LLM应用实战：当KBQA集成LLM(二)

最新推荐文章于 2024-11-14 20:13:40 发布
最新推荐文章于 2024-11-14 20:13:40 发布
阅读量1.1k 收藏 16
点赞数 13
分类专栏： LLM 文章标签： 语言模型 知识图谱 机器人 自然语言处理
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/MENGERN/article/details/138199323
版权

1. 背景

又两周过去了，本qiang~依然奋斗在上周提到的项目KBQA集成LLM，感兴趣的可通过传送门查阅先前的文章《LLM应用实战：当KBQA集成LLM》。

本次又有什么更新呢？主要是针对上次提到的缺点进行优化改进。主要包含如下方面：

1. 数据落库

上次文章提到，KBQA服务会将图谱的概念、属性、实体、属性值全部加载到内存，所有的查询均在内存中进行，随之而来的问题就是如果图谱的体量很大呢，那内存不爆了么…

2. 支持基于属性值查实体

上篇文章不支持属性值查找实体，比如”最会照顾宝宝的是什么龙”，”什么龙是大龙和大龙生活，小龙和小龙生活”。本次已经此问题优化。

此篇文章是对这两周工作的一个整体总结，其中包含部分工程层面的优化。

2. 整体框架

整体框架和上篇大致相同，不同之处在于：

1. 对齐模块：先前是基于SIM筛选候选实体，本次基于ES进行候选实体召回

2. 解析模块：先前是基于hugegraph和内存中的实体信息进行解析，本次优化为基于hugegraph和elasticsearch

3. 核心功能

3.1 数据库选型

由于需要支撑语义相似度检索，因此数据库选型为Milvus与Elasticsearch。

二者之间的比对如下：

Milvus

Elastic

扩展性层面

存储和计算分离

✅

❌

查询和插入分类

组件级别支持

服务器层面支持

多副本

✅

✅

动态分段 vs 静态分片

动态分段

静态分片

云原生

✅

✅

十亿级规模向量支持

✅

❌

功能性层面

权限控制

✅

✅

磁盘索引支撑

✅

❌

混合搜索

✅

✅

分区/命名空间/逻辑组

✅

❌

索引类型

11个(FLAT, IVF_FLAT, HNSW)等

1个(HNSW)

多内存索引支持

✅

❌

专门构建层面

为向量而设计

✅

❌

可调一致性

✅

❌

流批向量数据支持

✅

✅

二进制向量支持

✅

✅

多语言SDK

python, java, go, c++, node.js, ruby

python, java, go, c++, node.js, ruby, Rust, C#, PHP, Perl

数据库回滚

✅

❌

但由于Milvus针对国产化环境如华为Atlas适配不佳，而Es支持国产化环境，因此考虑到环境通用性，选择Es，且其文本搜索能力较强。

3.2 表结构设计

由于知识图谱的概念、属性一般量级较少，而实体数随着原始数据的丰富程度客场可短。因此将实体及其属性值在Es中进行存储。

针对KBQA集成LLM的场景，有两块内容会涉及语义搜索召回。

1. 对齐prompt中的候选实体

2. 解析模块中存在需要基于属性值查询实体的情况。

3. 涉及到数值类型的查询，如大于xx，最大，最小之类。

综合考虑，将Es的index结构设计如下：

属性

含义

类型

备注

name

实体名

keyword

concepts

所属概念

keyword

一个实体可能存在多个概念

property

属性

keyword

属性名称

value

属性值

text

ik分词器进行分词

numbers

数值属性值

double_range

会存在一个区间范围

embeddings

向量

elastiknn_dense_float_vector

1. 非数值属性对应value的向量

2. 使用elastiknn插件

3.3 安装部署

项目使用的Es版本是8.12.2，原因是elastiknn插件和Ik插件针对该版本均支持，且8.12.2版本是当前阶段的次新版本。

3.3.1 基于docker的ES部署

# 拉取镜像(最好先设置国内镜像加入)

docker pull elasticsearch:8.12.2

# es容器启动，存在SSL鉴权

docker run -d --name es01 --net host  -p 9200:9200 -it -e "ES_JAVA_OPTS=-Xms1024m -Xmx1024m" elasticsearch:8.13.2

