- 博客(93)
- 收藏
- 关注
RSS订阅原创 RAG基础：评测系统RAGAS的四大指标
本文详细介绍了信息检索和自然语言处理系统中的四个核心评估指标：忠实度衡量生成答案与上下文的证据匹配程度，通过统计支持的事实陈述比例计算；答案相关性评估答案与问题的匹配度，通过反推问题计算语义相似度；上下文精度考察检索结果的相关性和排序质量，采用加权平均方法；上下文召回率评估检索信息覆盖标准答案的程度。这些指标共同构成系统评估框架，忠实度和召回率确保信息可靠性，相关性保证答案针对性，精度优化检索质量，为系统改进提供量化依据。
2026-03-17 10:45:32
448
原创 RAG基础：分块策略和元数据保存策略
本文介绍了一个Markdown文档分块处理系统，能够将公司文档按语义智能分块。系统支持三种分块类型：员工信息(employee)、组织架构(organization)和业务流程(business)。通过逐行扫描文档内容，自动识别标题层级、提取元数据并计算token数量。分块后的数据包含内容、ID、标题路径、类型、元数据和token统计等信息，可导出为结构化JSON文件。该系统采用线性扫描而非递归处理，通过维护标题栈来构建层级路径，有效提升了文档处理的效率和准确性。
2026-03-15 14:24:17
52
原创 RAG基础：数据预处理，文本清洗，为文本块分割和后续的向量化储存做铺垫
本文介绍了RAG（检索增强生成）智能体在人力资源服务中的应用，重点阐述了数据预处理环节。针对人力资源行业文档格式多样（PDF、Word等）的特点，建议转换为结构化markdown格式以保留文档信息。文章提供了三种PDF转MD的方法（本地OCR和两个在线平台），并展示了模拟的人力资源MD文档示例，包含员工数据、组织架构、业务流程等内容。这些结构化数据将作为RAG智能体的知识库基础，用于构建人力资源智能管理系统，实现从传统人工管理模式向人机协同的数字化转型。
2026-03-14 09:38:34
380
原创 RAG基础：Docker容器基础
Docker是一个将应用及其依赖打包成轻量级可移植容器镜像的工具。基础命令包括：查看容器（docker ps）、启停容器（start/stop）、进入容器（exec）、查看日志（logs）、删除容器（rm）等。容器是临时的，类似Python虚拟环境，可在任何Docker环境中一致运行。
2026-02-28 18:05:50
39
原创 RAG基础：Milvus向量数据库在Linux服务器上部署
本文介绍了使用Docker部署Weaviate向量数据库的步骤：1）创建数据存储目录并设置权限；2）通过cat命令生成docker-compose.yml配置文件，配置了华为云镜像、端口映射和数据卷；3）验证文件后启动容器，检查日志确认服务状态；4）最后通过curl命令测试API接口验证部署成功。文档提供了详细的命令和配置说明，包括数据目录权限设置、YAML文件生成方法及服务验证方式。
2026-02-27 17:56:07
69
原创 Langflow源代码解析01：源代码拉取、安装依赖项，并运行langflow
本文介绍了Langflow项目的环境配置与运行流程。首先需安装git、Python3.10等基础工具，通过git克隆项目代码时若遇SSL证书问题可使用临时跳过验证命令。项目要求Python版本3.10-3.13（Windows为3.10-3.12），推荐使用新一代包管理工具uv。配置步骤包括创建虚拟环境、安装590多个依赖项，最后通过uvrun命令启动Langflow服务。整个过程涉及版本控制、虚拟环境管理和依赖安装等关键环节，最终可通过生成的本地URL访问最新版Langflow（截至2026.2.11）。
2026-02-11 15:56:05
649
原创 Linux基础：Linux的基础操作与解读+常用命令
本文介绍了Linux系统的基本操作和目录结构。主要内容包括：1.如何通过su命令获取管理员权限；2.Linux目录结构详解，包括/bin、/etc、/home等主要目录的作用；3.常用文件操作命令，如cd切换目录、pwd查看当前路径、mkdir创建目录、touch创建文件等；4.文件管理命令，包括cp复制、mv移动/重命名、rm删除文件等操作，以及通配符的使用方法。文章提供了Linux系统的基础知识，适合初学者快速了解Linux的文件系统和基本命令操作。
2026-02-09 15:57:55
670
