style(ai): AI 模块文章格式微调与首页更新

Snailclimb · Snailclimb · commit 4a4378d05674 · 2026-05-18T19:20:18.000+08:00
- AI Agent、RAG、LLM 文章引号和空格微调
- 首页内容更新
- PERFORMANCE_NOTES 更新
diff --git a/PERFORMANCE_NOTES.md b/PERFORMANCE_NOTES.md
@@ -59,7 +59,12 @@ set -e
 
 SITE_DIR="/www/wwwroot/javaguide.cn"
 DIST_DIR="/github/dist"
-VERIFY_FILE="/www/wwwroot/googleca8171acadbdab54.html"
+VERIFY_FILE_GOOGLE="/www/wwwroot/googleca8171acadbdab54.html"
+
+# 如果启用了 IndexNow，把 key 文件放在站点根目录可访问的位置。
+# 文件名通常是 ${INDEXNOW_KEY}.txt，文件内容也是 INDEXNOW_KEY。
+# 不启用时可以删掉这一行和下面的 cp。
+VERIFY_FILE_BING="/www/wwwroot/300af4bf44b34b5daf5182f3f4be2c6f.txt"
 
 mkdir -p "$SITE_DIR/assets"
 
@@ -72,9 +77,17 @@ rsync -av --delete \
 rsync -av \
   "$DIST_DIR/assets/" "$SITE_DIR/assets/"
 
-cp "$VERIFY_FILE" "$SITE_DIR/"
+# 恢复搜索引擎验证文件和 IndexNow key 文件。
+cp "$VERIFY_FILE_GOOGLE" "$SITE_DIR/"
+cp "$VERIFY_FILE_BING" "$SITE_DIR/"
 ```
 
+如果暂时没有启用 IndexNow，可以先删除脚本里的 `INDEXNOW_KEY_FILE` 和对应 `cp`。启用后需要确认：
+
+- `https://javaguide.cn/300af4bf44b34b5daf5182f3f4be2c6f.txt` 可以访问。
+- `https://javaguide.cn/{INDEXNOW_KEY}.txt` 可以访问。
+- `{INDEXNOW_KEY}.txt` 的文件内容就是 `INDEXNOW_KEY` 本身。
+
 部署后 CDN 刷新建议：
 
 - 优先刷新 HTML、sitemap、manifest 等入口文件。
@@ -99,11 +112,12 @@ pnpm docs:build:clean
 
 ### 2. 部署静态文件
 
-按上面的 `rsync` 方式发布：
+按上面的 `rsync` 方式发布，核心是“非 assets 跟随新版本删除，assets 只增量覆盖”：
 
 - 非 assets 文件使用 `--delete`，让 HTML、sitemap、robots、manifest 跟随新版本。
 - `/assets/` 只增量覆盖，不在每次部署时删除旧 hash 文件。
 - 保留站点验证文件，例如 Google/Bing 的验证文件。
+- 如果启用了 IndexNow，保留 `{INDEXNOW_KEY}.txt`。
 
 ### 3. 刷新 CDN
 
@@ -136,14 +150,14 @@ pnpm docsearch:index
 小范围改动优先只提交变更 URL：
 
 ```bash
-INDEXNOW_KEY=你的 IndexNow Key \
+INDEXNOW_KEY=300af4bf44b34b5daf5182f3f4be2c6f \
 pnpm indexnow:submit /home.html /ai/ /cs-basics/
 ```
 
 大范围内容更新、导航调整或 sitemap 变化后，可以提交 sitemap 中的全部 URL：
 
 ```bash
-INDEXNOW_KEY=你的 IndexNow Key \
+INDEXNOW_KEY=300af4bf44b34b5daf5182f3f4be2c6f \
 pnpm indexnow:submit --sitemap
 ```
 
diff --git a/docs/ai/README.md b/docs/ai/README.md
@@ -17,6 +17,8 @@ head:
       content: 系统整理 AI 应用开发高频面试考点，覆盖大模型/LLM、Agent、RAG、MCP、Prompt 工程、向量数据库与 AI 系统设计。
 ---
 
+<!-- @include: @small-advertisement.snippet.md -->
+
 这是一份面向后端开发者的 **AI 应用开发面试指南**，免费开源，涵盖大模型/LLM 面试题、Agent 面试题、RAG 面试题、MCP 协议、Prompt 工程、向量数据库、AI 系统设计等高频考点，对标 [JavaGuide](https://javaguide.cn/home.html) 的质量标准。
 
 如果你正在准备 AI 工程师、AI 应用开发、后端转 AI、Java AI 应用开发相关岗位，这个专栏帮你把零散概念串成一套可复习、可落地的知识体系。
@@ -48,8 +50,6 @@ head:
 - [RAG 面试题总结](./interview-questions/rag-interview-questions.md)：覆盖 RAG 基础、向量数据库、文档处理、检索优化、GraphRAG、知识库更新和评测。
