-# 🔍 你好，我是 **树萌芽** 🌱
+# 🔍 你好，我是 **树萌芽**
**一个喜欢捣鼓各种奇奇怪怪的玩意的人**
+```
+
+因为托管在 Cloudflare Pages，全球边缘节点都有缓存，国内访问速度也还可以。
+
+---
+
+## 项目结构
+
+整个项目非常轻，没有复杂架构：
+
+```
+meme-api/
+├── public/
+│ ├── index.html ← 图库前端（单文件，零依赖）
+│ ├── meme/ ← 处理后的表情包素材
+│ ├── memes.json ← 自动生成的清单
+│ ├── _headers ← CORS 响应头配置
+│ ├── _redirects ← 旧接口兼容
+│ └── readme/index.html ← API 说明页
+├── scripts/
+│ └── generate-manifest.mjs ← 生成 memes.json + 复制到 dist/
+├── 原图/ ← 原始素材
+├── 转化.py ← Python 一键处理脚本
+└── package.json
+```
+
+### 纯静态，没有后端
+
+所有内容都是静态文件。分类列表、搜索、复制、下载，全部在前端用原生 JS 完成。部署只需要把 `dist/` 丢到任意静态托管就行（Cloudflare Pages、Vercel、GitHub Pages、对象存储都可以）。
+
+### 零依赖前端
+
+`index.html` 是一个完整的单页面应用，内联了所有 CSS 和 JavaScript，没有引用任何外部 CDN。这意味着：
+
+- 内网环境、离线环境也能打开
+- 不用担心 CDN 挂掉导致页面崩
+- 审计和安全层面很干净
+
+### Python 处理脚本
+
+新素材丢进 `原图/<分类>/`，运行：
+
+```bash
+python 转化.py
+```
+
+会自动完成：
+
+- 未编号素材自动续号
+- 统一转成 WebP（静态）或 GIF（动图）
+- 最长边缩放到 250px
+- 多线程并行处理
+
+处理完的东西会输出到 `原图-已处理/`，再手动拷进 `public/meme/` 就可以上线。
+
+---
+
+## 部署方式
+
+### 方式一：连接 Git（推荐）
+
+folk本项目仓库后,在 Cloudflare Pages 创建项目，连接 GitHub 仓库的 `main` 分支：
+
+- 构建命令：`npm run build`
+- 构建输出目录：`dist`
+
+每次 push 会自动触发部署。
+
+### 方式二：CLI 直传
+
+```bash
+npm install
+npm run build
+npx wrangler pages deploy dist
+```
+
+---
+
+## 总结
+
+这个项目本质上就是一个**整理好的表情包文件夹 + 一个能用的前端 + 一个能读的 JSON 接口**。没有花里胡哨的功能，但刚好解决了"找表情、发链接、统一管理"这几个常见痛点。
+
+如果你平时也需要大量表情包，或者想给自己的项目搭一个简单的素材 API，可以试着部署一下这个项目。表情包内容会不定期整理更新。
+
+---
+
+**相关链接**
+
+- 🌐 在线图库：[meme.smyhub.com](https://meme.smyhub.com)
+- 📦 GitHub 仓库：[github.com/shumengya/meme-api](https://github.com/shumengya/meme-api)
+- 📖 API 文档：[meme.smyhub.com/readme/](https://meme.smyhub.com/readme/)
diff --git a/mengyanote-backend/data/mengyanote/博客文章/[萌芽妙妙工具]RandBG API：一个零成本、可自托管的随机背景图片API.md b/mengyanote-backend/data/mengyanote/博客文章/[萌芽妙妙工具]RandBG API：一个零成本、可自托管的随机背景图片API.md
new file mode 100644
index 0000000..436dfdd
--- /dev/null
+++ b/mengyanote-backend/data/mengyanote/博客文章/[萌芽妙妙工具]RandBG API：一个零成本、可自托管的随机背景图片API.md
@@ -0,0 +1,98 @@
+
+> **开源地址**: [github.com/shumengya/randbg-api](https://github.com/shumengya/randbg-api)
+> **开源协议**: [MIT License](https://github.com/shumengya/randbg-api/blob/main/LICENSE)
+> **在线体验**: [randbg.smyhub.com](https://randbg.smyhub.com)
+
+---
+
+## 前言
+
+平时写博客、做落地页，总需要随机背景图。用别人的服务怕挂、怕限速；自己搭又嫌重。我想要一个**够轻、够快、够便宜**的方案——最好不用维护服务器，直接部署就能跑。
+
+Cloudflare Workers 的 Free Tier 每月 10 万次请求，对个人项目完全够用。问题是：图片放哪儿？
+
+直接把图片塞进 Worker 脚本？不行，Worker 有 4 MiB 体积限制，几十张图直接撑爆。
+
+所以我把架构拆成两层：Worker 只跑 API 逻辑，图片和前端页面全部走 **Workers Static Assets**。
+
+---
+
+## 项目架构
+
+```
+┌─────────────┐ ┌──────────────────┐ ┌──────────────┐
+│ 用户请求 │────▶│ Cloudflare Worker│────▶│ Static Assets│
+│ │ │ /api/random │ │ WebP 图片 │
+└─────────────┘ └──────────────────┘ └──────────────┘
+```
+
+**Worker 端**：不到 200 行 JS，只做三件事——读 `manifest.json`、识别设备、302 或 JSON 响应。
+
+**静态端**：`public/` 目录下放 `index.html`、`manifest.json`、编号 WebP 图片。`wrangler deploy` 一次把前后端一起发布。
+
+这样做的好处很直接：
+- Worker 脚本极小，冷启动几乎无感
+- 图片走 Cloudflare CDN，全球缓存
+- 不涉及数据库，无状态，不存在宕机
+
+---
+
+## 核心功能
+
+### 设备识别
+
+根据 `User-Agent` 和 `Sec-CH-UA-Mobile` 自动判断移动端/桌面端，返回对应方向的图片。你也可以手动指定：
+
+```bash
+curl https://randbg.smyhub.com/api/random?mode=mobile
+```
+
+### 响应格式
+
+默认 `302 Redirect` 直接跳转到图片地址，浏览器里一行就能用：
+
+```html
+
+Transformer 是 2017 年《Attention is All You Need》提出的纯注意力架构，是现代大模型的基石。
+
+**核心组件：**
+
+1）**Encoder-Decoder 结构**：Encoder 编码输入序列为上下文表示，Decoder 自回归生成输出
