- 博客(58)
- 收藏
- 关注
RSS订阅原创 2016年下半年系统架构设计师论文真题
本文为2016年下半年系统架构设计师论文真题整理，涵盖四道主试题：软件系统架构评估、软件设计模式应用、数据访问层设计技术、微服务架构及其应用。每题均要求从项目背景、理论分析与实践应用三方面展开论述，重点考察考生对架构评估方法（如SAAM、ATAM）、设计模式分类、数据访问层技术（如DAO、ORM）及微服务特征（组件化、独立部署、多语言支持等）的理解与实际应用能力。备考建议结合真题自测，掌握写作框架与核心要点。
2026-09-30 09:51:36
53
原创 2016年下半年系统架构设计师案例分析真题（整理版）
本文为2016年下半年系统架构设计师案例分析真题整理，涵盖试题一至五，重点解析软件架构设计与建模。试题一聚焦架构风格选择，对比管道-过滤器与数据仓储风格，考查质量属性识别、架构比较及系统设计；试题二围绕教学管理系统建模，考察用例与类图中的参与者、关系类型及面向对象建模应用。答案详尽，有助于考生掌握架构设计与需求分析核心能力，提升备考效率。
2026-09-30 09:50:46
23
原创 2016年下半年系统架构设计师综合知识真题
本文为2016年下半年系统架构设计师综合知识真题（75题）的完整解析，涵盖CORBA模型、嵌入式系统、流水线吞吐率、双缓冲机制及文件索引节点等核心考点。重点解析了伺服对象、可移植对象适配器（POA）、寄存器存取速度最快、RTOS接口为API、MPU与MCU区别、流水线执行时间计算、双缓冲并行优势及文件最大长度计算等内容。通过真题训练，掌握系统架构设计关键知识点，提升备考效率。
2026-09-30 09:50:10
25
原创 系统架构设计师考试大纲：题型举例
本文收录《系统架构设计师考试大纲（2022年审定）》题型示例，涵盖选择题、问答题与论文题三类题型。选择题考察网络协议与软件产品线知识；问答题对比C/S与B/S结构优劣，并探讨混合架构设计；论文题聚焦用户需求把握，要求结合实际项目论述需求分析方法及成效。内容紧扣考试重点，适用于软考高级·系统架构设计师备考参考。
2026-09-30 09:48:46
40
原创 系统架构设计师考试大纲：考试科目3 系统架构设计论文
🎯：本文完整收录《系统架构设计师考试大纲（2022 年审定通过）》中的部分，适合软考高级·系统架构设计师备考人群通读查阅。📚：考试大纲（7 篇）· 历年真题 2016–2025（37 篇），本文属于「考试大纲」分类。
2026-09-30 09:46:38
46
原创 系统架构设计师考试大纲：考试科目1 系统架构设计综合知识
正文内容以接口提交版本为准。本文为系统架构设计师备考资料系列文章。正文内容以接口提交版本为准。本文为系统架构设计师备考资料系列文章。本文为系统架构设计师备考资料系列文章。正文内容以接口提交版本为准。
2026-09-29 18:09:46
154
原创 系统架构设计师考试大纲：考试科目2 系统架构设计案例分析
信息系统架构的定义和发展信息系统架构的分类（集中式和分布式）信息系统常用的四种架构模型单机应用模式客户机/服务器（C/S）模式（两层 C/S、三层 C/S 或 B/S、多层 C/S、MVC）面向服务架构（SOA）模式企业数据交换总线企业信息系统的总体框架战略系统业务系统应用系统信息基础设施层次式架构的定义和特性层次式架构的一般组成（表现层、中间层、数据访问层和数据层）云原生的背景、定义和特征云原生架构的设计原则。
2026-09-29 18:03:55
126
原创 系统架构设计师考试大纲：考试说明
🎯：本文完整收录《系统架构设计师考试大纲（2022 年审定通过）》中的部分，适合软考高级·系统架构设计师备考人群通读查阅。📚：考试大纲（7 篇）· 历年真题 2016–2025（37 篇），本文属于「考试大纲」分类。
2026-09-29 18:03:03
78
原创 系统架构设计师考试大纲：相关文件（卷首文件材料）
🎯：本文完整收录《系统架构设计师考试大纲（2022 年审定通过）》中的**相关文件（卷首文件材料）**部分，适合软考高级·系统架构设计师备考人群通读查阅。📚：考试大纲（7 篇）· 历年真题 2016–2025（37 篇），本文属于「考试大纲」分类。
2026-09-29 18:02:20
117
原创 DB-GPT: Empowering Database Interactions with Private Large Language Models 导读
