超音数学习笔记

最新推荐文章于 2025-08-02 14:00:02 发布
最新推荐文章于 2025-08-02 14:00:02 发布
阅读量761 收藏 8
点赞数 9
CC 4.0 BY-SA版权
文章标签： 学习 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_64764193/article/details/144805154

 SuperSonic主要流程

  1. 原始文本先经过Schema Mapper生成SchemaMapInfo；

  2. 经过Schema Parser生成SemanticQuery和SemanticParseInfo（包含S2SQL）；其中规则/LLM解析均生成S2SQL；

  3. S2SQL经过SemanticCorrector对S2SQL进行修正，生成修正S2SQL；

  4. 修正后的S2SQL再经过Semantic层转换为执行SQL，查询物理数据模型获取结果数据；

一、Mapper功能

1.作用

SchemaMapper用于从输入文本中，解析所有可能存在的SchemaElement；并将这些SchemaElement数据通过SchemaMapInfo将传递到下一步的Parser中，作为后续Parser解析识别使用；

2.分类

以访问次数为例：

基于Embedding的语义识别(EmbeddingMapper)：

浏览量与访问次数语义近似

前后缀识别(HanlpDictMapper)：

前缀

后缀

模糊识别(FuzzyNameMapper)：

3.SchemaMapper使用的识别器

com.tencent.supersonic.chat.api.component.SchemaMapper=\
    com.tencent.supersonic.chat.mapper.EmbeddingMapper,\
    com.tencent.supersonic.chat.mapper.HanlpDictMapper,\
    com.tencent.supersonic.chat.mapper.FuzzyNameMapper,\
    com.tencent.supersonic.chat.mapper.QueryFilterMapper,\
    com.tencent.supersonic.chat.mapper.EntityMapper
  • EmbeddingMapper：支持语义层面映射，获取到输入文本中更多的语义相似的词匹配。
  • HanlpDictMapper：借用Hanlp词典能力，从纯文本角度按前后缀方式识别文本中的相似词。
  • FuzzyNameMapper：通过模糊搜索识别更多的词，以解决HanlpDictMapper只支持前后缀搜索的的不足。
  • QueryFilterMapper：用于过滤查询条件，去掉无效或冗余的查询条件。
  • EntityMapper：处理实体数据的映射，识别文本中的实体名称。

4.工作流程

输入数据：用户输入的查询文本

输出数据：SchemaElement数据

SchemaElement主要分为几个类型：model(模型)、metric（指标）、dimension（维度）、value（维度值）、entity（实体名）

①输入文本的接收与预处理
  • 接收文本：接收用户输入的查询文本。
  • 分词处理：使用HanLP工具进行分词处理，将输入文本分割为一个个词语。
②词典数据利用
  • 词典数据格式：词典主要由word、nature、frequency，三类组成，其中nature构造如下； 

 同一个word，如果frequency不同，可以选取frequency较大的作为识别的内容；

  • 实时词典构造：
    • 数据更新：
      • 定期（每1分钟）对比model、metric、dimension、value（仅在界面配置的维度值数据）、entity元数据，如果有变化则更新词典。
      • 监听model、metric、dimension、value、entity元数据变更事件，实时更新词典。
    • 具体实现：
com.tencent.supersonic.knowledge.listener.ApplicationStartedListener    //初始化
com.tencent.supersonic.knowledge.dictionary.builder.ModelWordBuilder
com.tencent.supersonic.knowledge.dictionary.builder.MetricWordBuilder
com.tencent.supersonic.knowledge.dictionary.builder.DimensionWordBuilder
com.tencent.supersonic.knowledge.dictionary.builder.ValueWordBuilder
com.tencent.supersonic.knowledge.dictionary.builder.EntityWordBuilder
  • 离线词典构造：
    •  一般生产环境下，维度值数据量大且不像维度名、指标名等可以实时获取变更；因此，对于维度值的构造，采用离线方式；
    • 定期或主动触发离线构造任务，通过查询语义层获取维度值，并按词典格式写入到文件中。
    • 文件存储方式可支持本地文件、HDFS等。
IOAdapter=com.tencent.supersonic.knowledge.dictionary.HadoopFileIOAdapter
③探测过程
public List<T> detect(QueryContext queryContext, List<Term> terms, Set<Long> detectModelIds) {
    // QueryContext queryContext：包含查询的上下文信息，例如用户的查询文本。
    // List<Term> terms：要检测的术语列表。
    // Set<Long> detectModelIds：用于检测的模型ID集合。
    Map<Integer, Integer> regOffsetToLength = getRegOffsetToLength(terms);
    // 该行代码通过调用 getRegOffsetToLength 方法获取术语的偏移量和长度的映射。
    String text = queryContext.getRequest().getQueryText();
    // 从查询上下文中提取用户的查询文本。
    Set<T> results = new HashSet<>();
    Set<String> detectSegments = new HashSet<>();
    // 用于存储检测到的结果和检测段。
    