+2）**Self-Attention**：每个位置与序列所有位置计算注意力权重，公式 `Q·K^T/√d → softmax → ·V`，捕捉长距离依赖
+3）**Multi-Head Attention**：多组 QKV 并行注意力，不同头关注不同子空间，拼接后线性投影
+4）**Position Encoding**：正弦/可学习位置编码注入顺序信息（Self-Attention 本身无序）
+5）**Feed-Forward Network**：每个位置过两层 MLP + 激活（ReLU/GELU）
+6）**残差连接 + LayerNorm**：稳定深层训练
+
+**变体：**
+
+- **Encoder-only（BERT）**：理解类任务，分类、检索
+- **Decoder-only（GPT 系列、LLaMA）**：生成类任务，当前主流大模型
+- **Encoder-Decoder（T5、BART）**：翻译、摘要
+
+**优势**：并行计算（vs RNN 串行）、长程依赖、可扩展性（堆叠层数和参数）
## 17.准确率和召回率的区别？
@@ -412,15 +580,67 @@ MCP插件
- 提升精准率：重排序、阈值过滤、语义去重
- 目标：召回率：> 90 % , 精准率 > 85 %
-## **18.什么是“混合检索”（Hybrid Search）？请解释为什么在工业级RAG系统中，纯向量检索往往不够用，需要结合关键词检索（如BM25）。请给出一个具体的业务场景，说明混合检索的必要性。**
+## 18.什么是“混合检索”（Hybrid Search）？请解释为什么在工业级RAG系统中，纯向量检索往往不够用，需要结合关键词检索（如BM25）。请给出一个具体的业务场景，说明混合检索的必要性。
+
+**纯向量检索的不足：**
+
+1）对专有名词、ID、代码、型号等字面精确匹配弱（向量关注语义，“SKU-12345”会被语义相近但不同的商品淹没）
+2）对低频词、罕见术语表达力差（embedding 训练时见得少）
+3）对短查询（1-2 个词）语义信号弱
+4）对数字、日期、精确值不敏感
+
+**BM25 等关键词检索的优势：**
+
+1）基于词频和逆文档频率，对稀有词匹配精准
+2）字面精确匹配强，适合专有名词、代码、ID
+3）可解释、可调参、轻量
+
+**混合检索做法：**
+
+1）并行：向量检索拿 Top-K1，BM25 拿 Top-K2
+2）融合：RRF（Reciprocal Rank Fusion，按排名倒数加权）或加权分数融合
+3）Rerank：融合后再用 Cross-encoder 精排
+
+**业务场景示例：**
+
+- **电商客服**：“iPhone 15 Pro Max 256G 价格”——纯向量会返回一堆 iPhone 相关 FAQ，BM25 能精确锁定“15 Pro Max 256G”这个型号；混合后既有型号精确匹配，又能召回“价格/报价/多少钱”等语义变体
+- **法律检索**：条文编号、法条序号必须字面匹配，条文含义需要语义检索
+- **代码问答**：函数名、类名、错误码需精确匹配，代码意图需语义检索
## 19.在处理一个需要多步工具调用的复杂任务（例如“调研三篇关于RAG+RL的论文并输出中文总结”）时，如何设计一个鲁棒的规划机制来应对中间步骤的失败（如某个API调用超时或返回数据格式错误）？请描述具体的重试、回滚或重规划策略。
+**重试策略：**
+
+1）**指数退避重试**：对超时/限流类瞬时错误，按 2^n 间隔重试，设最大次数（3~5 次）
+2）**区分错误类型**：瞬时错误（超时、429）重试；永久错误（404、参数错误）不重试，直接进入重规划
+3）**参数修正重试**：把错误信息回填给 LLM，让它修正参数后重试
+4）**降级替代**：主工具失败时切换备用工具（某 API 挂了，换另一个等价 API）
+
+**回滚策略：**
+
+1）**幂等设计**：每个工具调用带唯一 request_id，重试不会产生重复副作用
+2）**状态检查点**：每步成功后保存 checkpoint，失败时回退到上一个成功点
+3）**补偿事务**：对已产生副作用的失败步骤，执行补偿动作（如已创建的资源删除）
+
+**重规划策略：**
+
+1）**局部重规划**：只替换失败步骤，保留前后计划
+2）**全局重规划**：把失败信息和已完成结果反馈给 LLM，重新生成剩余计划
+3）**反思驱动**：Reflection 机制，失败后先分析原因再重规划
+4）**分支探索**：ToT/LATS 式并行尝试多个备选方案，失败分支剪枝
+
+**工程实现：**
+
+- LangGraph 的状态机 + 条件边天然支持重试和回滚节点
+- 设全局超时和预算（最多 N 步、最多 M token），超过强制结束
+- 每步结构化日志，便于事后复盘和 trace
+- 兜底：所有重试/重规划都失败时，返回已完成的部分结果 + 明确说明未完成项
-# ***调优***
+
+# 调优
## 1.如何保障调用模型API的健壮性和并发性？
@@ -437,15 +657,45 @@ MCP插件
添加超时控制、重试机制与基础降级策略，必要时引入熔断器与监控大
-## 3.在Agent推理过程中，经常会出现“推理断层”或“结果与目标偏离”的问题。请结合具体技术或你的实践经验，说明如何通过提示工程、记忆机制或架构设计来缓解或解决这一问题。【待回答】
+## 3.在Agent推理过程中，经常会出现“推理断层”或“结果与目标偏离”的问题。请结合具体技术或你的实践经验，说明如何通过提示工程、记忆机制或架构设计来缓解或解决这一问题。
+
+**1）提示工程：**
+
+- 任务分解：用 Plan-then-Act，先列 todo 再逐步执行，每步对照 todo 检查
+- 显式目标复述：每 K 步让 Agent 复述一次原始目标和当前进度
+- 结构化输出：强制 JSON Schema 输出（当前步骤、目标、状态、下一步），减少自由发挥
+- 反思提示：每步后加“这一步是否偏离目标？是否需要调整？”
+
+**2）记忆机制：**
+
+- 工作记忆持久化：把中间状态写入外部存储（Redis/DB），而非只靠上下文
+- 长期记忆检索：从历史相似任务的经验库里检索参考方案
+- 上下文压缩：定期摘要历史，保留关键决策点，丢弃冗余观察
+
+**3）架构设计：**
+
+- 双层架构：Planner（慢思考，负责规划）+ Executor（快思考，负责执行），Planner 定期校验
+- 状态机/LangGraph：用图结构约束执行路径，避免 Agent 乱跑
+- Critic/Reviewer Agent：独立 Agent 审查每步输出，不通过则回退
+- 限制循环轮次和 token 预算，强制收敛
+- Self-Reflection：失败或偏离时触发反思循环，修正后再继续
-## 4.当历史对话记录非常长时（远超模型上下文窗口），你有哪些策略来优化记忆的查询效率并保证关键信息不丢失？请比较“滑动窗口”、“总结压缩”、“向量检索”等不同方案的优劣。【待回答】
+## 4.当历史对话记录非常长时（远超模型上下文窗口），你有哪些策略来优化记忆的查询效率并保证关键信息不丢失？请比较“滑动窗口”、“总结压缩”、“向量检索”等不同方案的优劣。
-- 滑动窗口：Redis维护短期记忆（近5论对话历史），适配长流程
-- 记忆压缩：设定阈值，超过阈值后调用 阈值前的对话，保留摘要但丢失细节
-- 分层记忆： …
+- **滑动窗口**：Redis 维护短期记忆（近5轮对话历史），适配长流程。优点：简单、查询快；缺点：早期信息全丢
+- **总结压缩**：设定阈值，超过阈值后对前段对话用 LLM 摘要，保留要点丢弃细节。优点：省 token；缺点：摘要有损、可能丢关键细节，摘要本身有调用成本