# 容器中拉取需要鉴权的信息到本地

docker cp es01:/usr/share/elasticsearch/config/certs/http_ca.crt .

chmode 777 http_ca.crt

# 密码第一次启动的日志中有，需要保存下来

export ELASTIC_PASSWORD=xxxxxx

# 验证es是否启动成功

curl --cacert http_ca.crt -u elastic:$ELASTIC_PASSWORD https://localhost:9200

3.3.2 elastiknn插件集成

elastiknn插件是为了优化ES自身的向量检索性能，安装此插件后，ES的向量检索性能会提升数倍，如果再增加SSD固态硬盘，性能会进一步提升数倍。

#下载插件包

wget https://github.com/alexklibisz/elastiknn/releases/download/8.12.2.1/elastiknn-8.12.2.1.zip

# 导入容器中指定目录

docker cp  elastiknn-8.12.2.1.zip es01:/usr/share/elasticsearch/

# 进入容器，默认目录即为/usr/share/elasticsearch/

docker exec -it es01 bash

# 安装插件

elasticsearch-plugin install file:elastiknn-8.12.2.1.zip

# 退出，重启容器

docker restart es01

# 验证

# 创建mapping

curl --cacert http_ca.crt -u elastic:$ELASTIC_PASSWORD -XPOST https://localhost:9200/test/_mapping -H 'Content-Type:application/json' -d '

{

         "properties": {

                  "embeddings": {

                          "type": "elastiknn_dense_float_vector",

                          "elastiknn": {

                                   "model": "lsh",

                                   "similarity": "cosine",

                                   "dims": 768,

                                   "L": 99,

                                   "k": 3

                          }

                  }

         }

}'

# 验证mapping是否生效

curl --cacert http_ca.crt -u elastic:$ELASTIC_PASSWORD -XGET https://localhost:9200/test/_mapping?pretty

采坑总结：

1. elastiknn插件导入始终无法安装，且报错。

解决：

(1) 一定要注意，安装es插件需要指定路径，且增加”file:” 的前缀，不加此前缀，那就等着报错吧

(2) 拷贝到容器内部，一定要注意，不要将elastiknn-8.12.2.1.zip拷贝至/usr/share/elasticsearch/plugins目录，否则安装也报错。

3.3.3 ik分词器插件集成

#下载插件包

wget https://github.com/infinilabs/analysis-ik/releases/download/v8.12.2/elasticsearch-analysis-ik-8.12.2.zip

# 导入容器中指定目录

docker cp elasticsearch-analysis-ik-8.12.2.zip es01:/usr/share/elasticsearch/

# 进入容器，默认目录即为/usr/share/elasticsearch/

docker exec -it es01 bash

# 安装插件

elasticsearch-plugin install file:elasticsearch-analysis-ik-8.12.2.zip

# 退出，重启容器

docker restart es01

# 验证是否生效

curl --cacert http_ca.crt -u elastic:$ELASTIC_PASSWORD -XPOST https://localhost:9200/_analyze?pretty -H 'Content-Type:application/json' -d '{"text":"三角龙或者霸王龙","analyzer": "ik_smart"}'

# 返回结果中不包含”或者”，因为”或者”在默认的停用词表中。

采坑总结：

1. ik分词器插件导入始终无法安装，且报错。

解决：一定要注意，安装es插件需要指定路径，且增加”file:” 的前缀，不加此前缀，那就等着报错吧

2. ik分词器添加自定义专有名词以及停用词不生效(浪费了1天的时间来排查)

解决：

(1) 一定要注意，8.12.2版本的ik分词器如果想要配置自定义专有名词或停用词，配置的完整目录是/usr/share/elasticsearch/config/analysis-ik，而不是/usr/share/elasticsearch/plugins/analysis-ik，这点需要注意下。

