自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(331)
  • 收藏
  • 关注

原创 LangGraph 介绍

工作流具有预先确定的代码路径,并设计为按特定顺序运行。当需要设计更高复杂性的 AI 应用时,工作流为定义明确的任务提供可预测性和一致性。例如,现在需要研发一款主打城市通勤的智能电动自行车,具有导航、社交、防盗等功能。市场分析:用户关注续航里程、车身重量、防盗能力,并对 "骑行社交"(组队、分享路线)有新兴兴趣。竞品分析:传统品牌车型智能化不足;互联网品牌车型续航和线下售后服务是其短板。

2026-05-09 21:23:44 196

原创 LangChain 核心组件 [ 7 ]

本文介绍了LangChain中的检索器(Retrievers)及其应用。检索器是检索系统的核心组件,能够从大规模数据中查找相关信息,支持多种实现方式如关系数据库、词法搜索索引和向量数据库。重点展示了如何使用Redis向量存储作为检索器,包括初始化配置、执行查询和结果处理。文章还演示了如何通过@chain装饰器创建自定义检索器,并构建了一个完整的RAG(检索增强生成)案例,将检索结果与大语言模型结合生成答案。最后指出虽然检索过程是同步的,但RAG链的最终输出可以流式生成。

2026-05-07 20:22:49 374

原创 LangChain 核心组件 [ 6 ]

本文介绍了文本向量嵌入技术及其应用模型。嵌入模型将人类语言转换为计算机可理解的数值向量,保留语义关系,实现语义搜索、推荐系统等应用。文章详细解析了向量空间概念、相似度计算方法(欧氏距离、余弦相似度),并演示了如何使用LangChain框架集成OpenAI等嵌入模型。重点讲解了向量数据库的核心机制(如ANN近似搜索)及实际应用,包括内存存储(InMemoryVectorStore)、Redis和Pinecone三种向量存储方案的操作方法,涵盖文档添加、检索、删除及元数据过滤等功能。最后介绍了最大边际相关性搜索

2026-05-06 20:02:23 371

原创 LangChain 核心组件 [ 6 ]

本文介绍了文本分割器在文档处理中的核心作用,重点讲解了两种主要拆分方法:基于字符长度的CharacterTextSplitter和基于Token的tiktoken编码拆分。通过具体代码示例,展示了如何通过设置chunk_size和chunk_overlap参数来控制拆分粒度,同时保持语义完整性。文章还分析了硬性约束拆分的RecursiveCharacterTextSplitter使用场景,以及针对Markdown、代码等特殊文档结构的专用分割器选择。文本分割的关键是在保持语义连贯性和控制块大小之间取得平衡,

2026-05-05 20:40:56 355

原创 LangChain 核心组件 [ 5 ]

摘要:本文介绍了RAG(检索增强生成)技术及其实现流程。RAG通过将大语言模型与知识库结合,解决模型实时信息获取的局限性。其核心流程包括:文档加载(支持PDF、Markdown等多种格式)、文本分割、向量存储、语义检索和结果生成。重点展示了如何使用LangChain加载PDF和Markdown文档,并解析了Markdown文档的结构化处理方式(包括标题、列表、表格等元素的分类)。RAG技术能有效利用本地或私有数据,通过语义搜索增强大模型的回答准确性。

2026-05-05 12:58:19 361

原创 Qt 信号与槽 [ 2 ]

本文详细介绍了Qt框架中信号与槽机制的多种连接方式及其实现原理。主要内容包括:1. 信号与槽的基本连接方式:一对一(信号连接槽/信号连接信号)、一对多(一个信号连接多个槽)、多对一(多个信号连接一个槽)2. 不同连接方式的适用场景、优缺点及实现示例3. Qt4与Qt5版本信号槽连接的差异4. Lambda表达式在槽函数中的应用5. 信号槽机制的底层实现原理,包括Q_OBJECT宏的作用、MOC工具的工作流程以及信号触发的完整调用链路6. 信号槽机制的优缺点分析文章通过大量代码示例展示了各种连接方式的具体实现

