docker/notes
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

1772702706

Browse Source
This commit is contained in:
Docker7530
2026-03-05 17:25:08 +08:00
parent 7d7193bb5d
commit 1a3976708a
67 changed files with 342 additions and 334 deletions
Download Patch File Download Diff File Expand all files Collapse all files
000-inbox/IBS 智能体具体落实技术方案.md
-102
View File
@@ -1,102 +0,0 @@
# 总体目标
1、支持 IBS 动态数据查询（工单进展、域名配置、运营数据、订购数据等）；
2、智能分析 CDN 优质客户；
3、团队纵向扩展：支持融合 CDN 配置一键下发下发、DNS动态数据查询等
# 公司现状
基于 vLLM 推理引擎部署 DeepSeek-R1-Distill-Qwen-32B
> 32K tokens（32768 约 2.4 万字中文）
> 使用 vLLM 框架，注意需开启工具调用相关配置。
RAGFlow v0.18.0 2025-04-23（知识库）
> 最新 v0.24.0
> 完全支持 MCP v0.20.0
> 依赖 MySQL、ES、Redis、MinIO
# 概念
bge 向量模型。
Function Calling / Tool Call / Tool Calling
[LangGraph](https://docs.langchain.com/oss/python/langgraph/overview) 个人理解为拖拽
**MCP** 服务端 + **ReAct Agent** 智能体 + **RAGFlow** 知识库
**MCP**（Model Context Protocol，模型上下文协议）是一种用于将 AI 应用连接到外部系统的开源标准。
> 通俗点理解
> 列出能力：服务器告诉客户端它提供哪些 tools/resources/prompts，以及每个 tool 的参数结构
> 调用工具：客户端发起 call tool，带上符合 schema 的参数
> 返回结果：服务器返回结构化结果（文本/数据/错误），客户端再交给模型继续推理
**ReAct**: Synergizing Reasoning and Acting in Language Models
> Question: 用户问题
>
> Thought: 我需要查一下数据
> Action: 调用查询工具(search API)
> Observation: 返回查询结果
>
> Thought: 根据结果我可以推理答案
> Action: 再调用一个工具 / 或直接回答
>
> Final Answer: 最终结果
**RAGFlow**（开源的 RAG 工程化平台 / 系统）Python TypeScript
本质是 RAG（Retrieval-Augmented Generation）检索增强生成
> 用户问题
> ↓
> 去知识库检索相关内容
> ↓
> 把检索结果喂给大模型
> ↓
> 生成答案
**DB-GPT** 开源的“AI 原生数据应用开发框架”，用大模型来操作数据库和数据系统。
# 问题
鉴权问题：哪个平台能调用哪些工具，哪个平台的哪些用户能调用哪些工具
AI 平台颁发系统级别 Token 限制你能用的工具。
也就是比如你在我们平台注册了你的 tool，然后调用我们 AI 接口，需要 MCP server Token 和 用户 Token。
如果只用户 Token，那么是不是就需要一个 令牌置换 方案。
你有什么工具？
我想知道企业A的域名列表。
我想查询 企业A a.com 近 5 天的峰值。
# 备注
RAGFlow 版本升级至少 v0.20.0。（注意一下是否可以开启自身当作 MCP 服务的功能。）
dify 的整体使用流程流畅很多。
后期 Tool 多了，我们是否提供 MCP 注册中心。
Tool 代码的封装。
dify API 的研究。
DeepSeek-R1-Distill-Qwen-32B 工具调用。
![](../attachment/image-20260304153545122.png)
发指令 --》ibs-ai --> RAGflow --> 智能决策 a 工具 b 知识库
需要 MCP server Token 和 用户 Token。
后期 Tool 多了，我们是否提供 MCP 注册中心。
DeepSeek-R1-Distill-Qwen-32B 工具调用。
000-inbox/MCP Prompt.md
-24
View File
@@ -1,24 +0,0 @@
给我增加两个我们项目的 demo 工具。为我的查询峰值智能体做测试准备
1. 根据企业 ID 获取 企业的所属域名。（入参是企业 ID，响应 10 个域名， a.com, b.com… 固定十个。）但现在企业 ID 只有 企业A ，其他 企业 ID 返回无域名。
2. 根据企业 ID 和 域名 获取域名近 5 天的峰值带宽。（峰值带宽可以随机 mock）如果用户无域名 ID 输入返回需要输入域名。