    for (Integer startIndex = 0; startIndex <= text.length() - 1; ) { //遍历查询文本的每个起始索引。
        for (Integer index = startIndex; index <= text.length(); ) { //从当前起始索引开始，逐步向后移动，检测文本段。
            int offset = mapperHelper.getStepOffset(terms, startIndex);
            index = mapperHelper.getStepIndex(regOffsetToLength, index);
            // 通过 mapperHelper 获取当前的偏移量和更新索引。
            if (index <= text.length()) {
                String detectSegment = text.substring(startIndex, index);
                detectSegments.add(detectSegment);
                // 提取当前的检测段，并将其添加到 detectSegments 集合中。
                detectByStep(queryContext, results, detectModelIds, startIndex, index, offset);
                // 调用 detectByStep 方法进行具体的检测操作。
            }
        }
        startIndex = mapperHelper.getStepIndex(regOffsetToLength, startIndex);
        //更新起始索引，以便进行下一轮检测。
    }
    
    detectByBatch(queryContext, results, detectModelIds, detectSegments); //在所有段落检测完成后，进行批量检测。
    return new ArrayList<>(results);    //将结果集合转换为列表并返回。
}

语义识别（EmbeddingMapper）

  • 分词结果：通过HanLP获取的分词结果。
  • 向量查询：将所有分词结果导入向量数据库，进行批量查询，获取最相似的数据。
  • 模型过滤：按model进行分类。
  • 相似度过滤：按配置的相似度阈值进行过滤。
  • 结果写入：将识别结果写入到QueryContext中的mapInfo中。

上下文识别 （HanlpDictMapper）

  • 分词结果：通过HanLP获取的分词结果。
  • Trie树查询：通过Trie树进行前后缀匹配。
  • 编辑距离计算：计算分词结果与词典中词的编辑距离，按配置的相似度阈值进行过滤。
  • 结果写入：将识别结果写入到QueryContext中的mapInfo中。

 模糊识别（FuzzyNameMapper）

  • 分词结果：通过HanLP获取的分词结果。
  • 数据库模糊搜索：从数据库中进行模糊搜索。
  • 编辑距离计算：计算分词结果与数据库中词的编辑距离，按配置的相似度阈值进行过滤。
  • 结果写入：将识别结果写入到QueryContext中的mapInfo中。
④结果去重
  • 结果汇总：各个Mapper识别到的SchemaElement按model进行分类，统一添加至QueryContext中的mapInfo中。
  • 去重处理：在添加时进行对数据去重处理，避免重复识别。
⑤结果输出
  • 最终生成的SchemaElement通过QueryContext传递给后续的Parser进行进一步解析和处理。

二、Parser功能

1.作用

SemanticParser接收用户输入文本和Mapper映射结果，并抽取语义信息SemanticParseInfo封装到SemanticQuery，用于后续SQL生成和前端信息展示。

2.分类

Parser主要分为SQL和Plugin两大类：

  • SQL类型的Parser用于将用户输入的文本以及Mapper阶段探测识别生成的SchemaMapInfo转化为S2SQL。
  • Plugin类型的Parser主要用来根据用户文本对Plugin做召回。

根据解析方式的不同，SQL类型的Parser又可分为规则和LLM两种类型

  • 规则类型的Parser根据常见的数据查询场景内置了一些规则，并基于这些内置的规则和SchemaMapInfo来生成解析结果。
  • LLM Parser则直接将用户输入的文本以及相关SchemaElement交给LLM来生成解析结果。

Plugin类型的Parser则主要通过Embedding或者FunctionCall的方式来召回一些插件，插件可以是一个网页，也可以是一个HTTP服务。

3.SqlParser

LLMSqlParser

输入参数：主要包含查询文本、识别的value取值linking、识别的modelName、以及相关的中文字段名；

输出参数：主要是大模型解析后的S2SQL；

LLMSqlParser通过把Mapper阶段识别到的相关SchemaElement提供给LLM作为先验知识的方式来生成S2SQL，主要实现原理如下:

  1. 首先进行前置判断，由于LLM Parser需要请求大模型，耗时较长，因此会首先通过SatisfactionChecker来判断是否已有得分较高且满足阈值(参考SemanticParseInfo中的score字段)的Query，若已有，则进行跳过。

  2. 其次进行数据模型的选择，由于Mapper阶段从文本中可能识别得到归属于多个数据模型的SchemaElement，因此在请求大模型之前，需要先根据规则(这个规则可以通过SPI的方式自行定义，如选择包含SchemaElement最多的数据模型)选择得到最有可能的模型。

  3. 开始组装模型请求结构体，根据步骤2得到的数据模型，获取这个数据模型三个部分的数据:

    a. Mapper阶段识别到的指标和维度

    b. 根据使用次数统计排序得到的TOP-N个指标和维度

    c. Mapper阶段识别到的维度值(考虑到数据隐私，可通过系统设置中的开关来决定是否要把值传递给模型)

  4. 请求大模型，得到大模型解析到的S2SQL，若得到多条S2SQL，则进行去重并为每条S2SQL生成一个Query。

RuleSqlParser

RuleSqlParser通过规则的方式来生成S2SQL，通过这种方式来生成S2SQL的好处也显而易见，那就是快速而又成本低，主要实现原理如下:

1.如下图，系统中首先内置了指标和标签两种类型的共8种查询模式，以及规定了每种查询模式要求文本必须包含的元素。

 2.当用户文本经过Mapper识别成SchemaMapInfo之后，RuleSqlParser则可以根据生成的SchemaMapInfo来判断是否满足某个查询模式的要求，若满足，则生成一个Query，放入候选Query列表。

其它辅助Parser

其它辅助Parser主要用于对RuleSqlParser做辅助增强。 

ContextInheritParser是一个基于规则实现上下文的Parser，当RuleSqlParser所得到的SchemaMapInfo不足以构成上述任何一个查询模式的时候，ContextInheritParser就开始发挥作用了，它把当前会话里上一次成功问询的的SchemaMapInfo拿出来，并和本次的SchemaMapInfo做一次合并，然后再去挨个判断一下是否满足上述哪个查询模式，若满足，则同样生成一个Query，并放入候选Query列表。 

TimeRangeParser主要用来解析文本中涉及到的时间，通过正则和xk-time这个开源时间解析工具来达到时间解析的目的。 

AggregateTypeParser则是通过正则的方式来识别文本中涉及到的聚合算子意图词。

AgentCheckParser用于校验，判断当前生成的候选Query是否满足当前所选Agent的限定范围。

QueryTypeParser

QueryTypeParser主要做了两件事情。第一件事情是为每个规则类型的Query根据SemanticParseInfo中的结构体信息生成S2SQL，便于后续解析执行，第二件事情是根据S2SQL中的字段来为Query划分模式。划分规则如下: 

ID模式: 主要用于ID查询实体的场景，如果S2SQL中含有对主键(在创建数据源的时候指定的主键并配置了实体别名)的过滤就为ID模式

标签模式: 主要用于标签圈选实体的场景，如果where子句中的字段都为标签，则为标签模式 

指标模式: 主要用于指标计算场景，可根据维度来进行过滤和下钻，若不满足以上两种模式，且S2SQL中包含指标，则为指标模式

4.PluginParser

Plugin注册

用户在页面上录入一个Plugin之后，会通过监听机制，注册到向量数据库。由于向量库的文本ID不可重复，因此注册的时候需要根据系统内置的计算方式，为Plugin的每个预设问题分配一个唯一ID，从而方便在进行召回的时候，根据预设问题的ID反向计算得到Plugin的ID。

PluginParser

PluginParser是一个插件召回的抽象类，它定义了召回插件的基本流程和构造Query等一些公共方法。主要流程如下:

  1. 首先判断前置条件，Embedding和FunctionCall的前置条件各不相同，因此定义为抽象模板方法。

  2. 进行Plugin召回，Embedding和FunctionCall的召回方式也各不相同，因此也定义为抽象模板方法。

  3. 若有满足条件的Plugin成功被召回，则构造为一个Query

EmbeddingRecallParser

EmbeddingRecallParser是PluginParser的其中一种实现，主要定义了EmbeddingRecall所需要的前置条件和具体召回实现。

a. 前置条件：系统中当前助理下可被召回的Plugin不为空。

b. 具体召回实现:

