Android屏幕适配需关注设备尺寸、密度、窗口形态及异形屏等情况，适配核心从早期等比例缩放转向空间重排。基础单位dp（布局）和sp（字体）应替代像素，使用ConstraintLayout或Compose弹性布局替代绝对定位。多窗口、折叠屏需引入Window Size Class动态判断窗口类型（Compact/Medium/Expanded/Large），配置对应布局结构；全面屏适配需结合WindowInsets处理状态栏、导航栏及刘海屏区域，控制元素边缘距离。图片资源采用VectorDrawable和不同密度的drawable目录，避免额外适配成本。传统方案如多套layout、AutoLayout存在维护复杂、大屏僵硬等问题，现代方案应优先采用官方推荐组合：dp/sp+弹性布局+资源限定符+WindowInsets+Window Size Class，分别解决密度、窗口规模、沉浸式交互适配。核心原则为小屏保证可用性，大屏重构布局，避免依赖等比例缩放。

Android沉浸式状态栏需满足状态栏变色、透明、Edge-to-edge覆盖及窗口内边距适配等需求。技术演进经历三个阶段：Android4.4-5.0通过半透明状态栏和假View实现视觉遮罩；6.0-14依赖状态栏颜色变色、深色图标及第三方框架（如ImmersionBar）兼容差异系统；15+ SDK原生于Edge-to-edge和WindowInsets，要求内容避开系统栏并精确控制边距。适配核心已从状态栏颜色调整转向使用WindowInsetsController统一管理顶部 statubar/导航栏隐藏模式、top view的statusBarsPadding、bottom view的navigationBarsPadding、列表项bottom padding调整。新项目推荐使用Material3 Scaffold+enableEdgeToEdge+WindowInsets模式，避免引入第三方框架；旧项目需逐步替换旧的system UI flag方案为 Insets API，重点检测Android15+设备的内容遮挡问题和华为/小米等差异ROM的刘海区适配。

RAG 通过三个核心模型实现精准问答：Embedding 模型将文本转换为语义向量，快速从知识库筛选候选资料；Rerank 模型基于用户问题与候选文档重新排序，提升召回准确性；LLM 大模型结合排序后的资料生成自然语言答案。相较于传统大模型，RAG 机制有效解决知识时效性不足和私有资料缺失问题，通过实时关联资料降低幻觉风险。其流程包含文档入库（收集、切片、向量化、存储）和用户提问（向量检索、重排序、答案生成）两个阶段。应用场景包括企业知识库、法律/医疗文档问答及技术文档检索，尤其在大型复杂知识库中，Rerank 模型能显著优化排序结果。核心价值在于确保大模型基于准确、时效的内部资料输出答案，而非依赖训练时见过的公开数据，可提升问题解决的专业性和可靠性（字数：217）。

grill-me 可以理解成一个 “拷问式需求澄清 / 方案审查 skill”。 它不是让 AI 直接写代码，而是让 AI 像一个很挑剔的技术负责人一样，不断追问你： 这个需求到底要解决什么问题？ 哪些情况不做？ 边界条件是什么？ 有没有更简单的方案？ 现有代码里有没有类似实现？ 这个设计会不会引入

grill-me 可以理解成一个 “拷问式需求澄清 / 方案审查 skill”。 它不是让 AI 直接写代码，而是让 AI 像一个很挑剔的技术负责人一样，不断追问你： 这个需求到底要解决什么问题？ 哪些情况不做？ 边界条件是什么？ 有没有更简单的方案？ 现有代码里有没有类似实现？ 这个设计会不会引入

Trellis是面向AI编程助手的项目级规范、任务和记忆系统，解决长期项目中AI对上下文理解不足的问题。其核心模块包括：Spec（项目规范）存储分层设计、接口响应、异常处理等具体规则，Task（任务文件）明确当前需求边界、范围和验收标准，Workspace（项目内存）记录开发过程和历史决策。 Java Web开发中，Trellis通过分层规范（如Controller仅传递请求、Service处理业务逻辑）避免AI写错代码层级，通过API响应规范（统一使用ApiResponse）确保交互一致性，通过异常处理规范（统一捕获业务异常）减少try-catch滥用。实施流程建议先制定基础规范（分层职责、接口格式、事务规则），再通过实际任务（如新增注册接口）验证规范有效性，持续将开发经验沉淀到Spec中。相比Superpowers的流程驱动，Trellis专注将项目规则固化为可版本控制的文件，适用于长期团队协作项目，特别解决AI跨会话断片、任务范围蔓延及规范缺失等痛点，帮助沉淀可复用的系统级最佳实践。

最近在使用 Trellis 辅助开发项目时，我发现了一个挺有意思的问题：明明项目的主要业务代码不是 Python，但 GitHub 仓库列表里却显示这个仓库的主要语言是 Python。 一开始我还以为是 GitHub 识别错了，后来才发现，问题其实出在 GitHub 的语言统计规则上。 一、问题现象

在 Android 开发中，Service 经常被理解成“后台任务组件”。但从 Android 8.0 开始，系统对后台执行做了越来越严格的限制，普通后台 Service 已经不再适合长期运行任务。 这时候，ForegroundService 就变得非常重要。 不过 ForegroundServic

HandlerThread 是 Android 提供的子线程管理工具，整合了 Thread、Looper 和 MessageQueue，支持通过 Handler 串行提交后台任务。其核心三点：一是创建后需按 create→start→getLooper→post 顺序操作，否则会导致消息循环不生效（如示例中直接 new HandlerThread 后获取 looper 失败）；二是任务需在子线程执行，但 UI 更新必须通过 runOnUiThread 或主线程 Handler；三是停止时必须调用 quitSafely 让消息循环自然结束，避免内存泄漏。适用场景包括传感器数据处理、蓝牙指令队列等轻量级串行任务，但其线程仅在进程内存活，无法跨进程持续执行（如上传任务需 WorkManager，而拍照压缩队列适合）。对比 IntentService，HandlerThread 更灵活无需完整 Service，但也无自动回收机制，需主动管理生命周期。最佳实践是用 WorkerThread 封装单例工具，确保任务解耦且线程独立存在或销毁。

在 Android 后台任务体系里，JobIntentService 是一个很有时代感的类。 它出现的背景是：以前我们经常用 IntentService 来处理后台任务，比如上传日志、同步数据、处理广播后的耗时操作。但从 Android 8.0 开始，系统加强了后台执行限制，普通后台 Service