1. 定义 生物神经网络是由大量神经元（Neuron）通过突触（Synapse）相互连接而成的复杂信息处理系统。它是生物体神经系统的核心结构，负责接收外界刺激、处理信息、产生反应和控制行为。

1. 前言前面介绍训练时通过设置 plots=True参数， 在训练后不仅有数值指标，还能有可视化的结果，方便：快速定位数据集问题（labels.jpg、train_batch*.jpg）分析模型性能（results.png、confusion_matrix.png）直观查看预测效果（val_batch*_pred.jpg）生成的文件如下： {代码...} 文件名作用是否关键args.yaml记录本次...

还是继那篇文章，提出要调大 max.partition.fetch.bytes、message.max.bytes 的参数值。但是不能调太大，调太大之后，同样带来新的问题。

介绍过 YOLO 的背景、起源等知识后，今天就将如何使用 YOLO 进行 目标检测（Object Detection）。安装就不说了，ultralytics 官网 提供多种安装方式可选择。

前面讲解了 PaddleOCR，都是基于 OCR（Optical Character Recognition，光学字符识别） 的技术。今天介绍 YOLO，是一种目标检测（Object Detection）算法。

VL模型确实好用，但在实际使用后也有很大的缺点。NLP 模型就已经很慢了， VL模型的推理速度更慢，token 费用还是 NLP模型的好几倍。很难在实际项目中大规模使用。

1. 问题描述最近在接入一个新的埋点 Kafka Topic 后，遇到一个非常隐蔽的问题：新 Topic 一直消费不到消息；在公司 MQ 平台上查看 Topic，查不到消费组的注册信息；日志平台没有任何 Error 日志。消费端的逻辑是典型的主动拉取模式，由异步线程循环执行：poll() 拉取一批消息；事务处理（读取消息、执行脚本、写入存储）...

在大语言模型（LLM）的浪潮下，“Agent”成为一个炙手可热的关键词。 所谓 LLM Agent，就是让语言模型不仅能对话，还能自主决策、调用工具、执行任务。过去两年，围绕 Agent 的研究涌现了多个经典框架：ReAct、Plan-Act-Reflect、Toolformer、Multi-Agent Collaboration 等。

在早期的 LLM 应用中，很多系统采用单模型单任务的方式：一个大型语言模型（如 GPT-4、Claude）接收用户请求，然后直接生成结果。 这种方式的优点是简单，但缺点也明显：

1. 背景为了让 LLM 不只是一次性对话，而是能自主执行任务、与外部工具交互、保持上下文状态，人们提出了 LLM Agent 概念。真实世界任务往往不是一次性完成，需要多轮交互、跨会话处理，甚至长时间跟踪任务进度。为什么单纯的 LLM 不够原生的 LLM 通常只有短期上下文窗口（context window），在会话结束后不会记住用户信...

关于 LLM Agent 框架中，如何调用外部工具，之前有介绍 ReAct、Plan-Act-Reflect 的设计方案。这次介绍一种和前面完全不同的设计：Toolformer，特点是让 LLM 自己有调用外部工具的能力。

Plan-Act-Reflect 框架代表了LLM应用向更高层次智能迈进的方向。它通过引入：前瞻性的规划（Plan）有条理的执行（Act）至关重要的自我修正（Reflect）使得LLM能够处理那些不确定性高、路径长、易偏离目标的复杂任务。它将LLM从一个“反应式问题解决者”提升到了一个“主动式战略管理者”的高度，是构建真正自主和可靠的AI Ag...

ReAct 是一个将 Reasoning（推理） 和 Acting（行动） 相结合的范式，旨在让 LLM 与外部工具（如搜索引擎、计算器、数据库、API等）进行交互，从而更可靠、更准确地解决任务。

很多公司使用的 JDK 还停留在 JDK8，JDK8、JDK11、JDK17、JDK21 都是 LTS 版本。不想升级 JDK11、JDK17 的人，大多是觉得没有特别值得更新的新特性。但就算每个版本都是小迭代，经历了这么多版本了，JDK21 相较于 JDK8，也是有不少值得升级的闪光点。