+- **向量检索**：把所有历史对话向量化入库，每轮用当前问题检索相关片段拼回上下文。优点：信息保留全、可跨会话；缺点：检索质量依赖 embedding，可能召回噪音，有延迟
+- **分层记忆（推荐）**：
+ - L1 工作记忆：最近 N 轮，纯上下文
+ - L2 会话摘要：当前会话的阶段性摘要
+ - L3 长期向量记忆：跨会话的历史片段，按需检索
+ - L4 知识库/用户画像：沉淀的稳定事实（用户偏好、关键决策）
+
+ 每层按重要度和时效分层，查询时分层聚合
+- **实体记忆**：抽取对话中的实体（人、事、物）单独存储，用 KG 维护关系，针对性回答实体相关问题
+- **记忆衰减**：按时间或访问频率衰减，老记忆权重降低，避免噪音堆积
-# ***Skills***
+**选型建议**：短任务用滑动窗口；长会话用摘要 + 向量检索；跨会话个性化用分层记忆 + 实体记忆。
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅27双非本一腾讯IEG游戏安全后台实习面经.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅27双非本一腾讯IEG游戏安全后台实习面经.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅27双非本一腾讯IEG游戏安全后台实习面经.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅27双非本一腾讯IEG游戏安全后台实习面经.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅4.13字节一面.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅4.13字节一面.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅4.13字节一面.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅4.13字节一面.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅Go后端开发-字节一面.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅Go后端开发-字节一面.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅Go后端开发-字节一面.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅Go后端开发-字节一面.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节-后端开发面经.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节-后端开发面经.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节-后端开发面经.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节-后端开发面经.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节Agent中台一面凉经.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节Agent中台一面凉经.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节Agent中台一面凉经.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节Agent中台一面凉经.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节一面 4.15.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节一面 4.15.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节一面 4.15.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节一面 4.15.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节一面.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节一面.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节一面.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节一面.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节后端2面.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节后端2面.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节后端2面.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节后端2面.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节后端一面-65min八股拷打全复盘.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节后端一面-65min八股拷打全复盘.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节后端一面-65min八股拷打全复盘.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节后端一面-65min八股拷打全复盘.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节后端二面.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节后端二面.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节后端二面.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节后端二面.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节后端实习三面.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节后端实习三面.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅字节后端实习三面.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅字节后端实习三面.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅某佬面试经历.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅某佬面试经历.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅某佬面试经历.