动态数组代码实现
本文详解动态数组的增删查改实现，重点解析三大关键点：自动扩缩容策略（2倍扩容、1/4缩容）、索引越界检查（区分元素与插入位置），以及删除元素时置null防内存泄漏。代码基于Java实现，帮助理解底层原理与时间复杂度。
10-Docker安装Redis
本文介绍Docker安装Redis单机与集群部署，涵盖配置映射、数据持久化及3主3从集群搭建。深入解析Redis集群存储算法：哈希取余、一致性哈希与哈希槽，重点说明槽位分配机制及16384个槽的设计原理，并演示主从扩缩容操作流程。
16 | 最近邻检索（下）：如何用乘积量化实现「拍照识花」功能？
本文深入浅出地讲解了AI时代图片检索的核心技术：从特征提取、聚类算法（如K-Means）与局部敏感哈希的对比，到乘积量化压缩向量、结合倒排索引提升效率。重点剖析了如何通过聚类划分空间、用乘积量化大幅降低存储开销，并实现高效近似最近邻搜索。这些技术广泛应用于以图搜图、拍照识物、推荐系统等场景，是现代高维向量检索的基石。
15 | 最近邻检索（上）：如何用局部敏感哈希快速过滤相似文章？
在搜索引擎与推荐系统中，相似文章去重至关重要。通过向量空间模型将文档表示为高维向量，利用SimHash等局部敏感哈希技术，可高效实现近似最近邻检索。SimHash保留关键词权重，生成紧凑哈希值，结合抽屉原理分段建立倒排索引，显著提升海明距离内的相似文档检索效率，广泛应用于网页去重、图像识别等场景。
20 | 推荐引擎：没有搜索词，「头条」怎么找到你感兴趣的文章？
本文深入解析了资讯类App推荐引擎的检索技术。通过“下拉刷新”背后的个性化召回机制，介绍了推荐系统如何在无搜索词情况下，基于用户行为数据构建用户与文章画像，并运用基于内容和协同过滤（用户/物品）的召回算法实现精准推荐，最后通过多路混合与分层排序优化性能。
12 | 非精准 Top K 检索：如何给检索结果的排序过程装上加速器？
本文介绍了非精准 Top K 检索的优化思路及三种实现方法：基于静态质量得分排序截断、胜者表利用词频打分、分层索引两阶段检索。核心思想是将复杂计算前置到离线阶段，在线时快速截断，降低打分开销。该方法广泛应用于搜索与推荐系统，通过召回+排序两阶段架构，在保证结果质量的前提下显著提升检索效率。
