点一下关注吧！！！非常感谢！！持续更新！！！

Java篇：

• MyBatis 更新完毕
• 目前开始更新 Spring，一起深入浅出！

大数据篇 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）
• 数据挖掘（已更完）
• Prometheus（已更完）
• Grafana（已更完）
• 离线数仓（已更完）
• 实时数仓（正在更新…）
• Spark MLib (正在更新…)

背景情况

在以往的开发任务中，我们发现随着项目规模的扩大，AI 模型容易出现“前后不一致”的问题：它在处理后续逻辑时，常常遗忘前面的上下文，从而引发新的 Bug。
本质上，这是因为模型的上下文窗口存在限制。早期 GPT-4 仅支持 4K 上下文，后来 GPT-4 Turbo 提升到了 128K，而如今部分前沿模型已支持高达 1M 的上下文长度。
当前，行业内的技术演进主要集中在两个方向：一是不断扩展上下文长度，二是持续增加模型参数量。但无论上下文有多大，总会有装不下的内容；即便模型参数再庞大，也依然可能生成不准确、不连贯的结果。
因此，为了解决这一类“遗忘”问题，社区逐步发展出一系列策略：从扩大上下文窗口，到引入 RAG（Retrieval-Augmented Generation）与摘要机制；从 Step-by-Step 的逐步推理，到 Chain-of-Thought（思维链）等更复杂的推理结构。这些方法的共同目标，都是延长模型的思考过程、缓存关键信息，以对抗其作为概率模型带来的推理局限。
恰巧在上周的分享会上，有人提到在 AI 协助开发的过程中，经常会遇到“遗忘”或“执行偏差”的问题。我当时也简单分享了几个应对思路。借这个机会，顺便整理一下目前社区中较为标准的解决方案。

Sequential Thinking

项目地址

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

能够将复杂的问题拆分成一个个可管理的小步骤，让 AI 可以逐步进行分析和处理。例如，在处理一个复杂的编程任务时，它会把任务分解为多个子任务，如先确定算法框架，再处理数据输入输出，最后进行代码优化等。

配置方式

MCP的配置方式老生常谈了，全部略过。

npx -y @modelcontextprotocol/server-sequential-thinking

JSON内容如下：

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

配置结果如下：

确保Cursor中的状态是正常的：

使用方式

对于一些复杂问题，可以使用Sequential Thinking服务，将复杂问题分解为小的问题，逐个解决。同时每调用一次，都可以从thought中获取到LLM当前的思考过程以及采取的方法，有时还会提供多种方案，我们可以通过再次提问，实现对于方案的选取以及之前思考过程的调整。

请你使用思考能力，完成XXXXXXX的任务。

这样会调用 Sequential Thinking，对任务进行详细的拆解，避免出现比如：“实现一个购物系统”，这样宽泛的需求而大模型无法理解的问题。

Server Memory

项目地址

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

能够让 AI 记住之前的信息和交互内容，在处理后续任务时可以调用这些记忆，从而更连贯地进行分析和处理。例如，在进行多轮对话的编程对话时，AI 可以记住之前用户提出的代码问题和已解决的部分，在后续交流中基于这些记忆给出更合适的建议和指导。

配置方式

MCP配置略过

npx -y @modelcontextprotocol/server-memory

一般都是将思考和记忆放到一起使用，对应的JSON如下：

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

配置完的结果如下：

使用方式

对于一些需要多轮交互且依赖之前信息的复杂问题，可以使用 Server Memory 服务。比如在进行项目需求分析时，用户不断补充和修改需求，AI 能够记住之前的需求内容，在后续分析中综合考虑，给出更全面准确的分析结果。

随便测试一个结果：

可以看到思考完成后，会进行缓存：