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅某佬面试经历.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅某字节一面.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅某字节一面.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/✅某字节一面.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端开发/字节/✅某字节一面.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/字节后端开发一面面经.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节/字节后端开发一面面经.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Golang后端/字节后端开发一面面经.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节/字节后端开发一面面经.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节国际支付二面.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节/字节国际支付二面.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节国际支付二面.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节/字节国际支付二面.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节跳动TikTok后端开发日常实习一面面经.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节/字节跳动TikTok后端开发日常实习一面面经.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节跳动TikTok后端开发日常实习一面面经.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节/字节跳动TikTok后端开发日常实习一面面经.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/某字节二面面经.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节/某字节二面面经.md
similarity index 100%
rename from mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/某字节二面面经.md
rename to mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/字节/某字节二面面经.md
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/腾讯/腾讯IEG后台开发日常实习二面.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/腾讯/腾讯IEG后台开发日常实习二面.md
new file mode 100644
index 0000000..eb863ad
--- /dev/null
+++ b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/腾讯/腾讯IEG后台开发日常实习二面.md
@@ -0,0 +1,29 @@
+自我介绍
+1.Redis 线程模型
+2.先更新数据库，再删除缓存，删除失败消息队列补充重试+ttl 兜底的策略，会出现数据不一致吗？
+3.还有其他的保证数据一致性的方案吗？
+4.乐观锁解决超卖，具体的 SQL 语句是怎么写的？
+5.concurrentHashMap 怎么保证线程安全的？链表转红黑树的阈值为什么是 8？
+6.synchronized 锁升级的过程
+7.什么情况下偏向锁会比轻量级锁的性能差？
+8.介绍一下 ThreadLocal
+9.JVM 是如何完成垃圾对象标记的？标记垃圾对象的时候，用户线程可以正常工作吗？
+10.了解 zgc 垃圾回收器吗？
+11.MySQL 的 InnoDB 存储引擎有哪些隔离级别
+12.幻读问题是哪种隔离级别来解决的？
+13.比如 1-10 这个范围的 10 个数据，搜 6-9 之间的范围查询，会加哪些锁？加临键锁锁住 [6,9)了，9-10 之间能插入数据吗？
+14.Spring AOP 及其实现原理
+15.创建 Bean 对象的时候，AOP 是如何工作的？
+16.Bean 对象的生命周期
+17.Function calling 实现预约到店的具体方式
+18.智能客服用的什么大模型？是本地部署的吗？
+19.ai 其他地方有什么探索吗？你平时都怎么用 ai
+20.一个游戏，假如有 1000w 玩家，如何设计一个匹配算法，具体使用什么数据结构和算法？
+21.如果玩家登录不上，你会从哪些方面去 debug，排查问题
+22.CPU 或内存突然飙升，怎么去排查？
+23.MySQL 中事务回滚用到的什么日志？
+24.一个游戏，玩家的数据更新过程中，MySQL 的几个日志是如何工作的？
+
+手撕：本地 ide
+反转链表
+k 个一组反转链表
\ No newline at end of file
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/腾讯/腾讯ieg后端日常实习一二三面面经.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/腾讯/腾讯ieg后端日常实习一二三面面经.md
new file mode 100644
index 0000000..f547641
--- /dev/null
+++ b/mengyanote-backend/data/mengyanote/实习求职/面试经历/Java后端开发/腾讯/腾讯ieg后端日常实习一二三面面经.md
@@ -0,0 +1,34 @@
+一面（25min）一度以为kpi面......
+1.讲讲数据结构
+2.数组与链表区别，如何选择
+3.hashmap，hashtable实现原理
+4.hashmap哈希冲突高，遍历久，如何处理
+5.哈希表的其他设计方案，除了使用数组+链表
+6.除了链表/红黑树，还有没有其他方法解决哈希冲突
+7.http，https是什么，以及区别，适用场景
+8.tcp，udp区别，适用场景
+9.http，https，tcp，udp的联系
+10.mysql索引，作用，原理，数据结构，为什么用B+树，还有哪些数据结构
+算法：最长递增子序列
+-----------------------------------
+二面（50min）
+智力题：
+1.无限水，两个容器，容量为5L、3L，如何获得4L水
+2.100本书，两个人轮流拿，每次拿1-5本，你先拿，如何保证拿到最后一本
+算法：
+两道，有一道是二叉树广度优先的递归版本，另一个不记得了......
+项目：
+如何保证不超卖与一人一单，lua脚本是怎么实现的，redis如何调用lua脚本
+场景题：
+mysql中一个表数据量大，查询慢，如何优化
+介绍一下大模型，AI，transformer
+其他的有点忘了，太久远...
