代码生成项目bug，生成前端页面有一个顶部的元素标题，通过对话一直无法解决，最后还是claude code解决的

感觉面试鸭的回答问题后，没有对回答问题的评分，不知道回答的效果

Prompt调优是什么

Day 9 ✅ 今天做了：学习LangGraph ⏰ 明天计划：学习大模型微调技术 📚 今日感悟： LangGraph 是一个基于图论的编排框架，它突破了传统链式架构的局限，引入了 “状态-节点-边” 的三元架构。它将 AI 应用建模为有状态的有向图，核心价值在于：支持循环、条件分支等动态控制流，并提供状态持久化与断点续传能力。 与传统 LangChain 线性流水线不同，LangGraph 更像一个有状态的“流程图”，适合构建需多轮决策和状态追踪的复杂 Agent。它与 LangChain 并非竞争关系，而是同一生态系统下的协同互补：前者提供丰富的工具组件，后者提供精细的流程编排。掌握两者的协同使用，是从“搭建原型”迈向“生产级系统”的工程进阶。

Day 8 ✅ 今天做了：LangChain4j和Spring AI框架的学习使用 ⏰ 明天计划：工作流编排与 LangGraph的学习 📚 今日感悟： Spring AI 是 Spring 官方推出的 AI 集成框架，旨在让 Java 开发者以熟悉的 Spring 方式构建企业级 AI 应用。它的核心价值在于：提供统一的模型调用接口，支持 OpenAI、Anthropic、Google 等主流模型，代码无需大量修改即可切换供应商；通过 Spring Boot Starter 实现自动配置，与 Spring 生态无缝融合。关键功能包括：`ChatClient` 核心交互接口、`@Tool` 注解支持工具调用、内置 RAG 流水线与 ETL 框架，以及通过 `Advisors` 拦截器实现请求增强与安全过滤。此外，Spring AI 提供可观测性集成与模型评估能力，涵盖生产级需求。 从版本演进看，Spring AI 1.0 正式确立核心功能体系，1.1 版本引入 MCP（模型上下文协议）与提示词缓存，进一步强化 Agent 开发能力。它适合已有 Spring 技术栈的团队，以较低成本将 AI 能力整合到现有业务系统中。

Day 7 ✅ 今天做了：整体过了一遍Agent 核心概念与架构总览、LangChain4j上手学习使用 ⏰ 明天计划：开始Spring AI、工作流编排与 LangGraph的学习 📚 今日感悟： 学习要点： 1. 掌握核心抽象AiServices，通过声明式接口快速构建AI服务； 2. 理解RAG流程（文档加载、向量化、检索增强生成），使用EmbeddingStore和RetrievalAugmentor让模型基于私有知识回答； 3. 学会Agent开发，通过@Tool注解让LLM调用Java方法执行动作； 4. 利用BOM(langchain4j-bom)统一管理版本。 关键实践：组合使用ChatLanguageModel、ChatMemory、RAG增强器和工具调用，可快速构建能查阅文档、多步推理的智能应用。相比Python版，它更注重Java工程化实践，与Spring Boot无缝集成，适合企业级AI应用开发。

Day 6 ✅ 今天做了：学习了Agent 核心概念与架构总览 ⏰ 明天计划：LangChain4j学习 📚 今日感悟：在实际落地中，Agent 最难的地方不在于架构，而在于幻觉控制和长链路下的错误累积。当你尝试用 SpringBoot 构建 Agent 后端时，如何在高并发下保证推理的稳定性（如超时处理、Token 熔断）将是一些问题

Day 5 ✅ 今天做了：学习理解RAG相关的知识，昨天的计划回顾的部分知识的，还没来得及回顾 ⏰ 明天计划：明天开始agent核心概念与架构总览的学习 📚 今日感悟：RAG 的“好”在于它用低成本的工程手段解决了 LLM 最头疼的幻觉和知识更新问题；而它的“坏”在于，检索系统本身的缺陷（匹配不准、缺乏全局观）成为了整个链路的短板。 这也是为什么现在的技术栈正在向更复杂的 Agentic RAG（让 Agent 自主决定何时检索、如何重写 Query）和 GraphRAG（引入知识图谱解决全局关联）演进。

Day4 ✅ 今天做了：理解了提示词工程和了解RAG知识 ⏰ 明天计划：学习RAG相关的内容，同时总结之前学习的内容知识 📚 今日感悟：提示词工程让我有很大的收获，了解自己之前的和ai对话的形式很简陋，或者说是全靠ai来输出没有任何要求（除非特殊的情况），同时想到提示词实是在不断的优化中才会变得合适的，那可不可以，在优化提示词的过程中，加入多个其他的agent来测评一段提示词的好坏，给一个关键词，一个agent来完善提示词，一个模型来回答，多个agent来评分，评分这个回答和提示词本身的得分，同时还要有一个预期结果，不然会陷入循环（按照一定的规则评分）

Day 3 ✅ 今天做了：了解大模型崛起与前沿技术、熟悉transformer架构（注意力机制、自注意力机制、残差连接、交叉注意力），了解提示词工程 ⏰ 明天计划：熟悉RAG、了解Agent 📚 今日感悟：今天看完这些基础，感觉各种专业名词不是特别好理解，可以找一些可视化工具看看（例如：LLM Visualization），看完就会忘记，不过会有个印象