DB-GPT是一个智能且开放源代码的数据库对话系统，它能够解决各种任务，并在多个基准测试中表现出色。DB-GPT采用了多种技术手段来提高其性能和效率，如知识构造、知识检索、文本到SQL微调等。DB-GPT还具有隐私保护功能，可以在没有互联网连接的情况下运行，并通过代理去识别化技术保护用户数据的安全。
2024-05-07 19:21:42
752
原创 DB-GPT: Empowering Database Interactions with Private Large Language Models 导读
DB-GPT是一个智能且开放源代码的数据库对话系统，它能够解决各种任务，并在多个基准测试中表现出色。DB-GPT采用了多种技术手段来提高其性能和效率，如知识构造、知识检索、文本到SQL微调等。DB-GPT还具有隐私保护功能，可以在没有互联网连接的情况下运行，并通过代理去识别化技术保护用户数据的安全。
2024-01-29 15:40:28
2145
原创 The Rise and Potential of Large Language Model Based Agents: A Survey 中文翻译
长期以来，人类一直追求与或超越人类水平的人工智能（AI），而人工智能代理被视为实现这一目标的有希望的方式。人工智能代理是感知环境、做出决策并采取行动的人工实体。已经有很多关于开发智能代理的努力，但它们主要集中在算法或训练策略方面的改进，以提高特定任务的能力或性能。实际上，社区缺乏一个通用且强大的模型，可以作为设计适应各种情况的人工智能代理的起点。由于它们所展示的各种能力，大型语言模型（LLMs）被认为是人工通用智能（AGI）的潜在火花来源，并为构建通用人工智能代理提供了希望。
2024-01-29 11:02:50
2641
原创 The Rise and Potential of Large Language Model Based Agents: A Survey 导读
论文系统地介绍了基于预训练模型的语言模型（LLM）在智能体研究中的应用，并探讨了其与传统决策框架的结合。提出了将LLM应用于智能体的研究中可以提高任务效率、增强协作能力等优势，并指出了存在的挑战和风险。在评价方面，提出了评估LLM代理人的四个维度：效用、社会性、价值观和持续进化能力，并讨论了如何量化这些特征以及如何解决相关问题的方法。
2024-01-26 16:27:09
1728
原创 大语言模型-幻觉
1、Siren’s Song in the AI Ocean: A Survey on Hallucination in Large Language Modelshttps://arxiv.corg/pdf/2309.01219.pdfAI海洋中的女妖之歌2、Check Your Facts and Try Again: Improving Large Language Models with External Knowledge and Automated Feedbackhttps://arxiv.o
2024-01-26 15:48:25
822
原创 Check Your Facts and Try Again: Improving Large Language Models with External Knowledge and Automate
本文提出了一种名为LLM-AUGMENTER的方法，通过使用外部知识和自动化反馈来增强大型语言模型（如ChatGPT）的能力。该方法利用外部知识作为LLM提示的一部分，帮助生成更接地的知识相关的响应，并使用自动化反馈激发模型（如ChatGPT和Instruct-GPT）的“后续纠正”能力以产生排名更高的修订响应。实验结果表明，LLM-AUGMENTER在信息检索对话任务和开放领域维基问答任务中显著减少了ChatGPT的幻觉，并提高了其生成响应的流畅性和信息量。
2024-01-26 15:47:01
1010
原创 Siren’s Song in the AI Ocean: A Survey on Hallucination in Large Language Models AI海洋中的女妖之歌导读