+-----------------------------------
+三面（50min）
+无手撕，全程项目，问到的都是一些项目中的细节：
+1.有哪些数据表，哪些字段，如何设计的
+2.项目整体架构，整体流程
+3.有哪些难点，如何解决的
+4.缓存击穿中的数据具体是什么数据，为什么是这些数据，有多大
+5.lua脚本中的命令是怎么保证不被其他命令打断，底层原理（不会）
+6.线程池底层原理，如果让你来设计线程池，如何设计
\ No newline at end of file
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/树萌芽の面试经历/2026.6.18深势科技Golang后端一面.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/树萌芽の面试经历/2026.6.18深势科技Golang后端一面.md
new file mode 100644
index 0000000..0e23f37
--- /dev/null
+++ b/mengyanote-backend/data/mengyanote/实习求职/面试经历/树萌芽の面试经历/2026.6.18深势科技Golang后端一面.md
@@ -0,0 +1,18 @@
+### 1.自我介绍
+面试官你好,我是来自西南石油大学计算机系网络工程大二的同学,在校期间主要学习Golang和python相关技术栈,课余时间做过许多东西,比如什么博客,短链,个人主页等等这些,我个人也有一些域名和服务器包括云服务器和本地服务器,所以也上线实际部署过我的一些项目,日常也在学习和使用AI相关的辅助开发工具像是什么cursor,codex和claudecode,好的以上就是我的自我介绍,谢谢面试官
+### 2.Redis的zset顶层数据结构是由什么构成
+Redis的zset数据结构是由压缩列表和跳表构成的,这个是有数据量来决定的,如果数据量比较量比较小,如有序集合的元素个数小于128个,元素大小小于64字节,那么就使用压缩列表,反之则使用跳表,注意的是Redis 7之后压缩列表数据结构已被遗弃,新版本使用listpack
+### 3.MySQL的innodb相关
+MySQL使用innodb作为默认储存方式的原因如下,
+事务支持:innodb支持事务,包括ACID(原子性,一致性,隔离性,持久性),而myisam不支持事务;
+并发性能:innodb最小执行单元是行级锁,而myisam最小是表级锁执行操作时会阻塞整张表;
+崩溃恢复:innodb支持从redo持久化日志读取回朔操作,可以在MySQL崩溃重启时恢复数据操作
+MySQL的innodb和myisam的区别:
+事务
+索引
+锁粒度
+count的效率
+### 4.消息队列
+rocketmq,kafka,rabbitmq 这块再看看
+### 总结
+基础太差了,接下来给我狠狠地看八股!!!
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/树萌芽の面试经历/2026.6.20豆包模拟面试-1.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/树萌芽の面试经历/2026.6.20豆包模拟面试-1.md
new file mode 100644
index 0000000..fab2921
--- /dev/null
+++ b/mengyanote-backend/data/mengyanote/实习求职/面试经历/树萌芽の面试经历/2026.6.20豆包模拟面试-1.md
@@ -0,0 +1,35 @@
+1.自我介绍
+
+2.你提到做了些小规模网站，能详细说说其中一个项目里你用了啥技术
+
+3.你再完整说说项目背景、你在项目里担任的角色，以及这些技术具体在项目里是咋应用的
+
+4.详细说说你在保障高并发下的数据一致性这块是用了啥策略不，就像简历里提到的缓存和并发控制方面的操作。
+
+5.在缓存与一致性策略这块，你用了 Cache - Aside 策略，那当数据更新时，你是先更新缓存还是先更新数据库，怎么保证缓存和数据库数据的一致性呢？
+
+6.另外在并发控制与订单状态机这块，你提到用限购策略与订单状态机约束降低并发超卖风险，能具体讲讲这个订单状态机是怎么设计和工作的不？
+
+7.你用的先更新数据库再更新缓存的策略在大部分场景下能保证一致性，但在高并发下还是可能会有问题，比如更新数据库成功但更新缓存失败的情况，你当时有考虑过怎么处理这种异常不？
+
+8.我接着问你 SproutClaw 项目，你说开发了聚合搜索 MCP 工具扩展 Agent 网络搜索能力，能讲讲这个 MCP 聚合搜索具体是怎么实现的不？
+
+9.如果某个搜索工具返回的数据格式和预期不一样，你是怎么解决的呢？
+
+10.对 MCP 聚合搜索的实现逻辑很清晰。那在构建基于 Markdown 的轻量 RAG 知识库并封装为 Skills 这一块，你是怎么构建这个知识库，又如何利用它来减少 Agent 幻觉的呢？
+
+11.在对 Markdown 进行优化拆分时，有没有遇到一些特殊情况，像代码片段里包含注释或者 Markdown 中的特殊符号，你是怎么处理这些情况以保证拆分和重组后数据的准确性和可用性的呢？
+
+12.你谈谈对 Go 并发模型（Goroutine、Channel、GMP）的理解，以及在高并发场景下的调优思路吧。
+
+13.你说说一次完整的 HTTP 请求在 Gin 框架中的处理链路，包括中间件、路由匹配、错误处理这些方面。
+
+14.MySQL 索引失效通常有哪些原因？你能给出对应的优化思路不？
+
+15.Redis 分布式锁的实现方式有哪些？又如何防止死锁或锁失效造成的数据不一致呢？
+
+16.那我换个关于容器化部署的问题，在容器化部署中，你是如何确保服务平滑升级且不中断用户请求的呢？
+
