DaemonAI LAB区域与海量设备点的地图可视化性能优化实践 百度 高德 腾讯
针对城市级区域、网格及海量设备点的地图可视化，通过 GeoJSON Brotli 压缩、Canvas 批量渲染结合 KDBush/RBush 空间索引，以及视口裁剪与边界缓存，解决多边形命中计算与大规模点位交互的性能瓶颈。
RECENT
全部文章 最近更新
RAG 知识检索：向量召回、Parent 去重与 HNSW
基于 pgvector 和 HNSW 索引实现 RAG 向量检索，采用 Parent-Child 架构分离精准召回与完整上下文。通过 Oversampling 策略配合应用层去重解决结果冗余，并建立评估集优化召回率与排序。
Next.js Rewrite 缓冲导致 SSE 失效：一次 Agent 流式排查记录
Next.js rewrite 代理会缓冲 SSE 流导致前端无法实时接收数据。通过 Caddy 将 API 请求直接转发至 FastAPI，绕过 Next.js 层，解决流式传输失效问题
RAG 知识入库：Parent–Child 切块与增量同步
基于 Parent–Child 切块与 Fingerprint 机制，实现 RAG 知识库的低成本增量同步。通过文档级指纹快速跳过未变更内容，利用 content_hash 复用旧向量并减少 Embedding 调用，结合事务处理保障数据一致性。
ECS部署改ACR
将 MonoRepo 部署从 ECS 本地构建迁移至云效+ACR 流水线，实现构建与运行分离。通过基础镜像缓存依赖、业务镜像绑定 Commit SHA 版本，配合 Docker Compose 在 ECS 拉取运行，提升部署速度并保障前后端版本一致性。
MonoRepo前后端项目部署到阿里云 ECS
基于云效与 Docker Compose 实现 MonoRepo 前后端（Next.js + FastAPI）在阿里云 ECS 的自动化部署
ABOUT DAEMON AI LAB
一次 AI 全栈实践。
前后端开发、Agent 智能体、RAG 知识库与云端部署，想法落地成可用的系统， 记录思路、踩坑与技能。
01AI Coding
02Full Stack
03Practice