2026-05-04 21:31:09 379

原创 Qt 信号与槽 [ 1 ]

Qt信号与槽机制解析 摘要:Qt框架通过信号和槽机制实现对象间通信。信号由事件触发(如按钮点击),槽是对信号的响应函数。系统内置信号和槽可通过帮助文档查询,也可自定义。基本使用流程:1)使用connect()关联信号和槽;2)槽函数需实现;3)通过emit发送信号。注意事项:信号和槽参数应匹配;连接需在发送信号前建立;自定义信号声明在signals下且不实现,槽函数可重载。该机制解耦了对象间通信,是Qt的核心特性之一。

2026-05-04 16:09:01 502

原创 LangChain 核心组件 [ 4 ]

当使用 LLM 生成结构化数据或规范化聊天模型和 LLM 的输出时,这很有用。大型语言模型(LLM)的输出本质上是非结构化的。但在构建应用程序时,我们通常希望得到结构化的、机器可读的数据,这样可以将其转换为Pydantic它们将 LLM 的非结构化文本输出转换为结构化格式。这使得与 LLM 的交互从 “模糊的文本对话” 变成了 “精确的数据 API 调用”,是构建可靠、高效 LLM 应用不可或缺的组件。他们都实现了相同的功能,但维度不同:输出解析器是 LangChain 中的一个功能性组件,

2026-05-03 18:13:24 479 1

原创 LangChain 核心组件 [ 3 ]

摘要:少样本提示(Few-shot Prompting)是一种通过提供少量示例指导大语言模型执行特定任务的技术。文章详细介绍了其工作原理、应用场景和实现方法,包括四种示例选择策略(长度、语义相似性、最大边际相关性和N-gram重叠)及其在LangChain中的具体实现。通过数学运算、信息提取等案例,展示了如何利用示例数据提升模型性能,控制输出格式,并解决复杂推理任务。文章还比较了不同选择策略的特点,帮助开发者在成本、效果和多样性之间取得平衡。

2026-05-02 21:30:20 642

原创 LangChain 核心组件 [ 2 ]

摘要:提示词模板是LangChain中的核心组件,用于动态生成大语言模型(LLM)请求。它通过占位符机制实现提示词复用,支持字符串模板(PromptTemplate)和聊天消息模板(ChatPromptTemplate)两种形式。主要优势包括:1)提高开发效率,避免重复编写提示词;2)实现工程与内容的关注点分离;3)保证提示结构一致性;4)便于统一维护修改。LangChain还支持从LangChainHub获取预置模板,如PromptMaker可自动优化提示词质量。该技术广泛应用于聊天机器人、代码生成等场景

2026-04-30 21:08:57 383

原创 LangChain 核心组件 [ 1 ]

本文介绍了LangChain中消息管理的核心概念和方法。主要内容包括: 消息结构:详细说明了系统消息、用户消息、助手消息和工具消息的角色定义及其在多轮对话中的作用。 多轮对话实现:解释了通过缓存历史消息实现连贯对话的原理,并演示了相关代码示例。 消息管理技术: 消息裁剪:介绍了基于Token数和消息数的两种修剪方法 消息过滤:展示了按类型和ID筛选消息的技术 消息合并:说明了如何合并相同类型的连续消息 上下文窗口概念:阐述了Token计算与模型处理能力的关系,以及如何通过消息管理优化上下文窗口的使用。 最新

2026-04-30 00:41:43 457

原创 LangChain 聊天模型核心能力 [ 5 ]

LangSmith是一款专为AI应用设计的监控调试平台,支持LangChain等多种框架。只需配置API密钥和环境变量,即可自动记录LLM应用的完整执行流程,包括每一步的输入输出、耗时、报错等信息。通过可视化界面,开发者可以清晰查看调用链、分析性能瓶颈,无需额外编码就能实现全流程监控。该工具特别适合复杂AI项目的调试和优化,帮助开发者快速定位问题。