+17.当你需要和前端、算法同学一起完成一个新功能时，你通常会怎么推进项目，又如何保证交付质量呢？
+
+18.如果和前端、算法同学对于功能实现方式有不同意见，你会怎么处理呢？
\ No newline at end of file
diff --git a/mengyanote-backend/data/mengyanote/实习求职/面试经历/通用后端开发/6.4 JD YOUNG后端开发一面凉经.md b/mengyanote-backend/data/mengyanote/实习求职/面试经历/通用后端开发/6.4 JD YOUNG后端开发一面凉经.md
new file mode 100644
index 0000000..854a830
--- /dev/null
+++ b/mengyanote-backend/data/mengyanote/实习求职/面试经历/通用后端开发/6.4 JD YOUNG后端开发一面凉经.md
@@ -0,0 +1,12 @@
+零售部门
+面试官很和蔼，不过他先介绍了自己，说之前在某研究所读博，方向是什么，然后去某大厂若干年，又来jd，我一听今天就要被拷打。
+1.先聊二十分钟科研，何意味
+2.讲一下MySQL 事务？回答后不断追问还有吗，直接想不起来了
+3.讲一下 MySQL 索引？追问还有吗
+4.RAG 项目，讲一下你的知识库实现流程，基于什么框架？向量数据库是怎么选择的？向量索引了解吗
+5.讲一下向量索引？HNSW、IVF这些
+5.RAG 中的 Redis 用来做什么？放在哪里？
+6.文档怎么上传？原始文档需要存储吗？RAG 查询过程中访问原始文档了吗？需要访问吗？最后发给大模型的是什么？
+7.你熟悉哪些系统？哪些框架？
+8.rag项目分工是什么？其他同学负责什么任务？
+无手撕
\ No newline at end of file
diff --git a/mengyanote-backend/data/mengyanote/实习求职/项目经历/MengyaNoteRAG/mengya-rag项目简介.md b/mengyanote-backend/data/mengyanote/实习求职/项目经历/MengyaNoteRAG/mengya-rag项目简介.md
new file mode 100644
index 0000000..0f33e74
--- /dev/null
+++ b/mengyanote-backend/data/mengyanote/实习求职/项目经历/MengyaNoteRAG/mengya-rag项目简介.md
@@ -0,0 +1,134 @@
+好的，我已经仔细查看了 `/shumengya/project/agent/mengya-rag` 项目。这是一个非常实用的个人知识库 RAG（检索增强生成）系统。让我为你详细介绍一下 (｡･ω･｡)
+
+## 项目概述
+
+**萌芽 RAG 知识库**是一个轻量级的 Obsidian 笔记 RAG 项目，专门针对个人 Obsidian 笔记进行优化。它能够将你的 Markdown 笔记转化为可智能检索的知识库，并通过大模型提供问答服务。
+
+## 技术架构
+
+### 核心组件
+- **RAG 框架**: LlamaIndex
+- **本地 Embedding**: `BAAI/bge-small-zh-v1.5`（通过 FastEmbed + ONNX 运行，无需 GPU）
+- **大模型回答**: DeepSeek API（推荐 `deepseek-v4-flash`）
+- **向量数据库**: SQLite + sqlite-vec（轻量级，无需额外服务）
+- **检索方式**: BM25 关键词检索 + 向量语义检索的混合模式
+
+### 项目结构
+```
+mengya-rag/
+├── data/
+│ ├── notes/ # Obsidian Markdown 笔记（从 bigmengya 同步）
+│ └── index/bm25/ # 本地索引（SQLite 向量库 + 节点备份）
+├── scripts/ # 同步、构建索引、问答脚本
+├── src/mengya_rag/ # 核心代码
+│ ├── config.py # 配置管理
+│ ├── markdown_chunker.py # Markdown 结构感知分块
+│ ├── indexing.py # 索引构建
+│ ├── retrieval.py # 检索、融合、盘点模式
+│ ├── qa.py # DeepSeek 生成回答
+│ └── cli.py # 命令行接口
+└── pyproject.toml # 项目配置
+```
+
+## 核心功能
+
+### 1. 智能 Markdown 分块
+不同于简单的字符切割，项目实现了**结构感知分块**：
+- 识别 frontmatter 元数据
+- 按 H1-H6 标题层级组织分块
+- 代码块和表格整体保留，不跨块切割
+- 长块使用滑动窗口兜底
+- 每个 chunk 附带丰富的元数据（文件路径、标题路径、标签等）
+
+### 2. 混合检索系统
+- **普通问答模式**: BM25 + 向量检索 → RRF 融合 → 同文件去重 → 相关性过滤
+- **盘点列表模式**: 文件级目录检索，适合"有哪些"、"查一下"这类问题
+- **自动模式**: 根据问题类型自动选择检索方式
+
+### 3. 命令行工具
+提供完整的 CLI 接口：
+- `mengya-rag status`: 查看配置和索引状态
+- `mengya-rag search`: 只检索，不调用大模型
+- `mengya-rag context`: 返回可注入大模型的检索上下文
+- `mengya-rag ask`: 完成 RAG + DeepSeek 回答
+- `mengya-rag read`: 按路径读取完整笔记
+- `mengya-rag reindex`: 同步笔记并重建索引