 - [AI 系统设计面试题总结](./interview-questions/ai-system-design-interview-questions.md)：覆盖生产级 AI 应用架构、模型网关、可观测、评测、安全治理和实时语音 Agent。
 
-<!-- @include: @small-advertisement.snippet.md -->
-
 ::: tip 持续更新中
 
 这个专栏还在持续更新，后面会补更多高频面试考点。
diff --git a/docs/ai/agent/context-engineering.md b/docs/ai/agent/context-engineering.md
@@ -8,8 +8,6 @@ head:
       content: Context Engineering,上下文工程,Agent,LLM,RAG,Prompt Engineering,Compaction,Sub-agent
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 同样的模型，同样的 Agent 框架，为什么有的人跑起来很稳，你的一跑就开始迷路？
 
 它会重复调用工具，查了一堆没用的信息，最后还输出一段看起来很像结论、实际根本跑不通的东西。
diff --git a/docs/ai/agent/harness-engineering.md b/docs/ai/agent/harness-engineering.md
@@ -8,8 +8,6 @@ head:
       content: Harness Engineering,AI Agent,智能体,Claude Code,Codex,AGENTS.md,上下文工程,Agent架构
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 别只盯模型。
 
 很多人第一次做 Agent，直觉都是先买更贵的模型。结果模型换了，Agent 还是会重复犯错，做到一半放弃，上下文一长就开始不稳定。这个时候继续调 Prompt，收益往往也很有限，因为问题可能根本不在模型本身。
diff --git a/docs/ai/agent/mcp.md b/docs/ai/agent/mcp.md
@@ -8,8 +8,6 @@ head:
       content: MCP,Model Context Protocol,JSON-RPC,Function Calling,AI Agent,工具接入,Anthropic
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 做 LLM 应用开发，最麻烦的通常不是换模型——各家 SDK 已经把模型 API 封装得比较成熟。真正耗精力的是工具接入：想让 AI 调 GitHub API、读本地文件、查 MySQL，往往要为 Claude、GPT、DeepSeek 等不同宿主分别写适配代码。接口一改，多套代码都要同步维护。
 
 这篇文章会把 MCP 拆开讲清楚。全文接近 3000 字，主要看这几块：
diff --git a/docs/ai/agent/prompt-engineering.md b/docs/ai/agent/prompt-engineering.md
@@ -8,8 +8,6 @@ head:
       content: Prompt Engineering,提示词工程,CoT,Few-Shot,结构化输出,Prompt注入,AI Agent,LLM
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 刚学 Prompt 的时候，很多人都会犯一个毛病：恨不得把所有背景、要求、限制都塞进去。
 
 看起来很认真，实际效果不一定好。
diff --git a/docs/ai/agent/skills.md b/docs/ai/agent/skills.md
@@ -8,8 +8,6 @@ head:
       content: Agent Skills,MCP,Function Calling,Prompt,AI Agent,智能体,延迟加载,上下文注入
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 2025 年前后，MCP 已经把“工具怎么接进来”这个问题炒得很热，后面 Agent Skills 又冒出来，很多人第一反应都是：这不还是提示词吗？
 
 这个疑问挺正常。因为 Skills 的载体确实经常就是一个 Markdown 文件，里面写规则、流程、示例，看起来和 Prompt、`AGENTS.md`、`.cursorrules` 没有特别夸张的区别。
diff --git a/docs/ai/agent/workflow-graph-loop.md b/docs/ai/agent/workflow-graph-loop.md
@@ -9,8 +9,6 @@ head:
       content: AI Workflow,Graph,Loop,AI工作流,Spring AI Alibaba,LangGraph,状态机,Agent,工作流引擎
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 刚上手 AI 工作流时，很容易有类似的困惑——这不就是传统工作流换了个壳吗？为什么不用 Camunda、Temporal 这些成熟引擎？甚至觉得把几个 Prompt 用 if-else 串起来就算“工作流”了。
 
 但真正上手做项目后，这些想法很快会被现实打脸。LLM 的输出天然不确定，单次生成往往不达标，工具调用随时可能失败，上下文窗口还有硬上限。光“跑一遍就完事”的线性流程不够用，你需要的是一套能**动态决策、自动修正、可控收敛**的执行机制。