现在我有一个 ibs-mcp-server ：
queryDomainPeakBandwidth
根据企业 ID 和域名查询该域名近 5 天的峰值带宽数据（单位：Mbps）
queryEnterpriseDomains
根据企业 ID 查询该企业所属的域名列表
queryWeather
查询指定城市在指定日期的天气预报，返回天气状况、温度、湿度和风力信息
你能给我生成一个可以导入 ragflow 的 json agent 么？让我可以直接使用。
智能体的工作就是可以查训用户的域名，如果用户没有输入域名可以用 queryEnterpriseDomains 给用户提示。
生成到根目录。注意学习相关语法。
000-inbox/React 工程师.md
-72
View File
@@ -1,72 +0,0 @@
# 关于 Node
| Node.js | Java |
| --------------- | ----------- |
| Node.js version | JDK version |
| V8 Engine | JVM |
| npm | Maven |
| N-API | JNI |
## Node.js 版本
[Node.js — Node.js 版本](https://nodejs.org/zh-cn/about/previous-releases)
# 学习资料
https://u19tul1sz9g.feishu.cn/docx/WEWJdSzF5oTnwvxHGGAc0Vojnxe?from=from_copylink
密码：M6923&65
# 第一章 开发环境与核心概念
UI = f(State)
用户界面仅仅是应用程序状态的一个函数
初始化环境
```
pnpm create vite@latest basic --template react-ts
```
导入方式：
具名导入：
```
import { ... } from 'react'
```
默认导入：
```
import ... from 'react'
```
副作用导入：
```
import './index.css'
```
# CSS
顶级作用域
```
:root {
```
媒体查询
```
@media (prefers-color-scheme: light) {
}
```
ID 选择器
```
#root
```
000-inbox/ibs-ai 项目 AI 对话流程.md
-360
View File
@@ -1,360 +0,0 @@
## 1. 对话相关模块与入口
### 1.1 HTTP 接口入口（后端）
聊天（SSE 流式）：`POST /session/chat`
查询会话列表：`POST /session/page/list`
查询某会话的历史消息列表：`POST /session/message/list`
消息反馈（点赞/点踩/评论）：`POST /session/message_feedback`
### 1.2 鉴权与用户上下文
对 `/session/**` 路径做拦截：
Filter：`web/src/main/java/com/cmcc/ai/web/filter/UserAuthFilter.java:31-55`
---
## 2. 前端怎么传参（对话接口）
### 2.1 发送消息：`POST /session/chat`
```json
{
"content": "用户输入的文本",
"sessionId": 123,
"parentMessageId": 456,
"contentType": "text",
"role": "user"
}
```
#### 实际必填/有效字段（按当前后端实现）
- **必填**：`content`
- **可选**：`sessionId`
- `sessionId == null`：后端会创建一个新会话
- `sessionId != null`：后端按该会话进行多轮
### 2.2 前端接收方式：SSE
`core/src/main/java/com/cmcc/ai/core/vo/MessageVO.java:20-72`
```json
{
"sessionId": 1,
"messageId": 10002,
"parentMessageId": 10001,
"role": "assistant",
"contentType": "text",
"msgStatus": "sending",
"content": "本次增量 token",
"reasoningContent": "（可选）模型推理内容"
}
```
当流结束时，后端会发送一条 `msgStatus=finished` 的消息（通常 `content` 为空或为最后一段），并结束 SSE 连接。
---
## 3. 后端对话编排流程（从 Controller 到落库）
核心实现类：
- `core/src/main/java/com/cmcc/ai/core/service/impl/SessionServiceImpl.java`
### 3.1 会话创建 / parentMessageId 选择
入口：`generateChatResponses(TextMessageParam param, Long userId)`
