- 博客(1321)
- 资源 (11)
- 收藏
- 关注
RSS订阅原创 DeepSeek（17）：SpringAI+DeepSeek大模型应用开发之设定system提示词
摘要：文章介绍了如何修改Spring Boot项目中客户端配置，具体包括：1)在CommonConfiguration类中配置ChatClient bean，使用OllamaChatModel并设置默认系统提示为"你是一个热心、可爱的智能助手..."；2)对修改后的配置进行测试。代码展示了通过@Configuration和@Bean注解实现配置修改的方法。
2025-07-04 16:02:19
88
原创 DeepSeek（16）：SpringAI+DeepSeek大模型应用开发之快速入门
本文介绍了在SpringBoot项目中集成Ollama和OpenAI的步骤。首先通过Maven添加相应依赖，其中Ollama为演示模型需注释OpenAI依赖。其次配置两种AI模型参数，包括基础URL和模型名称。然后创建CommonConfiguration类配置ChatClient客户端，并编写控制器接口实现AI交互功能。最后通过启动类运行项目进行测试，完成整个AI服务的集成过程。
2025-07-04 15:44:58
146
原创 SpringCloud（40）：简单的项目实战——Nacos集成
Nacos作为微服务的核心组件，提供动态服务发现功能，通过Nacos Discovery Starter实现服务自动注册和实例列表动态更新。安装时需下载Nacos Server并启动，默认控制台访问地址为http://ip:8848/nacos。配置方面需修改application.properties文件，特别是MySQL数据源设置，需用提供的sql文件初始化数据库。该系统采用简单注解快速注册服务，经双十一验证适用于大规模分布式架构。
2025-06-26 02:00:53
62
原创 SpringCloud（39）：简单的项目实战——环境搭建
摘要： 本文介绍了一个基于SpringCloudAlibaba的微服务架构项目，包含SpringCloudGateway网关、Nacos服务注册中心、Sentinel熔断限流、Seata分布式事务和RocketMQ消息队列等核心组件。项目采用SpringBoot3.1.5和JDK17开发环境，搭建了订单服务和库存服务两个基础模块，实现了服务注册、动态路由、分布式事务处理等功能。文章详细说明了项目依赖配置、基础代码结构以及服务间调用测试方法，为构建高可用微服务系统提供了参考实现。
2025-06-25 23:28:50
77
原创 DeepSeek（15）：SpringAI+DeepSeek大模型应用开发之环境准备
摘要：本文介绍了如何使用Ollama工具在本地部署大语言模型（以DeepSeek-r1:7b为例）。Ollama作为模型管理平台，可便捷获取各类模型。用户安装后通过命令行运行"ollamarun"指令启动模型，系统会自动提供HTTP接口（默认localhost:11434/api/chat）供本地调用。文章简要展示了部署流程和测试结果，为开发者提供了快速搭建本地AI服务的实用方案。（98字）
2025-06-23 17:55:03
193
原创 Spring Boot(九十三)：Springboot 整合cfx实现webservice接口
本文介绍了在Spring Boot项目中整合Apache CXF框架实现WebService服务的完整流程。首先需要在pom.xml中添加CXF和Spring Boot Web相关依赖；然后定义带有@WebService注解的服务接口及其实现类；接着通过CXF配置类EndpointConfig发布服务端点；最后可通过访问URL获取WSDL描述文件。文章还简要提及了客户端调用WebService的步骤，包括添加依赖、配置客户端、创建服务Bean等环节。整个过程展示了如何快速搭建基于SOAP协议的WebServ
2025-06-19 22:36:04
75
原创 Spring Boot(九十二)：Spring Boot实现连接不上数据库就重启服务
