从今天起开一个固定栏目：每天读一本书，把里面的东西压缩到 20 分钟内读完，再写点自己的看法。方向是金融、AI、历史这三块——前两块是饭碗，最后一块是让人不至于把今年发生的事都看成世界末日。 这个栏目不打算做成读书笔记的搬运。我做了八年 Java 和 AI，又自己跑过出海盘子、也清零过两次，读这些书
我们的内部知识库 RAG 上线第一周，产品拿了个真实问题测试："年假怎么休？"模型一本正经地答了去年的旧政策。查下来，召回的文档里既有新政策也有旧政策，模型没分清哪个是现行有效的。RAG 的难点从来不在"接上模型"，而在"召回准不准、排得对不对"。 第一板斧：切分策略 最初按固定 500 字符硬切，
团队想给客服系统加 AI 能力，产品经理一句"接个大模型"听起来轻巧。真要做时，我发现最大的问题不是模型效果，而是：AI 该放在系统哪一层？和现有业务怎么融？出错了怎么办？这层边界不清，迟早把核心交易拖下水。 边界划分：AI 是增强，不是核心 我的第一原则是：AI 能力必须处在非关键路径。下单、扣款
有天凌晨告警：订单服务报错率突增。我登录 Kibana 翻日志，几千行文本里找那一条异常，正则写到手抖，花了 20 分钟才定位。痛定思痛，把日志从"人看"改成"机器看"——结构化输出，这套改造后来的排障时间从 20 分钟降到 40 秒。 为什么要从文本日志切到结构化 文本日志是给人扫的，机器分析要正
用 Spring AI（1.0 GA 稳定版）做 RAG，最早我是在业务代码里手写"先检索、拼 prompt、再调模型"三段式。逻辑散落、难复用、难插拔。后来发现 Spring AI 的 Advisor 机制就是为这事设计的——把"检索增强"做成可串联的拦截器。 Advisor 是什么：请求响应之间
大模型再能聊，它本身算不了实时库存、查不了数据库。要让它"动手"，得靠 Function Calling：模型决定调哪个函数、填什么参数，Java 侧真实执行，再把结果喂回去。这趟趟过的坑，比想象中深。 工具注册：把 Java 方法暴露给模型 用 Spring AI（1.0 GA 稳定版）注册一个工
订单系统里，一个下单成功事件要同时触发：发短信、更新统计、同步搜索索引、通知风控。一开始我用 @TransactionalEventListener 在一个方法里全干了，结果短信接口抖一下，整个下单事务被拖慢。这种"一个事件多个消费者"的场景，正是 Spring Integration 的主场。 消
我们的一个内部工具服务，部署在 Serverless 上，每次冷启动要 8 秒。函数计费按运行时长，8 秒里一半在"加载类、初始化 Spring 上下文"，用户已经走了。老板问能不能压到 2 秒内，于是有了这次冷启动专项优化。 先量化，再动手 不量就优化是瞎猜。我用 -Xlog:class+load
一个服务在 K8s 里跑得好好的，突然被重启，看 Pod 事件只有一行 OOMKilled。我第一反应是"堆不够了"，加了 -Xmx 之后反而重启更频繁。后来才明白，我搞混了两种 OOM。 两个 OOM 不是一回事 JVM 的堆 OOM（java.lang.OutOfMemoryError: Jav
我们团队原来的 CI 是 Jenkins，一台老Ubuntu 服务器，Job 用网页点出来的，配置存在它肚子里，谁也说不清有哪些步骤。新人想加一条发布流水线，得先找老员工"口述"。这种不可见的配置，迟早要还债。借着一次 GitLab 迁移，我把流水线整体搬到了 GitLab CI。 不是嫌 Jenk
接了大模型问答的活儿，第一版我们用普通 HTTP 请求，前端点完"发送"就开始转圈，最长 18 秒才一次性吐出整段答案。产品同学盯着转圈圈说了一句话："能不能像 ChatGPT 那样一个字一个字蹦？"于是有了这次 SSE 改造。 SSE 是什么，为什么不用 WebSocket 大模型生成是单向的：服
去年底老板拍板：核心交易系统去 Oracle。理由很直接——一年 380 万的授权费，加上审计合规越来越严。我接手时第一反应是：这活儿坑比想象多，不是导出 SQL 再导入就完事。 先盘家底 系统跑了九年，Oracle 里不止 SQL。我用了两周做依赖盘点，列了一张表： 依赖类型 数量 风险 存储过程
背景：我们一套跑了五年的订单分析系统，主库是 MySQL 8.0，平时扛交易，月底还要跑 T+1 报表。一次月底大查询把从库 CPU 打到 100%，复制延迟一度飙到 47 秒，运营看板直接瘫痪。那一刻我意识到，把 OLTP 和重分析塞在同一套实例里，迟早出事。 为什么盯上 TiDB 当时评估了三个
把命运交給一家供应商太冒险 工单助手全量依赖 OpenAI，某次它区域性抖动 40 分钟，我们的自动回复全挂，运营被迫人工顶上，积压了上千条工单。AI 能力已经是生产依赖，就不能有单点。我搭了一套多模型路由加降级，核心：多供应商接入、健康检查、自动降级兜底。上线后两次抖动都平稳度过。 多供应商统一接
中文向量化的尴尬 做知识库检索时，第一步就是把文档切块转成向量。英文世界有现成的 sentence-transformers，中文呢？2023 年初这块还很青涩，我踩了一圈坑，记下来给后来者省时间。当时我们想给内部 Wiki 做语义搜索，先用英文模型试，中文召回烂得一塌糊涂，才意识到"中文 embe
模型返回的 JSON 总在变花样 让 LLM 抽取工单里的"订单号、问题类型、紧急度"并输出 JSON，结果它时而多回一句解释，时而把字段名写成 order_num 而非 orderId，解析直接炸，下游拿到 null 又是一堆空指针。要做可靠的系统，结构化输出必须可控。我把"约束加重试加校验"几层
