利用 AI 作图帮助理解知识

一、背景

人类对图形的接受和处理能力高于对文字和数字的处理能力。 如果我们学习某个知识的时候，能够找到配套的图，理解会好很多。 但，并不是所有的知识都有配图。

然而，人工智能的时代已经来临，为什么不尝试用 AI 来绘图帮我们理解呢？

二、示例

对于简单的问题可以直接要求 AI 绘图解释；对于复杂的问题，可以先让它进行解释，满意之后再让它作图帮助我们理解。 AI 免费版用户可以考虑让它用 PlantUML 作图，Plus 用户可以使用作图插件如 Show Me 等。

2.1 简单问题，直接要求绘图

请使用 PlantUML 语法，生成一个描述 TCP 三次握手的时序图。

@startuml

participant "客户端" as client
participant "服务端" as server

client -> server : SYN = 1, Seq = x
note right : 第一次握手，\n客户端发送连接请求报文，\n并进入 SYN_SEND 状态

server --> client : SYN = 1, ACK = 1, Seq = y, ACK num = x+1
note right : 第二次握手，\n服务端接收到请求后发送确认报文，\n并进入 SYN_RCVD 状态

client --> server : ACK = 1, Seq = x+1, ACK num = y+1
note right : 第三次握手，\n客户端再次发送确认报文，\n之后进入 ESTABLISHED 状态

@enduml

2.2 复杂问题，先让解释后绘图

问题 1：Spring 是如何解决循环依赖问题的？

AI 的回答： Spring Framework 在处理循环依赖问题时采用了三级缓存机制。 这三级缓存包括 singletonObjects、earlySingletonObjects 和 singletonFactories，每个都有其特定的作用：

1. singletonObjects：这是一个已完全初始化的 Bean 缓存池。当一个 Bean 完全初始化完成后，Spring 将其放入这个缓存中。
2. earlySingletonObjects：这是一个早期 Bean 缓存池。当一个 Bean 实例化完成，但还未完成初始化（如还未进行属性填充，初始化方法调用等）时，Spring 会将其放入这个缓存。
3. singletonFactories：这是一个 Bean 工厂缓存池。当一个 Bean 实例化后，Spring 会将创建该 Bean 的工厂方法放入这个缓存。

当出现循环依赖时，Spring 的处理流程如下：

1. 假设有 A、B 两个类相互依赖，Spring 首先创建 A 类的实例，然后发现 A 类依赖于 B 类。
2. Spring 暂停 A 的创建，开始尝试创建 B 类的实例，发现 B 类又依赖于 A 类。
3. Spring 在 singletonFactories 中查找有没有 A 的工厂，发现有，就用这个工厂来创建一个 A 的早期对象，并存放到 earlySingletonObjects 缓存中。
4. B 类在初始化时，会从 earlySingletonObjects 缓存中获取到 A 的早期对象，完成 B 类的创建，并放入 singletonObjects 缓存。
5. Spring 继续 A 类的创建，此时它从 singletonObjects 缓存中获取到了已完全初始化的 B 类对象，完成 A 类的创建，并放入 singletonObjects 缓存。

以上就是 Spring Framework 如何处理循环依赖问题的主要过程。需要注意的是，这个处理流程只适用于单例作用域的 Bean，并且构造器注入的情况下无法处理循环依赖。

批注：先不管上述答案是否完全准确，但是看上述的描述确实很让人头大，如果有对应的流程图或者时序图，再结合上述的描述会容易很多。

问题2：根据上述的描述使用 PlantUML 绘制对应的时序图帮助我理解这个问题

当然可以，以下是一份简化的 PlantUML 时序图描述，这应该能帮助你更好地理解 Spring 如何处理循环依赖的问题：

这个图表展示了当 Spring 容器在创建 Bean A 和 Bean B 时如何处理它们之间的循环依赖关系。注意这个过程只适用于单例的 Bean，如果是原型的 Bean，则每次请求都会创建一个新的 Bean 实例，因此不存在循环依赖的问题。

三、一些思考

AI 降低了知识学习的成本和路径。 以前学习一些知识，需要搜各种网页，需要购买各种图书、需要看各种视频等。现在直接通过对 AI 进行提问就可以快速得到想要的答案，可以通过不断循序渐进地提问对一个知识理解非常深刻。最近被 AI 的强大理解能力所震撼。当你能够给出全面的上下文，通常能够给你比较满意的答案。当我们学习知识时，可以尝试让 AI 模型给我们用通俗易懂的语言给我们解释，可以让它给我们举一些例子等。

现在国内外大模型不是太少而是太多，而且过于同质化。对于普通开发者来说，应该主动思考如何更好地利用 AI 帮助提高我们日常开发的效率，提高我们的生活质量。

虽然 AI 可能会出现错误和“幻觉”，但是整体来说利大于弊。不是 AI 取代了人类，而是善于使用 AI 的人取代了不会使用 AI 的人。希望大家能够真正利用起来，提高工作效率，提高生活质量。