摘要：针对服务器意外重启时SpringBoot应用因数据库未就绪而启动失败的问题，提出通过配置连接重试机制确保启动顺序。方案包括：1)引入MySQL连接器及相关依赖；2)配置数据源连接参数；3)编写DatabaseInitializer组件，使用@PostConstruct注解实现启动时循环检测数据库连接，每5秒重试直至成功。该方法有效解决了服务启动依赖问题，保证应用在数据库可用后才继续初始化流程。（149字）
2025-06-18 14:14:32
168
原创 Spring Boot(九十一)：Spring Boot实现防盗链功能
防盗链（Hotlink Protection）是一种防止其他网站直接链接到你网站的资源（如图片、视频等），常见的盗链行为是其他网站通过在其页面中嵌入指向我们网站资源的链接，让用户在其网站上看似正常访问这些资源，实则消耗的是我们网站的带宽和服务器资源。从而节省带宽和保护内容的有效手段。在Spring Boot应用程序中实现防盗链功能，可以通过多种方式来达成，例如使用过滤器（Filter）、拦截器（Interceptor），或者通过配置Nginx等反向代理服务器。
2025-06-16 13:47:57
192
原创 PaddleOCR项目实战（3）：SpringBoot服务开发之全局异常处理
全局异常处理通过统一封装程序异常，实现了规范化处理。其优势包括：统一返回格式、简化异常处理流程、避免代码冗余以及提升代码整洁性。在实现之前，需预先统一接口返回格式和业务异常封装，以便在异常处理类中捕获同类异常，提取必要参数并以统一格式返回结果。该方法使异常处理更加高效和规范化。
2025-06-15 20:02:13
139
原创 PaddleOCR项目实战（2）：SpringBoot服务开发之接口设计
本文介绍了一个基于SpringBoot的OCR识别项目构建方案。首先通过Maven配置创建项目，核心依赖包括SpringBoot Web、FastJson2、Lombok等，并集成了ID生成器、文件处理、JWT认证等功能。接口设计采用Base64编码图片上传方式，通过imgBase64和imgType两个参数接收图片数据。返回结果根据识别类型分为三种格式：带坐标的完整信息、带可信度的文本信息以及仅文本结果。项目定义了TextAccuracyLocationDto和OcrPoint两个DTO来封装OCR识别结
2025-06-15 18:57:23
268
原创 PaddleOCR项目实战（1）：Python脚本中使⽤PaddleOCR
本文介绍了一个基于PaddleOCR的Android应用开发项目。系统采用三层架构：前端（APP/Web/小程序）调用OCR接口，Nginx实现反向代理和负载均衡，SpringBoot构建OCR服务并通过Docker部署。重点讲解了Python开发PaddleOCR内部接口的过程，包括Flask框架的安装、接口测试以及集成PaddleOCR实现文字识别功能。代码示例展示了如何通过POST请求接收图片路径，使用PaddleOCR进行识别并返回JSON格式结果，同时添加了日志记录和异常处理。项目采用Docker
2025-06-06 02:37:44
906
原创 PaddleOCR（3）：PaddleOCR命令讲解
本文详细介绍了PaddleOCR命令的使用方法。主要内容包括：1) 检测+方向分类+识别的完整流程，输出包含文本框坐标、文字内容和置信度；2) 单独使用文本检测功能；3) 单独使用文本识别功能；4) 指定语言参数优化识别效果；5) 支持PDF文件输入及页码控制功能。通过具体示例展示了不同参数组合下的输出格式，包括文本框的四角坐标、识别文本及其置信度等信息，帮助用户灵活使用PaddleOCR进行文字检测与识别。
2025-06-05 16:39:33
393
原创 PaddleOCR（2）：PaddleOCR环境搭建
在Windows系统安装PaddlePaddle及PaddleOCR的简要步骤：1)通过pip安装PaddlePaddle 2.6.2版本，可使用官方或清华镜像源；2)验证安装成功；3)参照官方文档安装PaddleOCR。该流程涵盖了从深度学习框架安装到OCR工具集成的完整过程。
2025-06-04 17:37:21
513
原创 PaddleOCR（1）：PaddleOCR介绍