- `SessionServiceImpl.java:446-464`
逻辑：
1. **首次对话**（`param.sessionId == null`）
- `parentMessageId` 被强制设为 `0L`（常量 `DEFAULT_PARENT_MSG_ID`）
- 创建 `session_info` 记录（summary 取首条消息截断）
- 代码：`SessionServiceImpl.java:449-453`
2. **非首次对话**（`param.sessionId != null`）
- 查询该 session 下 `message_info` 的最大 id 作为 `parentMessageId`
- 代码：`SessionServiceImpl.java:454-456`
- Mapper：`MessageInfoMapper.xml:143-145`（`select max(id)`）
> 这意味着当前实现的父子关系是“链式”的：每次提问默认挂在上一条消息后面，而不是维护一棵分支对话树。
### 3.2 历史消息拼接（多轮上下文）
历史消息查询：
- `queryHistoryMsg(sessionId)`：`SessionServiceImpl.java:596-607`
构造规则：
1. 第一条固定是 **system prompt**
- `generateFirstMsg()`：`SessionServiceImpl.java:614-617`
- system prompt 来源：系统配置 `OLLAMA_CHART_SYSTEM_MSG`
- 若配置不存在则使用默认常量 `SYSTEM_MSG`
2. 从 DB 查出该 session 的所有历史 `message_content`（按 `mc.id asc`）
- SQL：`MessageContentMapper.xml:151-157`
- 每条记录映射为 `ChatMessage{role, content}`
3. 把“本次用户提问”也 append 到 historyMsg（作为最后一条 user 消息）
- `aiChatDialog()`：`SessionServiceImpl.java:632-634`
最终 historyMsg 会被完整送给大模型（多轮上下文就是这么实现的）。
### 3.3 用户消息落库
在真正请求大模型之前，用户消息会先落库：
- 插入 `message_info`（用户侧）：`insertMessage(…)`
- `SessionServiceImpl.aiChatDialog():628-630`
- 插入 `message_content`（用户文本）：`insertMessageContent(…)`
- `SessionServiceImpl.aiChatDialog():630-631`
对应表结构见 `web/src/main/resources/init.sql`：
- `session_info`
- `message_info`
- `message_content`
---
## 4. 调用的哪个 AI 接口？请求长什么样？
### 4.1 AI 接口地址与模型配置来自哪里
后端不在配置文件里写死模型与地址，而是从 DB 的 `system_config` 表读取：
- 读取 service：`SystemConfigServiceImpl.java:31-50`
- key 枚举：`common/src/main/java/com/cmcc/ai/enums/SysConfigKeyEnum.java:14-31`
对话相关的 key：
- `OLLAMA_MODEL`：模型名
- `OLLAMA_CHART_URL`：多轮对话接口地址
- `OLLAMA_CHART_SYSTEM_MSG`：system prompt
- `API_KEY`：调用上游 AI 服务时的 Authorization（代码里默认按 Bearer 使用，具体值建议视为敏感信息）
在示例初始化 SQL 中（`init.sql:70-75`），`OLLAMA_CHART_URL` 指向一个 **OpenAI 兼容风格** 的路径：`/v1/chat/completions`。
> 虽然命名叫 `OLLAMA_*`，但实际对接的上游接口形态更接近 OpenAI/DeepSeek 的 Chat Completions 流式接口。
### 4.2 后端发给上游 AI 的请求体
组装请求的代码：
- `aiChatDialog()`：`SessionServiceImpl.java:648-653`
请求体类型：`OllamaMutiplePrompt`
- `common/src/main/java/com/cmcc/ai/model/OllamaMutiplePrompt.java:20-36`
结构：
```json
{
"model": "<来自 system_config.OLLAMA_MODEL>",
"messages": [
{
"role": "system",
"content": "..."
},
{
"role": "user",
"content": "..."
},
{
"role": "assistant",
"content": "..."
