點一下關注吧！！！非常感謝！！持續更新！！！

Java篇：

• MyBatis 更新完畢
• 目前開始更新 Spring，一起深入淺出！

大數據篇 300+：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（已更完）
• Flink（已更完）
• ClickHouse（已更完）
• Kudu（已更完）
• Druid（已更完）
• Kylin（已更完）
• Elasticsearch（已更完）
• DataX（已更完）
• Tez（已更完）
• 數據挖掘（已更完）
• Prometheus（已更完）
• Grafana（已更完）
• 離線數倉（已更完）
• 實時數倉（正在更新…）
• Spark MLib (正在更新…)

背景情況

在以往的開發任務中，我們發現隨著項目規模的擴大，AI 模型容易出現“前后不一致”的問題：它在處理后續邏輯時，常常遺忘前面的上下文，從而引發新的 Bug。
本質上，這是因為模型的上下文窗口存在限制。早期 GPT-4 僅支持 4K 上下文，后來 GPT-4 Turbo 提升到了 128K，而如今部分前沿模型已支持高達 1M 的上下文長度。
當前，行業內的技術演進主要集中在兩個方向：一是不斷擴展上下文長度，二是持續增加模型參數量。但無論上下文有多大，總會有裝不下的內容；即便模型參數再龐大，也依然可能生成不準確、不連貫的結果。
因此，為了解決這一類“遺忘”問題，社區逐步發展出一系列策略：從擴大上下文窗口，到引入 RAG（Retrieval-Augmented Generation）與摘要機制；從 Step-by-Step 的逐步推理，到 Chain-of-Thought（思維鏈）等更復雜的推理結構。這些方法的共同目標，都是延長模型的思考過程、緩存關鍵信息，以對抗其作為概率模型帶來的推理局限。
恰巧在上周的分享會上，有人提到在 AI 協助開發的過程中，經常會遇到“遺忘”或“執行偏差”的問題。我當時也簡單分享了幾個應對思路。借這個機會，順便整理一下目前社區中較為標準的解決方案。

Sequential Thinking

項目地址

https://github.com/modelcontextprotocol/servers/tree/main/src/sequentialthinking

能夠將復雜的問題拆分成一個個可管理的小步驟，讓 AI 可以逐步進行分析和處理。例如，在處理一個復雜的編程任務時，它會把任務分解為多個子任務，如先確定算法框架，再處理數據輸入輸出，最后進行代碼優化等。

配置方式

MCP的配置方式老生常談了，全部略過。

npx -y @modelcontextprotocol/server-sequential-thinking

JSON內容如下：

{"mcpServers": {"SequentialThinking": {"command": "npx","args": ["-y", "@modelcontextprotocol/server-sequential-thinking"]    }}   
}

配置結果如下：

確保Cursor中的狀態是正常的：

使用方式

對于一些復雜問題，可以使用Sequential Thinking服務，將復雜問題分解為小的問題，逐個解決。同時每調用一次，都可以從thought中獲取到LLM當前的思考過程以及采取的方法，有時還會提供多種方案，我們可以通過再次提問，實現對于方案的選取以及之前思考過程的調整。

請你使用思考能力，完成XXXXXXX的任務。

這樣會調用 Sequential Thinking，對任務進行詳細的拆解，避免出現比如：“實現一個購物系統”，這樣寬泛的需求而大模型無法理解的問題。

Server Memory

項目地址

https://github.com/modelcontextprotocol/servers/tree/main/src/memory

能夠讓 AI 記住之前的信息和交互內容，在處理后續任務時可以調用這些記憶，從而更連貫地進行分析和處理。例如，在進行多輪對話的編程對話時，AI 可以記住之前用戶提出的代碼問題和已解決的部分，在后續交流中基于這些記憶給出更合適的建議和指導。

配置方式

MCP配置略過

npx -y @modelcontextprotocol/server-memory

一般都是將思考和記憶放到一起使用，對應的JSON如下：

{"mcpServers": {"SequentialThinking": {"command": "npx","args": ["-y", "@modelcontextprotocol/server-sequential-thinking"]    },"ServerMemory": {"command": "npx","args": ["-y", "@modelcontextprotocol/server-memory"]}}
}

配置完的結果如下：

使用方式

對于一些需要多輪交互且依賴之前信息的復雜問題，可以使用 Server Memory 服務。比如在進行項目需求分析時，用戶不斷補充和修改需求，AI 能夠記住之前的需求內容，在后續分析中綜合考慮，給出更全面準確的分析結果。

隨便測試一個結果：

可以看到思考完成后，會進行緩存：