- 博客(492)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 从 0 到 1 构建车辆图片旋转角度检测分类模型
在物流运输业务中，司机需要上传车头照片、货物装载照片、雨布覆盖照片等运输过程凭证。当前系统采用 Qwen 多模态模型对图片进行自动审核，但实际应用发现，部分司机上传的图片存在横屏拍摄或旋转 90°、180°、270° 等情况，导致模型对车辆和货物状态的识别准确率下降。通过业务验证发现，对图片进行方向矫正后，多模态模型的审核效果得到明显提升。因此，在图片审核流程前增加车辆图片旋转角度检测与自动矫正模块，对提升审核准确率、降低人工干预成本具有重要意义。因此，我们需要构建一个能够自动判断车辆图片旋转角度
2026-05-31 11:14:04
309
原创 一次本地代理不生效问题的排查复盘
当终端程序访问HTTPS API失败而浏览器正常时，核心问题往往是终端未正确配置代理。本文提出系统排查方案：首先用curl --proxy验证代理可用性，排除网络问题；其次检查终端环境变量是否包含代理配置；然后通过curl -v观察请求是否实际走代理；最后针对不同程序（Java/Node等）提供定制化代理配置方案。特别强调浏览器能访问不代表终端可用，并指出ping测试在代理环境中的局限性，提供了一套从验证代理到针对性配置的完整解决方案。
2026-05-06 22:19:12
1128
原创 MCP 实战：从协议原理到 Java 自定义工具服务落地
MCP，全称是 Model Context Protocol，可以理解为一种让大模型和外部工具进行标准化连接的协议。它的目标不是让每个 AI 应用都重新发明一套工具调用规范，而是提供一种统一的方式，让模型、Agent、工具服务之间能够按照约定通信。
2026-04-25 13:23:49
513
原创 《精准理解力：快速抓住1%的本质》读书笔记
《理解力：抓住本质的核心能力》摘要 理解力是职场中AI无法替代的关键竞争力，其本质在于明确目的、抓住核心并做出判断。本书提出通过建立"理解之匣"（整合经验、专业知识等）和运用四种理解方式（倾听、阅读、体验、思考）来提升理解力。重点介绍了13个实用技巧和8种深度方法，包括5W3H分析、假设验证、换位思考等。强调在工作中要重点理解目的、主题、他人意图等关键要素，避免无效工作。作者认为理解力不是简单技能，而是一种需要持续训练的认知策略，建议通过记录案例、深度阅读笔记等方式构建多维思考能力。本书
2026-04-12 10:59:42
363
原创 Spring AI Alibaba 入门实战：Java 开发者如何快速构建第一个 AI 应用
SpringAIAlibaba为Java开发者提供了构建AI应用的框架，解决了传统Python生态主导AI开发的问题。该框架通过统一抽象层屏蔽模型差异，支持通义生态接入、Agent编排和企业级集成。核心能力包括模型调用、Prompt管理、工具集成和记忆功能，帮助开发者快速实现结构化输出、工具调用和复杂工作流。入门步骤包括配置API密钥、定义系统Prompt和实现结构化输出，适合企业级AI应用开发，特别适合客服分类、审核辅助等实际业务场景。
2026-04-10 21:21:55
491
原创 【Gradio系列】使用 Gradio 快速构建对话式 AI 应用
本文介绍了一个基于Gradio框架的AI智能助手实现方案。该方案通过Gradio的ChatInterface组件快速构建聊天界面，核心功能由chat_stream函数实现：该函数会整理用户输入和历史对话记录，调用大模型API进行流式响应，实现类似ChatGPT的实时对话效果。系统采用Qwen-plus模型作为基础，并预设了友好专业的AI角色设定。整个方案仅需少量代码即可完成前后端开发，展现了Gradio在快速构建AI应用方面的优势。
2026-03-23 21:04:08
1201
原创 【Gradio系列】使用 Gradio 快速构建机器学习图像分类实战