可以理解为，ReAct 是 LLM Agent 的一种设计框架或范式，而 OpenAI Function Calling 是基于该设计范式的具体实现。

思维链（Chain-of-Thought, CoT）是一种通过引导模型分步推理来提升复杂问题解决能力的提示技术。与直接提问相比，CoT要求模型生成中间推理步骤，模拟人类“逐步思考”的过程，从而更准确地推导出最终答案。

并行计算能力： AI的核心运算（如矩阵乘法、卷积等）需要处理海量数据，而GPU的数千个计算核心（如NVIDIA CUDA核心）擅长并行计算，比CPU（通常几个到几十个核心）更适合加速这类任务。

1. HNSW索引 分层可导航小世界1.1. 定义HNSW（Hierarchical Navigable Small World，分层可导航小世界）的核心思想是构建一个分层图结构：分层结构：每个数据点随机分配一个层级，层级越高的数据点越少。小世界图：每层是一个“邻接图”，每个点只和部分点相连，图结构保证“短路径”导航。导航：从高层开始，逐层向下搜索，...

在向量数据库中，度量方式（Metric, Distance/Similarity Metric）指的是用于衡量两个向量之间“相似度”或“距离”的数学方法。

1. 大模型知识更新的痛点大模型的知识源于预训练阶段。通过大量的无监督数据，利用下一个词预测任务来完成训练。待训练完成之后，模型便能将大量的知识压缩到自身的参数中。然而，在互联网时代，知识更新迅速，导致大模型难以实时更新所蕴含的知识。由于存在知识更新问题，当询问模型一些训练语料截止日期之后的问题时，...

二者总需要妥协，Groovy、Python 这类脚本性语言提供了解法。底层Java平台功能不牵扯业务，尽量封装丰富的底层组件，一些业务性的逻辑都由脚本语言实现。

HTTP/2（2015年发布）已经发布快10年了，云原生社区的RPC框架中，gRPC 是直接基于 HTTP/2 实现。Dubbo 框架的默认协议，也从原先基于 TCP协议 的 dubbo协议，换成基于 HTTP/1.1、HTTP/2的 triple协议。

Kubernetes：Kubernetes 的 API 服务器和其他组件（如 kubelet）之间的通信使用 gRPC 来实现高效的数据传输。

ManagedChannel 是 gRPC 中用于管理客户端和服务器之间通信的核心组件。它负责连接的创建、管理、负载均衡、流量控制等功能。以下是 ManagedChannel 的主要功能和属性。

gRPC 是一个高性能、开源的远程过程调用（RPC）框架，由 Google 开发。它旨在提供跨语言的通信能力，适用于从移动设备到数据中心服务器的各种环境。

网络传输过程中，选择不同的传输数据的序列化方式，对性能影响很大，尤其是高并发场景中。但至于选择一个什么样的序列化方式很重要，也不能一味只考虑性能，像 Dubbo协议中就支持多种可插拔的序列化库。

Apache HttpClient 是 Apache Software Foundation 旗下的一个开源项目，旨在为 Java 应用程序提供高效、可靠的 HTTP 客户端功能。它是 Apache HttpComponents 项目的一部分，该项目专注于创建和维护 HTTP 协议的组件。

OkHttp 是一个由 Square 公司开发的高性能 HTTP 客户端库，专门为 Java 和 Android 应用程序设计。Square 是一家知名的金融科技公司，开发了多个流行的开源项目。OkHttp 的设计初衷是为了解决 Android 平台上原生 HTTP 客户端（如 HttpURLConnection）的某些局限性，特别是在处理连接管理和缓存等方面。

主要用于两个dubbo系统之间作远程调用，特别适合高并发、小数据的互联网场景。反之，Dubbo 协议不适合传送大数据量的服务，比如传文件，传视频等，除非请求量很低。

1. 前言在 Dubbo 框架中，服务消费者通过 XML 配置方式引用服务时，涉及多个模块之间的协作。不放dubbo官方的设计图了，这里同样放一张自己画的服务消费者调用图，后面的介绍也是围绕这张图来的。以下是服务消费者引用服务时，各个模块之间的源码方法调用关系的详细说明。2. 简述过程在 dubbo-config-spring 项目模块中...