  1. 把用户输入的文本去请求向量数据库。

  2. 从向量数据库召回多个(召回数量可配置)跟用户输入文本相似的Plugin预设问题，并按相似度进行排序。

  3. 按上面Plugin注册提到的ID计算方式，根据预设问题的ID反向计算得到插件的ID。

  4. 对召回的Plugin进行校验，由于每个Plugin在页面配置的时候设定了必要的参数，因此需要把SchemaMapInfo中识别到的Schema Element和Plugin的参数进行比对，以判断当前识别到的Element能否构成Plugin的参数。假如在Plugin定义中，name这个维度的值是这个召回所必要的参数，那么就需要判断SchemaMapInfo是否包含name这个维度的值，如Alice。

  5. 选中一个满足参数条件的且相似度最高的Plugin。

FunctionCallParser

FunctionCallParser是PluginParser的另一种实现，它和EmbeddingRecallParser相比略有不同，主要不同点在于FunctionCall的方式耗时较长，成本较高且无需注册，因此前置条件和召回方式都略有不同。

a. 前置条件: 系统中当前助理下可被召回的Plugin不为空且暂时还没有满足SatisfactionChecker条件的Query。

b. 具体召回实现:

  1. 获取到当前助理下所有可被用于召回的插件，并进行参数校验。

  2. 若校验之后只剩一个插件，则直接返回这个插件，否则把多个Plugin拼装FunctionCall结构体，请求FunctionCall。

  3. 得到返回结果，由于FunctionCall只会返回唯一一个结果，因此直接选中返回。

 三、Corrector功能

1.作用

经过规则/LLM解析生成的S2SQL（尤其是LLM解析），常常出现不符合语义、信息展示不全、日期缺失等问题；Semantic Corrector主要功能是对S2SQL进行修正，使查询结果更符合用户要求。

2.分类 

SuperSonic中的Corrector有以下几类，SchemaCorrector、SelectCorrector、WhereCorrector、GroupByCorrector、HavingCorrector；

3.SchemaCorrector

    由于大模型生成的S2SQL，在字段名、维度值、以及聚合函数等上生产错误；该Corrector主要作用是修正在Schema相关侧的S2SQL的错误；

a.字段名修正

    例如，S2SQL中，访问者 = 'alice' 和访问日期 >= '2023-11-04' ；传给大模型的filedNameList中，不存在字段名"访问者"、"访问日期"；因此，需要将S2SQL中的字段"访问者"修正为"用户名"，字段"访问日期"修正为"数据日期"；

b.维度值修正

    例如，访问者 = 'alice' 中的alice，模型有时候会生成错误的维度值如"Alice"等；S2QL的维度值，将导致无法查询到准确的数据；因此，需要将S2SQL中的维度值进行修正；

c.修正策略

    目前的修正策略主要是利用hanlp来进行维度值修正，通过文本相似度来修正字段名；目前正在实现通过语义来修正字段名和维度值；

4.SelectCorrector

该corrector主要作用是将一些S2SQL Where条件中的字段一起展示出来，提升用户体验；如"按部门统计，访问次数大于10次部门有哪些"，大模型生成的S2SQL：

SELECT 部门 FROM 超音数 GROUP BY 部门 HAVING SUM(访问次数) > 10

    该查询只会将字段"部门"查出，通常用户需要知道超过10次的"部门"以及对应"访问次数"具体是多少；主要实现原理是通过jsqlparser框架将group by、order by涉及的字段，加入到select中；

5.WhereCorrector

①添加"数据日期"字段过滤：如前面的输入"按部门统计，访问次数大于10次部门有哪些"，返回的S2SQL并没有加上"数据日期"过滤，默认会全表扫描；数据日期添加的逻辑如下：

  • 判断此次查询是查询模式：指标模式or标签模式；
  • 如果是指标模式，则获取问答设置中的指标模式时间范围；如果没有配置或配置的是负数，则不进行"数据日期"添加；
  • 如果是标签模式，则获取问答设置中的标签模式时间范围，其他同b。