本文介绍了一个基于PyTorch+YOLOv8+Gradio的多功能图像处理系统。该系统集成了图像分类(ResNet18)、目标检测(YOLOv8)和语义分割(YOLOv8-Seg)三大功能。通过Gradio框架快速构建了包含三个独立Tab的Web界面，分别对应不同任务。系统特点包括：1)预加载模型提高推理效率；2)自动可视化处理结果；3)支持上传图片和示例测试；4)分类任务返回Top-N概率结果。代码简洁高效，仅需几行Python即可实现复杂功能，为计算机视觉应用开发提供了便捷的演示方案。
2026-03-23 20:27:41
278
原创 【Gradio系列】Blocks布局
Gradio Blocks框架提供了比Interface更灵活的Web应用构建方式。它允许开发者通过Python代码创建交互式AI工具，具有三大优势：自由布局（支持Row/Column/Tab等组件）、灵活交互（多组件绑定事件）和应用化思维（可构建完整工具）。示例展示了如何用Blocks构建文本处理台，包含大小写转换、字数统计和历史记录功能，通过State保存会话状态，Tab管理多页面。Blocks适合需要复杂布局和交互的AI应用开发，比Interface更适合构建功能完整的小型工具。
2026-03-20 23:02:05
305
原创 【Gradio系列】快速入门
Gradio是一个用于快速构建机器学习演示的Python库，支持多种输入输出类型。它通过简单的Interface类封装Python函数，只需定义输入组件（如文本框、滑块、图像等）和输出组件，即可生成交互式Web界面。示例展示了如何同时处理文本、数字、滑块、复选框、下拉菜单、图像、音频和视频等多种输入，并返回相应的处理结果。Gradio还内置了共享功能，可快速生成演示链接，适用于模型展示和API测试场景。
2026-03-20 22:34:29
348
原创 【LangChain专栏】Retrieval 高级检索策略
本文介绍了LangChain检索器（Retrievers）在RAG系统中的核心作用与高级应用策略。基础检索器通过向量数据库实现语义相似度检索，支持similarity、similarity_score_threshold等四种检索类型。针对复杂场景，文章详细解析了五种高级检索策略：MultiQueryRetriever通过多查询改写解决表述歧义问题；ContextualCompressionRetriever过滤冗余信息；ParentDocumentRetriever平衡语义完整性与检索精准度；TimeWe
2026-03-15 19:26:06
443
原创 【LangChain专栏】Retrieval 进阶：文本嵌入（Embedding）和向量存储实践
文本嵌入是RAG系统的核心环节，通过将文本转换为稠密向量实现语义匹配。嵌入模型将语义相似的文本在向量空间中距离拉近，支持语义检索、聚类等功能。LangChain提供统一API接口，支持开源和闭源模型。向量数据库专为高效相似性检索设计，主流选项包括Chroma、FAISS等，选型需考虑规模、部署等因素。实战演示了使用Chroma进行存储、检索及持久化操作，展示基础检索、带分数检索、元数据过滤等进阶功能。中文场景推荐BGE系列开源模型，兼顾性能与隐私。
2026-03-15 17:14:36
561
原创 【LangChain专栏】Retrieval 进阶：文本分块Text Splitting实践
本文介绍了RAG系统中文本分块的核心技术与实践策略。主要内容包括： 文本分块的必要性：突破LLM的Token限制，提升检索精准度，减少无效信息干扰。 主流分块策略： 固定字符数切分（简单但破坏语义） 句子级切分（保留句子结构） 递归字符切分（LangChain默认策略） Token级切分（精准控制输入） 语义级切分（效果最佳但成本高） LangChain核心拆分器详解： RecursiveCharacterTextSplitter（通用首选） CharacterTextSplitter（简单场景） Toke
2026-03-15 11:25:01
485
原创 【LangChain专栏】 Retrieval 入门：RAG核心原理与文档加载全解析
