这篇文章记录了我如何从一个简单的想法，通过100多次Git提交，逐步打造出现在的"关于我"页面。涵盖设计思路里的便当盒布局与玻璃态美学、技术实现中的3D技术球坑点、和API的拉锯战，以及最终因PWA影响核心功能而忍痛放弃的纠结过程。这是一场充满像素级纠结、bug大战与创作快感的真实开发故事。展开全文

《Faiss vector database 深度学习指南》聚焦向量检索工具 Faiss，拆解其核心原理、IVF-PQ/HNSW 等索引算法，详解 CPU/GPU 硬件加速、索引持久化与动态数据处理，Faiss安装，提供 RAG / 推荐系统实战方案及性能调优技巧，助力高维向量检索落地（关键词：Faiss、向量检索、GPU 加速、RAG、工业级调优）展开全文

本文全面解析大型语言模型（LLM）上下文工程的核心体系，指出 LLM 性能关键已从 “参数竞赛” 转向 “上下文质量”。文中先明确上下文工程的定义与数学形式化表达，对比其与传统提示工程的本质差异；再拆解三大基础组件（检索生成、上下文处理、记忆管理）的技术细节；随后详解四大系统架构（RAG、内存管理、工具集成推理、多智能体协作）的落地逻辑；最后分析核心不对称性、评估困境等技术挑战，并展望未来突破方向，为 AI开发学习者提供从理论到实践的完整指南。展开全文

Context Engineering（上下文工程）、LLM（大语言模型）、RAG（检索增强生成）分层记忆（短期 / 中期 / 长期记忆）、上下文治理（压缩 / 路由 / 窗口预算 / 评分） • LLM 多轮对话失忆解决方法（ • RAG 的七宗罪（检索噪声 / 窗口爆炸）优化方案 • Context Engineering （分层 / 压缩 / 路由） • LLM 上下文窗口预算算法设计 • Context Engineering 与 RAG 协同 • 降低 LLM 使用成本（Context 压缩 / 缓存机制） • Context Engineering 常见误区（记忆混淆 / 安全缺失）展开全文

增量静态再生（ISR）的学习了解，解析 ISR 如何解决传统渲染（CSR/SSR/SSG）的痛点 ISR 核心原理（revalidate 缓存有效期、fallback 策略）。主流技术栈对比（Next.js/Nuxt 3/SvelteKit + 国内云厂商方案）、优缺点分析及落地学习路径展开全文

本文深度解析编译技术（AOT/JIT/ 字节码 / 机器码），结合 Java（JVM/GraalVM）、Python（CPython/PyPy）、Go（静态编译 / 交叉编译）案例，解答启动慢、跨平台等疑问，含云原生适配、3 个实战实验，帮开发者理解底层逻辑，优化性能与技术选型。展开全文