2026-04-28 19:01:57 364

原创 LangChain 聊天模型核心能力 [ 4 ]

本文详细探讨了LangChain中聊天模型的流式传输机制及其实现原理。主要内容包括:1. 流式传输的优势在于逐步显示输出,显著改善用户体验;2. 同步流式传输使用.stream()方法返回迭代器,异步流式使用.astream()方法;3. 可通过自定义输出解析器控制流式输出格式;4. 底层基于HTTP协议和SSE技术实现,LangChain将OpenAI返回的JSON数据块转换为标准AIMessageChunk;5. 整个流程实现了多模型流式接口的标准化封装,使上层应用无需关注底层差异。文章通过代码示例和源

2026-04-28 01:06:18 371

原创 HTTPS 协议原理

HTTPS是HTTP的安全版本,通过在HTTP协议基础上增加TLS/SSL加密层实现数据传输安全。核心流程包括:1)服务器向CA机构申请数字证书,证书包含服务器公钥和CA签名;2)客户端验证证书合法性,确认公钥可信;3)使用服务器公钥加密随机生成的对称密钥传输给服务器;4)双方使用该对称密钥加密通信数据。这种设计结合了非对称加密的安全性和对称加密的高效性,通过CA证书体系防止中间人攻击,解决了HTTP明文传输的安全隐患。HTTPS涉及三组密钥:验证证书的非对称密钥、协商对称密钥的非对称密钥,以及最终用于数据

2026-04-26 20:52:11 907 1

原创 读者写者问题与读写锁 [ 系统加餐 ]

摘要:读者写者问题是多线程同步的经典模型,适用于多读少写场景(如博客、新闻发布)。核心特点是读者可并发读取,而写者必须独占写入。模型包含三种关系:写写互斥、读写互斥同步、读读并发。POSIX提供读写锁接口(pthread_rwlock)实现该模型,支持读者优先(默认)和写者优先两种策略。读者优先可能导致写者饥饿,写者优先则可能造成读者饥饿,需根据业务需求选择。案例代码展示了2读者2写者的实现,验证了读写锁在多线程环境中的同步效果。

2026-04-18 18:42:01 380

原创 System V - 基于建造者模式的信号量 [ 系统加餐 ]

本文介绍了SystemV信号量的原理与实现。信号量本质是一个计数器,通过P/V操作实现进程间的互斥与同步。文章详细讲解了信号量的内核结构、三大系统接口(semget、semctl、semop),并采用建造者模式进行封装,将创建过程和使用过程解耦。通过父子进程互斥打印的测试案例,验证了信号量在保护共享资源方面的有效性。最后对代码进行优化,严格遵循建造者模式的四大要素(产品、抽象建造者、具体建造者、指挥者),使系统具有更好的扩展性和维护性。

2026-04-11 14:00:13 398

原创 mmap 文件映射 [系统加餐]

本文介绍了Linux系统中的mmap文件映射机制及其应用。mmap通过将文件直接映射到进程地址空间,避免了传统read/write操作的数据拷贝,显著提升文件访问效率。文章详细解析了mmap系统调用的参数和使用方法,包括文件映射与匿名映射两种模式,并通过代码示例演示了文件读写操作。特别指出mmap的MAP_PRIVATE+MAP_ANONYMOUS组合可实现类似malloc的内存分配功能,揭示了内存管理的底层原理。最后从内核层面阐述了mmap的地址空间管理机制,帮助读者深入理解这一高效的内存映射技术。

2026-04-07 22:22:07 494

原创 LangChain 聊天模型核心能力 [ 3 ]

在 LangChain 中,聊天模型提供了额外的功能:结构化输出。一种使聊天模型以结构化格式(例如 JSON)进行响应的技术。例如,可能希望将模型输出存储在数据库中,并确保输出符合数据库模式。这种需求激发了结构化输出的概念,其中可以指示模型使用特定的输出结构进行响应。这样做的核心原因是:从 “字符串” 到 “对象” 的范式转换。想象一下,在没有这个功能之前,我们调用聊天模型得到的是一个 ,其内容是一个字符串。例如下述伪代码:这个字符串对人类很友好,但对程序不友好。如果我们想从这段文本中提取出 “

