<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[hm_nh的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/hm_nh</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; hm_nh]]></copyright><item><title><![CDATA[SpringCloud+原生LangChain双栈改造Vol.4 AI评价总结]]></title><link>https://blog.csdn.net/hm_nh/article/details/161399753</link><guid>https://blog.csdn.net/hm_nh/article/details/161399753</guid><author>hm_nh</author><pubDate>Tue, 02 Jun 2026 12:29:29 +0800</pubDate><description><![CDATA[本文基于 SpringCloud 与 LangChain 完成功能迭代，先实现订单查询、联网搜索等辅助工具，重点研发 AI 评价总结模块。模块采用全量初次汇总 + 增量更新策略，支持手动、定时生成及多渠道查询。经测试优化后，各项功能、性能、安全指标均达标，大幅提升评价整理效率，显著降低 Token 消耗]]></description><category></category></item><item><title><![CDATA[SpringCloud+原生LangChain双栈改造Vol.3 AI订单查询功能落地]]></title><link>https://blog.csdn.net/hm_nh/article/details/161234970</link><guid>https://blog.csdn.net/hm_nh/article/details/161234970</guid><author>hm_nh</author><pubDate>Fri, 22 May 2026 23:08:26 +0800</pubDate><description><![CDATA[本文基于家政项目，使用 Java + Python 混合架构构建了 AI 查询订单功能。Python 端（ai-engine 模块）引入LangChain + LangGraph编排 Agent 推理流程，通过 WebSocket 与 Java 端双向通信，实现远程工具调用]]></description><category></category></item><item><title><![CDATA[SpringCloud+原生LangChain双栈改造Vol.2 异构通信重构与流式渲染架构落地]]></title><link>https://blog.csdn.net/hm_nh/article/details/161021546</link><guid>https://blog.csdn.net/hm_nh/article/details/161021546</guid><author>hm_nh</author><pubDate>Wed, 13 May 2026 20:20:42 +0800</pubDate><description><![CDATA[本文完成 AI 聊天系统两大核心架构升级：后端将 Java 与 Python 间HTTP 单向通信重构为 WebSocket 双向通道，沿用前端 SSE 交互模式，按会话管理 WebSocket 连接，自定义 JSON 消息协议且支持 HTTP 模式降级.前端摒弃臃肿自研 Markdown 流式渲染方案，停止重复造轮子，更换为适配 Vue3 的 markstream-vue 成熟组件.底层通信与前端渲染架构全部定型，为后续 AI 智能体功能扩展铺平道路。]]></description><category></category></item><item><title><![CDATA[SpringCloud+原生LangChain双栈改造Vol.1 流式聊天架构落地]]></title><link>https://blog.csdn.net/hm_nh/article/details/160975820</link><guid>https://blog.csdn.net/hm_nh/article/details/160975820</guid><author>hm_nh</author><pubDate>Tue, 12 May 2026 00:14:57 +0800</pubDate><description><![CDATA[采用Java 中转 + Python 独立 AI 引擎架构搭建流式智能聊天助手。Java 负责鉴权、敏感过滤与对话持久化，Python 专注大模型推理与 Prompt 编排。通过 FastAPI+SSE 实现流式通信，开发前后端功能并集成 Markdown、数学公式、流程图富文本渲染。复盘了 SSE 被过滤器劫持、数据流分片、换行符丢失、占位符解析冲突等问题及解决方案，说明选用 Python AI 生态的优势，并规划后续完善通信协议、适配函数调用与 Agent 架构的优化方向]]></description><category></category></item><item><title><![CDATA[千万级订单销量排行榜优化:Canal+Redis+预聚合表]]></title><link>https://blog.csdn.net/hm_nh/article/details/160603589</link><guid>https://blog.csdn.net/hm_nh/article/details/160603589</guid><author>hm_nh</author><pubDate>Fri, 08 May 2026 12:07:28 +0800</pubDate><description><![CDATA[本文针对千万级订单数据下排行榜查询极慢问题，采用Canal+Redis ZSet+MySQL 预聚合实现性能优化，将查询耗时从分钟级降至毫秒级，同时保证数据一致性与退款场景适配。]]></description><category></category></item><item><title><![CDATA[秒杀系统并发优化:从数据库CAS到Redis+MQ架构的演进与实践]]></title><link>https://blog.csdn.net/hm_nh/article/details/160563558</link><guid>https://blog.csdn.net/hm_nh/article/details/160563558</guid><author>hm_nh</author><pubDate>Thu, 30 Apr 2026 23:05:30 +0800</pubDate><description><![CDATA[秒杀系统经历三次架构演进：纯乐观锁阶段用 version CAS 防超卖，但 REPEATABLE READ 快照导致重试死循环；CAS+Redis+MQ阶段引入 Lua 原子扣库存与 RocketMQ
  异步落库，但消费端保留 CAS 导致版本冲突引发 MQ 限流和假消费；最终纯 Redis+MQ方案将时间校验、去重、扣库存全部下沉
  Lua，消费端去掉版本号校验，消除重试和队头阻塞，实现零 MySQL 查询的极致性能。]]></description><category></category></item><item><title><![CDATA[基于Redis进行热点数据查询优化]]></title><link>https://blog.csdn.net/hm_nh/article/details/160178999</link><guid>https://blog.csdn.net/hm_nh/article/details/160178999</guid><author>hm_nh</author><pubDate>Sun, 26 Apr 2026 19:55:33 +0800</pubDate><description><![CDATA[本文围绕高并发场景下的浏览核心接口，聚焦Redis热点数据优化，结合实际开发与压测实践，系统梳理缓存应用痛点与解决方案。文章针对缓存穿透、击穿、雪崩三大问题，结合空值缓存、互斥锁、过期时间扰动等策略优化；同时解决BigKey、HotKey难题，对比多种存储拆分方案，最终采用Caffeine本地缓存与Redis多级缓存架构。结合缓存更新策略保障数据一致性，集成Sentinel限流熔断机制强化系统稳定性。]]></description><category></category></item><item><title><![CDATA[单机千万级分页查询性能优化]]></title><link>https://blog.csdn.net/hm_nh/article/details/160151825</link><guid>https://blog.csdn.net/hm_nh/article/details/160151825</guid><author>hm_nh</author><pubDate>Thu, 16 Apr 2026 11:06:36 +0800</pubDate><description><![CDATA[本文记录了一个高并发场景下的MySQL查询优化实践。通过模拟高并发环境，首先定位到订单查询接口存在N+1问题，随后采用IN查询配合MyBatis映射，将查询次数从n+1降至2次。优化后QPS从11.5提升至79.3。进一步通过字段精简、覆盖索引，最终将QPS提升至3100，并发能力显著增强。]]></description><category></category></item></channel></rss>