- 博客(18)
- 收藏
- 关注
RSS订阅原创 SpringBoot项目通过smbj读取Windows系统设备共享文件夹
本文介绍了使用SMBJ库在SpringBoot项目中读取Windows共享文件夹的方法。通过引入smbj依赖（0.11.5版本），实现了连接共享服务器、认证访问、列出文件目录和读取文件内容的功能。示例代码展示了如何连接到指定IP的共享文件夹，遍历并排序文件列表（按最后修改时间倒序），然后读取第一个文本文件内容（使用GBK编码）。程序包含空用户名/密码的认证方式，并处理了文件路径拼接、文件属性过滤等细节，最后通过try-with-resources确保资源正确释放。该方案适用于需要访问Windows共享文件的
2025-08-27 15:34:01
222
原创 Stream流的常用方法大全
本文总结了Java Stream流的11种常用操作方法：1) forEach遍历；2) filter多条件过滤；3) distinct去重；4) limit截取前n个；5) skip跳过前n个；6) sorted排序；7) max/min求最值；8) reduce求和；9) List转Map；10) map方法转换对象类型；11) groupingBy分组。示例代码展示了如何对字符串和自定义User对象进行过滤、排序、统计和转换等操作，包括年龄总和、工资计算、分组聚合等实用功能。这些方法覆盖了Stream流
2025-08-27 14:04:44
357
原创 docker服务器安装应用
本文介绍了Docker环境下常用中间件的安装配置方法，包括MySQL、Redis、MongoDB、ELK、Zookeeper和Kafka的部署步骤。主要内容涵盖：1）Docker配置修改；2）各中间件镜像拉取命令；3）容器创建及运行参数设置；4）关键配置如字符集、认证、端口映射等注意事项；5）部分中间件的用户管理操作。文中提供了详细的命令范例，特别说明了MongoDB内存限制问题，并给出了ELK环境下Kibana与Elasticsearch的连接配置方法。
2025-08-27 13:47:03
213
原创 Drools规则引擎
本文介绍了基于Drools规则引擎的订单积分系统实现。系统通过pom.xml配置Drools相关依赖，包括drools-core、drools-compiler等组件。在resources/rules/order.drl文件中定义了4条积分规则，根据不同订单金额范围设置不同积分值。通过DroolsConfig配置类创建KieContainer来加载规则文件，并提供了动态生成规则文件的KieContainerUtils工具类，支持运行时修改规则内容（如将1000元以上订单积分从1000分调整为2000分）。该
2025-08-15 15:12:22
214
原创 L3-3 AI Agent 核心认知框架
本文介绍了AI Agent的几种关键决策框架及应用实践。首先，React方法通过结合推理与行动来增强决策能力；Plan-and-Execute框架采用先规划后执行的策略，适用于复杂项目管理；Self-Ask框架通过自问自答提升问题理解深度；Thinking and Self-Reflection框架则通过自我评估优化决策过程。最后展示了命理机器人开发中的工具模块实现，包括日志配置、嵌入模型获取等功能模块。这些框架和工具为构建高效AI系统提供了实用解决方案。
2025-08-11 08:55:58
389
原创 L3-2 Function Calling
摘要：Function Calling技术解析与实践 Function Calling技术使大语言模型能够调用外部函数，突破了仅依赖内部知识的局限。其实施流程包括：1）构建功能函数（如计算年龄总和）；2）通过tools参数传递函数描述；3）模型识别并调用合适函数；4）处理函数返回结果。完整实践包含数据准备、函数定义、API调用和结果解析四个环节，通过JSON Schema描述函数参数和返回值。该技术显著扩展了模型能力，使其能执行复杂计算任务并返回结构化结果。
2025-08-11 08:54:40
385
原创 L3-1 AI Agent 生态认知革命
AI Agent：智能体技术与应用解析 核心概念 AI Agent（智能体）是具备感知、决策与行动能力的自治系统，能够通过传感器感知环境并作出响应。其核心特征包括代理性、自主性、智能性和社会性。大模型时代下，AI Agent扩展了LLM的能力，通过记忆、工具和规划模块实现复杂任务处理。 技术架构 智能体系统遵循感知-规划-行动-观察的循环机制，运用思维链（COT）、反思改进（ReAct）等方法提升决策质量。主流开发框架如LangChain、AutoGen等提供模块化设计，支持单/多代理模式，集成工具链与记忆