2026-04-07 16:11:22 397

原创 数据结构 - 并查集

摘要:并查集是一种用于处理不相交集合合并与查询操作的数据结构,通过树形结构表示集合关系。其核心操作包括查找元素所属集合(Find)和合并两个集合(Union)。实现时采用数组存储父节点索引,负值表示根节点并记录集合大小。优化手段包括路径压缩(查找时拉平树结构)和按秩合并(将小树合并到大树下)。典型应用包括连通分量统计、最小生成树等,但不适用于需要保留原始关系的场景(如社交网络)。并查集为后续图算法(如Kruskal)奠定了基础。

2026-04-05 19:34:38 396

原创 LangChain 聊天模型核心能力 [ 2 ]

摘要:工具调用使大语言模型(LLM)能够与外部系统交互,突破其封闭知识体系的限制。本文详细介绍了工具调用的核心功能:扩展模型能力(如数学计算、实时搜索)、确保信息时效性、处理复杂任务分解等。重点讲解了LangChain中的工具实现方式,包括@tool装饰器、Pydantic类定义和结构化工具创建三种模式,并展示了工具绑定、调用及结果传递的完整流程。最后以Tavily搜索工具为例,演示了实际应用场景。工具调用机制显著提升了LLM的实用性和自动化能力,使其成为连接自然语言与数字系统的强大接口。

2026-04-04 23:10:29 406

原创 LangChain 聊天模型核心能力 [ 1 ]

摘要:本文介绍了LangChain中聊天模型的定义与调用方式。主要涵盖通过API定义聊天模型(如ChatOpenAI、init_chat_model工厂函数)和本地部署LLM(如ChatOllama)两种方法。详细说明了模型参数配置、invoke()调用接口以及动态配置模型的实现机制,并提供了OpenAI、DeepSeek等不同厂商模型的具体调用示例。文章还对比了基本用法与可配置模型的区别,强调了参数隔离和安全覆盖的重要性。

2026-04-04 15:45:56 446

原创 Redis 事务

Redis事务提供了一种将多个命令打包执行的机制,但其特性与MySQL事务有显著差异:1)弱化原子性,仅保证批量执行但无回滚;2)无隔离性,基于单线程模型串行执行;3)不保证一致性,执行失败可能产生中间状态;4)无持久性,与内存存储特性相关。核心机制是通过事务队列实现命令的批量连续执行,使用WATCH实现乐观锁防止并发修改。实际应用中,对于需要判断+操作的原子性场景(如库存扣减),推荐使用Lua脚本而非原生事务,因为Lua脚本支持条件判断且执行过程完全原子,能有效解决超卖问题。Redis事务更适用于简单命令

2026-04-03 00:09:46 411

原创 MySQL 存储过程与触发器超详解:从基础到实战(含面试题 + 案例)

本文系统讲解MySQL存储过程和触发器两大核心知识点。存储过程部分详细介绍了其概念、语法、变量类型(系统变量、用户变量、局部变量)、流程控制(条件判断、循环)以及游标使用,通过多个实战案例演示如何封装复杂SQL逻辑。触发器部分重点解析了其工作原理、创建语法、触发时机(BEFORE/AFTER)和类型(INSERT/UPDATE/DELETE),并给出日志记录的实际应用案例。文章还总结了存储过程与函数的区别、变量作用域等面试常见问题,帮助读者全面掌握这两种数据库对象的使用场景和最佳实践。