PaddleOCR是由百度开发的开源OCR工具库，提供超轻量模型和通用识别大模型，支持多种行业应用场景。其特点包括丰富的算法、自定义训练、C++预测及端侧部署等。PP-OCRv4模型是其最新通用识别模型，在多语言文字识别上兼具速度与精度优势。使用时只需下载推理模型并解压至指定目录即可快速部署应用。该工具库广泛应用于表单识别、票据识别、车牌识别等多种场景，为开发者提供了便捷的OCR解决方案。
2025-06-04 16:38:14
410
原创 AGI大模型（35）：Advanced RAG之Pre-Retrieval（预检索）优化——查询优化
文章摘要：本文探讨了查询优化的核心方法，主要包括三种技术：1）问题完善（Enrich）通过大模型与用户交互补全需求参数；2）多路召回（Multi-Query）生成多个相关问题并行检索；3）问题分解（Decomposition）将复杂问题拆解为子问题逐步解决。此外还提及StepBack摘要和HyDE假设答案等方法。这些技术的共同目标是提升系统对用户意图的理解准确性和检索效率。（99字）
2025-06-01 16:31:04
141
原创 Cursor系列（1）：Cursor安装、虚拟环境
本文简要介绍了Cursor代码编辑器的安装与配置流程：首先获取Cursor编辑器安装包，接着在扩展中安装所需插件（包括中文汉化包和Python环境插件），安装后需重启生效。最后指导用户在终端通过python -m venv venv命令创建Python虚拟环境，并提示在PowerShell中查看运行结果。全文提供了Cursor编辑器从安装到基础环境配置的完整指引。
2025-05-29 14:13:17
521
原创 AGI大模型（34）：Advanced RAG之Pre-Retrieval（预检索）优化——索引优化
本文分析了NaiveRAG的三大缺陷：检索效率低、处理模糊概念能力弱、生成结果质量差。针对这些问题，提出了四种索引优化方案：摘要索引、父子索引、假设性问题索引和元数据索引。在查询优化方面，重点介绍了Enrich问题完善、Multi-Query多路召回和问题分解三种技术手段。这些方法共同构成了提升RAG系统性能的综合解决方案，有效改善了检索准确性和生成质量。文章最后对各优化策略进行了小结，为RAG系统的性能提升提供了系统性的改进思路。
2025-05-27 20:54:52
248
原创 AGI大模型（33）：LangChain之Memory
文章摘要：LLM应用通过会话接口实现多轮对话，但模型本身不具备记忆功能，需依赖额外模块保存上下文。Memory系统通过读取历史信息和写入当前对话数据来维护对话连续性。基础记忆管理采用ChatMessages存储对话轮次，而更高级的MemoryClasses则提供长期/短期记忆等灵活管理功能，确保对话上下文的有效传递和状态维护。（149字）
2025-05-24 16:50:59
245
原创 AGI大模型（32）：LangChain实现RAG
Vector stores可以用作检索器的主干，但也有其他类型的检索器。可能会遇到的问题：ImportError: DLL load failed while importing onnx_cpp2py_export :动态链接库（DLL）初始化历程失败需要将高版本的onnx卸载，在pip install onnx==1.16.1。向量化模型的封装提供了两种接口，一种针对文档的向量化embed_documents，一种针对句子的向量化embed_query。展示的都是向量化以后的结果。
2025-05-22 19:22:02
131
原创 AGI大模型（31）：LangChain链的调用方式
在 LangChain 里，链式调用构建完成后有多种调用方式，invoke 方法就是其中之一，下面为你详细介绍常见的调用方法。将输入键指定为关键字参数结果如下：可以看到输出的结果就是一串字符串，而invoke返回的是字典。
2025-05-21 17:45:04
433
原创 AGI大模型（30）：LangChain链的基本使用
为开发更复杂的应用程序，需要使用Chain来链接LangChain中的各个组件和功能，包括模型之间的链接以及模型与其他组件之间的链接。链在内部把一系列的功能进行封装，而链的外部则又可以组合串联。 链其实可以被视为LangChain中的一种基本功能单元。
