听到微笑的博客

为什么大模型能读百万字，却记不住你上周说过的不吃香菜？本文从源头拆解 Mem0 开源版（OSS）的记忆框架实现，揭示长期记忆不是"把聊天存下来再塞回 Prompt"，而是一套覆盖提取、检索、演化与治理的完整生命周期。文章首先厘清全量历史重放、摘要压缩、普通向量 RAG 三种方案的局限，进而深入 Memory.add() 的写入链路：最近消息窗口解决指代、相关旧记忆辅助去重、提取提示词决定写入质量、MD5 与语义双层去重。重点剖析 V3 最反直觉的改动——放弃自动 UPDATE/DELETE、只做 ADD-only，以保护历史轨迹，代价是存储膨胀与读取端治理。检索层面拆解语义搜索、BM25 关键词、Entity Store 实体加分三路信号融合的 semantic-gated hybrid ranking 机制，以及 Reranker 的适用边界。最后梳理三套存储（主向量库、SQLite History、Entity Store）的一致性代价、可插拔能力差异，并坦诚指出 LLM 提取有损、中文多语言需重新评测、记忆系统不应替代业务数据库等生产问题，帮助开发者在构建跨会话个性化与 Agent 状态管理时做出更合理的技术决策。

Claude Code 是 Anthropic 出品的 AI 编程 CLI 工具。本文基于 2026 年 3 月泄露的 Claude Code v2.1.88 源码（51 万行 TypeScript），通过一个完整的真实场景——“小明用 Claude Code 重构 React 项目”——带你从第 1 轮对话走到第 50 轮，亲历上下文膨胀、触发压缩、信息取舍的全过程。即使你没看过一行源码，也能彻底理解 Claude Code 的上下文管理体系。 一、故事的起点：一次令人困惑的”失忆”小明是一名前端开发者，正在用 Claude Code 重构一个老旧的 React 项目——把 Class 组件全部迁移到函数组件 + Hooks。 第 1 轮，小明说：”帮我把这个项目的 Class 组件全部改成函数组件 + Hooks，用 TypeScript，别再写任何 Class 组件了。” Claude Code 表现完美。接下来的 40 多轮对话中，它读文件、改代码、跑测试，一个接一个地完成了组件迁移。 然后，第 45 轮，小明让它重构 Dashboard.tsx。Clau ...

本文梳理了 MCP 协议从 stdio、HTTP+SSE 到 Streamable HTTP 的三代传输演进，详解 SSE 原理与旧方案痛点，并重点解析新一代 Streamable HTTP 的设计思路、交互流程与优势改进。

Claude Agent Skills 以 “按需加载” 为核心，通过渐进式披露与双重上下文注入实现 token 高效利用，既解决了 LLM 领域专业化与上下文臃肿的矛盾，又支持开发者按规范快速创建自定义技能。本文聚焦其实际使用、自定义开发流程与底层技术原理，为开发者提供兼顾实用性与技术深度的实战指南。

本文围绕 Plan-And-Execute 智能体展开系统解析，通过对比 ReAct 模式，阐明其在复杂任务中 “全局规划 + 动态调整” 的核心优势。文章依次拆解规划器、执行器、重新规划器、最终答案生成器四大核心组件的职责与协作逻辑，梳理 “规划 - 执行 - 整合” 的完整工作流程，并基于 LangChain 框架实现了从环境搭建、组件开发到全流程串联的实战案例，清晰呈现该类智能体的设计原理与落地细节，为复杂任务的智能处理提供了可行方案。

随着图数据在金融风控等场景的广泛应用，大规模关联数据的高效存储与低延迟查询成为核心需求，传统数据库难以兼顾超大规模与高并发查询的痛点日益凸显。Nebula Graph 作为分布式图数据库，采用 Meta Service、无状态计算层、Shared-nothing 存储层的三层架构，通过存算分离设计实现计算与存储资源的独立弹性伸缩。其核心技术包括以 Vertex ID 哈希分片的 Partition 机制、基于 RocksDB 的本地存储优化、图数据与 KV 结构的高效映射，以及 Raft 协议保障的多副本一致性。本文从整体架构、存储设计、查询流程及 Raft 同步原理等维度，梳理 Nebula Graph 的关键技术实现，为大规模图数据处理场景提供技术参考。

