JDK 25 是 LTS（长期支持版），至此为止，有 JDK8、JDK11、JDK17、JDK21 和 JDK 25 这四个长期支持版了。

JDK 25 共有 18 个新特性，这篇文章会挑选其中较为重要的一些新特性进行详细介绍

正式特性

作用域值（ScopedValue）

替代ThreadLocal，支持线程间安全共享不可变数据，简化生命周期管理。

JDK19的JEP 428: Structured Concurrency (Incubator)作为第一次incubator
JDK20的JEP 437: Structured Concurrency (Second Incubator)作为第二次incubator
JDK21的JEP 453: Structured Concurrency (Preview)作为首次preview
JDK22的JEP 462: Structured Concurrency (Second Preview)作为第二次preview
JDK23的JEP 480: Structured Concurrency (Third Preview)作为第三次preview
JDK24的JEP 487: Scoped Values (Fourth Preview)作为第四次preview，与JDK23不同的是callWhere以及runWhere方法从ScopedValue类中移除，可以使用ScopedValue.where()再链式调用run(Runnable)或者call(Callable)

slf4j 的前世今生

Log4J、Log4J2和LogBack的历史故事

使用过Log4J和LogBack的同学肯定能发现，这两个框架的设计理念极为相似，使用方法也如出一辙。其实这个两个框架的作者都是一个人，Ceki Gülcü，俄罗斯程序员。

Log4J 最初是基于Java开发的日志框架，发展一段时间后，作者Ceki Gülcü将Log4j捐献给了Apache软件基金会，使之成为了Apache日志服务的一个子项目。 又由于Log4J出色的表现，后续又被孵化出了支持C, C++, C#, Perl, Python, Ruby等语言的子框架。

在微服务架构里，我们经常把“熔断、限流、降级”这三兄弟放在一起讨论。而熔断，作为保障系统可用性的关键一环，是每个后端工程师都必须掌握的核心技能。你不仅要懂它是什么，更要能说清楚，在实战中你是如何利用它来拯救你的系统的。

熔断的本质：一种“舍车保帅”的智慧

首先，什么是熔断？在微服务世界里，当一个下游服务因为自身问题（比如负载过高、程序Bug）变得不稳定时，熔断机制会介入，在一段时间内主动切断对这个服务的调用，直接返回一个错误，直到该服务恢复正常。

SpringAI MCP介绍

Spring AI MCP 为模型上下文协议提供 Java 和Spring 框架集成、它使 SpringAI 应用程序能够通过标准化的接口与不同的数据源和工是进行交互，支持同步和异步通信模式。整体架构如下:

Spring Al 通过以下 Spring Boot 启动器提供 MCP 集成：

前面，在讲述AI AGENT设计模式时，从最经典的ReAct模式开始，沿着规划路线介绍了REWOO、Plan&Execute和LLM Compiler，沿着反思路线介绍了Basic Reflection、Self Discover和Reflexion，并以最强大的设计模式LATS作为收尾。

但是，所有的这些设计模式，都只是在告诉AI Agent应该如何规划和思考，且只能依赖于大模型既有的知识储备。而实际应用中，我们往往更希望AI Agent结合我们给定的知识和信息，在更专业的垂直领域内进行规划和思考。

比如我们希望Agent帮我们做论文分析、书籍总结，或者在企业级场景中，让AI Agent写营销计划、内部知识问答、智能客服等等非常多的场景，只靠上面几种Agent设计模式是远远不够的，我们必须给大模型外挂知识库，并且通过工作流进一步约束和规范Agent的思考方向和行为模式。

AI Agent有八种设计模式。对于这八种设计模式，整理了一张图，来阐明它们之间的关系。

ReAct模式最早出现的Agent设计模式，目前也是应用最广泛的。从ReAct出发，有两条发展路线：

一条更偏重Agent的规划能力，包括REWOO、Plan & Execute、LLM Compiler。

AI Agent到底是什么？

从概念上来说，AI Agent（智能体）是一种不需要持续人类干预的AI系统，可以基于环境和背景信息，自主分析各种问题，做出逻辑决策，并且在没有持续人类输入的情况下处理多种任务。

AlphaGo就是一个典型的AI Agent，它可以在和人类对弈围棋的过程中，根据当前的棋局和对手的行动，自主决策下一步的动作。AI助手也是AI Agent，比如你只需要给AI助手下达一个指令，“帮我预订明早10点上海飞深圳的机票”，AI助手就能自动帮你完成从机票搜索、查询、下单、确认的全部动作。
从结构上来说，一个AI Agent包括三个部分：

这段时间各种AI名词一波接一波的冲击着我的屏幕，Agent，MCP，FunctionCalling，RAG，它们都是什么东西

有人说Agent是智能体，那智能体又是什么呢？

有人说MCP是AI时代的USB协议，那么它可以接U盘吗？

它们到底都是什么意思？

Prompt

2023年，OpenAI则刚发布GPT的时候，Al看起来只是一个聊天框。

前言

LLM 是大脑，MCP 是手脚。LLM 不断提升智能下限，MCP 不断提升创意上限。

目前为止，比较公认的一个观点是：2025年是 Agent 元年。虽然 AI 在短期内依旧面临 ROI 的考验，但几乎所有人都不会怀疑他的未来，不希望错过这一场“军备竞赛”。

简介

MCP 介绍

MCP 版本历史（2025-04-15 统计）：

版本号	重大变化
2024-11-05	初代 MCP 协议
2025-03-26 (Latest)	添加了基于 OAuth 2.1 的全面授权框架用更灵活的 Streamable HTTP 传输取代了以前的 HTTP+SSE 传输增加了对 JSON-RPC 批处理的支持添加了全面的工具注释，以更好地描述工具行为，例如它是只读的还是破坏性的

什么是Rag？

RAG，Retrieval-Augmented Generation，中文名检索增强生成，是AI领域非常重要的一种技术方案。其核心作用是给LLM大模型外挂专门的知识库，指导大模型生成更准确的输出。

为什么要给LLM大模型外挂知识库呢？因为虽然大模型的能力越来越强大，但其内在的缺点也非常明显。

第一，存在幻觉问题。 LLM大模型的底层原理是基于数学概率进行预测，其模型输出本质上是一种概率预测的结果。所以LLM大模型有时候会出现胡言乱语，或者生成一些似是而非的答案，在大模型并不擅长的领域，幻觉问题会更加严重。使用者要区分幻觉问题是非常困难的，除非使用者本身就具备了相应领域的知识，但这里就会存在矛盾，已经具备相关知识的人是不会采用大模型生成的答案的。