2025-05-21 17:30:04
435
原创 AGI大模型（29）：LangChain Model模型
LangChain支持三类模型：大语言模型（LLM）、聊天模型（ChatModel）和文本嵌入模型（EmbeddingModel）。LLM以文本字符串为输入并返回文本字符串，提供标准化接口与不同供应商的LLM交互，如OpenAI和HuggingFace。聊天模型如ChatGPT，以聊天消息列表为输入并返回聊天消息，API更结构化。文本嵌入模型将文本转换为浮点数列表（Embedding）。代码示例展示了如何使用OpenAI的LLM进行文本补全。
2025-05-20 20:34:36
287
原创 AGI大模型（28）：LangChain提示模板
可以把对模型的使用过程拆解成三块: 输入提示(Format)、调用模型(Predict)、输出解析(Parse)提示模板: LangChain的模板允许动态选择输入，根据实际需求调整输入内容，适用于各种特定任务和应用。语言模型: LangChain 提供通用接口调用不同类型的语言模型，提升了灵活性和使用便利性。输出解析: 利用 LangChain 的输出解析功能，精准提取模型输出中所需信息，避免处理冗余数据，同时将非结构化文本转换为可处理的结构化数据，提高信息处理效率。
2025-05-19 17:26:04
278
原创 AGI大模型（27）：LangChain向量存储
本文介绍了如何使用FAISS进行本地向量存储，并结合LangChain实现RAG（检索增强生成）的流程。首先，通过pip安装所需的依赖库，包括FAISS、LangChain社区版、BeautifulSoup和DashScope。接着，编写爬虫代码，使用WebBaseLoader从指定网页抓取数据，并通过BeautifulSoup解析特定标签内容。然后，利用DashScope的嵌入模型将文档转换为向量，并使用FAISS进行向量化存储。最后，通过LangChain的RAG功能，结合检索器和文档组合链，实现从向量
2025-05-19 16:39:14
679
原创 AGI大模型（26）：LangChain输出解析器
输出解析器负责获取 LLM 的输出并将其转换为更合适的格式。借助LangChain的输出解析器重构程序，使模型能够生成结构化回应，并可以直接解析这些回应。CSV解析器:CommaSeparatedListOutputParser,模型的输出以逗号分隔，以列表形式返回输出日期时间解析器:DatetimeOutputParser,可用于将 LLM 输出解析为日期时间格式JSON解析器:JsonOutputParser,确保输出符合特定JSON对象格式。
2025-05-19 03:22:38
342
原创 AGI大模型（25）：LangChain提示词模版
我们也可以创建prompt template, 并引入一些变量到prompt template中，这样在应用的时候更加灵活。
2025-05-18 18:19:59
113
原创 AGI大模型（24）：通过LangChain的接口来调用OpenAI对话
本文介绍了如何使用LangChain库中的ChatOpenAI类创建对话模型，并展示了单轮和多轮对话的实现。首先，通过加载环境变量和导入必要的库，初始化ChatOpenAI实例，并调用invoke方法进行单轮对话，询问“什么是大模型？”，并打印结果。接着，通过定义SystemMessage、HumanMessage等消息类型，构建多轮对话场景，模拟用户与助理的交互，最终输出对话结果。代码示例展示了如何利用LangChain与DeepSeek API进行对话生成。
2025-05-18 15:04:43
312
原创 AGI大模型（23）：LangChain框架快速入门之LangChain介绍
LangChain是一个基于大语言模型的框架，旨在简化端到端语言模型应用的开发。它提供了一系列工具和接口，支持文本生成、文档问答、聊天机器人等复杂任务。LangChain的生命周期包括开发、生产化和部署三个阶段，开发者可以利用其开源组件快速构建应用，并通过LangSmith进行监控和优化，最后使用LangServe将应用转化为API。核心组件包括模型、提示模板、数据检索、记忆、链和代理，这些组件共同工作以实现灵活的任务自动化。此外，LangChain还封装了模型I/O和数据连接与向量检索等模块，便于开发者进