},
{
"role": "user",
"content": "本次问题"
}
],
"stream": true
}
```
HTTP 请求（后端 → 上游 AI）：
- 方法：POST
- URL：`system_config.OLLAMA_CHART_URL`
- Header：`Authorization: <system_config.API_KEY>`
- 代码：`SessionServiceImpl.handleMessageWithWebClient():156-175`
- Accept：`text/event-stream`
---
## 5. AI 接口返回的什么？后端如何解析？
上游 AI 返回被按“流式”逐行消费：
- `bodyToFlux(String.class)`：`SessionServiceImpl.handleMessageWithWebClient():170-178`
后端假定每一行 `line`：
- 要么是 `"[DONE]"`
- 要么是一个 JSON chunk，可反序列化为 `ChatCompletionChunk`
解析模型（按 DeepSeek/OpenAI streaming chunk 风格）：
- `common/src/main/java/com/cmcc/ai/model/ChatCompletionChunk.java`
- 主要取值：`choices[0].delta.content`
- 推理字段：`choices[0].delta.reasoning_content`
对应解析与映射：
- `generateDeepSeekChatMessage()`：`SessionServiceImpl.java:272-311`
映射结果是内部统一的 `MessageVO`：
- `messageVO.content = delta.content`
- `messageVO.reasoningContent = delta.reasoningContent`
- `messageVO.msgStatus`：
- chunk 中包含 `finish_reason / stop_reason` 或 line 为 `[DONE]` 时，置为 `finished`
- 否则为 `sending`
> 文件里还存在 `generateChatMessage()` 用于解析 `OllamaStreamResponse`（`SessionServiceImpl.java:321-345`），但当前 `handleMessageWithWebClient()` 实际调用的是 `generateDeepSeekChatMessage()`（`SessionServiceImpl.java:184`）。
---
## 6. 后端给前端返回的什么？
### 6.1 SSE 推送的内容
后端对每个上游 chunk 都会向前端推一个 SSE event：
- `ServerSentEvent.builder(JSON.toJSONString(message)).build()`
- 代码：`SessionServiceImpl.handleMessageWithWebClient():178-189`
也就是：
- SSE 的 `data` = `MessageVO` 的 JSON 字符串
前端收到后：
- 通过 `messageId` 把同一条 assistant 消息的 token 拼起来
- 通过 `msgStatus` 判断是否完成
- 通过 `sessionId` 确定归属会话
### 6.2 对话完成后的落库与状态更新
后端在发起上游请求时，会先创建一条“assistant message_info（sending）”：
- `assistantMessage = insertMessage(…, MsgStatusEnum.SENDING)`
- 代码：`SessionServiceImpl.handleMessageWithWebClient():162-168`
流式接收过程中：
- `contentBuilder` 累积每个 chunk 的 `delta.content`
- `generateDeepSeekChatMessage():303-306`
流结束后（`doFinally`）：
- 正常完成：
- `message_content` 插入完整文本（role=assistant）
- `message_info.msg_status` 更新为 `finished`
- 并触发异步评价（见下一节）
- 代码：`SessionServiceImpl.handleMessageWithWebClient():191-195` + `handlerResponseMessage():208-218`
- 异常 / 取消：
- 仍会尽量保存已累积内容
- 并将 `message_info.msg_status` 更新为 `error/cancelled`
- 代码：`handlerResponseMessage():219-235`
### 6.3 非流式查询：历史消息列表接口返回
- `POST /session/message/list`
- 返回：`ApiResponse<List<MessageListVO>>`
- `MessageListVO`：`core/src/main/java/com/cmcc/ai/core/vo/MessageListVO.java`
- 内含 `contents: List<MessageContentVO>`