在config/analysis-ik中配置IKAnalyzer.cfg.xml，修改内容如下：

<?xml version="1.0" encoding="UTF-8"?>

<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">

<properties>

         <comment>IK Analyzer 扩展配置</comment>

         <!--用户可以在这里配置自己的扩展字典 -->

         <entry key="ext_dict">extra_main.dic</entry>

          <!--用户可以在这里配置自己的扩展停止词字典-->

         <entry key="ext_stopwords">extra_stopword.dic</entry>

         <!--用户可以在这里配置远程扩展字典 -->

         <!-- <entry key="remote_ext_dict">words_location</entry> -->

         <!--用户可以在这里配置远程扩展停止词字典-->

         <!-- <entry key="remote_ext_stopwords">words_location</entry> -->

</properties>

(2) 一定要注意，extra_main.dic和extra_stopword.dic的编码格式是UTF-8，如果编码格式不对的话，分词也不生效。

4. Es操作相关源码

4.1 es_client连接

self.es_client = Elasticsearch(config['url'], 
							   basic_auth=(config['user'], config['password']), 
							   ca_certs=config['crt_path'],
							   http_compress=True,
							   request_timeout=int(config['request_timeout']) if 'request_timeout' in config else 60,
							   max_retries=int(config['max_retries']) if 'max_retries' in config else 5,
							   retry_on_timeout=True)

4.2 构建表结构

def index(self, kg_id, force=False):
	"""
	构建表
	"""
	if force:
		try:
			self.es_client.indices.delete(index=kg_id, ignore_unavailable=True)
		except EngineError as e:
			logger.exception(f"code:{ES_DELETE_INDEX_ERROR}, message:{str(e)}")
			raise e

	if not self.es_client.indices.exists(index=kg_id):
		body = {
			'settings': {'index': {'number_of_shards': 2}},
			'mappings': {
				'dynamic': False,
				'properties': {
					'name': {'type': 'keyword'},
					'concepts': {'type': 'keyword'},
					'property': {'type': 'keyword'},
					'value': {'type': 'text', 'analyzer': 'ik_max_word', 'search_analyzer': 'ik_smart'},
					'numbers': {'type': 'double_range'},
					'embeddings': {'type': 'elastiknn_dense_float_vector', 'elastiknn': {'dims': 768, 'model': 'lsh', 'similarity': 'cosine', 'L': 99, 'k': 3}}
				}
			}
		}
		try:
			self.es_client.indices.create(index=kg_id, body=body)
		except EngineError as e:
			logger.exception(f"code:1008, message:{str(e)}")
			raise e
	try:   
		self.es_client.indices.refresh(index=kg_id, ignore_unavailable=True)
	except EngineError as e:
		logger.exception(f"code:1008, message:{str(e)}")
		raise e

说明：

1. value字段需要经过IK分词，分词方式ik_max_word，查询方式是ik_smart

2. embeddings的类型为elastiknn_dense_float_vector，其中向量维度为768，相似度计算使用cosine

4.3 候选实体查询

def get_candidate_entities(self, kg_id, query, limit=15):
	"""
	基于查询串查找候选实体名称
	"""
	body = {
		'_source': {'excludes': ["embeddings"]},
		'query': {
			'function_score': {
				'query': {
					'bool': {
						'must': [
							{'match': {'value': query}},
							{'bool': {
								'filter': {
									'bool': {
										'should': [
											{'term': {"property": "名称"}},
											{'term': {"property": "别名"}},
										]
									}
								}
							}}
						]
					}
				},
				'functions': [
					{
					   'elastiknn_nearest_neighbors': {
						   'field': 'embeddings',
						   'vec': self.get_callback_ans({'query': [query]})['result'][0]['embeddings'],
						   'model': 'lsh',
						   'similarity': 'cosine',
						   'candidates': 100
					   } 
					}
				]
			}
		},
		'size': limit
	}
	return self.es_client.search(index=kg_id, body=body)['hits']['hits']

说明：

1. '_source': {'excludes': ["embeddings"]}表示输出结果中过滤embeddings字段

2. 查询以function_score方式，其中的query表示别名或名称与问题的匹配程度，functions表示打分方式，目前的打分是基于向量相似度进行打分，其中, self.get_callback_ans表示语义相似度模型将文本转换为向量。注意：最终的得分由两部分组成，一部分是文本匹配，一部分是语义相似度匹配，不过可以增加参数boost_mode进行设置。

