学会自上而下的学习~~~

前言公司新来的实习生最近问我几个问题，说我们为什么要用logback？为什么不用log4j？它们的区别是什么？这么多日志框架，到底该用哪个？我不禁想起了自己刚接触 Java 时面对日志选择的困惑。Java各种日志框架的“江湖恩怨”确实让不少开发者，无论是新手还是老鸟，都感到有些头疼。各种框架层出不穷，依赖关系错综复杂，稍不注意就可能掉进“坑”里。为了让更多对 Java 日志体系还不太清晰的朋友们能够拨云见日，我决定花点时间，系统地梳理一下这些常见的日志框架，聊聊它们的前世今生。希望能帮助各位在实际项目中做出明智的选择。耐心看完，你一定有所收获。正文很久以前：System.out.println...

依旧boss上约的，依旧薪酬和base在我理想范围内就投了，没记错的话简历应该很快就筛过了，面试约得较晚这家是千方科技的创业子公司，北京和广州都有base，hr找我的时候以为只有北京base，后续发现有广州，那主包也是很想去了，据说offer都是行业顶尖水平，有大公司背景背书的话稳定性应该也OK2026/3/6 一面 1h：1. 简单自我介绍2. 挑一个项目详细介绍，会问一些相关问题3. coding：判断点是否在三角形内部面试官是说先写coding边写边深聊，最后确实大部分时间都在这块花了原题目很简单，其实就是算三个叉积看是否同侧就行了，但这块主包之前写过凹凸n边形判断点是否在内部的coding，所以也没多想直接就按通用的写法写了（写的射线法），写到一半主包突然说 哦，其实就判断三个叉积是否同号就行，但对方表示很欣赏主包的挑战精神，让我就这样继续写，然后就写完了，写完对面一看哟这小卡拉米这么装，那我们继续聊三维空间如何判断点在多面体内部？就开始偏向数学讨论了，之前没想过这个问题，但还是想出了一个偏暴力的方法，对方表示这个方法不错聊完对面一看哟这小卡拉米这么装，那我们继续聊n维空间如何判断点在内部？面试官会给引导，也提示了内部如何定义（多个n-1维超平面切割n维空间后的公共子空间），最后说了思路4. 聊天+反问——有注意到前面花了大量时间聊偏数学相关内容，是否对数学要求很高？是的，公司是偏创业公司，需要强数学能力做创新做研发等等另外后续会遇到各种各样奇怪方向的面试官还有交叉面，代码的类型也会奇奇怪怪，算是打个预防针？——base？工作强度？这里得知有广州base，主包也是很想去啊很想去，工作强度据称是八小时制，但该卷还得卷——应届生培养？研发基地在广州，一般都是广州集中培养，然后想去北京的再转去北京面试氛围很好，广州base很想去，主包等后续

“安装 uv” 是指 安装一个名为 uv 的 Python 工具，它是由 Blender 基金会 和 Python 社区开发者 联合开发的超快 Python 包管理器和构建工具。✅ 一、“uv” 是什么？uv 是一个 用 Rust 编写的、高性能的 Python 包管理器，它的目标是：⚡ 极快比 pip 快 10~100 倍📦 完整支持 pip install、pip freeze、pip wheel、pip list 等📦 一键安装可以直接安装 pyproject.toml 依赖🛠️ 兼容性支持 pip、poetry、hatch 等工具的大部分功能📦 本地缓存自动管理包缓存，避免重复...

最近做了一个企业级 RAG 智能体项目 Ragent，基于 SpringBoot 技术栈 + 手搓 RAG，完整开源了。不是 Demo 级别的调 API 玩具，是覆盖了 RAG 全链路的工程实现，分享出来给大家参考。GitHub：https://github.com/nageoffer/ragent为什么做这个项目现在面试越来越多地问 AI 相关的东西——RAG 怎么做的？Agent 怎么实现？MCP 了解吗？但市面上大部分 RAG 教程要么是 Python 生态，要么停留在调 API 跑通 Demo 的阶段，离真正能上线的系统差距很大。所以基于自己在公司实际落地 RAG 系统的经验，做了 Ragent 这个项目，把企业里真正会遇到的问题都实现了一遍。核心能力▪ 多路检索引擎：意图定向 + 全局向量双通道并行，检索结果经去重、重排序等后处理流水线。▪ 意图识别：树形意图分类体系，置信度不足时主动引导澄清。▪ 问题重写与拆分：多轮对话自动补全上下文，复杂问题拆分为子问题分别检索。▪ 会话记忆：滑动窗口 + 自动摘要压缩，控制 Token 成本的同时保留关键上下文。▪ 模型路由与容错：多模型候选、优先级调度、首包探测、三态熔断器、自动降级。▪ MCP 工具调用：知识检索与外部系统调用在同一流程中无缝融合。▪ 文档入库 ETL：基于节点编排，从解析、分块、向量化到写入 Milvus，每步可配置、有日志。▪ 全链路追踪：每次对话的重写、意图、检索、生成各环节都有 Trace 记录。技术栈后端：Java 17、Spring Boot 3、MyBatis Plus、Milvus 2.6、Redis + Redisson、RocketMQ 5.x、Apache Tika、Sa-Token前端：React 18、TypeScript、Vite代码量：后端约 4w 行，前端约 1.8w 行，20 张业务表，22 个前端页面。和 Demo 项目的主要区别▪ 检索方式：Demo 通常是单路向量检索，Ragent 是多通道并行 + 后处理流水线。▪ 意图识别：Demo 没有，Ragent 做了树形意图 + 歧义引导。▪ 模型调用：Demo 单模型挂了就挂了，Ragent 多候选路由 + 熔断降级。▪ 会话记忆：Demo 全量塞给模型，Ragent 滑动窗口 + 摘要压缩。▪ 可观测性：Demo 没有，Ragent 全链路 Trace。项目会持续迭代，感兴趣的同学可以 clone 下来跑一跑，有问题欢迎提 Issue 交流。