这用于“进入会话后加载历史对话”的场景。
---
## 7. 多轮对话是如何实现的？（关键点总结）
本项目的多轮对话实现方式可以概括为：
1. 每次用户发消息时：
- 先把用户消息写入 DB（`message_info + message_content`）
2. 组装“system + 历史 messages + 本次 user message”形成完整 messages 数组
- 历史消息来自 DB `message_content`，按 `mc.id asc`
3. 把完整 messages 一次性发给上游 `/v1/chat/completions`（stream=true）
4. 上游返回流式 chunk：
- 后端逐 chunk 转成 `MessageVO`，通过 SSE 推给前端
5. 流结束后：
- 把 assistant 的完整文本一次性落库
即：**上下文存储在 DB，每次请求时“全量带上历史”**。
---
## 8. 评价（可选链路，和对话强相关）
对话完成后会触发一次“问答质量评估”的异步调用：
- 触发点：`handlerResponseMessage()` 的 `ON_COMPLETE` 分支
- `SessionServiceImpl.java:209-217`
调用实现：`EvaluationServiceImpl.evaluationResult()`
- `core/src/main/java/com/cmcc/ai/core/service/impl/EvaluationServiceImpl.java:115-160`
它会：
1. 从 `system_config` 读取：
- `EVALUATE_TASK_URL`
- `CALLBACK_URL`
2. 读取“本次问/答”的 message_content 内容
3. POST 到评估系统（请求包含 query/response/callbackUrl）
4. 评估系统回调：`POST /evaluation/callback`
- Controller：`web/src/main/java/com/cmcc/ai/web/rest/EvaluationCallController.java:36-46`
这条链路不影响前端展示主流程，但会写入 `evaluation_result` 表并支撑后续统计/导出。
---
## 9. 给前端的最小对接清单（建议）
### 9.1 发起对话
- `POST /session/chat`
- body：
```json
{ "content": "...", "sessionId": 123 }
```
### 9.2 处理 SSE
- 每个 event 的 `data` 是 JSON 字符串（`MessageVO`）
- 用 `content` 做增量拼接
- 用 `msgStatus` 判断完成
- **首次对话**从第一条 event 里取 `sessionId`，用于后续多轮
### 9.3 加载历史
- `POST /session/message/list`
- body：
```json
{ "sessionId": 123 }
```
（后端只读取 `sessionId` 字段：`SessionController.java:78-83`）
---
## 10. 关键代码定位索引
- 对话接口：`web/…/SessionController.java:98-105`
- 对话编排：`core/…/SessionServiceImpl.java:446-654`
- 上游流式请求与解析：`core/…/SessionServiceImpl.java:149-196` + `272-311`
- 历史消息查询 SQL：`core/…/MessageContentMapper.xml:151-157`
- 系统配置 key：`common/…/SysConfigKeyEnum.java:14-31`
- 初始化表结构与默认配置：`web/src/main/resources/init.sql`
000-inbox/公司智能体.md
-26
View File
@@ -1,26 +0,0 @@
请为我的公司设计一个智能体方案（公司内部 AI 能力中台 / AI 插件市场）。
目前公司的主要业务是：用户可以通过我们的平台引入域名，域名在平台产生计费计量后，可以查询相关的流量情况或带宽情况。
我们现在已经有了一个 RAGFlow 流程，但也仅限于实现基础的知识库智能问答。
我们现在的目标是：
1. 支持IBS动态数据查询(工单进展、域名配置、运营数据、订购数据等)；
2. 智能分析CDN优质客户；
3. 团队纵向扩展：支持融合CDN配置一键下发下发、DNS动态数据查询
4. 实现通过对话查询流量或峰值带宽的效果。
5. 构建一个总体的、标准化的智能体框架。
6. 我们的后端代码以 Java 为主，希望这个框架是可对接的，后续能方便其他业务组（比如做 DNS 指令下发的团队）接入。
7. 实现一键 AI 智能下发。其他小组只需按照我们提供的规范提供接口，就可以接入到我们的智能体中，通过对话框完成业务操作。
请帮我设计一个完整汇报可行性方案，并给出技术选型建议：
1. 语言环境：基于 Java 语言。
2. 技术选型：是否建议使用 Spring Boot 或 Spring AI？
3. 框架评估：目前比较火的 AI 框架，比如 MCP（Model Context Protocol），是否适合我们的业务场景？
4. 架构设计：如何设计才能保证后期智能体的高可扩展性？比如其他组提供一个接口规范，我们就能为其提供智能服务。