4.4 基于属性及属性值进行查询

def search_by_property_value(self, kg_id, property, value, limit=100):
	body = {
		'_source': {'excludes': ["embeddings"]},
		'query': {
			'function_score': {
				'query': {
					'bool': {
						'must': [
							{'match': {'value': value}},
							{'term': {"property": property}}
						]
					}
				},
				'functions': [
					{
					   'elastiknn_nearest_neighbors': {
						   'field': 'embeddings',
						   'vec': self.get_callback_ans({'query': [value]})['result'][0]['embeddings'],
						   'model': 'lsh',
						   'similarity': 'cosine',
						   'candidates': 100
					   } 
					}
				],
				'boost_mode': 'replace'
			}
		},
		'size': limit
	}
	try:
		return self.es_client.search(index=kg_id, body=body)['hits']['hits']
	except EngineError as e:
		logger.exception(f"code:{ES_SEARCH_ERROR}, message:{str(e)}")
		raise e

4.5 数值属性范围查询

主要解决的场景有：体重大于9吨的恐龙有哪些？身长小于10米的角龙类有哪些？

其中，如果提供了实体名称，则查询范围是基于这些实体进行查询比较。

def search_by_number_property(self, kg_id, property, operate, entities, limit=100):
	musts = [{'term': {'property': property}}, {'range': {'numbers': operate}}]
	if entities:
		musts.append({'terms': {'name': entities}})

	body = {
		'_source': {'excludes': ['embeddings']},
		'query': {
			'bool': {
				'must': musts
			}
		},
		'size': limit
	}
	try:
		return self.es_client.search(index=kg_id, body=body)['hits']['hits']
	except EngineError as e:
		logger.exception(f"code:{ES_SEARCH_ERROR}, message:{str(e)}")
		raise e

4.6 数值属性最大最小查询

实现最大最小的逻辑，采用了sort机制，按照numbers进行排序，最大则顺排，最小则倒排。

def search_by_number_property_maxmin(self, kg_id, property, entities, sort_flag):
	musts = [{'term': {'property': property}}]
	if entities:
		musts.append({'terms': {'name': entities}})

	body = {
		'_source': {'excludes': ["embeddings"]},
		'query': {
			'bool': {
				'must': musts
			}
		},
		'sort': {'numbers': sort_flag},
		'size': 1
	}
	try:
		return self.es_client.search(index=kg_id, body=body)['hits']['hits']
	except EngineError as e:
		logger.exception(f"code:{ES_SEARCH_ERROR}, message:{str(e)}")
		raise e

5. 效果

上一版未解决的问题，在本版本优化的结果，主要是基于属性值查找实体。

1. 问：头像鸭头的龙有哪些？

答：头像鸭头的有慈母龙、原角龙、鹦鹉嘴龙、姜氏巴克龙、奇异辽宁龙、多背棘沱江龙、陆家屯鹦鹉嘴龙、盖斯顿龙、小盾龙、肿头龙、弯龙

2. 问：老师说的有一个特别会照顾宝宝的恐龙是什么龙？

答：慈母龙会照顾宝宝。

3. 问：有哪些恐龙会游泳啊？

答：滑齿龙、慢龙和色雷斯龙是会游泳的恐龙。

4. 问：科学家在意大利阿尔卑斯山脉Preone山谷的乌迪内附近发现了一个会飞的史前动物化石，它是谁的化石？

答：科学家在意大利阿尔卑斯山脉Preone山谷的乌迪内附近发现的会飞的史前动物化石是沛温翼龙的化石。

6. 总结

一句话足矣~

本文主要是针对KBQA方案基于LLM实现存在的问题进行优化，主要涉及到图谱存储至Es，且支持Es的向量检索，还有解决了一部分基于属性值倒查实体的场景，且效果相对提升。

其次，提供了部分Es的操作源码，以飧读者。

附件：

1. es vs milvus: Milvus vs Elastic | Zilliz

2. docker安装es：Install Elasticsearch with Docker | Elasticsearch Guide [8.12] | Elastic

3. elastiknn性能分析

ES 8.x 向量检索性能测试 & 把向量检索性能提升100倍！_elastiknn-CSDN博客

4. es的function_score: Function score query | Elasticsearch Guide [8.12] | Elastic