摘要：大语言模型(LLM)在专业领域应用时存在"幻觉"问题，检索增强生成(RAG)成为有效解决方案。LangChain框架的Retrieval模块提供标准化RAG开发流程，包含数据加载、文本处理到向量检索的全流程能力。文章详细解析了RAG的核心优势与局限性，以及LangChain文档加载器的设计思想和7类常见格式的加载实现，包括TXT、PDF、CSV等。同时提出了大文件处理、加载选型和元数据管理等最佳实践，为构建高效可靠的私有知识库系统提供指导。通过文档加载环节，可将任意格式的知识库转换
2026-03-15 10:48:57
525
原创 【LangChain专栏】LangChain使用之Tools
本文介绍了LangChain的Tools组件，它是大语言模型(LLM)的外部能力扩展接口，使AI能够调用搜索引擎、计算器等外部功能，实现从文本生成到实际操作的跨越。Tools与Agent结合形成"思考+行动"能力，具有增强LLM功能、支持智能决策和模块化设计三大特点。文章详细解析了Tool的核心要素（名称、描述、参数规范等）和两种自定义方式：@tool装饰器（适合新手）和StructuredTool.from_function（适合进阶）。最后以MoveFileTool为例，展示了工具调
2026-02-26 21:43:55
796
原创 【LangChain专栏】LangChain Memory 核心解析
LangChain的Memory组件解决了大模型在多轮对话中缺乏上下文记忆的问题。原生大模型每次交互都是独立请求，无法记住历史对话。Memory组件通过存储和管理对话历史，使模型能基于完整上下文生成回答。核心模块包括ChatMessageHistory（底层存储）和ConversationBufferMemory（完整对话记忆）。开发者可通过这些组件实现对话历史的自动保存与读取，构建具备上下文感知能力的智能对话系统，无需手动管理消息列表。
2026-02-24 20:01:34
801
原创 【LangChain专栏】LangChain模块中Chains 链的使用
在基于大语言模型开发复杂AI应用时，单一的模型调用、提示词模板往往无法满足实际业务需求，而LangChain中的Chains（链） 正是为解决这一问题而生的核心能力。Chains通过将提示模板、LLM模型、输出解析器、记忆、工具等模块化组件串联/组合，形成可复用的AI工作流，让开发者能够轻松实现比单一组件更强大的功能。
2026-02-23 22:52:52
784
原创 【LangChain专栏】LangChain 调用Ollama本地大模型
本文介绍了如何使用Ollama工具在本地部署大语言模型，并通过LangChain进行调用开发AI应用。主要内容包括：Ollama的特点（数据隐私可控、无需外网依赖等）、环境安装配置、基础调用方法、结合PromptTemplate的使用技巧，以及如何通过FastAPI构建简单对话接口。文章还提供了常见问题解决方案，如模型响应慢的处理方法和查看已安装模型的方式。该方案为开发者提供了本地运行大模型的完整解决方案，具有低成本、高定制化等优势。
2026-02-20 22:36:16
713
原创 【LangChain专栏】核心组件Model I/O 模块
摘要 LangChain的Model I/O模块是与语言模型交互的核心组件，包含Prompt Template、Model和Output Parser三部分，分别对应输入、模型处理和输出。Prompt Template通过动态变量组合生成最终提示词，支持多种类型如ChatPromptTemplate（适用于聊天模型）、FewShotPromptTemplate（少样本提示）等。ChatPromptTemplate可管理多轮对话历史，结合模型实现链式调用（LCEL风格），简化流程并支持复杂组合。示例代码展示了
2026-02-19 23:04:09
761
原创 【LangChain专栏】LangChain快速入门
本文介绍了LangChain框架中三种主要的大语言模型类型及其应用场景。LLMs（非对话模型）适用于单次文本生成任务，Chat Models（对话模型）支持多轮对话交互，Embedding Models则用于文本向量化处理。文章通过代码示例展示了各模型的使用方式，并对比了OpenAI Chat、OpenAI Responses和阿里云DashScope三种接口的差异：OpenAI Chat适合简单对话，OpenAI Responses支持复杂交互，DashScope则针对国内用户提供合规服务。这些模型通过L