2026-04-02 23:18:17 414

原创 LangChain 简单上手

LangChain 的上手

2026-04-01 21:48:46 401

原创 LangChain 与 LangGraph 介绍

使用过一些原生大模型的人可能会发现一些问题,尽管大模型的在某些方面表现振奋人心,例如将其当作搜索引擎去使用,LLM 生成的答案可能要比其他搜索引擎查到的答案更符合你的预期,但要是在复杂的场景下使用,如将 LLM 嵌入应用程序时却遭遇了全新难题:简单提示词 (Prompt) 得到的答案经常出现幻觉?提示词结构是否可以统一规范?如何实现开发过程中大模型的轻松、灵活切换?大模型输出是非结构化的,怎样与要求结构化数据的程序接口交互?如何克服预训练模型知识陈旧的问题,引入实时更新?

2026-03-31 23:11:38 720

原创 Redis 持久化

Redis持久化机制解析:RDB与AOF对比 Redis通过RDB和AOF两种持久化方案确保数据安全。RDB采用二进制快照方式,适合备份场景,恢复速度快但实时性差;AOF记录写命令日志,数据安全性高但文件体积较大。两者均利用Linux的fork机制和写时复制技术,在子进程中完成持久化操作,避免阻塞主进程。RDB通过定时生成内存快照实现持久化,而AOF通过重写机制压缩冗余命令。Redis4.0+支持混合持久化,结合了RDB和AOF的优势。系统启动时优先加载AOF文件进行数据恢复,兼顾了数据安全性和恢复效率。

2026-03-31 22:01:33 407

原创 多路转接 epoll (Pro)

本文深入探讨了Linux epoll多路转接机制,重点分析了LT(水平触发)和ET(边缘触发)两种工作模式的区别与应用。文章首先对比了epoll与select/poll的性能优势,包括接口使用方便、数据拷贝轻量、事件回调机制等特性。通过快递员派送快递的生动比喻,形象解释了LT和ET模式的不同通知机制:LT会持续通知未处理事件,而ET只在状态变化时通知一次。文章强调ET模式必须配合非阻塞IO使用,并给出了完整的epoll服务器实现方案,包括对连接管理的封装、Reactor模式的应用等。最后指出ET模式通过强制

2026-03-23 21:08:35 414

原创 大模型介绍 - 嵌入模型

嵌入模型是将文本、图像等符号转换为数值向量,以保留语义关系的表示型模型。与生成式模型不同,其核心是通过向量距离度量语义相似度,常用余弦相似度来避免文本长度干扰。主要应用包括:语义搜索(突破关键词限制)、RAG(增强大模型回答准确性)、推荐系统(基于用户和物品向量匹配)及异常检测。主流模型如OpenAI的text-embedding-3和Google的gemini-embedding,可通过API或本地部署使用。这种技术让计算机通过数学计算理解人类语言,是AI应用的重要基础组件。

2026-03-21 18:20:20 396

原创 大模型介绍 - LLM

大语言模型(Large Language Model, LLM)是指基于大规模神经网络(参数规模通常达数十亿至万亿级别,例如 GPT-3 包含 1750 亿参数),通过自监督或半监督方式,对海量文本进行训练的语言模型。名词解释:神经网络:一个极其高效的 “团队工作流程” 或 “条件反射链”。例如教一个小朋友识别猫:不会只给一条规则(比如 “有胡子就是猫”),因为兔子也有胡子。我们会让他看很多猫的图片,他大脑里的视觉神经会协同工作:有的神经元负责识别 “尖耳朵”,有的负责识别 “胡须”,

2026-03-20 17:36:14 227

原创 CMake 工程指南 - 工程场景(5)

本文介绍了如何使用CMake的CTest和CPack工具实现自动化测试和跨平台打包。主要内容包括: CTest测试框架:通过add_test()注册测试用例,执行可执行程序并根据返回码判断测试结果 CPack打包工具:基于install()命令安装规则生成各种平台安装包(如.deb、.rpm、.exe等) 自研库打包的关键注意事项:正确处理头文件路径、区分文件类型安装目录、安装头文件、设置RPATH等 提供完整CMake模板工程,涵盖项目结构、库构建、测试、安装和打包全流程 通过CTest和CPack,可以