+
+## 使用场景
+
+这个项目特别适合：
+- **查找笔记**: "某个教程在哪里"、"某类笔记有哪些"
+- **知识问答**: "WireGuard 怎么配置"、"Docker 常用命令有哪些"
+- **内容总结**: "根据笔记总结某个主题"
+- **目录浏览**: "列出博客文章"、"列出 Agent 安装教程"
+
+## 部署和配置
+
+### 初始化
+```bash
+cd /shumengya/project/agent/mengya-rag
+cp .env.example .env
+# 编辑 .env，填入 DEEPSEEK_API_KEY
+uv sync
+```
+
+### 笔记同步
+笔记源：`bigmengya:/shumengya/docker/mengyanote-backend/data/mengyanote/`
+```bash
+./scripts/sync_notes.sh
+```
+
+### 索引构建
+```bash
+./scripts/build_index.sh
+```
+
+### 使用示例
+```bash
+# 查看状态
+uv run mengya-rag status --json
+
+# 普通问答
+uv run mengya-rag ask "Docker 常用命令有哪些" -k 4 --json
+
+# 盘点类查询
+uv run mengya-rag ask "查一下我目前博客文章有哪些" --json
+
+# 只检索不生成回答
+uv run mengya-rag search "WireGuard" --json
+```
+
+## 技术亮点
+
+1. **轻量级部署**: 使用 SQLite + sqlite-vec，无需 Qdrant、Milvus 等外部数据库
+2. **本地 Embedding**: 使用 FastEmbed + ONNX，无需 GPU 和 PyTorch
+3. **结构感知**: 充分利用 Markdown 结构，保留代码块和表格完整性
+4. **混合检索**: 结合关键词和语义检索，提高召回率
+5. **双模式检索**: 自动区分普通问答和盘点列表问题
+6. **Agent 友好**: 所有命令支持 `--json` 输出，便于程序调用
+
+## 当前限制
+
+- 单机 SQLite 向量库，数据量很大后需要扩展
+- 没有 reranker，复杂问题可能混入弱相关内容
+- embedding 模型是轻量中文模型，效果够用但不是最强
+- `build_index` 每次全量重建，暂无增量索引
+- 当前是 CLI 工具，没有 Web 界面
+
+## 后续优化方向
+
+- 增量索引，只重建变更文件
+- 加 reranker（如 `bge-reranker-v2-m3`）
+- 给盘点类问题增加目录树模式
+- 增加 `--debug` 输出检索过程
+- 数据量变大后接 Qdrant
+
+## 索引规模参考
+
+根据 README，当前索引规模：
+- 分块数: 1802
+- 索引大小: 约 13M
+- nodes.jsonl: 约 3.6M
+- rag.sqlite3: 约 9.3M
+
+这是一个设计精良、实用性强的个人知识库系统，特别适合处理 Obsidian 笔记这类结构化文档。它的混合检索模式和结构感知分块是主要亮点 (｀・ω・´)
diff --git a/mengyanote-backend/data/mengyanote/实习求职/项目经历/SproutClaw/SproutClaw的MCP工具应用情况.md b/mengyanote-backend/data/mengyanote/实习求职/项目经历/SproutClaw/SproutClaw的MCP工具应用情况.md
new file mode 100644
index 0000000..d0a0488
--- /dev/null
+++ b/mengyanote-backend/data/mengyanote/实习求职/项目经历/SproutClaw/SproutClaw的MCP工具应用情况.md
@@ -0,0 +1,151 @@
+根据我的调研，我现在为你详细解释 MCP 及其在项目中的工作流程：
+
+---
+
+## 什么是 MCP？
+
+**MCP**（Model Context Protocol）是 Anthropic 提出的一种**开放协议**，用于标准化 AI Agent 与外部工具、数据源之间的交互。它的核心目标是：
+
+- **统一接口**：让不同 AI 应用（如 Pi、Claude、Cursor 等）能一致地调用外部工具
+- **动态发现**：AI Agent 可以自动发现 MCP 服务器提供的工具，无需硬编码
+- **双向通信**：AI 向 MCP 服务器发请求，服务器返回结果，可以是文本、JSON 或结构化数据
+
+**MCP 的三种核心能力：**
+1. **Tools** — 可执行工具（如搜索、查询、创建 Issue）
+2. **Resources** — 只读数据资源（如文件、文档）
+3. **Prompts** — 预定义提示模板
+
+---
+
+## 项目中的 MCP 工作流程
+
+### 1. 配置文件架构
+
+```
+.pi/agent/
+├── mcp.json # MCP 服务器配置（启用/禁用）
+├── mcp-cache.json # 工具缓存（缓存发现到的工具列表）
+└── mcp-npx-cache.json # npx 包缓存路径
+```
+
+**mcp.json** 配置示例：
+```json
+{
+ "mcpServers": {
+ "tavily": { // 已启用的远程服务器
+ "url": "https://mcp.tavily.com/mcp/?tavilyApiKey=..."
