2026实战：用ChatGPT官网定位并优化数据库慢查询
本文介绍如何用RskAi（www.rsk.cn）高效优化数据库慢查询：以一条8.2秒的三表联查为例，AI在30分钟内给出索引优化、SQL改写、执行计划解读等专业建议，将耗时降至0.3秒，降低40%负载。适合后端与DBA快速排障、提升SQL能力。（239字）
大模型应用开发2-SpringAI实战
本文介绍了SpringAI框架如何整合大语言模型，并详细讲解了应用开发的关键技术。主要内容包括： 核心功能 支持OpenAI、Ollama等主流平台 封装对话模型、向量计算等功能 提供同步/异步调用方式 关键技术实现 会话记忆管理（内存/Redis） 工具调用（Function Calling） 知识增强（RAG）架构 多模态交互（文本/图像） 典型应用场景 文献阅读助手实现 智能客服系统 文档知识库问答 开发实践 配置向量数据库 处理PDF文档 实现工具调用 兼容阿里云平台 该框架显著简化了大模型应用开发
大模型应用开发5-SpringAIalibaba实战
本文介绍了SpringAIAlibaba开源项目，该项目基于SpringAI构建，为阿里云通义系列模型提供Java开发实践。主要内容包括： 基础使用：配置模型API、依赖引入、调用示例，支持同步和流式调用； 多种集成方式：对接本地Ollama模型、ChatClient高级API、SSE流式输出； 核心功能实现：提示词模板、结构化输出、持久化内存、文本生成图片/语音； 高级能力：向量数据库、RAG增强检索、工具调用(Tool Calling)； MCP协议：标准化工具调用方案，实现服务端工具共享；
大模型应用开发3-LangChain4j实战
本文介绍了LangChain4j框架的使用方法，主要包括以下内容：1. 基础配置：创建SpringBoot项目并配置OpenAI聊天模型；2. AIServices工具类：简化模型调用，支持流式和阻塞式两种调用方式；3. 会话记忆功能：实现多轮对话记忆，支持会话隔离和Redis持久化存储；4. RAG检索增强：通过向量数据库存储和检索专业领域知识，提升大模型回答质量；5. Tools工具：通过Function Calling机制实现业务功能调用。文章详细讲解了每个功能的实现步骤，包括代码示例和配置方法，帮助
PostgreSQL数据库与PgVector向量插件基础使用
本文详细介绍了在Ubuntu系统上部署PgVector向量数据库并与SpringBoot集成的方法。主要内容包括：1) Ubuntu环境配置，包括PostgreSQL安装、PgVector插件编译和数据库设置；2) 向量数据库基础操作，如创建表、插入向量数据和相似度查询；3) SpringBoot集成方案，提供JDBC连接配置、实体类定义和JPA查询实现；4) SpringAI框架下的高级应用，展示如何将PgVector作为向量存储与AI模型集成。文章还包含远程连接配置、性能优化建议和完整的测试案例，为开发
详解RabbitMQ2-高阶技巧
摘要：本文详细探讨了RabbitMQ消息可靠性的保障措施，从生产者、MQ到消费者的全流程解决方案。针对生产者端提出重试机制和确认机制（PublisherConfirm/Return），MQ层面通过持久化和LazyQueue防止消息丢失。消费者端则采用确认机制（ack/nack/reject）、失败重试策略（最大重试次数限制）以及异常消息重定向机制（RepublishMessageRecoverer）。此外，还介绍了幂等性处理方案（唯一消息ID/业务状态判断）和两种延迟消息实现方式（死信交换机与DelayEx
postgressql提示sorry, too many clients的解决办法
本地测试PgSQL集群时频现“too many clients”错误，主因是应用端连接池（各设100）叠加超出了PostgreSQL的max_connections限制（默认100）。PgSQL不会自动回收空闲连接，需靠连接池或超时机制管理。附实用命令：SHOW max_connections；SELECT count(*) FROM pg_stat_activity；SHOW port；及OS级ulimit和端口范围检查。