词嵌入（Word Embedding）是大型语言模型（LLM）理解人类语言的核心基础，它解决了传统独热编码的维度爆炸、语义鸿沟等痛点，通过将离散单词映射为低维稠密向量，实现了对词汇语义和句法特征的精准捕捉。本文从语言表示的底层逻辑出发，系统梳理了词嵌入的技术演进：从 Word2Vec 的 CBOW 与 Skip-gram 模型、GloVe 的全局统计信息融合，到 FastText 的子词单元创新，再到现代 Transformer 架构中上下文相关的动态嵌入。结合阿里百炼平台的实战案例，通过词向量可视化、语义相似度计算等代码实现，直观展示了 “语义相似词在向量空间中距离相近” 的核心特性。同时，本文深入分析了词嵌入的优劣势，并揭示其在大模型中的关键作用 —— 作为语言理解的 “桥梁”，连接符号化文字与模型可处理的数值特征。无论你是 AI 技术学习者、大模型应用开发者，还是希望深入理解 LLM 底层机制的工程师，都能通过本文掌握词嵌入的核心原理、实践方法与工程价值，为后续 LLM 应用开发（如 LangChain 集成、语义检索等）奠定基础。

积层是CNN的核心和灵魂，它的主要作用是自动从输入数据中提取特征。使用多个可学习的过滤器（卷积核） 在输入数据上滑动，检测局部区域内的特定模式（如边缘、角点、颜色、纹理等）。每个过滤器会生成一张特征图，记录了该过滤器所代表的特征在整个输入空间中的分布和强度

在大语言模型（LLM）技术飞速发展的今天，单纯的文本生成能力已无法满足复杂任务的需求。Agent 作为一种能够自主决策、规划和执行任务的智能体，正在成为 LLM 落地应用的关键载体。而 ReAct 模式作为 Agent 领域的重要范式，通过 “思考 - 行动 - 观察” 的循环机制，极大地提升了 Agent 的逻辑性和任务解决能力。本文将从基础概念出发，逐步深入 ReAct 模式 Agent 的实现原理，并通过网页端模拟和代码实践，带大家从零构建一个最简单的 ReAct 模式 Agent。 一. 什么是 Agent在人工智能领域，Agent（智能体） 是指能够自主感知环境、做出决策并执行动作，以实现特定目标的实体。它并非单一的算法或模型，而是一个集成了 “感知 - 决策 - 执行” 能力的闭环系统。结合 LLM 技术的 Agent，核心特征可概括为以下三点： 自主性（Autonomy）：无需人类持续干预，能根据任务目标自主规划步骤。例如，当用户提出 “整理近 3 个月的销售数据并生成可视化报告” 时，Agent 可自主决定 “获取数据→清洗数据→分析数据→生成图表” ...

一. 概述在 G1 垃圾回收器正式引入前，CMS（Concurrent Mark Sweep，并发标记清除）作为 JVM 中主流的垃圾回收器，虽凭借 “低停顿” 特性在互联网、电商等对响应时间敏感的场景中广泛应用，但随着应用规模扩大和内存需求提升，其设计层面的缺陷逐渐暴露，成为影响系统稳定性和性能的关键瓶颈： 内存碎片问题严重，触发 Full GC 风险高：CMS 的 “清除” 阶段采用标记 - 清除（Mark-Sweep）算法，而非标记 - 整理（Mark-Compact）算法 —— 这意味着它在回收无用对象后，仅会标记出内存中的空闲区域，不会对存活对象进行移动和整理。随着垃圾回收次数增加，内存空间会逐渐被分割成大量不连续的 “碎片”，这些碎片虽然总容量可能满足对象分配需求，但由于单个碎片的空间小于待分配对象的大小，导致新对象无法正常分配，最终触发Full GC。Full GC 会暂停所有用户线程（STW，Stop-The-World），并采用 Serial Old 回收器进行内存整理，其停顿时间通常达到数百毫秒甚至数秒，对于每秒处理数千笔交易的电商系统、实时通信平台等场景，这种级 ...