Hansen

本文系统总结了大模型工程的三大核心能力：Prompt Engineering、Context Engineering 与 Harness Engineering，详细解析了它们的定义、技术细节、优缺点以及在实际系统设计中的应用，帮助读者全面理解和掌握大模型工程的核心技能。

JWT 和 Session 做权限校验机制详解（面试高频） 在 Web 系统中，权限校验通常围绕“用户是谁、能做什么”展开。主流方案有两种：Session 认证与 JWT 认证。二者本质不同，但目标一致：完成身份认证与权限控制。 目录 Session 认证机制（有状态方案） JWT 认证机制（无状态方案） Session vs JWT 对比总结 权限校验的本质（面试关键点） 工程实践中的选择建议 面试高频总结 一、Session 认证机制（有状态方案） 1.1 基本工作流程 Session 模式的核心特点是：服务端保存登录状态 典型流程如下： 用户提交账号密码登录 服务端验证成功 服务端生成 Session，并存储用户信息 返回 sessionId 给客户端（通常通过 Cookie） 后续请求携带 sessionId 服务端根据 sessionId 查询 Session 获取用户信息 1.2 请求校验流程 每一次请求的验证过程如下： 1request → sessionId → 服务端 → Session存储（Redis/内存）→ 用户信息 → 权限判断 1.3 权限校验方式 ...

基于资料中的基础篇思路整理，汇总Java基础高频面试问题与标准化回答模板，覆盖面向对象、集合、异常、泛型、反射、并发基础等核心知识点。

本文将RAG检索优化拆解为四个层次：索引层决定知识怎么存，查询层决定问题怎么转换，召回层决定从哪些路径去找，重排序层决定哪些内容最终进入Prompt。围绕这四层给出方法论、参数建议、评估指标与线上排障路径，并结合Spring AI + Milvus提供可落地实践。

本文聚焦RAG中的Embedding环节，系统讲解语义向量化的核心原理、相似度度量方法、主流模型选型思路、向量维度与性能成本权衡，并结合Spring AI给出可落地实现与评估方法，帮助你在面试和工程实践中把“检索质量”讲清、做稳、持续优化。

本文聚焦RAG系统中的关键环节——文档切割（Chunking）。从切割目标、常见策略、参数设计到评估与排障，系统讲清“为什么切、怎么切、如何验证切得好”，并以Spring AI为主给出可落地实现思路，帮助你在面试与工程实践中都能稳住这一高频考点。

本文系统梳理RAG（Retrieval-Augmented Generation）的核心原理与工程实践，覆盖Naive RAG、Advanced RAG、Agentic RAG三种范式，对检索优化、评估指标和常见故障排查给出可落地方法，并结合Spring AI与LangChain4j提供Java生态实现思路，帮助你在面试和实战中都能讲清、做对、调优。

本文详细介绍了大模型推理范式的三大阶段：Chain of Thought（CoT）、Tree of Thought（ToT）和Graph of Thought（GoT）。通过对比分析，阐述了它们在推理能力、适用场景和工程实现上的差异，帮助读者理解如何选择合适的推理范式来提升Agent的性能。

Agent记忆压缩方法 目录 一、Agent记忆压缩的本质 二、工业级Agent记忆分层架构 三、记忆压缩的五种核心方法 四、Multi-Agent记忆压缩设计 五、面试级总结 一、Agent记忆压缩的本质 1.1 核心定义 Agent记忆压缩是在有限上下文窗口（context window）约束下，实现信息表达效率最大化，同时尽可能保留关键语义与推理能力。 1.2 关键矛盾 上下文窗口有限 📏 信息持续增长 📈 推理依赖历史信息 🧩 因此需要在以下三者之间做权衡： 信息完整性 🧠 token成本 💰 检索与推理效率 ⚡ 二、工业级Agent记忆分层架构 2.1 三层记忆体系 id1短期记忆（ST） → 中期记忆（MT） → 长期记忆（LT） 🟡 短期记忆：当前对话窗口（原始信息） 🔵 中期记忆：摘要后的历史信息 🟣 长期记忆：向量数据库中的语义记忆 2.2 Memory Controller（核心大脑） Memory Controller 是整个系统的调度中心，负责： 🎯 选择需要注入Prompt的记忆 🧹 控制压缩策略 🔍 决定检索范围 ...

本文主要介绍了Agent的记忆机制，包括感知记忆、短期记忆、长期记忆和实体记忆四大类，以及它们在不同Agent范式中的作用和工程实现中的设计要点。