2025-05-18 13:42:24
89
原创 AGI大模型（22）：基于向量检索的RAG实现公司HR制度智能问答系统
请假流程要求所有请假原则上需通过钉钉系统申请并获得批准后方可执行，紧急情况可电话获得部门经理同意，但需在24小时内补钉钉申请，否则视为旷工。审批流程根据员工职位和请假天数不同，涉及直属领导、事业部总监、人事行政主管、总经理等不同层级的审批，并需抄送相关部门和人员。常规请假需提前1个工作日申请。此流程旨在确保请假程序的规范性和透明度，同时保障公司运营的连续性。
2025-05-18 13:25:15
35
原创 AGI大模型（21）：混合检索之混合搜索
本文介绍了如何结合BM25和密集检索技术进行混合搜索。首先，通过BM25Okapi对中文文档进行分词和检索，获取相关度分数。接着，使用OpenAI的嵌入模型生成文档和查询的向量表示，并通过向量数据库进行密集检索，计算相似度分数。为了优化结果，对BM25和密集检索的分数进行标准化处理，并按权重（各占50%）合并。最终，根据综合分数排序，输出混合检索结果。该方法结合了传统检索和现代向量检索的优势，提升了搜索效果。
2025-05-17 21:44:36
309
原创 AGI大模型（20）：混合检索之rank_bm25库来实现词法搜索
混合检索结合了词法搜索（BM25）和基于嵌入的搜索（密集检索）两种方法，以互补各自的优势。BM25擅长精确匹配关键词，而基于嵌入的检索则能理解深层语义，捕捉查询意图。实现混合检索的步骤包括安装相关依赖库（如rank-bm25、NLTK、jieba），对文档和查询进行分词，初始化BM25模型，计算相关性得分，并根据得分排序输出最相关的文档。通过这种方法，可以更高效地检索到符合用户需求的信息。
2025-05-17 17:56:03
194
原创 AGI大模型（19）：下载模型到本地之ModelScope(魔搭社区)
本文介绍了如何安装、下载和使用Meta-Llama-3-8B模型。首先，通过pip命令从清华镜像源安装modelscope模块。接着，使用snapshot_download函数从ModelScope下载模型，并指定缓存目录。最后，通过SentenceTransformer加载本地模型路径，以便在本地环境中使用该模型。整个过程涵盖了从安装到本地部署的关键步骤，适合需要快速上手模型使用的开发者。
2025-05-16 21:34:41
277
原创 AGI大模型（18）：各大平台RAG实现之智普RAG
本文简要介绍了如何在智普平台上创建知识库和应用。首先，用户需访问智普地址并进入应用中心，选择创建知识库并上传相关文档。上传后，可查看文档的切片信息。接着，创建智能体应用，选择知识问答型，并添加已创建的知识库进行测试。测试完成后，应用可发布，并查看集成文档以便后续集成使用。整个过程旨在帮助用户快速搭建和部署基于知识库的智能问答系统。
2025-05-16 12:26:12
91
原创 AGI大模型（17）：各大平台RAG实现之阿里云-百炼RAG
本文介绍了如何在百炼平台上创建RAG（检索增强生成）应用。首先，用户需要上传应用数据并为其创建知识索引。接着，通过选择模型和知识库文件，用户可以创建RAG应用并进行测试，例如提问“入职培训的流程是什么？”系统会从知识库中检索相关信息并生成答案。测试完成后，用户可以发布应用，并通过钉钉、微信公众号或API进行调用。这一流程展示了如何利用百炼平台快速构建和部署智能问答应用。
2025-05-16 03:41:22
81
原创 AGI大模型（16）：向量检索之基于向量检索的RAG实现
本文介绍了如何通过RAG（Retrieval-Augmented Generation）方法构建一个问答机器人。首先，定义了一个RAG_Bot类，该类通过向量数据库检索与用户查询相关的信息，并利用大语言模型（LLM）生成回答。具体步骤包括：1）从向量数据库中检索与用户查询最相关的文档；2）构建包含检索结果的Prompt；3）调用LLM生成回答。此外，文章还展示了完整的代码实现，包括向量数据库的初始化、文档的添加与检索，以及RAG机器人的创建与使用。通过这种方式，机器人能够根据已知信息提供准确的回答，若信息不