diff --git a/docs/ai/interview-questions/ai-interview-guide.md b/docs/ai/interview-questions/ai-interview-guide.md
@@ -19,6 +19,8 @@ head:
       content: 系统整理 2026 AI 应用开发高频面试题，覆盖大模型、AI Agent、RAG、MCP、Prompt 工程、向量数据库与 AI 系统设计，包含答案思路、图解和参考文章。
 ---
 
+<!-- @include: @small-advertisement.snippet.md -->
+
 AI 应用开发面试和传统后端面试不太一样。
 
 传统后端面试更多围绕 Java、JVM、并发、MySQL、Redis、消息队列、分布式和系统设计展开。AI 应用开发面试除了这些基础，还会继续追问：
diff --git a/docs/ai/llm-basis/llm-api-engineering.md b/docs/ai/llm-basis/llm-api-engineering.md
@@ -8,8 +8,6 @@ head:
       content: 大模型 API,LLM API,流式输出,Streaming,SSE,WebSocket,重试,限流,结构化返回,JSON Schema,AI 应用开发
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 很多 AI 应用的第一个版本都很“顺”：本地调通一个大模型 API，页面上能看到回答，Demo 就算跑起来了。
 
 但一上生产，麻烦马上变得具体：
diff --git a/docs/ai/llm-basis/llm-evaluation.md b/docs/ai/llm-basis/llm-evaluation.md
@@ -8,8 +8,6 @@ head:
       content: AI评测,LLM评测,RAG评测,Agent评测,LLM-as-Judge,Golden Set,离线评测,Trace回放,灰度评测,评测体系,AI应用开发
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 有个做智能客服的团队，花了三个月把 RAG 知识库从向量检索升级到混合检索，再加了一层 Reranker。上线前，工程师在本地测了几十条问题，感觉效果好了不少，于是就推了上线。
 
 一周后，业务方反馈：“有些问题感觉还不如以前准。”
diff --git a/docs/ai/llm-basis/llm-operation-mechanism.md b/docs/ai/llm-basis/llm-operation-mechanism.md
@@ -9,7 +9,7 @@ head:
       content: LLM,大语言模型,Token,上下文窗口,Temperature,Top-p,采样参数,AI 应用开发
 ---
 
-<!-- @include: @article-header.snippet.md -->
+<!-- @include: @small-advertisement.snippet.md -->
 
 在探讨 RAG、Agent 工作流、MCP 协议这些高深概念之前，我想先聊聊一个让 Guide 踩过不少坑的基础问题：明明设置了温度为 0，结构化输出还是崩；往模型里塞了一堆文档，它好像直接失忆，关键指令全当空气。
 
diff --git a/docs/ai/llm-basis/structured-output-function-calling.md b/docs/ai/llm-basis/structured-output-function-calling.md
@@ -8,8 +8,6 @@ head:
       content: 结构化输出,JSON Schema,JSON Mode,Structured Outputs,Function Calling,Tool Calling,MCP,Agent Skill,AI 应用开发,Java
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 很多开发者第一次接大模型到业务系统里，都会经历一个很尴尬的阶段：本地 Demo 跑得挺顺，Prompt 里写一句“请返回 JSON”，模型也乖乖吐出一个对象；一到生产环境，问题就开始冒头。
 
 有时它会在 JSON 前面加一句“好的，以下是结果”；有时少一个必填字段；有时本来应该是数字的 `orderId` 变成字符串；更麻烦的是，边界条件一复杂，模型会补出一个业务系统根本不认识的枚举值。解析器一报错，整条链路就断了。
diff --git a/docs/ai/rag/graphrag.md b/docs/ai/rag/graphrag.md
@@ -8,8 +8,6 @@ head:
       content: GraphRAG,RAG,知识图谱,向量检索,全局检索,局部检索,Neo4j GraphRAG,LangChain,LlamaIndex,FalkorDB,社区发现
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 第一次做企业知识库问答时，通常会经历一个很相似的阶段：文档切块、Embedding、向量库、Top-K 检索、把片段塞给大模型。
 
 Demo 很顺，领导问几个制度类问题也能回答。然后业务同事突然问：
diff --git a/docs/ai/rag/rag-basis.md b/docs/ai/rag/rag-basis.md
@@ -8,7 +8,7 @@ head:
       content: RAG,检索增强生成,LLM,知识库,Embedding,语义检索,向量检索,微调,Fine-tuning,长上下文,企业知识库
 ---
 
-<!-- @include: @article-header.snippet.md -->
