体协作），列举了典型应用场景（虚拟助手、客服系统等），并提供了工程落地建议：从单工具调用开始，逐步扩

本文介绍了如何快速使用LangChain和通义千问搭建一个"AI短文生成器"应用。主要内容包括： 5分钟快速实现：安装依赖、配置API Key、使用LCEL（LangChain表达式语言）构建Prompt→模型→解析器的基础链。 三种实用扩展： 流式输出：实现逐段生成效果 结构化JSON输出：便于数据存储和前端渲染 并行生成：同时获取标题、摘要、标签和正文 进阶路线建议：从基础

多智能体架构选型摘要：多智能体通过更高系统复杂度换取上下文隔离、并行化和流程可控性。核心选型原则包括：强控制权选Subagents（主-子架构），单Agent多专业选Skills，多阶段流程选Handoffs（状态驱动），多领域并行选Router（路由分发）。四种模式对比：Subagents适合集中编排但延迟高，Skills轻量但易上下文污染，Handoffs流程可控但状态管理复杂，Router并

- 一句话结论：Agent 不是“更会聊天的 LLM”，而是一个可构建、可运行、可治理的软件工程系统：用模型在可重复的控制回路里做事，并在工具、上下文、部署与治理上补齐“生产级能力”。- 落地路径：先把 Level 1（事实闭环）跑稳，再做 Level 2（上下文工程），最后才谈多智能体与规模化治理。- 最大风险：多数团队“只做了模型 + 工具”，缺了编排层与运行时，导致 Demo 很美、生产必翻

摘要 大语言模型处理的是token而非文字，核心流程为：文本→tokenizer→token id序列→embedding→向量序列→模型计算。Tokenizer将文字切分为token片段（可能是字、词或子词），token id仅是词表索引编号。Embedding将离散的token id映射为连续向量，形成语义关系。RAG中的embedding用于文本检索，与模型内部的token embeddin

摘要 DeepSeek模型之所以快且便宜，关键在于其采用了MoE（混合专家）架构而非传统的Dense（稠密）架构。MoE通过将大网络拆分为多个小专家模块，并引入路由机制，使得每个token只需激活少量专家进行计算，从而显著减少了参与计算的参数数量。这种设计带来两大优势：1）计算效率提升，减少了矩阵乘法和显存读写，提高吞吐量；2）单位token的推理成本降低，为定价提供更大弹性。虽然MoE总参数更多

摘要 Harness Engineering聚焦于构建大语言模型的工作系统，使其能力可稳定复用而非单纯提升性能。大语言模型存在无状态性、输出局限性、上下文窗口限制和概率性输出等结构性缺陷，这些问题在长任务中会被放大。Harness采用四层架构：记忆层（持久化存储）、执行层（可操作工具）、反馈层（确定性验证）和编排层（多任务协调）。代码领域因其"生成概率性但验证确定性"的特点成为

本文介绍了一种规范驱动的AI Agent工作流方法，通过五个核心概念（Run/Stage/Manifest/Gate/Profile）将AI任务执行工程化。作者指出传统聊天框模式的三大痛点：不可控、不可中断、不可复盘，提出借鉴CI/CD流水线思想，将AI任务分解为可审批、可恢复的阶段化流程。文章通过Python代码重构案例，展示了如何用YAML文件记录任务状态，并提供了可视化流程图说明各阶段协作关