mengrennwpu
关注
专栏目录
从零开始构建 LLM 应用：实战指南
步子哥的博客
06-16 536
从理解基础知识到编写代码，再到部署应用，你已经掌握了 LLM 应用开发的基本技能。现在，你可以继续探索 LLM 的更多功能，构建更复杂、更强大的应用，并与社区分享你的知识。LLM 的未来充满无限可能，你的旅程才刚刚开始！别担心，即使你是一位编程新手，这篇文章也能带你一步步踏入 LLM 应用开发的殿堂。它能够根据你的提示生成回复，并最终部署到网络上，让全世界都能体验你的作品。要将你的 LLM 应用部署到网络上，你可以使用 Streamlit Community Cloud。
实时中文输入法中AI LLM的应用：更准确更流畅
AI天才研究院
06-05 629
实时中文输入法中AI LLM的应用：更准确、更流畅 1.背景介绍 随着人工智能技术的不断发展,大型语言模型(LLM)在自然语言处理领域展现出了令人惊叹的能力。传统的基于统计和规则的输入法已经无法满足用户对输入体验的更高要求。引入LLM技术,可以极大提升中文输入法的准确性和流
LLM应用实战：当KBQA集成LLM
MENGERN的专栏
04-11 637
将传统KBQA中的部分模块，如NLU、指代消解、实体对齐等任务，完全由LLM实现
LLM应用实战：当图谱问答(KBQA)集成大模型(三)
MENGERN的专栏
06-12 1053
本文主要是针对KBQA方案基于LLM实现存在的问题进行优化，主要涉及到响应时间提升优化以及多轮对话效果优化，提供了具体的优化方案以及相应的prompt。
LLM应用实战: 产业治理多标签分类
weixin_41166713的博客
09-12 71
合集 - LLM应用实战(6)1.LLM应用实战：当KBQA集成LLM(二)04-252.LLM应用实战：当KBQA集成LLM04-113.LLM实战：LLM微调加速神器-Unsloth + LLama305-144.LLM实战：LLM微调加速神器-Unsloth + Qwen1.505-165.LLM应用实战：当图谱问答(KBQA)集成大模型(三)06-126.LLM应用实战: 产业治理多标签分...
LLM应用实战: OpenAI多代理新作-Swarm
weixin_40806331的博客
10-23 22
合集 - LLM应用实战(8)1.LLM应用实战：当KBQA集成LLM(二)04-252.LLM应用实战：当KBQA集成LLM04-113.LLM实战：LLM微调加速神器-Unsloth + LLama305-144.LLM实战：LLM微调加速神器-Unsloth + Qwen1.505-165.LLM应用实战：当图谱问答(KBQA)集成大模型(三)06-126.LLM应用实战: 产业治理多标签分...
LLM应用实战: AI资讯的自动聚合及报告生成
weixin_40937850的博客
11-07 17
合集 - LLM应用实战(9)1.LLM应用实战：当KBQA集成LLM(二)04-252.LLM应用实战：当KBQA集成LLM04-113.LLM实战：LLM微调加速神器-Unsloth + LLama305-144.LLM实战：LLM微调加速神器-Unsloth + Qwen1.505-165.LLM应用实战：当图谱问答(KBQA)集成大模型(三)06-126.LLM应用实战: 产业治理多标签分...
LLM应用实战: 文档问答系统Kotaemon-1. 简介及部署实践
weixin_42347634的博客
09-19 152
合集 - LLM应用实战(7)1.LLM应用实战：当KBQA集成LLM(二)04-252.LLM应用实战：当KBQA集成LLM04-113.LLM实战：LLM微调加速神器-Unsloth + LLama305-144.LLM实战：LLM微调加速神器-Unsloth + Qwen1.505-165.LLM应用实战：当图谱问答(KBQA)集成大模型(三)06-126.LLM应用实战: 产业治理多标签分...
知识图谱实战导论：从什么是KG到LLM与KG/DB的结合实战
结构之法 算法之道
09-16 9292
DB-GPT基于 FastChat 构建大模型运行环境，并提供 vicuna 作为基础的大语言模型。此外，通过LangChain提供私域知识库问答能力，且有统一的数据向量化存储与索引：提供一种统一的方式来存储和索引各种数据类型，同时支持插件模式，在设计上原生支持Auto-GPT插件，具备以下功能或能力根据自然语言对话生成分析图表、生成SQL与数据库元数据信息进行对话, 生成准确SQL语句与数据对话, 直接查看执行结果。
小白学大模型 RAG：GraphRAG 概念、组成和流程，看完这一篇你就懂了！！
2401_85325397的博客
10-19 975
