最近在做智能缺陷查重的项目过程中，遇到一个有意思的问题，尽管采用了精心设计的Prompt和强大的LLM，模型在返回重复缺陷时，仍产生数据不一致的“拼凑”结果。通过层层递进的分析，发现问题的根源并非出在Prompt工程或模型本身，而在于RAG数据库中的“信息断层”。这里将问题分析与调试过程记录下来，与大家共享。
ClaudeCode是由Anthropic开发的全新终端AI编程工具，旨在通过自然语言指令帮助开发者高效率地完成代码编写、调试和项目管理任务。它直接集成在开发者的工作环境（如终端）中，无需依赖额外服务器或复杂配置即可运行。在实际的使用过程中，Claude Code是一个比较通用的智能体，他输出的代码也比cursor简练很多，更像是一个熟悉整个项目的高级程序员，研究和学习这个框架对于开发自己的Agent至关重要，本篇文章会详细介绍Claude Code的设计模式和核心代码。
本文分析了在使用 HSF 服务时，因使用 Java 9 的不可变集合（如 Set.of()）作为参数导致服务端反序列化失败的问题。根本原因在于 HSF 默认使用的 Hessian2 序列化机制不支持 Java 默认序列化中通过 writeReplace 和 readResolve 实现的不可变集合序列化逻辑：HSF 仅序列化非 transient 字段，而 CollSer 中存储元素的 array 字段为 transient，未被正确序列化，导致反序列化时 array 为 null，抛出 InvalidObjectException: null array 异常。最终解决方案是避免使用不可变集合，改用可变集合（如 HashSet）。
本文通过分享将AI Agent技术应用于“智能播报助手”和“批量建任务”两个真实业务场景的实践历程，深刻阐述了当下将AI Agent与传统工程系统深度融合，而非追求完全替代，才是实现业务提效和价值落地的有效路径。
最近听了很多大佬的讲座和分享，尤其讲到Why AI Programming First时，许多地方大佬们描述得很到位，但总感觉缺少理论支撑和严谨表述。后来一天夜里，我突然想到这块不就是编译原理中已经讲过的很多形式化定义，我在17年沉迷编译原理并且开源了好几款自己玩的编译器和解释器，而语言的形式化定义早有定义，而这块刚好也是计算机和语言学的交叉部分，在当下这个时代有清晰的认知尤为重要。另外因为涉及编译原理，和一些哲思，可能有一些难懂，已经尽量简化。
本文主要阐述作者通过亲身实践，探索利用AI Agent实现开源应用Helm Chart自动化生成的实践历程。
本文围绕“什么是好代码”展开，作者结合自身职业发展阶段，从初入职场时仅关注完成任务的“黑盒认知”，逐步过渡到深入思考代码质量的多维度评价标准。文章提出，好代码不仅需满足功能需求和稳定性，还应兼顾用户体验、开发效率、可维护性与成本控制，并引用“金码奖”评审标准，从稳定、体验、效率、成本四个维度进行量化分析。作者进一步强调，写好代码需要全局视角，遵循设计原则（如开闭原则）与设计模式（如责任链），避免“坏味道”，同时警惕过度分层和复杂框架对可读性与维护性的负面影响。最终指出，好代码是权衡艺术的体现，其标准随个人成长与团队共识不断演进。
对于老年代的对象，大部分人第一印象是因为多次GC没有被回收所以晋升到老年代的。其实不然，本文对于老年代中发现大量不可达对象深入排查了一下，发现部分高QPS场景下临时对象的提前晋升问题和难以回收的现象。