+<!-- @include: @small-advertisement.snippet.md -->
 
 做企业知识库问答时，很多团队的第一反应都是：把文档全塞给大模型，让它自己读。
 
diff --git a/docs/ai/rag/rag-document-processing.md b/docs/ai/rag/rag-document-processing.md
@@ -10,8 +10,6 @@ head:
 
 > **术语约定**：本文中 "Chunking" 与“切分”、"Embedding" 与“嵌入”、"Chunk" 与“块” 含义相同，统一使用中文表述以保持可读性。
 
-<!-- @include: @article-header.snippet.md -->
-
 很多团队第一次搭 RAG 系统时，都会经历一个特别有意思的阶段：买最贵的向量数据库、调最牛的 embedding 模型、上线之后发现答案还是一塌糊涂。
 
 根因往往不在检索环节，而在更上游——文档根本没有被正确解析，切分的时候把表格列拆散了，Chunk 把条件和结论切成两半，页眉页脚被当成正文入了索引。
diff --git a/docs/ai/rag/rag-knowledge-update.md b/docs/ai/rag/rag-knowledge-update.md
@@ -8,8 +8,6 @@ head:
       content: RAG知识库更新,增量索引,全量重建,版本控制,向量数据库更新,Embedding模型一致性,去重,幂等更新
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 第一个企业知识库 RAG 系统上线后，很多团队都会碰到一个很真实的问题：文档明明更新了，回答还是老样子。
 
 这时候先别急着怪 LLM。更常见的原因是知识库没有同步更新，或者更新链路只做了“写入新内容”，没有处理旧版本、权限、索引一致性这些细节。文档变更频繁之后，问题会更明显：每次都全量重建索引，成本和耗时扛不住；只更新变化部分，又怕漏掉旧块；只插入新向量，不清理旧版本，过期内容还会继续被召回；换了 Embedding 模型，历史数据到底要不要全部重索引，也绕不开。
diff --git a/docs/ai/rag/rag-optimization.md b/docs/ai/rag/rag-optimization.md
@@ -8,8 +8,6 @@ head:
       content: RAG优化,RAG调优,Hybrid Search,Rerank,Query Rewrite,Context Compression,RAG评估,上下文工程,检索增强生成
 ---
 
-<!-- @include: @article-header.snippet.md -->
-
 第一次做 RAG 时，很多人的体验都差不多：文档切了，向量库建了，Top-K 也调大了，模型还是一本正经地胡说八道。
 
 更难受的是，问题可能出在文档解析、Chunk 切分、上下文质量等多个环节，而不是单纯的 embedding 或 Top-K 参数。
diff --git a/docs/ai/rag/rag-vector-store.md b/docs/ai/rag/rag-vector-store.md
@@ -8,7 +8,7 @@ head:
       content: RAG,向量数据库,向量索引,HNSW,IVFFLAT,pgvector,ANN,Embedding,相似度搜索
 ---
 
-<!-- @include: @article-header.snippet.md -->
+<!-- @include: @small-advertisement.snippet.md -->
 
 前段时间面某大厂的时候，面试官问我：“你们 RAG 系统的向量检索怎么做的？”
 
diff --git a/docs/home.md b/docs/home.md
@@ -11,38 +11,18 @@ head:
       content: Java面试,Java面试指南,Java八股文,Java面试题,Java基础面试,JVM面试,并发面试,线程池面试,Spring面试,MySQL面试,Redis面试,系统设计面试,分布式面试,后端面试
 ---
 
+<!-- @include: @small-advertisement.snippet.md -->
+
 <!-- markdownlint-disable MD024 -->
 
-JavaGuide 是一份系统化的 **Java 面试指南** 和后端通用面试复习资料，内容覆盖 Java 基础、集合、并发编程、JVM、Spring/Spring Boot、MySQL、Redis、分布式、高并发、高可用和系统设计等核心知识点。
+JavaGuide 是一份系统化的 **Java 面试指南** 和**后端通用面试复习资料**，内容覆盖 Java 基础、集合、并发编程、JVM、Spring/Spring Boot、MySQL、Redis、分布式、高并发、高可用和系统设计等核心知识点。
 
 如果你正在准备校招、社招或跳槽面试，可以从 [Java 后端面试通关计划](./interview-preparation/backend-interview-plan.md) 开始，再按下面的模块逐步复习高频 Java 八股文和后端面试题。
 
-## Java 面试核心内容
-
-- **Java 基础**：[Java 基础常见知识点&面试题总结(上)](./java/basis/java-basic-questions-01.md)、[中](./java/basis/java-basic-questions-02.md)、[下](./java/basis/java-basic-questions-03.md)
