架构

【系统架构设计师】案例分析篇本系列文章为软考系统架构设计师笔记，参考 b 站相关视频及相关资料结合自身思考总结而成，参考资料在文末给出，感谢相关博主的分享。如有侵权，立即删除。

会周易的程序员

microLog 的本地日志读取接口 log_reader — 本地日志文件读取工具开发指南log_reader 是 microLog 提供的本地日志文件读取工具，用于读取 tinySeqFile 格式的日志文件。该模块采用 Pimpl 模式封装内部实现，对外提供简洁、稳定的 API 接口，支持加密日志解密、多种输出方式以及跨平台运行。

【全域智能营销实战】2、Spring AI 模块化架构深度解读：从 1.0 到 2.0 的演进与最佳实践为什么 Spring AI 2.0 是一次“架构重构”而非“版本升级”？2026 年 6 月 12 日，Spring 官方正式发布了 Spring AI 2.0.0 GA。这是 Spring AI 项目自 1.0.0 GA 以来最大的一次版本升级。但这次升级的意义，远不止于版本号的递增。

Havenlon 对抗性完整（十七）：安全不是“防住攻击”，而是控制失败方式很多人谈安全时，直觉上都会把目标理解成“防住攻击”。系统要足够坚固，规则要足够严密，权限要足够细，设备要足够安全，流程要足够复杂，最好让攻击者根本进不来，错误也根本发生不了。这种想法非常自然，因为安全在表面上看，似乎就是一种“阻止坏事发生”的能力。

doiito（Do It Together）

media_agent 进化之路：把 Gliding Horse 的 Agent 超能力注入 ComfyUI，让图片生成自己“学会”优化摘要：本文深入解析 media_agent 如何将 Gliding Horse（流马）的 Agent 超能力注入 ComfyUI，实现图片生成工作流的自我进化。涵盖技能图谱自进化、语义搜索、知识图谱、因果分析、工作区监控等七大高级能力，展示从“静态工作流”到“智能体系统”的完整进化路径。适合 ComfyUI 进阶用户、AI Agent 开发者及 AIGC 工作流优化研究者阅读。关键词：media_agent, Gliding Horse, ComfyUI, AI Agent, 技能图谱, 工作流自进化,

🔥 从点积到 Transformer：我终于搞懂大模型是怎么"猜"出下一个词的了摘要：很多人天天用 ChatGPT，但不知道它内部怎么运作。本文从最基础的向量点积出发，用生活化的例子，一步步带你理解 Transformer 注意力机制的本质——看完你会发现，大模型的核心就是一堆精心组织的矩阵乘法。

服装点胶点钻设备的算法架构与工艺适配分析在服装数字化浪潮下，针织、牛仔、梭织等面料的装饰工艺中，服装点胶点钻机已成为产线标配。然而，在协助数十家工贸一体化企业进行产线升级时，发现一个普遍现象：很多工厂流水线看似“满机跑”，实际良品率却卡在百分之八十六至九十二之间，调机师傅比机器还忙。

“码”力全开

AI视频分析误报优化项目实战记录在智能安防、智慧园区或工业缺陷检测项目落地的尾声，最让交付工程师崩溃的往往不是系统宕机，而是大屏上源源不断弹出的“虚惊一场”，或者是事后倒查时才发现的“漏网之鱼”。智能算法在实验室里跑出的 99% 准确率，到了真实的点位环境，常常会被晃动的树影、突变的光照，甚至是一只路过的蜘蛛拍得粉碎。

从个人用AI到企业用AI，如何为企业部署一套私有化Agent智能体运行时，将AI变成企业的基础设施很多企业内部已经出现了一个挺现实的分层：少数员工开始熟练使用各种Agent工具，把AI接到文档、代码、表格和浏览器里，让它完成一部分原本需要人工切换系统的工作；更多员工还停留在普通对话助手阶段，主要用来问问题、写初稿、改材料。两类人的效率差距会越来越明显，但如果企业只是让员工各自摸索，AI能力很难沉淀成组织能力。