原创 虚拟机基础：在VMware WorkStation上安装Linux为容器化部署打基础
本文详细介绍了在VMware WorkStation上安装Linux系统的完整流程。主要内容包括：1）VMware软件安装与激活；2）Ubuntu系统镜像下载及虚拟机创建；3）Ubuntu系统安装步骤详解（语言选择、键盘配置、网络设置等）；4）系统配置（root用户设置、SSH权限、换源、时区修改）；5）使用Mobaxterm进行远程连接；6）虚拟机静态IP配置方法。文章提供了具体的命令行操作指南和常见问题解决方案，适合需要搭建Linux虚拟环境的用户参考。
2026-02-09 11:33:56
656
原创 RAG基础：基于markdown_split的Markdown文本分割实战
本文介绍了一种混合文本分割方法，支持Markdown文档的分层处理。首先使用MarkdownHeaderTextSplitter按标题级别分割文本，保留标题结构；然后对非代码块内容进行语义分割。系统通过状态机识别代码块(```)并保持其完整性，同时支持自定义标题级别(chunk_size/chunk_overlap)和元数据保留。该方案实现了文档的结构化处理与内容保护的平衡。
2026-02-03 17:59:30
106
原创 RAG基础：基于LangChain 的文本分割实战+文本分块
文本分割是RAG流程中的关键步骤，主要解决长文档处理、检索质量和语义完整性问题。LangChain框架提供了专业化的文本分割工具，支持多种文档类型，通过chunk_size、chunk_overlap等参数控制分割粒度。分割后的文本块保留元数据，便于后续向量化和检索。合理分割能提升检索精度，避免信息丢失或冗余，是构建高效RAG系统的基础。
2026-02-03 17:47:07
630
原创 RAG基础概念：一篇带你入门，看这一篇就够了
大语言模型存在幻觉、信息过时、专业不足和推理薄弱等问题。RAG（检索增强生成）技术通过构建"专属智能图书馆"来解决这些问题。其工作流程分为离线准备（数据切分和向量化建库）和在线问答（检索相似资料并生成答案）两个阶段。RAG让AI在回答前先检索相关最新或专属资料，确保答案准确有依据，避免胡编乱造。该技术可应用于需要时效性、专业性或私密性的场景，显著提升AI回答质量。
2026-02-02 16:01:12
720
原创 RAG基础概念：如何构建一个知识库，一篇带你入门
数据加载和预处理是索引阶段的起始环节，指将多源、异构的原始非结构化 / 半结构化数据导入 RAG 系统，并通过清洗格式标准化、噪声剔除等操作，得到干净、统一、可直接处理的纯文本数据的过程；是后续所有环节的基础，直接决定知识库的 “数据质量”，进而影响最终检索和生成效果。文本切片（又称文本分块 / Chunking）是指将预处理后的长文本，按照科学的规则和固定的维度，切分为多个长度适中、语义完整、独立可理解的短文本块（简称 “Chunk”）的过程；是索引阶段的核心关键环节。
2026-02-02 15:59:39
968
原创 智能体可视化小demo搭建：Streamlit 入门教程--从安装到会话管理
本文介绍了如何使用Streamlit快速构建交互式Web应用。主要内容包括：1）安装配置Streamlit基础环境；2）数据展示功能（标题、文本、表格、图片）；3）表单组件（输入框、下拉菜单、文件上传等）；4）页面布局设计（侧边栏、分栏、标签页）；5）会话状态管理；6）流式输出实现；7）基于OpenAI API的智能问答机器人开发实例，包含API调用、对话历史维护和实时响应展示。通过具体代码示例，展示了Streamlit简洁高效的开发方式，特别适合无前端经验的开发者快速构建数据可视化应用和智能对话系统。
2026-01-28 17:41:50
289
原创 提示词工程（Prompt Engineering）全体系知识手册
《提示词工程手册》摘要：提示词工程是通过结构化设计提示词（Prompt）来优化大模型输出的方法论，涵盖指令、上下文、示例和输出约束等要素。它连接人类需求与大模型能力，适用于自然语言处理、代码开发、数据分析等多场景。手册系统讲解从基础到高阶的提示词设计技巧，包括核心原则（清晰具体、角色设定、逻辑分层等）、进阶方法（Few-shot、CoT、ToT等）及分场景实践（代码开发、SQL生成等）。同时提供模型适配、优化调试、工程化落地（标准化、API融合）等实用指南，并配套工具资源和前沿趋势分析，帮助用户高效挖掘大模