本文综述了大型语言模型（LLM）中的幻觉问题，并介绍了当前解决该问题的方法和挑战。文章首先介绍了LLM的基本原理和应用场景，然后详细阐述了幻觉问题的定义、影响以及相关研究背景。接着，作者列举了幻觉问题的来源并探讨了解决方案，包括数据清理、模型调整和评估等方法。最后，文章提出了未来的研究方向和发展趋势。本文的优点在于系统地总结了LLM中幻觉问题的研究现状，全面梳理了相关的研究成果和技术手段。同时，文章也深入剖析了幻觉问题的本质和根源，为后续的研究提供了重要的参考和启示。
2024-01-26 15:29:52
821
原创 Meta-Transformer: A Unifeid Framework for Multimodal Learning 导读
提出了Meta-Transformer框架，能够同时处理12种不同的数据模态，并使用同一组参数来提取表示。实验结果表明，在各种多模态学习任务中，Meta-Transformer表现出了优异的性能，并且比现有方法具有更好的泛化能力。论文提出了一个统一的映射函数F，将来自任何模态的数据x映射到预测值ˆy，并探讨了如何在不同模态之间共享参数以提高模型效率的问题。
2024-01-26 15:14:39
718
原创 MiniGPT-4: Enhancing Vision-Language Understanding with Advanced Large Language Models 导读
本文提出了一个名为MiniGPT-4的新型视觉语言模型，该模型利用了先进的大型语言模型LLM Vicuna，并结合BLIP-2的视觉感知能力，实现了与GPT-4类似的多种高级视觉语言能力。通过在图像描述数据集上预训练Vicuna并对其进行微调，作者成功地使MiniGPT-4能够生成详细的图像描述、构建网站、解释视觉现象等任务。
2024-01-26 14:31:10
568
原创 大语言模型-任务规划与分解论文
1、Chain-of-Thought Prompting Elicits Reasoning in Large Language Models https://arxiv.org/abs/2201.11903Chain-of-Thought Prompting Elicits Reasoning in Large Language Models2、Tree of Thoughts: Deliberate Problem Solving with Large Language Models https://a
2024-01-26 14:06:30
2054
原创 ART: Automatic multi-step reasoning and tool-use for large language models 导读
本文提出了一种名为ART的框架，可以自动地为大型黑盒语言模型生成多步推理过程，并使用工具库中的外部工具来提高性能。该框架通过检索任务库中与新任务相关的演示文稿，从而实现零样本分解和工具使用。ART提供了一个灵活但结构化的查询语言，使得解析中间步骤、停止生成以调用外部工具以及在包括这些工具输出后继续生成变得容易。此外，用户可以通过更新任务和工具库来修复任何错误或添加新工具，而无需重新训练模型。实验结果表明，ART在多个测试任务上表现优异，特别是在需要算术和算法推理的任务上表现出色。
2024-01-26 13:56:53
2690
原创 Chain-of-Thought Prompting Elicits Reasoning in Large Language Models导读
论文提出了一种简单而广泛适用的方法——链式思维提示（chain-of-thought prompting），用于增强大型语言模型的推理能力。通过实验证明，链式思维提示能够显著提高大型语言模型在算术、常识和符号推理等任务上的表现，并且比传统的提示方法具有更强的泛化能力和更小的数据需求。研究结果表明，链式思维提示是一种有效的工具，可以扩展大型语言模型的能力范围，进一步激发了使用自然语言处理技术解决复杂问题的研究方向。
2024-01-26 11:40:54
1775
原创 大语言模型-大模型基础文献
1、Attention Is All You Need https://arxiv.org/abs/1706.03762attention is all you need2、Sequence to Sequence Learning with Neural Networks https://arxiv.org/abs/1409.3215基于深度神经网络（DNN）的序列到序列学习方法3、Neural Machine Translation by Jointly Learning to Align and Tr