比如先说一个简单的流程：我要查流量，那肯定是智能体去编排，决定调用某一个智能体的 Agent 工具，然后发起流量查询等等。这是一个简单的流程。
比如现在我整个服务已经跑起来了，此时隔壁的项目组给了我一个配置下发的接口，并告诉了我这个接口的参数以及请求地址。我能不能通过“可配置化”的形式，直接在我的页面上把它的地址、需要的参数等信息输入进去，这样我的智能体就拥有了这个能力，而不需要停服务或者进行二次开发。
000-inbox/句子.md
-95
View File
@@ -1,95 +0,0 @@
### 第一梯队：句子的绝对核心（没他们开不了机）
#### 1. 主语 (Subject) —— “男/女主角”
- **是什么**：整句话的主导者，也就是**“谁”**或者**“什么东西”**。它通常站在句子的最开头。
- **谁来演**：通常由**名词**或**代词**（我、你、他）来演。
- **例子**：
- **I** love apples. （**我**爱苹果。） 👉 “我”是主语。
- **The dog** is running. （**狗**在跑。） 👉 “狗”是主语。
#### 2. 谓语 (Predicate) —— “核心动作”
- **是什么**：主角（主语）**“做了什么”**动作。可以说，没有谓语就没有英语句子！
- **谁来演**：**只能由动词**来演！
- **例子**：
- I **love** apples. （我**爱**苹果。） 👉 “爱”是谓语。
- The dog **bites** the cat. （狗**咬**猫。） 👉 “咬”是谓语。
#### 3. 宾语 (Object) —— “承受者 / 倒霉蛋”
- **是什么**：动作的承受者。也就是主角的动作发泄在谁身上了。通常放在谓语（动作）的后面。
- **谁来演**：通常由**名词**或**代词**来演。
- **例子**：
- I love **apples**. （我爱**苹果**。） 👉 “苹果”被爱，是宾语。
- The dog bites **the cat**. （狗咬**猫**。） 👉 “猫”被咬，是宾语。
> **💡 小结一下：主谓宾 (S-V-O)**
> **[狗]** (主语/谁) + **[咬]** (谓语/动作) + **[猫]** (宾语/承受者)。
> 这就是英语中最常见、最重要的骨架！
---
### 第二梯队：说明状态的特殊组合
#### 4. 表语 (Predicative) —— “身份状态标签”
- **是什么**：当句子里没有明显的动作（比如跑、跳、吃），而是想说主语**“是什么”**或**“怎么样”**时，用来贴标签的词，就叫表语。
- **位置**：它永远跟在 `am/is/are` (系动词) 的后面。
- **例子**：
- I am **a teacher**. （我是**老师**。） 👉 “老师”说明我的身份，是表语。
- She is **beautiful**. （她是**美丽的**。） 👉 “美丽的”说明她的状态，是表语。
---
### 第三梯队：让句子变得更丰富的“配角”
如果你只会主谓宾，句子就像光秃秃的树干（我吃苹果）。要想句子好听，就需要下面这几个“配角”来添枝加叶：
#### 5. 定语 (Attribute) —— “名词的专属化妆师”
- **是什么**：用来修饰、限定**名词**的。它告诉你这个东西“是什么样的”、“谁的”、“多少个”。
- **谁来演**：主要是**形容词**。
- **例子**：
- I love **red** apples. （我爱**红色的**苹果。） 👉 “红色的”修饰苹果，是定语。
- This is **my** book. （这是**我的**书。） 👉 “我的”修饰书，是定语。
#### 6. 状语 (Adverbial) —— “电影的背景板”
- **是什么**：用来交代动作发生的**时间、地点、原因、方式**等。它修饰的是动词（动作）或整个句子。
- **谁来演**：通常是**副词**或**介词短语**。
- **例子**：
- I eat apples **in the morning**. （我**在早上**吃苹果。） 👉 “在早上”交代时间，是时间状语。
- The dog runs **fast**. （狗跑得**快**。） 👉 “快”交代跑的方式，是方式状语。
#### 7. 补语 (Complement) —— “最后的补充说明”
- **是什么**：有时候有了主语、谓语、宾语，意思还不完整，需要再补充一下。
- **例子**：
- Apples make me **happy**. （苹果让我**开心**。）
- *解释*：如果只说 Apples make me (苹果让我…)，话没说完。加上 happy，补充说明“我”的状态，这个 happy 就是宾语补足语（简称宾补）。
---
### 👑 终极实战演练（一句话把它们全串起来）
我们来看一句完整的话，看看大家都在演什么角色：
> **Yesterday, my cute dog bit a bad thief seriously.**
> （昨天，我可爱的狗狠狠地咬了一个坏小偷。）
我们来拆解一下这部“电影”的卡司阵容：
1. **dog** (狗) 👉 **主语** (谁干的？狗干的)
2. **bit** (咬了) 👉 **谓语** (干了什么动作？咬)
3. **thief** (小偷) 👉 **宾语** (谁被咬了？小偷被咬了)
4. **my cute** (我的可爱的) 👉 **定语** (给狗化妆：什么样的狗？)
