后端

模型训练完整流程：从数据准备到模型上线的 10 个关键步骤（全文可跑）核心结论：训练一个模型的正确姿势不是「丢数据进模型等 loss 下降」，而是一条包含 10 个关键步骤的完整链路：① 划分数据（train/validation/test）→ ② 预处理归一化 → ③ 设计网络与损失函数 → ④ 选优化器与学习率 → ⑤ 写训练循环（前向/反向/更新）→ ⑥ 每轮用验证集监控过拟合 → ⑦ 早停与调参迭代 → ⑧ 用从未见过的测试集做最终评估 → ⑨ 保存并记录实验 → ⑩ 部署上线并持续监控。很多人只做第 ③～⑤ 步就宣告「训练完成」，结果上线就翻车——真正的坑全藏在数

后端转 Agent 岗面试怎么答：8 个高频问题与应答口径这篇是工具型整理，不聊趋势，只给能直接照着说的答法。每个问题按四段拆：问题是什么，常见的错误答法，正确口径，以及面试官大概率会追问到哪。

OctaFuse Gateway 2.18.0：MCP 接入支持 OAuth，供应商粘性绑定可视化管理OctaFuse Gateway 2.18.0 重点改进了 MCP 客户端接入和供应商粘性绑定管理。配合已完成对接的 OAuth 授权服务器，用户可以在支持 OAuth 的 MCP 客户端中登录并授权，无需手动填写 API Key。管理员可以按用户或应用查看、撤销授权，并从请求日志追踪调用来源。

Agent 规则管理：让 Memory 做索引、让 Skill 存规则——上下文上限实测与分工方案核心结论：很多人把规则、SOP、工作流全写进 Memory（记忆），但 Claude 和 Codex 的 Memory 都有硬上限——CLAUDE.md 建议控制在 200 行以内，200K 上下文窗口里它每次都会占掉约 40000 字符空间。规则一多，AI 执行任务时会把一堆规则都读一遍，既挤占上下文，又相互干扰。正确的做法只有一句话：让 Memory 做索引，让 Skill 存规则。Memory 只负责告诉 AI「这个任务该读哪个 Skill」，具体的规则、SOP、操作手册全部写进 Skill，不写进

深入理解 Java 反射：从 Class 对象到方法调用（含性能实测 + 迷你 IOC 实战 + 面试考点）📌 引言Spring 能靠一个 @Autowired 就把对象塞给你，MyBatis 能把数据库结果集自动映射成实体类，JUnit 能找到你写的 @Test 方法并调用它——这些框架背后都站着同一个东西：反射（Reflection）。

骑着蜗牛撵大象327

2026 后端 AI 工程化：Spring AI 管调用、MCP 管工具、Agent 内嵌管自治后端团队在 2026 年接大模型，最常见的三个坑是：为每家模型各写一套 HTTP 调用、为每个工具重复实现一遍 function calling、把自治循环散落在业务代码里无法回放。等系统上线才发现，换模型要改十处代码，加一个工具要全量发版，Agent 出了错连复现都做不到。

摸爬滚打的小李

Spring XML + WAR + Tomcat 项目启动

SpringBoot自动配置的坑，这次终于爬出来了"为什么我的DataSource配置总是不生效？明明application.yml里写对了，却还是连上了内存数据库？"——这是我上个月在生产环境灰度发布时遇到的噩梦。一个简单的数据库配置，让整个新版本服务悄无声息地连上了本地H2，导致线上查询全部返回测试数据。如果你也遇到过类似问题，今天这篇掏心窝子的分享，或许能让你少走几小时弯路。

# RAG 与智能体记忆：从原理到工程实践 > 一篇给学习者的总结。大语言模型有两个天生的缺陷：RAG 解决第一个问题，记忆解决第二个问题。一句话：RAG 让模型知道"世界的知识"，记忆让模型知道"这个用户的上下文"。

苏三说技术

为什么越来越多人用Arthas 4 ？前阵子一个跑了三年的老服务，突然在每天下午三点左右开始卡顿。CPU 不高，内存也正常，GC 日志看不出毛病。

AI 开发平台出事后，API Key 泄露要怎么办当云开发平台出现安全事件导致 AI API key 疑似泄露时，开发团队应立即前往模型供应商控制台撤销旧凭证，随后按环境变量配置位置、运行中的服务实例、模型调用权限的顺序排查影响范围，完成新密钥轮换，并结合平台审计日志与供应商账单核对异常调用费用。

程序员老申

解剖 PDF 底层二进制：一行代码如何抓出假薪资流水的 3 处破绽在技术圈谈到「PDF 逆向」或「文档防伪」，很多同学第一反应是搞深度学习做图像篡改定位，或者跑大模型 OCR 去比对。

从 Meta 的工程实践看 EB 级 AI 存储架构当 AI 存储进入超大规模，架构会朝什么方向演进？Meta 最近发布的《Meta's AI Storage Blueprint at Scale》提供了一个难得的参考样本。Meta 运营着总规模达数百 EB 级存储集群，文章重点介绍了其面向 AI 训练的 BLOB Storage 架构。

数据库小学妹

MySQL NULL陷阱：NOT IN、三值逻辑与NOT EXISTS大家好，我是数据库小学妹👋 我踩过的坑，你别再踩。月初对账，结算表比支付表少了一批订单。我第一反应是同步漏了，先把同步任务翻了一遍。日志正常，延迟也正常，数据一条没丢。再跑对账 SQL，结果直接是空的。SQL 没报错，条件也没写错，问题出在子查询里的一行 NULL。

10 万个会话吃掉 1.1G 内存：Spring AI 会话记忆的两个隐藏成本用 Spring AI 接一个流式对话，跑通很快。麻烦在跑通之后——最高频的两个坑都不报错。这篇把两个坑的机制、实测数据和修法都写出来，代码可以照抄。

getenv 返回的是别人的内存，改一下会改变整个进程的环境一段读配置的代码，把环境变量取出来做了个小处理：单测全过，线上也平稳跑了一阵。后来运维在同一台机器上并行起了第二个实例，第二个实例读到的 DB_HOST 变成了空字符串。

通了个宵，终于把 Super-Agent 架构玩明白了昨天，DeepSeek Harness 团队发了一篇新文章，《Super-agent 设计探索：迈向更自主的 Agent 系统》。

不积跬步无以至千里mmbb26

rust_analysis分析日期：2026-01-16 分析范围：Linux kernel 中的 Rust 代码入口文件，定义了 90+ 个子系统模块：

WordPress Query 查询机制详解（WP_Query）WP_Query 是 WordPress 核心数据查询类，是整个 WordPress 内容渲染的底层核心。网站所有内容展示场景，包括文章列表、单篇文章、分类 / 标签归档、搜索结果、自定义文章类型页面等，均依托 WP_Query 实现数据库查询与数据渲染。开发者无需手写复杂 SQL 语句，仅通过配置参数即可完成内容筛选、排序、分页、关联查询等操作，是 WordPress 主题开发、插件开发的核心工具。本文将解析其运行机制、原生优缺点，并给出落地优化方案。

国产 GPU 能不能打，重点在软件栈前几天的时候，天数智芯办了一场媒体开放日。会议主题围绕着四个字展开：从模型到世界。这场发布会讲了很多内容，比如云端芯片天垓 300 通用 GPU、IXL144 超节点、异构计算平台、彤央 TY1000 / TY1100 算力模组等，确实了解到了很多关于硬件、GPU、超节点方面的内容。