2024-01-26 11:36:45
1863
原创 equence to Sequence Learning with Neural Networks 导读
该研究使用了深度学习中的LSTM模型来解决序列到序列的问题，并在WMT’14英法翻译任务中取得了优异的表现。与传统的SMT系统相比，LSTM模型具有更好的性能表现，尤其是在小词汇量的情况下。研究者还通过反转源句子中的单词顺序来改进模型性能，这是一个简单而有效的技巧。
2024-01-26 11:32:07
1063
原创 attention is all you need 导读
本文提出了一种新的序列转换模型——Transformer，该模型完全基于注意力机制，取代了在编码器解码器架构中常用的递归层。与使用递归或卷积层的架构相比，对于翻译任务，Transformer可以训练得更快，并且在WMT 2014英语到德语和WMT 2014英语到法语翻译任务上取得了新的最佳表现。此外，作者还计划将注意力机制应用于其他任务，并将其扩展到涉及输入和输出模态的问题，例如图像、音频和视频等。
2024-01-26 11:31:05
1102
原创 Emergent Abilities of Large Language Models 机翻mark
证明通过扩大语言模型可以可靠地提高性能和样本效率在广泛的下游任务。相反，本文讨论了我们称之为大型语言模型的新兴能力的一种不可预测的现象。我们认为如果一个能力不存在于较小的模型中，但在较大的模型中存在，则该能力就是新兴的。因此，仅仅通过外推小模型的性能无法预测新兴的能力。这种涌现的存在提出了一个问题：是否有可能进一步扩展语言模型的能力范围。近年来，语言模型已经彻底改变了自然语言处理（NLP）。
2024-01-26 11:28:31
1867
原创 分阶段代码保护思路
对于python代码，首先编写一个源码.py文件，在我们运行的时候会在内存中编译py代码，在内存中表示为pyCodeProject对象，有可重用的模块会编译成.pyc可重用模块，运行结束后写入到磁盘。pyCodeProject和可重用的.pyc文件代码会在python虚拟机上经过python解释器，逐步解释生成机器码用于控制pc。经过上述的过程代码就运行起来了，所以基本上每一个步骤都可以作为代码保护的切入点
2023-04-24 16:22:23
555
原创 AutoML paper following
在传统深度学习的模型构建中，主要包含以下步骤：数据处理、特征工程、模型架构选择、超参数优化、模型后处理、结果分析。这些步骤往往会耗费大量人力和时间。在 AutoML 中，则可以对大部分步骤进行自动处理。自动学习方法已经足够成熟，可以与人类机器学习专家竞争，有时甚至超过他们。简而言之，AutoML可以提高性能，同时节省大量的时间和金钱，因为机器学习专家既难找又贵。因此，近年来对AutoML的商业兴趣急剧增长，一些主要的科技公司和初创公司现在正在开发自己的AutoML系统。其中一些的概述比较可以总结为下表。
2023-04-24 15:16:29
195
原创 什么是MLOps？
MLOps是用于数据科学家和专业运维人员之间协作和交流的一系列实践。应用这些实践可以提高质量，简化管理流程，并在大规模生产环境中自动部署机器学习和深度学习模型，更容易使模型与业务需求以及监管要求保持一致。MLOps正在慢慢演变成一种独立的机器学习生命周期管理方法，它适用于整个生命周期——数据收集、模型创建（软件开发生命周期、持续集成/持续交付）、编排、部署、健康、诊断、治理和业务指标。
2023-04-21 13:55:00
1141
原创 Scala中不能使用log
Scala log 报错：error:constructor Logger is in class Logger cannor accessed in class XXX
2022-07-29 17:20:30
249
原创 python code 保护（二）
文章（一）中比较了各python加密方法的优缺点，综合来说通过代码混淆的方式较为常用，其优点是可以兼容平台和不同的Python版本。因此，接下来将介绍较为常用的混肴工具以及其优缺点。pyminifier是一个对Python文件进行压缩、混淆的工具，项目地址 https://github.com/liftoff/pyminifier优缺点pyminifie只能处理单个的文件，部分脚本混肴后可能不可运行，需要手动测试Oxyry Python Obfuscator简介Oxyry Python Ob