5. **a bad** (一个坏的) 👉 **定语** (给小偷化妆：什么样的小偷？)
6. **Yesterday** (昨天) 👉 **状语** (背景板：什么时候咬的？)
7. **seriously** (狠狠地) 👉 **状语** (背景板：怎么咬的？)
**给新手的建议：**
你现在基础比较弱，**绝对不要去死记硬背 4、5、6、7**！
你现在只需要在看每一句英语的时候，能像侦探一样，准确地把 **“主语（谁）”**、**“谓语（动作）”**、**“宾语（承受者）”** 抓出来，你的英语阅读和造句就能直接及格了！
000-inbox/词性.md
-136
View File
@@ -1,136 +0,0 @@
# 第一部分：英语的8大核心“词性”（积木的种类）
要查字典或学语法，必须先认识词性。每个单词都有自己的“身份”。
## 1. 名词 (Noun, 缩写: **n.**) —— “名字”
- **是什么**：人、物品、地点、概念的名称。
- **怎么用**：通常作句子的主角（主语）或接收动作的对象（宾语）。
- **例子**：
- `apple` (苹果), `water` (水), `teacher` (老师), `China` (中国)
- **造句**：The **teacher** likes **apples**. (老师喜欢苹果。)
## 2. 代词 (Pronoun, 缩写: **pron.**) —— “替身演员”
- **是什么**：用来代替名词，为了说话不啰嗦。（比如不说“李雷吃饭，李雷喝水”，而说“他吃饭，他喝水”）
- **怎么用**：用法和名词一样。
- **例子**：
- `I` (我), `you` (你), `he/she/it` (他/她/它), `they` (他们)
- **造句**：**He** likes apples. (**他**喜欢苹果。)
## 3. 动词 (Verb, 缩写: **v.**) —— “动作或状态” (核心发动机！)
- **是什么**：表示“做什么”或“是什么”。一个完整的句子**必须**有动词！
- **怎么用**：放在主角（主语）后面。
- **例子**：
- 动作：`run` (跑), `eat` (吃), `study` (学习)
- 状态（联系动词）：`am / is / are` (是)
- **造句**：I **eat** apples. (我**吃**苹果。) / I **am** happy. (我**是**快乐的。)
## 4. 形容词 (Adjective, 缩写: **adj.**) —— “化妆师”
- **是什么**：用来修饰**名词**，说明人或事物“怎么样”。
- **怎么用**：放在名词前面，或者 `am/is/are` 后面。
- **例子**：
- `big` (大的), `beautiful` (美丽的), `red` (红色的)
- **造句**：A **red** apple. (一个**红色的**苹果。) / The apple is **big**. (这个苹果很**大**。)
## 5. 副词 (Adverb, 缩写: **adv.**) —— “特效师”
- **是什么**：用来修饰**动词**、**形容词**。通常表示时间、地点、程度、方式。很多副词以 `-ly` 结尾。
- **怎么用**：一般放在动词之后，或形容词之前。
- **例子**：
- `very` (非常), `quickly` (快速地), `here` (这里), `yesterday` (昨天)
- **造句**：I eat **quickly**. (我吃得**很快**。) / It is **very** big. (它**非常**大。)
## 6. 介词 (Preposition, 缩写: **prep.**) —— “桥梁”
- **是什么**：表示方位、时间、关系，它不能单独存在，后面必须跟名词。
- **怎么用**：和名词手拉手，组成“介词短语”。
- **例子**：
- `in` (在…里), `on` (在…上), `at` (在…点钟), `with` (和…一起)
- **造句**：The apple is **on** the table. (苹果**在**桌子**上**。)
## 7. 连词 (Conjunction, 缩写: **conj.**) —— “胶水”
- **是什么**：把单词和单词、句子和句子连在一起。
- **怎么用**：放在两个要连接的部分中间。
- **例子**：
- `and` (和), `but` (但是), `because` (因为), `so` (所以)
- **造句**：I like apples **and** bananas. (我喜欢苹果**和**香蕉。)
## 8. 感叹词 (Interjection, 缩写: **int.**) —— “情绪包”
- **是什么**：表达惊讶、高兴、痛苦等情绪的词。（最简单，基本不影响语法）。
- **例子**：`Wow!` (哇), `Ouch!` (哎哟), `Oh!` (哦)
# 第二部分：必学的核心语法（怎么拼积木）
基础差的朋友，千万不要去背什么“虚拟语气”、“非谓语动词”。你只需要掌握两样东西：**句子结构（骨架）**和**时态（时间）**。
## 第一关：英语的两大“万能骨架”（句型）
**骨架1：主语 + 谓语（动词） + 宾语 （简称：主谓宾）**
- **通俗解释**：谁 (主) + 做了什么动作 (谓) + 承受动作的事物 (宾)。
- **例子**：
- I (我) + love (爱) + you (你).