2026-02-18 21:36:26
709
原创 【LangChain专栏】基于RAG架构的开发
RAG（检索增强生成）技术解决了大模型的两大痛点：知识冻结和幻觉问题。它通过检索外部知识库获取相关信息，再提供给模型生成答案，显著提升回答准确性。RAG流程包括检索、增强和生成三个阶段，开发难点涉及文件解析、文档切割、知识检索和重排序等环节。该技术适用于专业问答系统、企业知识库等对准确性要求高的场景，但在实时对话等对延迟敏感的服务中可能不适用。RAG中模型参与三个阶段：文本向量化、结果重排序和答案生成。
2026-02-17 17:26:45
632
原创 【LangChain专栏】LangChain使用概述
LangChain是一个开源框架，用于构建基于大语言模型(LLM)的应用程序。它将模型能力与外部数据、工具和业务流程连接起来，简化复杂AI应用的开发。主要功能包括prompt构建、LLM接入、记忆管理、工具调用、RAG和智能体开发等模块。相比直接调用模型API，LangChain提供了统一规范的调用方式，降低了学习成本和开发难度。其架构包含核心组件LangChain、第三方集成社区、LangGraph协调工具、LangSmith调试平台和LangServe REST API服务。该框架支持开发者快速集成大模
2026-02-17 11:04:18
679
原创 聪明人是如何思考的？——《你的灯亮着吗》读书笔记（初识）
《你的灯亮着吗》是一本关于问题解决的实用指南。作者指出问题的本质是现实状态与理想状态之间的差距，强调要先明确问题根源而非急于解决。书中通过电梯案例等生动例子，说明不同相关方对问题的不同认知，建议通过"5个为什么"等方法找到深层原因。同时提醒警惕将"解决方案"直接当作"问题"，以及每个解决方案都可能带来新问题。最后总结出清晰的五步方法论：明确问题、找根源、想方案、过滤方案、验证结果。这本书教会我们放慢脚步，先准确定义问题，避免在错误方向上白费精力。
2025-08-10 09:43:49
1181
原创 基于 LangChain 实现通义千问 + Tavily 搜索 Agent 的简单实践
本文介绍了如何利用LangChain框架结合通义千问大模型和Tavily实时搜索引擎构建智能问答Agent。该系统能够自动判断问题类型，决定是否调用Tavily进行实时搜索获取最新信息，或直接由大模型回答通用知识问题。文章详细展示了环境配置、API设置、Tavily搜索集成方法，以及如何通过LangChain的Agent模块实现智能工具选择机制。测试案例表明，该系统能有效区分需要实时搜索的问题（如天气查询）和通用知识问题（如首都名称），为语言模型应用提供了实时知识增强的解决方案。
2025-07-05 22:19:58
1570
原创 LangChain 构建向量数据库和检索器
本文介绍了利用LangChain框架构建向量数据库和检索器的实战方法。首先解释了向量数据库的概念，将非结构化数据转化为高维向量存储并支持相似度检索。接着概述了LangChain的核心模块，包括LLM接口、Embeddings、VectorStore等。文章详细演示了使用Chroma数据库构建向量检索系统的步骤，从环境准备、数据初始化到检索实现，并展示了如何与RAG技术结合。还介绍了向量数据库的持久化存储方法及非文本数据处理思路。该方案适用于构建智能问答、知识库等应用场景。
2025-07-05 20:06:30
1303
原创 Agent智能体开发零基础入门概览
Agent代理，AI Agent 智能体代理，也被称为智能体，指的是可以代理自动执行完成一些任务的智能应用。时至今日，Agent，Copilot等概念并无明显区别，都指的是大模型驱动的智能应用。【1】大模型可以指导你如何回复邮件，Al Agent能帮你直接自动回复邮件【2】 大模型可以指导你如何编写SQL代码提数，Al Agent能直接帮你从数据库中提取数据【3】 大模型可以指导你如何设置关键词并进行搜索，Al Agent能直接链接互联网帮你搜索并整合结果；
2025-02-23 14:01:10
831
原创 【实践案例】基于大语言模型的海龟汤游戏