2026-03-19 20:50:30 369

原创 CMake 工程指南 - 工程场景(4)

摘要:本文深度解析CMake的find_package命令双模式工作原理。模块模式(Module Mode)依赖FindXXX.cmake脚本手动查找库文件,生成传统变量;配置模式(Config Mode)则直接加载库自带的Config.cmake配置文件,支持现代CMake目标。文章通过实例对比两种模式的使用场景,指出配置模式是现代项目的首选,仅在库未提供配置文件时才需使用模块模式。最佳实践建议显式指定模式,优先使用目标链接方式,并提供了Protobuf集成等典型场景的完整工程示例,帮助开发者掌握CMak

2026-03-19 20:40:42 398

原创 COZE - 4

Coze平台提供了API和SDK两种方式调用AI能力,支持将智能体发布为标准化HTTP接口。API调用需要设置鉴权令牌(包括个人访问令牌PAT、服务访问令牌SAT和OAuth令牌),通过HTTP请求与智能体交互。平台提供了APIPlayground调试工具,支持可视化调试和代码示例生成。SDK则封装了底层复杂性,如PythonSDK只需简单安装即可快速调用功能,显著降低开发门槛。文档详细介绍了工作空间管理、智能体调用、对话管理、工作流执行等核心API,以及三种令牌的应用场景和获取方式。

2026-03-19 20:01:57 826

原创 COZE - 3

摘要:扣子平台提供AI应用开发解决方案,支持工作流编排和界面搭建。开发者可通过工作流节点实现业务逻辑,利用插件扩展功能,并通过数据库/知识库管理数据。平台提供丰富的UI组件库,支持常量设置和变量引用两种参数配置方式。以翻译助手应用为例,展示从工作流开发(含大模型节点配置)、界面设计到应用发布的完整流程。应用支持多渠道发布,最终生成可访问的智能服务。

2026-03-19 17:03:45 403

原创 CMake 工程指南 - 工程场景(3)

本文深入解析CMake构建系统的核心机制,重点讲解了target_include_directories()和target_link_libraries()两个关键API的功能与实现原理。通过jsoncpp和CURL等实际案例,详细阐述了CMake如何管理头文件路径、建立依赖关系以及触发属性传递。文章还系统介绍了CMake库的安装与导出流程,包括install指令的基本用法、普通安装的局限性,以及如何通过export生成配置文件实现标准化发布。最后完整演示了从库目标定义到导出配置安装的规范流程,帮助开发者掌

2026-03-18 12:44:52 533

原创 COZE - 2

工作流是一系列可执行指令的集合,用于实现业务逻辑或完成特定任务。Coze工作流作为AI应用开发的结构化框架,通过可视化界面实现零代码/低代码配置,支持不同技术背景的开发者参与构建。它包含基础节点(开始/结束节点、大模型节点等)和业务逻辑节点(选择/循环/批处理节点等),能处理复杂任务如旅行规划、新闻生成等。工作流通过标准化路径解决大模型能力与业务场景的衔接问题,支持插件集成、数据库交互等功能,发布后可被智能体或应用调用。典型应用场景包括智能客服、内容生成、数据处理等自动化业务流程。

2026-03-16 20:18:35 550

原创 CMake 工程指南 - 工程场景(2)

本文深入解析CMake构建系统中的add_executable()命令及其核心机制。文章详细介绍了add_executable()的语法、参数和特性,包括目标命名规则、源文件管理和输出路径配置。通过实际案例演示了从简单应用到大型项目的构建实践,重点阐述了CMake三大核心概念:目标(Target)、属性(Property)和API的协同工作机制。文章特别强调了现代化CMake的属性传递机制,展示了如何通过PUBLIC/PRIVATE/INTERFACE关键字实现依赖自动继承,从而构建清晰、模块化的项目结构。

2026-03-15 20:35:33 405

原创 CMake 工程指南 - 工程场景(1)

