SpringBoot的自动装配原理:

1. 项目的启动类上会有一个@SpringBootApplication组合注解,里面包含了@EnableAutoConfiguration注解,这个注解引入了AutoConfigurationImportSelector类
2. 这个类会通过SpringFactoriesLoader从**spring-boot-autoconfigure.jar包,找一个叫META-INF/spring.factories文件中加载配置类(官方已经预定好了所有可能的成百上千个类),比如WebMvcAutoConfiguration** (SpringMVC 的配置)
3. 这里面有很多配置类,然后会根据**@Conditional**注解进行选择性加载,比如 @ConditionalOnClass({ Servlet.class, DispatcherServlet.class, WebMvcConfigurer.class }) 只有项目中有Servlet类和DispatcherServlet类的时候才进行加载
4. 但在 SpringBoot 3.x 之后，官方开始推荐使用 META-INF/spring/org.springframework.boot.autoconfigure.AutoConfiguration.imports 文件来替代 spring.factories

HashMap

1. 一个键值对存到HashMap中,怎么找到自己的桶呢?

   靠的是key的hashcode,为了防止哈希分布不均,使用了扰动处理,异或后高16位特征混合到地位中,利用(n-1)&hash算出数组的下标

2. 哈希冲突:当链表长度大于8,且数组大于64的时候换成,红黑树(复杂度为log n),保证查找效率,(Java8)

3. 扩容:数组默认长度为16,负载因子0.75,数量超过12就会进行扩容,容量会翻倍,所有元素要进行搬家

线程池技术:

1. 线程池是一种池化技术,避免了频繁创建和销毁线程的开销,提高性能和响应速度
2. 通过new ThreadPoolExecutor( 3,//核心线程数量 6,//总线程数量 60,//空闲清理线程时间 TimeUnit.SECONDS,//清理时间的单位 new ArrayBlockingQueue<>(3),//排队的队伍长度,工作队列 Executors.defaultThreadFactory(),//线程从哪里来 new ThreadPoolExecutor.AbortPolicy()//线程满了的时候的抛弃策略 );
3. 工作一来,线程池才开始创建线程,工作完成后线程会回到线程池准备复用,如果核心线程没有空,就会进行排队,队列满了才轮到非核心线程创建

链表和数组的区别

1. 数组:内存连续,访问快,增删慢(因为内存连续,所以如果知道了内存的大小,那么就能根据索引直接找到数据对应的内存块)
2. 链表:内存不连续,访问非头尾节点慢,增删快

@Autowired和@Resource的区别

1. Spring官方最推荐使用构造器注入
2. @Autowired是按照类型来进行字段注入,如果有两个类同时实现了一个接口,那么现在他就不知道该注入哪个类了
3. @Resource是按照名称进行装配,如果没找到对应名称的Bean,那么他会报错
4. 构造器注入的优点:
   1. 暴露循环依赖问题
   2. 避免空指针问题
   3. 更轻松的进行单元测试
   4. 容易遵循单一职责原则
5. 可以结合lombok中的@RequiredArgsConstructors完成构造器的代码

@Configuration是工厂的注解,告诉Spring这个类中有生产Bean的方法,

@Bean是告诉Spring,把这个方法的返回值加入到IOC容器中统一管理.

@Bean public AiCodeHelperService aiCodeHelperService(){ return AiServices.create(AiCodeHelperService.class,qwenChatModel); }

AiServices.create底层会创建一个代理的对象,通过反射这个对象实现了AiCodeHelperService接口

这段代码采用了动态代理技术,采用了建造者模式,build()在底层返回了一个AiCodeHelperService接口实现类的对象

 AiCodeHelperService build = AiServices.builder(AiCodeHelperService.class)
                .chatMemory(chatMemory)
                .chatModel(qwenChatModel)
                .build();

使用redis存储ChatMessage对象,langchain4j已经写好了ChatMemoryStore的接口,用来规范存,取,删数据的逻辑,只要实现它就可以了;具体的步骤

1. AI 调用：你调 chat("你好", "user:1")。
2. 取记忆：LangChain4j 调 store.getMessages("user:1")。
3. 读 Redis：redisTemplate 去 Redis 里抓那个 JSON 字符串。
4. 反序列化：变成 List<ChatMessage> 给 AI 看。
5. AI 回复：AI 生成回复后。
6. 存记忆：LangChain4j 调 store.updateMessages("user:1", 新列表)。
7. 序列化：变成 JSON 字符串。
8. 写 Redis：redisTemplate 把 JSON 塞回 Redis。

Ai的结构化输出:根据返回值的类型把LLM生成的Json格式字符串(langchain4j的提示词工程会使LLM生成Json格式的字符串),封装成对应的属性封装好,然后反序列化一下就变成了返回值类型的对象

RAG:检索增强生成

1. 知识库构建

   1. 首先导入pdf等文件
   2. 然后进行切片,片段大小和上下文重叠大小
   3. 进行向量化,将片段交给qwenEmbeddingModel
   4. 存到向量数据库中

2. 检索

   1. 用户输入问题
   2. 问题被交给qwenEmbeddingModel 进行向量化
   3. 从向量数据库中拿出向量进行余弦相似度匹配

   .maxResults(5) //检索五条

   .minScore(0.75) //匹配度

3. 增强生成 将片段合在一起变成上下文塞进提示词中交给LLM

Tool Calling :

1. LLM 想做事 -> 发指令给langchain4j -> langchain4j执行 Java 代码 -> langchain4j把结果告诉 LLM