②解析相对时间：对于相对时间识别，大模型识别比较复杂；SuperSonic实现逻辑是：将相对时间currentDate加入到prompt中，并采用datediff来表达相对时间。

因此该Corrector的另外一个功能是，将约定的相对时间转换为数据库能执行的时间；

1、最近3天：datediff('day', 数据日期, '2022-11-06') <= 3     转换为：数据日期 <="2022-11-06" and 数据日期 >="2022-11-04"2、最近12个月：datediff('month', 数据日期, '2022-11-06') <= 123、最近3年：datediff('year', 数据日期, '2022-11-06') <= 3

 ③添加QueryFilter限定条件

    在QueryReq中有一个queryFilters参数，主要是在某些场景，需要将已知的限定条件带到后端；如：已经明确识别到了某些条件，需要将这些限定条件加入到查询中；因此，该功能主要利用jsqlparser将限定条件加入到S2SQL Where条件中；

6.GroupByCorrector

    该corrector主要作用是对大模型生成的S2SQL的group by部分进行修正；以文本-"访问次数最高的部门"举例说明，大模型生成的S2SQL: SELECT 部门 FROM 超音数 WHERE 数据日期 = '2023-11-27' ORDER BY 访问次数 DESC LIMIT 1，不符合用户查询语言，没有对部门进行group by；

1、大模型生成的S2SQLSELECT 部门 FROM 超音数 WHERE 数据日期 = '2023-11-27' ORDER BY 访问次数 DESC LIMIT 12、经过SchemaCorrectorSELECT 部门 FROM 超音数 WHERE 数据日期 = '2023-11-27' ORDER BY 访问次数 DESC LIMIT 13、经过SelectCorrectorSELECT 部门, 数据日期, 访问次数 FROM 超音数 WHERE 数据日期 = '2023-11-27' ORDER BY 访问次数 DESC LIMIT 14、经过WhereCorrectorSELECT 部门, 数据日期, 访问次数 FROM 超音数 WHERE 数据日期 = '2023-11-27' ORDER BY 访问次数 DESC LIMIT 15、经过GroupByCorrectorSELECT 部门, 数据日期, SUM(访问次数) FROM 超音数用户部门 WHERE 数据日期 = '2023-11-27' GROUP BY 部门, 数据日期 ORDER BY SUM(访问次数) DESC LIMIT 1

    可以看到经过GroupByCorrector后，我们增加了对"部门"和"数据日期"的group by操作，并且是对指标进行SUM后排序；最终结果是符合预期；

7.HavingCorrector

    该corrector主要作用是对大模型生成的S2SQL的Having部分进行修正；以文本-"访问次数大于10次的部门有哪些"举例说明，大模型生成的S2SQL:SELECT 部门 FROM 超音数 WHERE 访问次数 > 10；没有按照group by进行聚合，并且指标过滤也需要通过having才可行；

1、大模型生成的S2SQLSELECT 部门 FROM 超音数 WHERE 访问次数 > 102、经过SchemaCorrectorSELECT 部门 FROM 超音数 WHERE 访问次数 > 103、经过SelectCorrectorSELECT 部门 FROM 超音数 WHERE 访问次数 > 104、经过WhereCorrectorSELECT 部门 FROM 超音数 WHERE (访问次数 > 10) AND 数据日期 = '2023-11-20'5、经过GroupByCorrectorSELECT 部门 FROM 超音数用户部门 WHERE (SUM(访问次数) > 10) AND 数据日期 = '2023-11-20' GROUP BY 部门6、经过HavingCorrectorSELECT 部门, SUM(访问次数) FROM 超音数用户部门 WHERE 数据日期 = '2023-11-20' GROUP BY 部门 HAVING SUM(访问次数) > 10