-- **集合框架**：[Java 集合常见知识点&面试题总结(上)](./java/collection/java-collection-questions-01.md)、[下](./java/collection/java-collection-questions-02.md)
-- **并发编程**：[Java 并发常见知识点&面试题总结（上）](./java/concurrent/java-concurrent-questions-01.md)、[中](./java/concurrent/java-concurrent-questions-02.md)、[下](./java/concurrent/java-concurrent-questions-03.md)
-- **JVM**：[Java 内存区域](./java/jvm/memory-area.md)、[JVM 垃圾回收](./java/jvm/jvm-garbage-collection.md)、[类加载过程](./java/jvm/class-loading-process.md)
-- **常用框架**：[Spring 常见知识点&面试题总结](./system-design/framework/spring/spring-knowledge-and-questions-summary.md)、[SpringBoot 常见知识点&面试题总结](./system-design/framework/spring/springboot-knowledge-and-questions-summary.md)、[MyBatis 常见面试题总结](./system-design/framework/mybatis/mybatis-interview.md)
-- **数据库与缓存**：[MySQL 常见知识点&面试题总结](./database/mysql/mysql-questions-01.md)、[Redis 常见知识点&面试题总结(上)](./database/redis/redis-questions-01.md)、[Redis 常见知识点&面试题总结(下)](./database/redis/redis-questions-02.md)
-- **系统设计与分布式**：[系统设计常见面试题总结](./system-design/system-design-questions.md)、[分布式 ID 常见知识点&面试题总结](./distributed-system/distributed-id.md)、[分布式锁介绍](./distributed-system/distributed-lock.md)
-
-<!-- @include: @small-advertisement.snippet.md -->
-
-::: tip 友情提示
-
-- **AI 应用开发**：[面向后端开发者的 AI 应用开发、AI 编程实战与面试指南](https://javaguide.cn/ai/)
-- **实战项目**：
-  - [⭐AI 智能面试辅助平台 + RAG 知识库](https://javaguide.cn/zhuanlan/interview-guide.html)：基于 Spring Boot 4.0 + Java 21 + Spring AI 2.0 开发。非常适合作为学习和简历项目，学习门槛低，帮助提升求职竞争力，是主打就业的实战项目。
-  - [手写 RPC 框架](https://javaguide.cn/zhuanlan/handwritten-rpc-framework.html)：从零开始基于 Netty+Kyro+Zookeeper 实现一个简易的 RPC 框架。麻雀虽小五脏俱全，项目代码注释详细，结构清晰。
-- **面试资料补充**：
-  - [《Java 面试指北》](https://javaguide.cn/zhuanlan/java-mian-shi-zhi-bei.html)：四年打磨，和 JavaGuide 开源版的内容互补，带你从零开始系统准备后端面试！
-  - [《后端面试高频系统设计&场景题》](https://javaguide.cn/zhuanlan/back-end-interview-high-frequency-system-design-and-scenario-questions.html)：30+ 道高频系统设计和场景面试，助你应对当下中大厂面试趋势。
-- **使用建议** ：如果你想要系统准备 Java 后端面试但又不知道如何开始的，可以参考 [Java 后端面试通关计划（后端通用）](https://javaguide.cn/interview-preparation/backend-interview-plan.html)。
-- **求个 Star**：如果觉得 JavaGuide 的内容对你有帮助的话，还请点个免费的 Star，这是对我最大的鼓励，感谢各位一起同行，共勉！传送门：[GitHub](https://github.com/Snailclimb/JavaGuide) | [Gitee](https://gitee.com/SnailClimb/JavaGuide)。
-- **转载须知**：以下所有文章如非文首说明为转载皆为 JavaGuide 原创，转载请在文首注明出处。如发现恶意抄袭/搬运，会动用法律武器维护自己的权益。让我们一起维护一个良好的技术创作环境！
+本站所有内容都已免费开源，欢迎一起[维护完善](http://localhost:8080/javaguide/contribution-guideline.html)，有帮助的话，欢迎 Star！
 
-:::
+- **项目地址**：<https://github.com/Snailclimb/JavaGuide>
+- **在线阅读**：<https://javaguide.cn/>
 
 ## 面试准备
 