2026-01-27 10:01:16
1429
原创 大语言模型核心原理（一篇足以）：大模型的底层Transformer架构深度解析（为什么用它？是什么？RNN的原理与局限性+架构分析+论文解读）
摘要：Transformer架构是当前大语言模型(LLM)的核心基础，由Google团队在2017年提出，取代了传统的循环神经网络(RNN)。其核心创新在于：1）完全基于注意力机制，实现全局依赖捕捉；2）支持全并行计算，大幅提升训练效率；3）采用多头注意力设计，可同时建模不同维度的语义关联。原始Transformer采用编码器-解码器双塔结构，通过自注意力、前馈网络等模块堆叠实现序列建模。现代大模型在此基础上进行了架构简化(如Decoder-only)、注意力优化(如稀疏注意力)、规模扩展等改进。Trans
2026-01-26 15:25:46
1149
原创 python基础面试编程题汇总+个人练习（入门+结构+函数+面向对象编程）--需要自取
该Python程序包含多个功能模块，主要涵盖以下内容： 基础计算功能： 数字处理函数（读取数字、计算平均值） 文件操作（读写、追加、定位） 数学计算（圆面积、周长、闰年判断） 实用工具： 随机密码生成器 质数判断 文件统计（行数、单词数、字符数） 面向对象编程： 学生管理系统（Student和ClassManage类） 银行账户系统（BankAccount和User类） 游戏角色系统（Role基类和多个子类） 电商订单系统（Product、OrderItem和Order类） 高级特性： 继承与多态 私有属性
2026-01-21 17:12:30
238
原创 面向计算机应用的数学
计算机专业学生掌握AI模型数学公式的关键在于"应用导向"学习，重点理解公式含义、作用及代码实现。基础必备三门数学课：1）线性代数（矩阵乘法、维度匹配）；2）微积分（导数、梯度下降）；3）概率统计（选学）。进阶阶段通过《机器学习数学基础》课程衔接数学与AI模型，最后结合PyTorch/TensorFlow实战课程将数学公式转化为代码实现。学习路线建议：先线性代数（2-3周）→微积分核心（1-2周）→机器学习数学基础→PyTorch实战。特别强调矩阵乘法的维度匹配规则是代码实现的关键，同时需
2026-01-20 17:07:57
844
原创 基于自定义实现 PyTorch RNN 的代码，拆解并分析基础 RNN 的核心计算公式
1. 数学定义非线性变换是不满足线性性质的变换，其输出和输入不是简单的比例关系。RNN 中最常用的非线性激活函数是tanh，函数曲线和公式如下：tanh(x)=ex+e−xex−e−x输出范围是 (−1,1)，能把线性变换的结果 “压缩” 到固定区间，同时引入非线性。2. RNN 中的非线性变换（对应代码里的运行self.ht = torch.tanh(igates + hgates) # 对线性变换的总和做非线性激活这一步是RNN 能拟合复杂序列关系的关键。
2026-01-20 17:02:29
623
原创 循环神经网络(RNN)全过程详解： 看这一篇足以，讲得透透的。
摘要：本文系统阐述了循环神经网络(RNN)处理文本数据的完整流程。首先介绍了文本向量化的三个关键步骤：Token化、词汇表映射和嵌入层转换，将文字转化为数值向量。其次详细解析了RNN的核心运算机制，包括隐藏状态的循环更新和参数共享原理。然后说明了RNN输出向量的两种应用场景：文本分类和生成任务。最后总结了从概率向量还原文字的反向映射过程。文章通过PyTorch代码示例，完整展示了从"我爱吃苹果"到向量表示再到RNN处理的全过程，并深入解释了Token、权重参数等核心概念。该流程为理解RN
2026-01-20 15:54:53
1032
原创 两种完整的 Git 分支协作流程
摘要：本文详细介绍了两种Git分支协作流程：1）本地新建仓库推送到远程，适用于先本地开发后关联远程的场景；2）克隆远程仓库开发分支，适合团队协作的主流方式。两种流程均遵循main-dev-feature/*的分支规范，包含分支创建、开发、推送、合并到清理的全过程，每个步骤提供可执行命令和场景说明。重点强调了分支隔离、合并规范、推送前拉取和及时清理等核心原则，并提供了分支操作速查表。流程覆盖从功能开发到上线部署的完整生命周期，适合Git新手直接实践。
2026-01-20 09:53:39
879