Phase 7.4 学习博客：为什么多 API 项目需要 Swagger / OpenAPIPrepMind AI 做到 Phase 7.4 时，问题已经不是“有没有 API”。恰恰相反，API 已经很多了：Auth、WrongQuestion、OCRRecord、ReviewTask、ReviewPreference、Knowledge Documents、Knowledge Search、BackgroundJob、AgentTrace、MemoryAgent、KnowledgeAgent、WrongQuestionOrganizer 等等。

AI Loop 自动化工程实践，放弃手工调 Prompt，循环才是标准答案！海外一条 700w 浏览量的技术推文提出核心观点：低效的手动调试提示词已经过时，AI 工程的核心是设计自动化 Loop 循环。就连 Claude Code 作者也公开表示，日常开发几乎不手动反复改 Prompt，全部依靠循环自动化迭代。

Pregel 为什么会成为LangGraph编排的心脏摘要：拆解 LangGraph.js 最核心的 Pregel 执行引擎——看它如何用 Superstep、Channel 和 Checkpoint 三板斧，解决 AI Agent 编排中状态管理、并行执行、断点续行三大难题。

Phase 7.3 复盘：后台任务不只是“扔进队列”，还要能被看见这篇博客记录 PrepMind AI 在 Phase 7.3 做的事件可观测增强。它不是一个很炫的 AI 功能，但非常适合面试讲，因为它回答了一个工程化问题：当文档解析、分块、embedding 这些长任务从同步接口迁到后台队列后，系统怎样知道它正在发生什么、有没有卡住、失败后用户能不能理解？

跨平台资源管理：一套代码如何搞定 Android、iOS 和 Web 的图片与多语言？在 Kotlin Multiplatform (KMP) 开发中，最让 Android 开发感到“手痒”的操作莫过于想随手写下一个 R.drawable.logo。但现实很残酷：在 commonMain 模块中，R 文件是不存在的。

我爱吃土豆1

Agent 架构随着大模型能力的快速增强，Agent（智能体）系统已经从“调用一次 LLM”进化为“可规划、可执行、可反思的复杂系统”。在真实工程中，Agent 不再只是一个 prompt，而是一个具备状态、工具调用、规划能力与闭环控制的系统架构。

zlinear数据采集卡

从协议解析到波形实时显示：硬核拆解ZLinear采集卡上位机软件的开发架构zlinear开源电子大家好，我是ZLinear的硬件工程师。在之前的三十多篇博文中，我们从PCB的微观物理世界聊到了RT-Thread的多线程调度，从Modbus协议栈聊到了选型指南，几乎把采集卡的“硬”功夫讲透了。但每当我分享完底层原理，总有读者会追问一个很实际的问题：“张工，硬件是跑起来了，可那个能把波形画出来的上位机软件，到底是怎么写的？它怎么知道下位机发过来的一堆字节是什么含义？”

LLM 两大核心底层：Token 分词、Embedding 语义向量化分词与文本向量化是所有大模型应用的基础，也是区分普通使用者与开发人员的关键知识点，下面结合理论 + 本地可运行代码完整讲解。

MCP企业运用全面知识点-进阶篇本篇涵盖方案对比、企业部署、Agent 架构、高级系统设计、生态工具链、协议演进与快速参考。基础内容见 MCP企业运用全面知识点-基础篇。

YoudaoNoteLM 分层混合 RAG 系统：从多源接入到智能问答的全链路技术架构在大模型落地知识库场景的过程中，传统轻量化 RAG 方案普遍存在诸多痛点：多源资料适配性差、文档结构混乱导致检索失真、切块粒度单一造成精准度与上下文完整性无法兼顾、检索方式单一、问答上下文碎片化、资料运维能力薄弱等问题。

【架构实战】API网关设计与演进：从Nginx到自研网关2022 年，我司 API 网关用的是 Nginx + OpenResty + Lua。刚开始挺爽——十几行 location 就能把请求代理到后端服务。但两年后变成了 5000 行的 nginx.conf：