2022-06-06 17:18:38
1380
原创 实现精确一次消费
每间隔5s消费者会自动从poll方法获得的最大的偏移量提交到主题中，再均衡之后可能出现重复消费和丢失数据的可能，重复消费：数据丢失：提交偏移量的周期要小于,消费者处理的时长，会出现数据的丢失使用提交由poll方法返回的最新的偏移量，如果成功提交马上返回结果，提交失败就会跑出异常使用提交由poll方法返回的最新的偏移量，频繁提交在broker响应之前，应用程序会一直阻塞，降低了吞吐量，单一但发生再均衡的情况，会增加重复的数量 一步提交还有回调的功能很难确定自动提交偏移量的时机、同步提交和异步提交会出现吞吐
2022-06-06 15:39:59
352
1
原创 Python code 保护方式（一）
Python优点很多，比如简单易学，代码量少，能做的事很多等等，和其他语言一样，Pyhton也有一些不可掩盖的缺点，版本不兼容，运行效率不高等等。 其中一个缺点，让不少开发者头疼不已，由于Python解释器开源的关系，导致Python代码无法加密，代码的安全性得不到保障。 主流的加密方式主要有使用字节码、创建可执行文件、使用Cython和代码混肴的方式###1）使用字节码 Python解释器在执行代码的过程中，会首先生成.pyc文件，然后再解释执行.pyc中的内容，当然，解释器也能直接执行.py
2022-06-06 15:39:01
679
原创 Spark数据倾斜
Spark数据倾斜一、定义不同的Key对应的数据量不一样，少量的Task被分配到了绝大多数的数据可能会发生数据倾斜数据倾斜的表现：Spark的大部分Task作业正常，只有几个比较慢Spark的某个Task在运行过程中出现了OOM，作业无法正常运行定位数据倾斜问题：检查Shuffle算子的逻辑有没有问题，会不会出现数据倾斜的问题检查Spark的Log文件，会定位到代码的某一行，根据报错去检查对应的Stage的shuffle算子二、解决方案一：聚合原始数据避免Shuffle过程
2021-08-05 21:44:40
198
原创 Spark Shuffle机制
Spark Shuffle在MapReduce框架，Shuffle是连接Map和Reduce之间的桥梁，Map阶段通过shuffle读取数据并输出到对应的Reduce；而Reduce阶段负责从Map端拉取数据并进行计算。在整个shuffle过程中，往往伴随着大量的磁盘和网络I/O。所以shuffle性能的高低也直接决定了整个程序的性能高低。一、HashShuffle机制1.1 HashShuffle概述Spark1.6版本之前使用的是HashShuffle。Spark运行分为两个部分：一是
2021-08-02 17:05:33
259
原创 Kafka相关面试题
Kafka一、为什么要使用Kafka削峰：上游的数据下游可能扛不住，Kafka在中间起到调剂的作用，将消息暂存，下游自行拉取解耦和扩展性：消息队列可以作为一个接口层，解耦重要的业务流程异步通讯：不需要上下游同时处理数据，在需要时才回去发布（生产者）或者消费数据（消费者）健壮性：消息队列可以堆积请求，及时消费端业务短时间死掉，也不会影响到业务的正常运行二、Kafka消费过的数据怎么再消费 Kafka消费信息的offset信息是定义在Zookeeper中的，若果想要重复消费Kafka的消
2021-07-25 16:54:23
289
原创 Scala基础
Scala及函数式编程一、函数式编程的特点函数式编程中，函数作为一等公民，就是说函数的行为和普通变量没有区别，可以作为函参进行传递，也可以在函数内部声明一个函数，那么外城的函数就被称为高阶函数。函数式编程需要定义“变量”都为常量，，但是并不要求必须是常量，这样的特性提高了编程的复杂度，但是可以大大简化并发编程Java中常用的并发模式是共享内存模型，依赖于线程与锁，代码编写不当可能出现死锁和竞争条件，随着线程的增加可能暂用大量的系统资源。Scala这样的函数式编程都是常量，不需要考虑并发性一次赋值
2021-07-23 10:37:32
201
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人