原创 Git 核心操作命令
首次提交代码git add 文件名→git commit -m "备注"→git push 远程别名 分支名同步远程最新代码git pull 远程别名 分支名→ 解决冲突（如有）→git push 远程别名 分支名多分支开发git switch -c 功能分支→ 开发 →git switch 主分支→git merge 功能分支→git push避坑关键推送前先git pull，避免本地分支落后；提交前先git status，确认只提交需要的文件；远程库别名 / 分支名要准确（通过git branch。
2026-01-20 09:22:07
969
原创 版本控制基础：git详细操作，一篇带你入门，附加面试习题
本文详细介绍了Git版本控制系统的核心概念与操作流程。主要内容包括：1）Git安装与基础配置；2）本地仓库创建与管理（工作区、暂存区、本地库）；3）分支管理策略与合并冲突解决；4）远程仓库操作（克隆、推送、拉取）；5）版本回退机制（soft/mixed/hard模式）；6）Git三层架构原理与工作流程。重点讲解了日常开发中最常用的命令组合，并提供了从初始化到团队协作的完整操作示例，帮助开发者系统掌握Git的核心功能。文中还包含常见问题解决方案和面试实操练习，可作为Git从入门到精通的实用指南。
2026-01-19 15:22:27
1324
原创 循环神经网络RNN:整数索引→稠密向量（嵌入层 / Embedding）详解
文章摘要：嵌入层（Embedding）是将离散整数索引转换为连续稠密向量的关键模块，解决了整数索引离散无语义和维度不匹配的问题。其本质是一个可学习的参数矩阵，通过查表方式将索引映射为固定维度的语义向量。相比独热编码，嵌入层具有维度低、能学习语义关联的优势。嵌入层与RNN配合时，输出三维张量可直接作为RNN输入。工程实践中需注意特殊Token处理、预训练词向量加载、维度选择等关键细节。嵌入层通过反向传播不断优化，使语义相似的Token向量距离更近，是自然语言处理任务的基础组件。
2026-01-17 17:56:43
1082
原创 “Token→整数索引” 的完整实现步骤
构建词汇表是将文本Token转换为整数索引的关键步骤，主要流程包括：统计Token频率、定义特殊Token、筛选普通Token并分配索引。特殊Token（如<PAD>、<UNK>）需固定索引，普通Token根据频率排序分配。词汇表大小可限制以控制模型复杂度，低频Token映射为<UNK>。最终通过词汇表实现Token到索引的映射，同时需保存词汇表以便复用。整个过程将人类可读文本转化为机器可处理的数值形式，是文本预处理的核心环节。
2026-01-17 17:33:29
475
原创 大语言模型基础：大语言模型核心原理（大语言模型和传统的机器学习的差异）
传统机器学习与大语言模型(LLM)存在本质差异：传统ML是"专项智能"，依赖少量标注数据，模型简单(如决策树)，针对特定任务(如图像识别)；而LLM是"通用智能"，通过海量无监督文本学习，采用复杂Transformer架构(如GPT-4万亿参数)，具备语言理解、生成、推理等综合能力。核心区别在于LLM能跨领域应用(聊天、写作、编程等)，采用生成式推理，但可解释性较差；传统ML可解释性强但泛化能力弱。这标志着AI从"工具时代"迈向"智能时代
2026-01-16 11:09:31
1003
原创 大语言模型的基础：大语言模型基础认知
摘要：人工智能发展经历了符号主义、专家系统、机器学习到深度学习的演进过程。2017年Transformer架构的提出成为重大转折点，催生了当今的大语言模型时代。大模型具有参数规模大、训练数据量大、算力需求高等特征，通过预训练、微调和强化学习三个阶段获得能力。当前大模型已广泛应用于各行业，但仍面临幻觉问题、高能耗等挑战。未来发展方向包括推理能力突破、多模态融合、智能体普及等。理解大模型的关键在于认识其作为概率模型的本质，其通过统计规律实现"智能"，但也因此存在逻辑推理缺陷等局限性。优化大模
2026-01-15 17:31:18
619
原创 态度，什么是态度？
面具之下：虚伪与本真的较量 人的感官本应平等客观，却因心的偏颇而扭曲：双眼区别待人，双耳偏听一面，嘴巴言不由衷。这种表里不一源于"态度面具"——有心者用不同面具掩饰本心，无心者则始终真实。现实中，这类人面对权贵卑躬屈膝，对弱者趾高气扬；只听顺耳之言，对异见充耳不闻；满口虚言假意，毫无真诚可言。可悲的是，长期佩戴的面具终将与本心融为一体，使人彻底迷失自我。相比之下，尽管真实生活可能受伤，却能保持内心的纯净。人生真谛在于：摘下虚伪面具，以平等视角看世界，用开放心态听声音，凭真诚话语表心声，让
