Thomas-Jiang

摘要： Transformer 知识脉络： 阶段一：输入与数字化（让机器认识文字） Tokenization（词元化/子词化） 核心任务： 文本 $\rightarrow$ Token。 脉络： 计算机无法直接处理长篇大论，所以第一步是把句子“切碎”。笔记中提到“1000 Tokens 大概是 750 个英 阅读全文

摘要： 在真实的复杂企业业务中，只有两路是远远不够的。为了填补纯文本检索的盲区，业界目前主流的“多路召回”通常还会加入以下 4 支特种部队： 1. 知识图谱召回 (Knowledge Graph Recall / GraphRAG) 这是目前大厂 RAG 架构里最火的“第三路”，专门用来解决向量库“缺乏逻辑 阅读全文

摘要： 你原本搭建的这套流程，在业界被称为“Naive RAG（朴素 RAG）”。它是一个非常标准的 MVP（最小可行性产品）基座。你的骨架（切片 -> Embedding -> 向量库 -> Reranker 重排）是完全没问题的，甚至引入 Reranker 说明你已经踩过“单靠 Embedding 召回 阅读全文

摘要： 一、 核心前置观念：架构师的克制 “在我的认知里，分库分表是关系型数据库性能优化的‘最后一招’，不到万不得已绝不轻易使用。” 在考虑分库分表之前，我一定会先穷尽以下手段： SQL 与索引优化：消灭慢查询。 引入缓存：用 Redis 挡住高频读请求。 读写分离：主库抗写，配置多个从库抗读。 硬件升级： 阅读全文

摘要： 目的：走出了“大模型玩具”的阶段，开始面对 AI 辅助研发真正的深水区。 大厂（比如 Google 内部的自动化代码生成中台、字节跳动的 AI 研发效能团队）在真正把 AI 生成的代码接入生产流水线时，有一个绝对的底线共识：“绝对不能只依靠 LLM 来验证 LLM 生成的代码。” 大语言模型存在固有 阅读全文

摘要： ## 一、先明确核心结论（不附和，直接说透） 你架构图中绿色的「模型部署」模块，**绝非“把模型跑成API”这么简单**，它是和鲸平台底座的核心枢纽：向上承接模型仓库、支撑RAG/编码辅助/API托管，向下对接算力调度层，向左/向右联动应用层全链路，是整个平台的「中枢神经」。 用开源框架**单点替代 阅读全文

摘要： 闭包的铁律，不管是在 TypeScript、JavaScript、Java 还是 Python 里，只要叫“闭包”，就必须满足这个核心条件： 一个函数（内部函数），被返回（或传递）到了它的作用域之外，并且它引用了外部的变量。 如果没有“返回函数”（或者把函数传给别的变量/回调），那就只是普通的“局部 阅读全文

摘要： console.log("1 同步代码"); setTimeout(() => { console.log("2 宏任务 setTimeout"); Promise.resolve().then(() => { console.log("3 宏任务里的微任务"); }); }, 0); Promis 阅读全文

摘要： 低代码/无代码平台（Coze/Dify）大幅减少Python编码」——这类平台确实把AI应用开发的通用场景门槛降到了极低。但从企业级AI赋能的视角，Python依然是不可替代的核心工具，尤其是在需要深度定制、性能优化、系统集成、数据安全的场景下。 以下结合企业级AI落地的实际需求： 一、核心场景：平 阅读全文

摘要： Azure App Service vs Container App：Java技术栈详解 一、核心架构差异 Azure App Service PaaS服务：提供预配置的运行时环境，支持Java SE、Tomcat、JBoss等容器 托管方式：直接部署WAR/JAR文件，无需管理容器 部署单元：应用 阅读全文