可以看到经过HavingCorrector后，在HAVING中增加了"SUM(访问次数) > 10 "过滤，满足了用户查询语义；

Soungkayou
关注
超音数supersonic使用教程
Good Luck
11-12 3379
拉取docker-compose.yml配置文件。博主用的ollama框架部署了千问模型。
Xinhui学习NLP的笔记本：基于注意力机制的机器翻译
Ahu_Wxh_Ai的博客
06-23 1219
在下面的文章中，我们要实现基于注意力机制并使用Transformer模型的机器翻译实现机器翻译，并对一些必要的储备知识进行探索，如1. 编码器-解码器结构； 2. 束约束；3. 注意力机制；4. 基于带注意力机制的机器翻译；5. 基于Transformer实现机器翻译（日译中）；6. 总结
腾讯音乐基于 Apache Doris + 大模型构建全新智能数据服务平台
SelectDB
09-05 988
Apache Doris 助力腾讯音乐构建查询高效、实时统一分析的 OLAP 引擎，为用户提供个性化、实时化、灵活化的智能数据服务平台。
Text2SQL/ChatBI：虚有其表还是真材实料？
qq_46242326的博客
04-04 494
目的是构建大模型领域的基础设施，通过开发多模型管理(SMMF)、Text2SQL效果优化、RAG框架以及优化、Multi-Agents框架协作、AWEL(智能体工作流编排)等多种技术能力，让围绕数据库构建大模型应用更简单，更方便。例如DB-GPT-Hub。方法四：基于Agent的自适应SQL生成，使用LongChain等框架，让模型在SQL生成过程中进行推理和多轮交互，建立SQL生成Agent。方法一：简单粗暴的方法，调用FunctionCall，根据模型返回的信息，判断需不需要额外调用函数。
先进芯片封装技术学习笔记
cp89998的博客
12-13 3197
先进之处：集成度高、尺寸小且轻量化、性能优异（连线技术先进、热管理良好）、多功能集成、制造灵活性高、多种材料应用广泛。封装架构：包括倒装芯片技术（Flip Chip）、系统级芯片（System on Chip）、芯粒（Chiplet）、多芯片模组（Multi Chip Module）、叠层技术（Package On Package & Package In Package）、系统级封装（System in Package）、晶圆级封装（Wafer Level Package）等。
【论文学习笔记】《An Overview of Voice Conversion and Its Challenges》
求求你们别卷了
02-10 3751
《An Overview of Voice Conversion and Its Challenges: From Statistical Modeling to Deep Learning》论文学习 文章目录《An Overview of Voice Conversion and Its Challenges: From Statistical Modeling to Deep Learning》论文学习  摘要  1 介绍  2 典型语音转换流程  3 使用并行训
Arduino基础学习笔记-初步了解
FIll_Mood的博客
04-06 823
1.首先对Arduino要有一个了解 特点 1、开放源代码的电路图设计，程序开发接口免费下载，也可依需求自己修改。 2、使用低价格的微处理控制器(AVR系列控制器)，可以采用USB接口供电，不需外接电源，也可以使用外部9VDC输入。 3、Arduino支持ISP在线烧，可以将新的“bootloader”固件烧入AVR芯片。有了bootloader之后，可以通过串口或者USB to Rs232...
pyltp学习笔记——中文语言处理工具
一条小黑龙的博客
11-17 464
前言 NLTK是使用最广泛的自然语言处理工具集，我最开始的时候也是想用它的，但是后来发现中文效果并不好，你如果翻译成了英文，文章意思根本就不一样了。 推荐使用哈工大的LTP自然语言处理平台http://www.ltp-cloud.com/，我们使用pyltp包进行操作 安装包 pip install pyltp 不成功的话直接下载whl文件，使用whl文件安装，不过这是64位的3.6使用版本，为了挣点积分，我放在了CSDN上，下载链接如下 https://wwx.lanzoux.com/i7QnTigy0
Arduino学习笔记（0）：初识Arduino
Techblog of HaoWANG
12-22 6286
目录 1. Arduino简史 2. Arduino特点 2.1 Arduino参数： 2.2 Arduino 板的说明 3. 软件支持 3.1 IDE： 3.2 Sketch： 4. Arduino编程语言 5.Arduino 数据类型 6.Arduino 变量和常量 什么是变量范围？ 局部变量 全局变量 1. Arduino简史 Arduino是一家制作开源计...
Android 组件化架构概要，ffmpeg音视频开发实战陈超
m0_64319298的博客
11-22 688