- The dog (狗) + bit (咬了) + him (他).
- *注意：英语的语序和中文基本一样。*
**骨架2：主语 + 系动词(am/is/are) + 表语 （简称：主系表）**
- **通俗解释**：谁 (主) + 是 (系) + 身份/特征 (表)。当你想描述一个事物的状态时用这个。
- **系动词怎么用**：我用 `am`，你用 `are`，`is` 连着他、她、它。
- **例子**：
- I (我) + am (是) + a student (学生). -> 描述身份
- She (她) + is (是) + beautiful (美丽的). -> 描述特征
## 第二关：英语的四大基础“时态”（时间机器）
中文说时间，动词不变（我昨天“吃”，我明天“吃”）。但**英语里，不同的时间，动词要跟着变身！** 初学者先拿下这4个最常用的：
**1. 一般现在时 (习惯、真理)**
- **什么时候用**：经常发生的动作，或者客观事实。
- **怎么变**：动词用原形。（⚠️大坑注意：如果主语是“他/她/它/单个人”，动词后面要加 `s` 或 `es`，这叫“第三人称单数”）。
- **例子**：
- I **play** games every day. (我每天玩游戏。)
- He **plays** games every day. (他每天玩游戏。—— 动词加了s)
**2. 现在进行时 (此时此刻)**
- **什么时候用**：正在发生的事情（中文里的“正在…”）。
- **怎么变**：am/is/are + 动词加 `ing`。
- **例子**：
- I **am playing** games now. (我现在**正在玩**游戏。)
- She **is sleeping**. (她**正在睡觉**。)
**3. 一般过去时 (事情已结束)**
- **什么时候用**：过去发生的事情。
- **怎么变**：动词变成过去式（通常是在后面加 `ed`，有些是不规则的需要背，比如 go变成went）。
- **例子**：
- I **played** games yesterday. (我昨天玩游戏了。—— 加了ed)
- I **went** to Beijing last year. (我去年去了北京。—— went是go的过去式)
**4. 一般将来时 (未来计划)**
- **什么时候用**：还没发生，将要发生的事情。
- **怎么变**：在动词原形前面加 `will` (将会)，或者用 `am/is/are going to` (打算)。
- **例子**：
- I **will play** games tomorrow. (我明天**将会**玩游戏。)
- We **are going to eat** pizza. (我们**打算去吃**披萨。)
# 第三部分：如何把这套指南用起来？（给新手的3条建议）
1. **先背名词和动词**：
不要一开始就背高级形容词。先背日常见到的东西（名词：桌子水杯）和每天做的动作（动词：吃喝拉撒睡）。有这两个，你就能说出最简单的“主谓宾”了。
2. **套公式造句（重点练习）**：
拿一个最简单的词，用四个时态去造句，锻炼你的大脑反应：
- 我每天喝水 (I drink water.)
- 我正在喝水 (I am drinking water.)
- 我昨天喝水了 (I drank water. *drink的过去式是drank*)
- 我明天要喝水 (I will drink water.)
3. **大声读出来**：
语法不是做选择题做会的，是嘴巴读顺了产生“语感”的。遇到看不懂的句子，就去找它的**主语**和**动词**，找到这两个，句子大意就明白了。