海龟汤”作为一种聚会类桌游，又称情境推理游戏，是一种猜测情境还原事件真相的智力游戏。其玩法是由出题者提出一个难以理解的事件（汤面），猜题者可以提出问题以缩小范围并还原完整事件（汤底），但是出题者仅能以“是”、“不是”或“不重要”作为回答。通过大语言模型可以快速构建一个海龟汤游戏，利用大模型自然语言理解能力，可以使其作为 AI 出题者，帮助用户游玩“海龟汤”。在传统的交互环境中，需要选择一个人作为出题者查看汤底来回答问题，这不仅影响了出题者的游戏体验，也限制了单人游玩的可能。【3】用户开始游戏，用户对话。
2025-02-03 21:49:53
5866
1
原创 【实践案例】使用Dify构建文章生成工作流【在线搜索+封面图片生成+内容标题生成】
使用Dify构建文章生成工作流，使用工具包括：使用 Tavily 执行的搜索查询，使用Flux生成封面图片，使用Stable Diffusion生成封面图片；使用文本大模型生成科普文章内容和标题信息。
2025-01-29 21:54:50
4220
原创 【实践案例】使用Dify构建企业知识库
在自然语言处理（NLP）中，文本的“几维表示方式”指的是将文本转换为向量时，向量的维度数，也就是这些数字表示的“空间”有多少个维度。在混合检索中，系统会先建立关键词索引和向量索引，在用户查询时，分别利用这两种检索方式获取最相关的文档，再将结果进行结合，以提供更加准确和全面的检索结果。RAG的核心思想是通过结合信息检索模型（通常是基于搜索引擎或者专门的检索模型）与生成模型（通常是基于Transformer的生成模型），使得生成模型在生成答案时能够利用外部知识库或文档，增强其生成能力和准确性。
2025-01-29 12:37:39
6635
1
原创 LangChain快速入门示例
可以直接调用LLM的invoke方法，并传入问题作为参数。此外，还可以通过提示模板(prompt template)生成提示词，用于向模型(LLM)发送指令。LangChain可以选择使用多种类型的集成包，这里为了测试方便使用的是通义千问，使用前需要获取API密钥，具体如何获取可以在网上搜索下。LLM的输出通常是一条消息，为了更方便处理结果，可以将消息转换为字符串。要安装LangChain，可以使用Pip和Conda进行安装。在使用LangChain之前，需要导入LangChain x 集成包。
2025-01-26 12:46:42
654
原创 LangChain快速入门与底层原理
LangChain 是一个开源的 Python AI 应用开发框架, 它提供了构建基于大模型的 AI 应用所需的模块和工具。通过 LangChain, 开发者可以轻松地与大型语言模型 (LLM) 集成, 完成文本生成、问答、翻译、对话等任务。LangChain 降低了 AI 应用开发的门槛, 让任何人都可以基于 LLM 构建属于自己的创意应用。LangChain 框架由几个部分组成，包括：●LangChain 库：Python 和 JavaScript 库。
2025-01-26 12:44:40
1228
原创 【大模型】提示词工程——12个提示词技巧整理
AI大语言模型融入了人们的日常工作、学习和生活，学习如何用好新的AI工具已经成为每个人的必修课。但是，对于一些稍微复杂的实际问题，AI大语言模型的回答却很不稳定，经常偏离问题甚至完全错误，主要原因就是问题（提示词）写得不好。事实证明，使用恰当的提示词，可以使AI大语言模型解决问题的效果提升数倍甚至数十倍。在每次与AI大语言模型的流畅对话中，提示词都起着至关重要的作用。
2025-01-18 20:28:16
8242
原创 系统开发迭代中的灰度设计工具选型与应用
灰度发布（Canary Release 或 Blue-Green Deployment）是指通过对新功能或版本的发布进行流量控制，使得新版本只对一小部分用户进行推送，然后逐步扩大用户群体，最终完成全面发布。灰度发布通常具备以下几个特点
2025-01-18 12:28:37
1064
原创 【Arthas命令实践】heapdump实现原理