+ }
+ },
+ "mcpServersDisabled": {
+ "cloudflare-search": { // 已禁用的服务器
+ "command": "npx",
+ "args": ["-y", "@yrobot/cf-search-mcp"],
+ "env": { ... }
+ }
+ }
+}
+```
+
+### 2. 服务器发现与缓存
+
+**两种部署方式：**
+
+| 类型 | 配置方式 | 适用场景 |
+|------|---------|---------|
+| **远程 HTTP** | `url` 字段 | 第三方服务（如 Tavily、Google） |
+| **本地 stdio** | `command` + `args` | 本地运行（如 `npx` 启动的 Node 包） |
+
+**发现流程：**
+1. Pi 启动时读取 `mcp.json`
+2. 对每个激活的服务器，连接并请求 **tools/list** 发现可用工具
+3. 将发现的工具元数据（名称、描述、参数 schema）缓存到 `mcp-cache.json`
+
+### 3. 工具管理与权限控制
+
+通过 **WebUI** 提供精细控制：
+
+```typescript
+// 前端类型定义
+interface McpServerInfo {
+ name: string;
+ enabled: boolean;
+ cached: boolean;
+ toolCount: number;
+ enabledToolCount: number;
+ tools: McpToolInfo[];
+}
+```
+
+**操作粒度：**
+- **服务器级别**：启用/禁用整个 MCP Server
+- **工具级别**：通过 `excludeTools` 排除特定工具
+
+**API 路由：**
+```
+POST /api/settings/mcp/server/toggle // 启用/禁用服务器
+POST /api/settings/mcp/tool/toggle // 启用/禁用单个工具
+GET /api/settings // 获取所有 MCP 配置
+```
+
+### 4. 工具调用流程
+
+当 AI Agent 需要调用 MCP 工具时：
+
+```
+1. 用户请求 → 系统提示词包含可用 MCP 工具列表
+2. AI 判断 → 选择要调用的工具（如 tavily_search）
+3. 参数构造 → 按 inputSchema 生成 JSON 参数
+4. MCP 调用 → 通过 mcp 工具发送到对应服务器
+5. 结果返回 → 服务器返回结果，AI 解析并继续处理
+```
+
+### 5. 项目中实际部署的 MCP 服务器
+
+| 服务器 | 状态 | 提供能力 |
+|--------|------|---------|
+| **Tavily** | ✅ 启用 | `tavily_search`、`tavily_extract`、`tavily_crawl`、`tavily_map`、`tavily_research` |
+| **Cloudflare Search** | ❌ 禁用 | `web_search`、`search` |
+
+---
+
+## 项目中的 MCP 代码实现
+
+**后端设置管理**（`webui/backend/settings/mcp-settings.ts`）：
+- 读写 `mcp.json` 配置
+- 管理 `mcpServers`（启用）和 `mcpServersDisabled`（禁用）
+- 从 `mcp-cache.json` 读取工具缓存
+- 支持 `excludeTools` 字段控制工具级权限
+
+**WebUI 路由**（`webui/backend/routes/settings.ts`）：
+- `/api/settings/mcp/server/toggle` — 切换服务器状态
+- `/api/settings/mcp/tool/toggle` — 切换工具状态
+- 修改后触发 `reload` 让 Agent 重新加载配置
+
+**前端 API**（`webui/frontend/src/api/settings.ts`）：
+- `toggleMcpServer(server, enabled)` — 切换服务器
+- `toggleMcpTool(server, tool, enabled)` — 切换工具
+
+---
+
+## 与 Pi 原生工具的对比
+
+| 特性 | MCP | Pi 原生工具 |
+|------|-----|------------|
+| 协议 | 标准化（Anthropic 主导） | Pi 自定义 |
+| 工具来源 | 外部服务器（第三方） | 内置（read, bash, edit, write） |
+| 发现方式 | 动态发现（tools/list） | 硬编码在系统提示 |
+| 配置 | `mcp.json` + `mcp-cache.json` | `settings.json` |
+
+**项目设计哲学**：Pi 本身**不强制依赖 MCP**，更推崇通过 **Skills**（Markdown 说明文件）构建本地工具。但提供 **MCP Gateway** 作为扩展，让用户可以按需接入外部 MCP 生态。
+
+---
+
+## 总结
+
+MCP 在项目中是一个**可选的扩展机制**，而非核心依赖。它通过：
+- `mcp.json` 配置服务器
+- `mcp-cache.json` 缓存工具发现结果
+- WebUI 提供可视化权限控制
+- 标准 JSON-RPC 协议与外部服务器通信
+
+这套架构让 Pi 可以安全地接入 Tavily 搜索、Cloudflare 等第三方 MCP 服务，同时保持对工具粒度的精细控制。
diff --git a/mengyanote-backend/data/mengyanote/实习求职/项目经历/SproutClaw/SproutClaw的上下文工程详情.md b/mengyanote-backend/data/mengyanote/实习求职/项目经历/SproutClaw/SproutClaw的上下文工程详情.md
new file mode 100644
index 0000000..5a88dd1
--- /dev/null
+++ b/mengyanote-backend/data/mengyanote/实习求职/项目经历/SproutClaw/SproutClaw的上下文工程详情.md
@@ -0,0 +1,452 @@
+我已经深入分析了 sproutclaw 项目的源码。让我为你详细解释这个项目的上下文工程实现。
+
+---
+
+# SproutClaw 上下文工程详解
+
+## 一、什么是上下文工程
+
+**上下文工程**（Context Engineering）是 AI Agent 设计中的核心概念，指的是如何**构建和管理每次发送给大模型的完整上下文**（system prompt + 历史消息 + 工具定义 + 项目上下文），以最大化模型的任务完成能力。
+
+---
+
+## 二、SproutClaw 上下文工程的核心架构
+
+### 2.1 系统提示词构建流程
+
+```
+┌─────────────────────────────────────────────────────────────┐
+│ buildSystemPrompt() │
+├─────────────────────────────────────────────────────────────┤
+│ 1. 自定义系统提示词（来自 SYSTEM.md 或 SDK 配置） │
+│ 2. 工具列表 + 每个工具的单行摘要 │
+│ 3. 指导原则（guidelines） │
+│ 4. 项目上下文文件（AGENTS.md / CLAUDE.md） │
+│ 5. 技能列表（Skills XML 格式） │
+│ 6. 当前日期 + 工作目录 │
+└─────────────────────────────────────────────────────────────┘
+```
+
+### 2.2 核心代码：system-prompt.ts
+
+```typescript
+// 核心构建函数
+export function buildSystemPrompt(options: BuildSystemPromptOptions): string {
+ // 1. 自定义系统提示词（来自 SYSTEM.md）
+ if (customPrompt) {
+ prompt = customPrompt;
+ }
+
+ // 2. 项目上下文文件（AGENTS.md / CLAUDE.md）
+ // 从当前目录向上遍历，找到所有 AGENTS.md 文件
+ for (const { path, content } of contextFiles) {
+ prompt += `