2025-05-14 17:24:46
371
原创 AGI大模型（15）：向量检索之调用ollama向量数据库
本文介绍了如何将向量模型下载到本地，并使用ollama工具进行向量化处理。首先，通过命令行工具下载所需的bge-large模型。接着，安装ollama依赖库，并使用清华同方的镜像源以加速下载。随后，编写Python代码实现向量化功能，包括将字符串和数组作为输入参数生成嵌入向量。代码示例展示了如何使用ollama库生成嵌入向量，并打印前10维结果。通过这种方式，用户可以根据需求自定义模型和输入参数，实现高效的向量化处理。
2025-05-14 14:27:57
570
原创 AGI大模型（14）：向量检索之使用缓存
为了提高语义搜索的效率，减少重复的向量化操作，本文介绍了一种通过缓存机制优化get_embeddings方法的技术。该方法通过为输入文本生成唯一标识，并将生成的向量存储在本地缓存文件中（使用.pkl格式），从而避免了对相同文本的重复处理。具体实现包括：创建缓存目录、检查缓存是否存在、分批处理文本、处理异常情况以及保存结果到缓存。此外，还展示了如何将这种缓存机制集成到向量数据库的搜索功能中，通过为查询生成唯一标识并缓存查询结果，进一步提升了搜索性能。实验结果表明，首次查询时进行向量化操作并生成缓存文件，而后续
2025-05-14 01:01:02
439
原创 AGI大模型（12）：向量检索之关键字搜索
在人工智能时代，向量数据库已成为数据管理和AI模型不可或缺的一部分。向量数据库是一种专门设计用来存储和查询向量嵌入数据的数据库。这些向量嵌入是AI模型用于识别模式、关联和潜在结构的关键数据表示。在选择适合项目的向量数据库时，需要根据项目的具体需求、团队的技术背景和资源情况来综合评估。不会redis的去看我的redis专题。先看一个最基础的实现。
2025-04-22 19:16:32
181
原创 Cesium.js（8）：建筑体添加和使用
在实际的应用中光有地图和地形肯定是不够的，还需要加载城市中的建筑模型信息。使用Asset Depot提供的建筑体模型。默认是放在My Assets中。
2025-04-16 01:36:29
246
springcloud专题相关资料
2023-01-21
springboot基于redis防止接口恶意刷新和暴力请求
2023-01-17
springboot自定义starter
2023-01-15
javawebuploader分片上传
2023-01-02
AT模式seate测试代码
2022-12-26
drools代码示例包
2022-08-12
mysql读写分离演示
2022-05-29
skywalkingRPC
2022-05-10
skywalkingspringboot
2022-05-10
skywalking演示代码
2022-04-30
Intellij Idea 创建JavaWeb项目入门（二）demo
2020-01-23
java实现简单的单点登录
2020-03-03
webapi基于Owin中间件的oauth2.0身份认证
2018-10-07
Spring Boot(六十四)：SpringBoot集成Gzip压缩数据
2023-08-16
Hbase项目实例相关资料
2023-07-08
hbase专题配套文件
2023-07-03
hbase专题测试文件
2023-07-03
hbase导入测试数据集
2023-07-03
Disruptor专题简单案例资料
2023-06-17
lucene专题教程代码
2023-06-15
lucene入门数据库资料
2023-05-21
sentinel-feign-parent
2023-05-09
多图片上传加回显springboot代码
2023-03-16
springboot脱敏
2023-03-15
SpringBoot实现验证码功能
2023-01-24
博客教程相关sql脚本
2023-01-23
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人