ManagementFactory 是 Java 的标准类库，用于获取 JMX（Java Management Extensions）相关的管理接口和 MBean。这个方法的作用是使用 HotSpotDiagnosticMXBean 来调用 JVM 的原生堆转储功能，并将堆转储文件保存到指定路径。live：指示是否只转储存活对象（true 表示只转储存活的对象，false 则转储整个堆，包括未被引用的对象）。fileName：指定堆转储文件的保存路径和文件名。该路径是生成的堆转储文件将保存到的位置。
2025-01-09 22:03:28
811
原创 【MyBatis源码】从0到1手写自定义 MyBatis 框架
本文将基于之前的源码分析和开源文章构建一个简化版的MyBatis框架，帮助大家更好地理解MyBatis的工作原理，并掌握自定义ORM框架的基本步骤。mybatis-config.xml 是 MyBatis 的全局配置文件，用于定义 MyBatis 的各种配置选项，如数据库连接信息、事务管理、缓存、插件、Mapper 的扫描等。Executor 是执行 SQL 语句的核心组件，负责将映射的 SQL 语句发送到数据库，并处理查询结果。执行器是 MyBatis 核心的一部分，处理实际的数据库操作。
2025-01-06 22:40:16
1287
1
原创 【MyBatis源码分析】Spring与MyBatis整合深入解析
MapperScannerConfigurer 是 MyBatis-Spring 框架中的一个非常重要的组件，它帮助开发者自动扫描并注册 MyBatis 的 Mapper 接口。通过 MapperScannerConfigurer，我们不需要手动配置每一个 Mapper 接口的 Bean，而是通过配置扫描路径，自动为每个接口创建代理实例，并将其注册为 Spring 的 Bean。
2025-01-01 19:19:21
1428
1
原创 SqlSession的线程安全问题源码分析
ExecutionPlaceholder.EXECUTION_PLACEHOLDER 是一个查询标记，这个占位符可以避免在查询缓存时出现“脏读”，当多个线程同时查询同一个 key 的缓存，线程 A 还在数据库查询过程中，线程 B 也开始查询相同的 key，但此时线程 A 还没完成查询，缓存中的数据尚未更新，假设此时是同一个 SqlSession，因为cacheKey 是一模一样的，线程B会去一级缓存中取值，取出的数据就是旧的值。SqlSession 中包含了对事务的管理，事务在数据库连接上下文中是绑定的。
2025-01-01 15:08:28
1293
原创 Mybatis 为什么不需要给Mapper接口写实现类，为什么要使用代理而不是硬编码？
在 MyBatis 中，使用代理的方式相比于直接在方法内部获取 namespace 对应的 XML 并解析 SQL，具有几个显著的优点。虽然通过手动解析 SQL 也能实现功能，但代理机制的使用带来了更多的灵活性、简洁性和可维护性。
2024-12-30 21:38:25
1930
2
原创 【MyBatis源码分析】使用 Java 动态代理，实现一个简单的插件机制
通过使用 Java 动态代理，我们可以实现一个灵活的插件机制，允许在运行时动态地拦截和增强目标对象的方法。这个机制非常适合用于类似 MyBatis 的插件系统，可以方便地在目标方法执行前后加入自定义逻辑，而无需修改目标对象的代码。通过这种方式，可以轻松扩展系统功能，增强代码的可维护性和灵活性。
2024-12-21 21:36:06
705
原创 MyBatis主键自增回填功能源码分析
*** 针对Sequence主键而言，在执行insert sql前必须指定一个主键值给要插入的记录，* 如Oracle、DB2，KeyGenerator提供了processBefore()方法。*//*** 针对自增主键的表，在插入时不需要主键，而是在插入过程自动获取一个自增的主键，* 比如MySQL、PostgreSQL，KeyGenerator提供了processAfter()方法*/
2024-12-21 16:11:23
947
Spring Cloud微服务实战
2020-11-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人