Honesty的个人记录博客，记录生活中的趣事 分享一些个人技术观点, HeHouHui,HeHui,明厚,HeHouHui博客,HeHouHui网站,HeHouHui Java

学习思考

技术分享

碎片杂文

创作分享

首页

文章

友链

关于我

瞬间

开往

归档

Github

留言

隐私权政策

大模型真的会思考吗？为什么AutoGPT总是陷入死循环？本文深度解剖大模型的六大物理缺陷，并全景展示一套名为 Java Harness Agent 的机器对机器（M2M）操作系统，看它如何通过认知刹车、生命周期门控和多角色矩阵，将“失控的概率引擎”驯化为零返工的超级工程师。



给大模型穿上“拘束衣”：从物理缺陷到 Agentic OS 的工程化实践

Harness Agent 后端Agent驱动研发流程，核心依托OpenSpec契约先行理念、Harness生命周期状态机、LLM Wiki知识图谱、技能矩阵（25+专业技能）、脚本工具等核心组件，构建完整研发闭环。OpenSpec冻结需求与设计基准，Harness管控研发全阶段流转，LLM Wiki实现知识沉淀与检索，技能矩阵提供专业规范支撑，脚本工具强化确定性校验，全方位解决后端研发规范不统一、知识碎片化等问题，适配各类Java后端研发场景，助力团队高效落地生产级代码。

Java

Agent



Harness + LLM Wiki + Spec 智能体驱动工作流（工程规范手册 + Onboarding 测试版）

enhanced-FaaS-in-China 是一款开源工具，专为解决 Cloudflare、Vercel、Netlify 等海外 FaaS 平台部署的网页在国内访问慢、稳定性差、多省份访问失败等问题设计，仅需修改域名 CNAME 解析记录，即可实现国内三网访问速度与稳定性双重提升；筛选平均响应≤1 秒、最长≤2 秒、非 200 状态码省份≤2 个的优质 IP，对比官方 CNAME，解决多省份访问失败、个别地区时延过高问题

建站

工具

优化Netlify,Vercel国内访问速度：基于 enhanced-FaaS-in-China 的多路加速

2025 火山引擎 FORCE 冬会核心技术聚焦 “从算力竞赛到效率革命” 的范式转移，通过豆包 1.8 大模型、Seed-Thinking-v1.5 推理引擎与 UltraMem 超稀疏架构的全栈协同，破解了 AI 原生时代 “性能、成本、时延” 不可能三角。核心技术涵盖：豆包 1.8 的动态计算分配（SID）与多模态时空注意力重构，实现任务适配的资源高效调度；Seed-Thinking-v1.5 的过程奖励模型（PRM）与 BeyondAIME 反污染数据集，提升复杂推理精度；UltraMem 的 TDQKR 张量分解与 IVE 隐式参数扩展，突破大模型显存与部署瓶颈。相关成果发表于 ICLR 2025 等顶会，支持国产算力昇腾适配与企业私有化知识注入，实测实现 AI 推理成本每 12 个月下降 90%。典型落地案例包括奔驰智能座舱离线交互优化，为金融、零售等行业提供低成本、高性能的 AI 原生解决方案。

大模型

 2025火山引擎FORCE大会·冬 三大核心技术：AI原生时代的底层逻辑与实践路径

在响应式编程愈发流行的今天，缓存作为提升系统性能的核心组件，其设计是否适配响应式架构直接决定了系统的吞吐量和响应性。传统的同步缓存（如Guava LoadingCache）在WebFlux等响应式框架中易引发线程阻塞、背压失控等问题，而Caffeine作为新一代高性能缓存框架，其AsyncCache组件专为异步/响应式场景设计，成为响应式架构下缓存层的首选。
本文将从Caffeine AsyncCache的核心配置入手，结合实际业务场景，深度讲解其与WebFlux、R2DBC、ReactiveRedis的整合实践，并梳理开发过程中必须规避的核心坑点；同时新增底层源码解析、架构设计原理、核心设计思想及算法公式等深度内容，补充复杂场景处理方案，通过时序图清晰呈现缓存流转逻辑，为响应式架构下的缓存设计提供完整解决方案。

WebFlux

响应式

缓存

Caffeine AsyncCache：响应式架构下（WebFlux, R2DBC, ReactiveRedis）的缓存实践

深度整合Spring WebFlux、R2DBC、Lettuce Reactive Redis与Java虚拟线程，构建端到端非阻塞高性能Web应用。揭示90%开发者会踩的线程调度混乱、阻塞调用、副作用游离等反范式陷阱，提供BlockHound检测工具与实战口诀。详解关键/非关键副作用、分布式事务等4大生产级最佳实践场景，融合虚拟线程简化遗留代码集成。遵循本文规范，可规避常见陷阱，打造高伸缩、低延迟的现代化响应式系统，驾驭海量并发洪流。

Spring

事件驱动：WebFlux、R2DBC，Lettuce Reactive Redis与虚拟线程下的高性能Web项目构建指南

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。

"关于我"页面创作之旅

《Faiss vector database：高维向量检索的学术基石与向量数据库中的核心角色》基于 20 篇权威文献，深度解析 Faiss 、PQ/IVF/HNSW 核心算法、CPU/GPU 硬件加速及向量数据库中的索引内核角色，为高维检索研究与落地提供学术支撑（关键词：Faiss、高维向量检索、PQ/IVF/HNSW、向量数据库、学术解析）

算法

向量数据库

高维向量检索 Faiss vector database：向量数据库的基石与核心角色 —— 解析 PQ/IVF/HNSW 算法原理、CPU/GPU 底层实现、量化误差模型及动态索引机制，详解其在 RAG / 推荐系统中的价值与工业应用

《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）

Faiss vector database 深度学习指南：从背景到架构&算法&安装  —— 向量检索核心算法（IVF-PQ/HNSW）解析、CPU/GPU 加速优化、索引构建与持久化、动态数据处理方案

下班后，雨停的上海街头映着霓虹，我穿过南京西路的人潮，拐进愚园路，在全家买一瓶乌龙茶，回到家。厨房灯亮起，炖番茄牛腩、泡妈妈晒的干菊花，和猫一起把日子煮成一碗热汤。电脑打开又合上，唯一的胜利是把碗洗干净

思考

今天不想做英雄，只想把碗洗干净。

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。

LLM Context Engineering 大模型上下文工程：系统性学习核心原理与实现架构

本文通俗解读 LLM 上下文工程， LLM 性能不只靠参数，更依赖上下文。文中拆解核心概念（指令、外部知识、记忆等上下文 “零件” 及组装逻辑）、关键技术（用于查资料的 RAG、辅助推理的思维链、记忆管理），以及新手可搭建的可落地系统（简易 RAG、长会话记忆工具）。还分享常见问题及 3 个月学习路径，无需复杂代码，助力新手用 LangChain/FAISS 等工具让 LLM 更精准实用

小白入门LLM Context上下文工程：从基础到实践，通俗易懂讲明白

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）