2026-01-15 13:32:06
154
原创 SQL基础（SQL小白教程）：MySQL语句+环境一键搭建+面试习题
本文介绍了MySQL数据库的基本操作流程：首先使用小皮面板搭建服务器环境并启动MySQL服务，然后详细讲解了数据库创建、表操作、字段增删改查等基础SQL语句。文章重点演示了如何创建学生表、插入100条模拟数据，并详细说明单表查询、聚合统计、分组筛选等查询方法。此外还介绍了视图创建、约束条件设置以及触发器使用等高级功能，最后提供了SQL面试题（选择题、判断题、填空题和编程题）帮助读者巩固知识。全文涵盖MySQL从基础到进阶的操作要点，适合数据库初学者学习参考。
2026-01-15 10:26:49
1212
原创 python基础：面向对象的游戏角色系统（python小游戏）
本文展示了一个基于Python的游戏角色系统实现。系统包含基类Character及其三个派生类：Warrior(战士)、Mage(法师)和Archer(弓箭手)。每个角色类具有独特的属性和技能，如战士的护甲加成、法师的火球术和弓箭手的闪避能力。系统实现了暴击、防御、闪避等战斗机制，并提供了自动战斗功能。测试结果显示不同职业角色间的战斗效果，如战士对法师的压制优势，以及弓箭手30%闪避率带来的战斗变数。该系统可作为简单RPG游戏的角色战斗基础模块，展示了面向对象编程中继承和多态的应用。
2026-01-14 14:13:14
196
原创 python基础：opp的结构+公私接口+property与getter方法详解
本文系统介绍了Python面向对象编程中的类结构与接口设计。主要内容包括：1）类的基本结构，涵盖类属性、实例方法、类方法、静态方法和特殊方法；2）公私接口的实现原理与命名约定，解释私有接口的名称修饰机制；3）Getter方法的两种实现方式，对比传统方法与@property装饰器的优劣；4）通过用户管理系统案例展示实战应用，演示属性访问控制、密码加密等技巧。文章强调应根据实际需求选择合适的设计方式，避免过度封装，并遵循命名规范和输入验证原则，同时指出了常见的实现误区。
2026-01-14 10:54:41
1079
原创 基于FastAPI的API开发（爬虫的工作原理，服务器接口搭建）：从设计到部署详解+面试习题
本文系统介绍了API开发的核心知识与实践。首先解析了API的基础概念和类型（REST、GraphQL等），重点阐述了REST API的设计原则。接着详细讲解了HTTP请求/响应格式、API设计规范与最佳实践，包括URL路径、请求响应设计和数据验证。通过FastAPI框架的代码示例，演示了GET、POST、PUT、DELETE等操作的实现过程，并解决了CORS跨域问题。最后提供了API文档自动生成方法及面试习题，涵盖API开发的关键知识点。文章完整呈现了从理论到实践的API开发全流程。
2026-01-13 16:20:32
1259
原创 python基础：venv（python的虚拟环境）+python解释器+pip命令+标准库+三方库
本文摘要： Python环境管理详解：1）Python安装包包含解释器、pip和标准库，三者版本需对应；2）虚拟环境通过隔离项目依赖解决版本冲突问题，每个虚拟环境包含独立解释器、pip和site-packages目录；3）创建虚拟环境时应使用具体Python版本命令（如python3.10），避免多版本混淆；4）最佳实践包括为每个项目创建虚拟环境，用requirements.txt管理依赖。特别注意：不同Python版本的快捷命令（python3/pip3）易导致版本错乱，建议始终使用完整版本号操作。
2026-01-12 14:47:06
1474
原创 计算机网络:电脑访问网站的完整流程详解+面试习题
当在浏览器输入URL后，系统会经历以下关键流程：1)URL解析与缓存检查；2)DNS域名解析转换为IP地址；3)TCP三次握手建立连接；4)HTTPS还需TLS握手建立加密通道；5)发送HTTP请求；6)服务器处理请求并返回响应；7)浏览器解析渲染页面；8)TCP四次挥手关闭连接。整个过程涉及应用层、传输层、网络层等多个协议栈的协同工作，通常耗时500ms左右完成页面加载。核心技术包括DNS、TCP、TLS/SSL、HTTP等，展现了现代网络通信的复杂技术体系。
