AI LLM工作原理
梳理 LLM 原理:监督学习预测下一 token,并从统计语言模型理解能力来源。
梳理 LLM 原理:监督学习预测下一 token,并从统计语言模型理解能力来源。
对比 ThreadPoolExecutor,解释 ForkJoinPool 的分治任务模型、双端队列和工作窃取机制。
类比 ListenableFuture 理解 CompletableFuture 的 Completion 链、thenApply/thenCompose 和回调触发。
从 FutureTask#done 到 Guava ListenableFuture,解释回调注册、执行器隔离和 FutureCallback 的实现。
解释 ExecutorService 如何用 submit 把任务封装成 FutureTask,并复用 execute 完成执行与状态同步。
从 Executor#execute 的最小抽象讲到 ThreadPoolExecutor 的 worker、队列、扩容和拒绝策略。
汇总 Executor、ExecutorService、Future、ListenableFuture、CompletableFuture 与 ForkJoinPool 的异步执行文章。
体验 Manus 智能体:从需求追问到自动开发静态网站,记录它生成照片轮播网页的完整过程。
从 embedding、单位向量、KNN/ANN、HNSW 到向量量化,梳理语义搜索的工程链路。
旧版 ThreadPoolExecutor Worker 笔记入口,正文已迁移到 2025 年的 Executor 线程池文章。