设计模式

字节Seedance2.5终于上线，这次在收割谁？Seedance 2.5 / AI视频 / 跨境投放字节Seedance2.5终于上线，这次在收割谁？

RAG 系统进化论（六）：GraphRAG（基于知识图谱的 RAG），从相似文本走向实体关系本文导读：当答案分散在多份文档中，并需要沿着人物、产品、组织或事件关系进行推理时，单纯寻找相似文本往往不够。本文将介绍实体与关系抽取、实体消歧、知识图谱、图遍历、局部与全局检索，以及向量检索与图检索怎样配合；同时梳理 Neo4j、LangChain、LangGraph 等技术在 GraphRAG 中分别承担什么职责。

从 Prompt 到 Harness：企业级 Agent 工程的完整演进之路2026.04本文系统性地回顾了我们在构建企业级 AI Agent 平台过程中走过的完整技术演进路径——从大模型的先天约束出发，经历 Prompt 工程、Context 工程、Harness 工程三个阶段，最终演化出一套五层架构的 Agent 操作系统。每一层的出现都是因为前一层遇到了天花板。

啦啦啦啦啦zzzz

设计模式：原型模式本篇文章主要是关于原型模式和适配器模式，通过理论和代码结合的方式。原型模式用最简单的话说明就是复制拷贝，比如我们在写一个游戏的时候要创建一个副本，我们可以把主线的人物拷贝到副本，然后做一点小小的修改，这样就不必要从零开始搭建。所以我们一般要一个原型的对象。

RAG 系统进化论（五）：Corrective RAG 与 Self-RAG，让系统发现并纠正错误本文导读：找到证据并不意味着证据一定相关、充分或者可信。本文将介绍 Corrective RAG（纠错式 RAG）与 Self-RAG（自我反思式 RAG），通过证据评分、充分性判断、查询改写、检索回退、答案依据检查和拒绝回答，让系统能够发现检索与生成中的错误，并在必要时主动纠正。

高质量数据集的类型人工智能的快速发展对数据治理提出了新的要求。传统数据治理的目标是将数据资源加工成人能看懂的数据产品，典型形态就是领导驾驶舱和应急指挥调度大屏；数智时代数据治理的目标是将数据资源加工成机器或智能体能识别、学习、处理的数据产品，典型的形态就是应用于大模型预训练的高质量数据和大模型微调、对齐、评测、推理的高质量数据集。

啦啦啦啦啦zzzz

工具：动态类工厂和用配置文件存储属性本篇文章主要解决的问题是我们在开发一些软件的时候，当业务发生变化的时候，我们尽量要少改动代码，所以我们引入了配置文件，我们只需要读取对应的配置文件里面的信息，就可以改变一些变量的性质。当我们读取了配置文件之后，我们必然要找到对应的类函数，但是那么多的类函数我们应该如何找到对应的呢，因为我们是从配置里面读的数据，所以在代码里面我们也不知道该写什么具体的类，所以我们这里就引入了动态类工厂。

设计模式：模板方法与策略，从“每个字都认识“到能说清它们在干嘛最近在补设计模式。以前也翻过几回，每次都是看到定义就关了，每个字都认识，连在一起不知道在说什么。这次换了个学法：先找例子，再看定义，然后用自己的话写一遍，写不出来的地方就是没懂的地方，回头再补。这篇是边学边写的记录，写到哪算哪。

行为型模式——模板方法模式模板方法设计模式适用于以下情况： • 一次性实现一个算法的不变部分，并将可变的行为留给子类来实现； • 各子类中公共的行为应被提取出来并集中到一个公共父类中以避免代码重复； • 控制子类扩展，模板方法只在特定点调用钩子操作，这样就只允许在这些点进行扩展；

啦啦啦啦啦zzzz

设计模式：建造者模式本篇文章会通过代码和文字的配合来帮助理解建造者模式建造者模式解决的问题主要是怎么创建一个产品，比如说一个计算机，里面有很多的零部件，我们应该要怎么组装这些零部件变成一个计算机，这个就是建造者模式解决的问题。我们经常和工厂模式相互利用，因为工厂模式解决的问题是创建一个什么对象，而怎么创建的内部细节是由建造者模式解决。

【Agent 设计模式】推理技术核心思想：按任务难度分配推理预算，并用计划、工具结果、验证记录和停止条件约束求解过程。智能体系统中的“推理”至少包含两个层次：

从使用场景切入前端常见设计模式在很多人的印象里，设计模式好像是强类型面向对象语言的专属。其实大错特错。前端从刀耕火种的jq时代发展到如今大规模单页面应用，代码复杂度早就不可同日而语。设计模式不只是八股文，而是前辈们总结出来的在特定场景下解决某类问题的通用方案。

啦啦啦啦啦zzzz

设计模式：单例模式和工厂模式本篇文章介绍了多种设计模式，我们不仅仅只需要理解设计模式，还要可以写出类似的代码。单例模式故名思意就是全局只设置一个实例，全局的所有对象都可以访问这个实例。这样子的优点有几个：

小白说大模型

Python 工程化设计模式：AI 项目中的异步流水线与策略模式实战目录现在的 AI 项目很少再是单文件脚本。当我们在生产环境中接入大模型、构建 RAG 问答、实现多 Agent 协作时，往往会面对复杂的数据处理链路和多变的业务规则。如果再加上异步 I/O、高并发请求，代码很容易陷入「回调地狱」或「if-else 海洋」。

行为型模式——中介者模式中介者设计模式适用于以下情况： • 一组对象以定义良好但复杂的方式进行通信，产生的相互依赖关系结构混乱且难以理解； • 一个对象引用其他很多对象并且直接与这些对象通信，导致难以复用该对象； • 想定制一个分布在多个类中的行为，而又不想生成太多的子类；

Java: Chain of Responsibility Pattern项目结构：调用：输出：

【Agent 设计模式】路由模式（Routing）相比提示链模式的固定线性流程，路由模式能根据输入动态选择不同的处理路径。它通过一个路由器对输入进行分类或评估，然后将其导向最合适的专用处理器，使系统从固定执行路径转变为动态决策系统。

装备企业的 AI 路线图双轨规划：基础软件路线图 + AI 应用路线图装备企业的 AI 路线图，必须是"基础软件路线图"与"AI 应用路线图"并行推进的双轨规划 ——前者解决"有没有数据、能不能流转"，后者解决"如何用数据创造价值"。两条路线图应相互校准：任何一个 AI 场景立项，都应回答：" 它依赖哪些基础软件？我们现在到位了吗？没到位的部分如何同步推进？ " 任何一个基础软件项目立项，也应回答：" 它支撑哪些 AI 场景？这些场景的业务收益是什么？ " 这种双轨校准让企业的数字化与智能化投入真正闭环，避免出现"基础

CSharp:Chain of Responsibility Pattern项目结构：调用：输出：

【Agent 设计模式】多智能体协作单一 LLM 智能体难以应对复杂问题，缺乏多样化专长或工具，成为系统瓶颈，降低效率与可扩展性，难以完成多领域目标。多智能体协作模式通过将复杂问题拆分为可管理子问题，分配给具备专长的智能体，智能体通过顺序交接、并行处理或层级委托等协议协作，实现单一智能体无法完成的目标。