从需求上来说，最终需要完成的功能是：输入一个人的DNA序列和一种病毒的DNA序列，通过KMP字符串匹配算法判断人的DNA序列中是否包含病毒的DNA序列，并给出相应的提示信息。在本次课设中，我深入学习到了深入理解字符串处理，通过实现串的赋值（StrAssign函数）和字符串匹配算法（KMP算法），加深了对字符串处理和数据结构（如结构体SString的使用）的理解。了解错误处理和用户交互，在程序中加入

（1） 理解循环队列的基本概念及逻辑结构。（2） 掌握循环队列的存取方式。（3） 能够编写循环队列的入队、出队、判断队满、队空算法。

本文深入解析 1.js 如何通过 LangChain 的 RunnableWithMessageHistory 和 InMemoryChatMessageHistory 实现 LLM 的对话记忆能力，详细拆解各 API 作用与协作机制，揭示从无状态调用到上下文连贯对话的技术路径。

本文以构建一个基于用户数据的AI聊天机器人为例，系统展示了AI时代“全干工程师”的开发范式：利用json-server快速搭建模拟API，通过Node.js调用OpenAI实现自然语言问答，前端采用Bootstrap+原生JS完成交互。文章强调借助AI工具可高效整合前后端与大模型，实现从需求描述到产品原型的极速落地，体现Prompt Engineering与全栈能力融合的新趋势。

本文详细解析了如何通过工具调用（Tool Calling）赋予大语言模型（如DeepSeek）实时获取外部信息的能力，以“查询天气”为例，完整展示了从定义工具、调用API到多轮对话生成最终回答的全流程，揭示了LLM从被动应答向主动行动演进的技术路径与应用潜力。

本文深入解析大模型中token的核心概念，揭示token不仅是文字单位，更是模型理解语言的"原子"。从分词原理、中英文差异到特殊控制符和多模态扩展，文章通过实例和数据全面拆解token工作机制。理解token，就是掌握与AI对话的密码本，看透智能背后的逻辑结构。

本文通过四个代码示例，深入浅出地讲解了 LangChain 的核心概念与使用方法，涵盖模型调用、动态提示词、链式工作流及多步复杂任务，帮助开发者快速构建模块化、可维护的 AI 应用。

文章深入剖析 main.js 与 index.js 代码，展示如何利用 JsonOutputParser 与 zod Schema 确保 LLM 输出格式正确，并通过 tool() 和 bindTools() 赋予模型调用外部函数（如查天气、加法）的能力，构建可靠 AI 应用。

为某个对象提供一个代理，并由代理对象控制对原对象的访问。角色对应目标对象（Real Subject）妖后（yh）代理对象（Proxy）妖王（yw）请求妖王作为“代理”，拦截了送花请求，在背后做了些“准备工作”（提升心情），然后再将请求转发给妖后。概念实现方式对象字面量{}直接创建对象面向对象属性 + 方法 构建角色异步编程setTimeout实现延迟操作代理模式妖王代理妖后处理请求面向接口编程统一

从零开始，使用 Node.js 和 OpenAI SDK 调用 completions 接口构建一个歌词生成器，并深入解析背后的技术原理。