ChatModule ContactModule FindModule MeModule BaseModule 分别对应的是微信，联系人，发现，我和基类。 3.自定义Gradle 我们在Project的根目录创建一个config.gradle来统筹我们的依赖和版本信息 里面比较关键的还是我们配置的 IS_BUILD_MODULE 变量，如果可以设置当为true的时候，Module可以单独运行，即Application，如果为false，那么我们就只能让Module作为Librar..
考研备考资料真题-青岛大学英语综合2009-2011--2015年考研专业课初试真题.docx
06-28
- **考研备考资料**：指为了准备研究生入学考试而提供的各种学习材料，包括但不限于书籍、笔记、历年真题等。 - **真题**：指以往年度研究生入学考试的实际试题，这些试题是考生复习过程中极其宝贵的参考资料。 - **...
尚硅谷尚庭公寓学习笔记
2301_80165178的博客
07-31 772
本文摘要了Java开发中的几个实用技巧：1）使用@Builder注解实现链式调用创建对象；2）saveOrUpdate方法根据主键自动判断插入或更新数据；3) Minio文件上传的完整实现流程，包括配置、权限设置和服务层逻辑；4）集合判空的最佳实践；5）UpdateWrapper实现条件更新；6）IPage分页查询的使用方法。这些内容涵盖了日常开发中的常见场景，对提高开发效率很有帮助。
#C语言——学习攻略：深挖指针路线（三）--数组与指针的结合、冒泡排序
2501_91617454的博客
07-29 941
本文主要讲解了C语言中数组与指针的关系及应用。首先指出数组名在多数情况下代表首元素地址，但sizeof(数组名)和&数组名例外，前者计算整个数组大小，后者获取整个数组地址。接着介绍了用指针访问数组的方法，说明arr[i]、*(arr+i)和p[i]的等价性。然后分析了一维数组传参的本质是传递指针，因此在函数内部无法通过sizeof计算数组长度。此外，文章还讲解了冒泡排序的实现、二级指针的概念，以及如何使用指针数组模拟二维数组。这些内容有助于深入理解指针与数组的关系及其灵活应用。
OCR 赋能拍题出答案：让学习辅导更高效
weixin_61746435的博客
07-30 296
相比手动输入题目搜索，OCR 让拍题过程从 “打字几分钟” 缩短到 “拍照一秒钟”，尤其对数学公式、英文阅读等复杂题型，识别准确率远超人工录入。它不仅帮学生快速核对答案，也为家长辅导作业提供了便捷工具，让学习问题的解决更即时、更省心。学生用手机拍下作业题，OCR 先精准识别图片中的文字、公式、符号，哪怕是手写体或复杂排版，也能转化为计算机可解析的文本。随后系统调用题库匹配，快速给出解题步骤和答案。“拍一拍题目就出答案” 的背后，OCR 技术是核心推手。
向Coze学习，我们把这些工作流也开源了
weixin_45512098的博客
07-30 373
这大半年来我们团队也制作和整理了超过工作流，其中很大一部分都是现在最火的视频工作流。为了向Coze开源致敬，这次我们斑码团队也决定开源超过工作流送给大家，所有工作流都是实际跑通上线过的。大家除了可以直接拿来用，还可以用来学习，模仿，并超越。
AI Agent开发学习系列 - LangGraph(7): 带有条件判断的Conditional Graph
最新发布
alex100的博客
08-02 361
该示例展示了如何使用LangGraph的条件边机制构建动态工作流。通过定义决策函数decide_next_node，系统能根据输入状态（如操作符）自动选择执行加法或减法节点。核心方法add_conditional_edges实现了动态路由，相比固定连接的add_edge更具灵活性。这种设计使得工作流能智能响应不同输入条件，适用于需要分支处理的复杂场景，如示例中根据"+"或"-"运算符选择对应计算节点，最终输出正确结果3。
学习日志24 python
AYheyheyhey的博客
08-01 561
只针对不可变类型：因为不可变类型的值不会被修改，共享对象不会有风险。目的是优化性能：避免频繁创建和销毁相同的小对象（如常用整数、短字符串）。不要依赖此机制：常量池是 Python 内部优化，不同版本可能有差异，比较值应始终用==，而非is。不可变类型可能有常量池，可变类型一定没有，这是 Python 对内存和性能的平衡设计。Python 中确实没有 Java 里那种严格定义的「常量池」（Constant Pool）概念。
学习笔记090——Ubuntu 中 UFW 防火墙的使用
code__bee的博客
08-01 137
【代码】学习笔记090——Ubuntu 中 UFW 防火墙的使用。
hs1601液晶驱动与超音波输出功能介绍
资源摘要信息:"LS1.rar_1601_是的_超音波" LS1.rar文件的标题中包含了几个关键要素：LS1, 1601, 是的, 以及超音波。这表明该压缩包文件可能与HS1601液晶驱动模块有关，并且与超音波输出功能相关。此外，“是的”...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值