GraphRAG技术通过在生成过程中融入检索组件来提升生成内容的质量和相关性。与传统的RAG相比，GraphRAG能够从预先构建的图数据库中检索包含关系知识的图元素，如节点、三元组、路径或子图，从而更准确地捕捉关系信息，并生成更符合上下文的响应。因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。
从零开始：理解 GraphRAG 的概念、组成及工作流程
大模型研究中心
09-03 1993
GraphRAG是一种结合了检索（Retrieval）和生成（Generation）的技术，它通过利用外部知识库来增强大型语言模型（LLMs）的性能，有效解决了模型可能出现的“幻觉”问题、领域知识缺失以及信息过时等问题。GraphRAG通过图结构信息，能够更精确地检索和生成与上下文相关的响应。GraphRAG技术通过在生成过程中融入检索组件来提升生成内容的质量和相关性。
论文译文：LLM Maybe LongLM: SelfExtend LLM Context Window Without Tun
07-10
### LLM Maybe LongLM: SelfExtend LLM Context Window Without Tuning #### 摘要 本文探讨了一种称为SelfExtend的新方法，旨在扩展语言模型（LLM）的上下文窗口，使其能够在不进行微调的情况下处理长序列。该方法...
终端LLM AI模型:mlc-llm
10-10
MLC LLM，全称为Multi-Language Localized Language Model，是一款创新的AI技术，旨在提供一种通用的解决方案，将强大的语言模型能力带入各种硬件设备和本地应用程序。这个模型的出现使得用户无需依赖云端服务，即可...
高翔【自动驾驶与机器人中的SLAM技术】学习笔记（十三）图优化SLAM的本质
xiaoyaolangwj的博客
11-14 452
我从b站上学习理解的这个概念。视频的大概位置是1个小时以后，在第75min到80min之间。图优化SLAM是怎么一回事。slam本身是有的，也就是方程，也就是。通过t1时刻，可以递推预测t2时刻的重点来了：我通过这个预测的t2时刻的位置，可以预测出，在t1时刻所建地图中特征在t2时刻的位置。t1时刻的位置有了，观测的特征有了。对t2时刻的位置可以通过运动方程递推出来。那么我就可以基于对t2时刻位姿的估计，基于这个视角，出此时在t1时刻时地图中那些特征点，在t2时刻时，在地图中的位置。
大模型时代，呼叫中心的呼入机器人系统如何建设？
最新发布
开源呼叫中心系统FreeIPCC的博客
11-14 742
作者：开源呼叫中心系统 FreeIPCC，Github地址：https://github.com/lihaiya/freeipcc呼叫中心呼入机器人系统的建设是一个涉及多个环节和领域的综合性工程。
机器人操作臂逆运动学
Doctor__Chen的博客
11-12 705
正运动学（Forward Kinematics）是已知机器人各关节参数（如角度、位移）后，计算末端执行器的位置和姿态。相比之下，逆运动学则是已知末端执行器的期望位置和姿态，反推各关节参数的过程。
Casio推出情感AI宠物机器人Moflin
shadowcz007的博客
11-14 492
‍‍Casio最近推出了一款名为Moflin的AI宠物机器人，这款机器人以其独特的情感互动功能吸引了广泛关注。Moflin通过先进的AI技术，能够学习和理解主人的言行，并根据环境和互动的变化调整自己的情感反应。通过与主人的互动，Moflin可以逐步建立起与主人的情感联结，给人一种真实宠物般的陪伴感。Moflin不仅可以记忆主人的声音，还能做出特定反应，这使得它与主人之间的互动更加生动和个性化。为了...
sol机器人pump机器人如何实现盈利的？什么是Pump 扫链机器人？
m0_73054711的博客
11-13 932
什么是Pump 扫链机器人，它的盈利逻辑优化策略是什么？
软硬互联——革新机器人非标产线智能制造
Mindtech_link的博客
11-13 600
在智能制造的浪潮中，每一条生产线都承载着企业向智能化、高效化转型的梦想。特别是对于机器人非标产线而言，如何在复杂多变的生产任务中保持高效、灵活与智能化，成为了众多制造企业关注的焦点。今天，就让我们一同探索IO模块、网关与物联网平台如何协同作战，在机器人非标产线上书写智能制造的新篇章。
评论 3
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

打赏作者

mengrennwpu

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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