The Blog

从 Spring 全家桶到 Prompt、RAG 与 Agent 编排，前后端的边界正在被大模型重新定义。一篇关于岗位变迁的随想：变的是技术栈，不变的是解决问题的能力。

深入分享我在 2026 年的全栈与 AI 混合技术栈架构：以 Claude Code 和 Pi Agent 为主力编程助手，以 GLM 为核心基座大模型，以 Python + FastAPI + LangGraph + RAG 为 AI 引擎，并探索 FastMCP、FastGPT 与 RAGFlow 的企业级落地。

在高并发全栈后端开发中，如何优雅地将多路独立 I/O 调用的总耗时从线性累加压缩到最大单次 RT？以大模型 RAG 记忆加载场景为例，深度解构 CompletableFuture.supplyAsync、allOf 屏障等待、线程池物理隔离、无锁结果聚合与 WithFallback 舱壁降级设计的核心细节。

当多轮对话聊到 30 甚至 50 轮，滑动窗口滑走了开头的关键约束、全量保留又会挤爆 Token 上下文，RAG 系统该如何破局？深入剖析 Ragent 记忆系统中的增量摘要压缩算法、lastMessageId 水位线推进机制、攒批压缩优化（summaryBatchSize）、Prompt 绝对禁止记录答案的设计哲学以及 Redisson 分布式锁防重实践。

大语言模型 API 天然是无状态的，如何让每次独立的请求表现为连贯自然的连续对话？深入剖析 Ragent 问答流水线阶段一（loadMemory）背后的三层记忆架构、异步并发拉取与容错降级、滑动窗口规整（normalizeHistory）、loadAndAppend 时序避坑以及结构化 Prompt 上下文注入顺序。

深入剖析阿里巴巴开源 TransmittableThreadLocal (TTL) 的底层机制（Capture、Replay、Restore 与 Holder 弱引用字典），彻底破解线程池复用下的上下文丢失与污染困境。结合生产级 RAG 架构，实战解析如何利用全局 traceId 实现多路并发检索归因、分阶段耗时（TTFT/TBT）拆解与单次请求 Token 级成本精细化核算。