2026-01-11 15:06:30
1215
原创 网络与API：从HTTP协议视角理解网络分层原理+面试习题
HTTP协议基于TCP/IP四层模型工作，位于应用层，依赖下层协议实现数据传输。物理层处理信号转换，网络层(IP)负责路由寻址，传输层(TCP)确保可靠传输。HTTP请求经过分层封装：应用层生成请求，传输层拆分TCP段，网络层添加IP头，链路层转换为物理信号。HTTP演进如HTTP/2的多路复用和HTTP/3的QUIC协议，都优化了下层协议交互。该分层设计使HTTP专注应用逻辑，无需处理底层细节，同时支持协议灵活演进。典型HTTP流程包括请求封装、网络传输和服务器解封装响应。
2026-01-10 09:36:13
684
原创 网络与API：HTTP基础+面试习题
HTTP协议基础与应用摘要 HTTP是一种无状态的应用层协议，采用请求-响应模型实现客户端与服务器通信。其核心组成包括：1）请求结构（方法、URL、头信息、请求体）；2）响应结构（状态码、头信息、响应体）。常用方法包括GET（获取）、POST（提交）、PUT（更新）等，状态码分为5类（1xx-5xx）表示不同处理结果。通过头信息传递元数据，URL完整定位网络资源。Python中可使用requests库高效实现HTTP请求，支持GET/POST等操作，并能自定义请求头、处理响应数据。HTTPS在HTTP基础上
2026-01-09 15:47:45
651
原创 数据处理与分析：数据可视化的面试习题
本文介绍了Python中常用的数据可视化库及基本操作。主要内容包括：1.选择题部分列举了Matplotlib、Seaborn和Plotly三大主流绘图库的特点和适用场景；2.判断题部分验证了各库的核心功能及数据可视化基本原则；3.编程题部分展示了使用Matplotlib绘制折线图、Seaborn绘制箱线图、Plotly创建交互式饼图，以及Pandas结合Matplotlib实现数据可视化的完整流程。文章通过选择题、判断题和编程题三种形式，系统性地介绍了Python数据可视化的基础知识与应用技巧。
2026-01-09 13:31:23
361
原创 数据处理与分析：pandas基础+面试习题
本文介绍了Python数据分析库Pandas的核心功能和使用方法。主要内容包括：1）Pandas的安装导入及核心数据结构Series和DataFrame；2）数据清洗技巧（缺失值处理、重复值处理、数据类型转换）；3）数据转换操作（添加/删除列、修改列名、排序数据）；4）数据分组聚合方法；5）数据合并连接技术；6）数据可视化基础；7）时间序列处理；8）数据输入输出操作。文章通过大量代码示例详细演示了各功能的使用，并提供了面试常见习题及答案，适合数据分析初学者快速掌握Pandas的核心功能。
2026-01-09 11:29:55
916
原创 面向对象编程：继承与多态+面试习题
本文系统阐述了面向对象编程中继承与多态的核心概念。继承通过子类继承父类实现代码复用和功能扩展，支持单继承、多继承和多层继承，子类可通过方法重写和super()函数灵活定制功能。多态则使不同对象对同一方法调用产生不同行为，通过继承关系和方法重写实现"一个接口，多种实现"。文章详细展示了二者的语法实现、相互关系及优势：继承提高代码复用性和可扩展性，多态增强程序灵活性。最后通过选择题和编程题巩固概念，如定义Animal父类及Dog/Cat子类实现多态调用。继承与多态共同构成了面向对象编程实现代
2026-01-08 15:15:01
813
原创 面向对象编程：OOP基础概念+面试习题
面向对象编程(OOP)是一种以对象和类为核心的编程范式。摘要如下：1) 核心概念包括类(定义对象的模板)和对象(类的实例)；2) 四大特征为封装(隐藏实现细节)、继承(代码复用)、多态(同一方法不同行为)和抽象(简化复杂系统)；3) 类包含属性(实例/类/私有属性)和方法(实例/类/静态/私有方法)；4) 特殊方法(如__init__、str)实现对象特殊行为；5) OOP优势包括代码复用、安全性、灵活性和可维护性。Python中通过class关键字定义类，使用__init__作为构造方法。
2026-01-08 14:05:34
528
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人