本文详细解析了CMake构建系统的核心命令与实用技巧。主要内容包括:1)cmake_minimum_required命令的作用与规范,强调其作为项目版本基石的定位;2)project()命令的完整语法与版本管理机制,展示自动生成的全局变量;3)include()与find_package()的模块化加载对比,分析路径搜索逻辑与作用域差异;4)install()命令的发布部署功能,详解三大安装场景与GNU标准路径规范。通过工程案例演示了从源码构建到发布的全流程,提供了工业级项目的最佳实践模板,帮助开发者掌握C

2026-03-14 17:53:20 428

原创 COZE - 1

coze 的基本介绍与使用

2026-03-13 21:23:37 719

原创 CMake 工程指南 - 命令行工具

摘要:本文系统介绍了CMake跨平台构建工具的核心功能和使用方法。主要内容包括:1)CMake与传统构建方式的对比优势,如自动生成构建文件、语法简单、支持多平台多IDE;2)CMake安装配置及VSCode插件设置;3)通过HelloWorld示例演示CMake工程构建全流程;4)详细解析CMake命令行工具链,包括构建系统生成、编译链接、测试、安装和打包等核心操作;5)介绍脚本模式、外部命令调用等高级功能。文章强调CMake作为C/C++事实构建标准的重要性,并提供完整的配置示例和最佳实践指南,帮助开发者

2026-03-13 21:08:26 393

原创 C++ ORM 实战:ODB 框架全解析(Linux + MySQL)

摘要:ODB是一款面向C++的高性能ORM框架,能够自动将C++对象映射到关系型数据库,彻底摆脱手动编写SQL语句和对象-数据库映射代码的繁琐工作。通过简单的注解声明,ODB可在编译期自动生成数据库操作代码,支持主流数据库如MySQL、PostgreSQL和SQLite的无缝切换。该框架提供事务管理、连接池、缓存机制等企业级特性,并支持复杂对象关联映射、懒加载等高级功能。开发者只需专注于业务逻辑,通过操作C++对象即可完成数据库CRUD操作,大幅提升开发效率和代码安全性。ODB特别适合桌面应用、后端服务和嵌

2026-03-08 23:49:50 574

C++面试宝典完整版最最最新.pdf

C++面试宝典完整版最最最新.pdf

2025-05-19

包含了多个关于C++编程概念和特性的图像文件,具体内容涵盖了排序算法、内存管理、迭代器使用、拷贝构造函数等多个方面,会更新,放心

本资源集合包含了多个关于C++编程概念和特性的图像文件,具体内容涵盖了排序算法、内存管理、迭代器使用、拷贝构造函数等多个方面。以下是对每项资源的简要描述: 1. Hoare Sort (hoareSort.png): 描述了霍耳排序算法的图解,展示了递归思想在排序中的应用。 2. New and Delete (new-delete.png): 展示了带有和不带有析构函数的类在内存管理上的差异,以及编译器优化的影响。 3. C++98 Swap (C++98_swap.png): 展示了C++98标准下`std::swap`函数模板的行为,包括内存空间的交换和深拷贝与浅拷贝的概念。 4. Reverse Iterator (reverse_iterator.png): 解释了反向迭代器的概念,以及它如何指向字符串的最后一个有效字符的前一个位置。 5. Shell Sort (Shell_Sort.png): 展示了希尔排序的分组和预排序结果,说明了排序过程中的gap变化。 6. String Iterator (string_iterator.png): 等等

2024-08-23

STL中string,vector,list,queue,stack....等原码

1. 资源来源:STL 2. 资源类型: 源码:提供STL的原始代码,允许用户查看和修改STL的内部实现 3. 资源内容:描述资源覆盖的主题和内容,例如容器、迭代器、算法、函数对象、适配器等。 4. 资源适用性: 进阶学习者:适合已经有一定基础,希望深入理解STL的用户 5. 资源形式:在线文档 6.资源语言:英语

2024-08-23

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除