2025-08-11 08:50:39
623
原创 L2-6 通用文档智能问答系统商业化实战
本文摘要介绍了基于LangChain的文档智能问答系统实现方案，包含三个核心模块：1) logger.py提供日志管理功能，支持控制台和文件输出；2) models.py封装大模型接口，包含阿里通义千问API的Chat、Embedding和Rerank模型调用；3) combine_client.py实现问答链构建，支持知识库检索和历史对话管理，通过Prompt模板控制问答行为。系统采用模块化设计，支持参数化配置模型参数（如temperature、max_tokens），并集成了完善的日志记录机制，为商业化
2025-08-11 08:36:25
345
原创 L2-5 RAG开源项目综合应用
摘要：本文介绍了RAGFlow和FastGPT两款企业级知识库问答系统的构建工具。RAGFlow是一个开源的RAG引擎，提供可视化平台简化文档解析、索引构建和问答应用开发流程，特别适合快速搭建企业内部知识库系统。文章详细讲解了Windows环境下Docker安装配置步骤，包括WSL2设置和镜像源配置，并演示了RAGFlow的安装使用。同时介绍了FastGPT的部署方法，展示了如何结合网页爬取技术构建实时问答系统。两款工具都显著降低了企业级RAG系统的开发门槛，适用于处理多格式文档和特定领域知识问答场景。
2025-07-20 09:43:53
581
原创 L2-4 掌握RAG应用评估技能和工具
本文介绍了RAG（检索增强生成）应用的评估方法、指标及工具。评估RAG应用需考虑大模型输出的不确定性、知识库动态变化等因素，主要采用人工评估和自动化评估两种方法。评估依据包括输入问题、生成答案、上下文和参考答案，常见指标涵盖上下文相关性、精度、召回率、忠实度和答案相关性。评估类型分为检索评估和响应评估，分别关注上下文匹配度和生成质量。常用评估工具包括Ragas和Trulens，前者提供综合性评测框架，后者专注于评估改进。这些评估体系有助于确保RAG应用的性能和可靠性。
2025-07-15 23:23:49
488
原创 L2-3 基于LangChain的RAG系统优化实践
文章摘要 本文分析了RAG（检索增强生成）技术的商业化痛点及优化方案。RAG流程中的两大核心环节——索引构建（Index Process）和查询处理（Query Process）存在多个问题，如内容缺失、检索效率低、文档切分粒度不匹配、答案格式错误等。针对这些问题，提出了数据清洗、分块优化、提示词设计、重排技术等解决方案。此外，还介绍了Advanced RAG技术，通过预检索优化、检索优化和后检索优化三个阶段提升检索效果。文中还提供了模型配置代码示例，展示了如何通过LangChain调用不同平台的大模型。
2025-07-13 10:16:58
469
原创 L2-2 LangChainV0.3从入门到精通
LangChain是一个用于开发大语言模型(LLM)应用程序的开源框架，其核心价值在于将LLM能力与实际应用需求连接起来。框架提供标准化工具链，支持与200多种外部系统集成，重塑了AI开发范式。 LangChain体系包含核心库和扩展组件：langchain-core提供基础抽象；langchain-community支持第三方集成；LangGraph用于构建状态化应用；LangServe部署API服务；LangSmith提供开发运维平台。核心功能模块包括模型交互、数据连接、任务编排链、状态记忆、智能代理等
2025-06-15 09:07:36
644
原创 L2-1 RAG认知与项目实践
摘要 RAG（检索增强生成）技术通过结合检索外部知识和大语言模型生成能力，解决了大模型在时效性和专业知识覆盖方面的局限。其流程包括文档分块（按字符数、滑动窗口或句子切分）、向量化存储（使用嵌入模型将文本转为数值向量），最后通过检索增强提示词生成答案。FastGPT等工具简化了RAG应用开发。研究范式从Naive RAG演进至Advanced和Modular RAG，而本地部署工具如Ollama支持离线运行向量模型。该技术显著提升了模型在特定领域任务中的表现。
2025-05-28 08:48:25
1438
原创 L1-2 提示工程特训和实战
这篇文章介绍了提示词工程的关键知识点和Prompt调优技巧。主要包含以下内容： 提示词基础概念：解释了提示词(Prompt)和提示词工程的定义，介绍了通用模型和专业化的Prompt 5层结构模型。 Prompt调优技巧： 零样本提示(Zero-Shot)：不提供示例直接完成任务 少样本提示(Few-Shot)：提供少量示例引导模型 链式思考(COT)：通过"逐步思考"引导模型推理 自我一致性(Self-Consistency)：生成多条推理路径选出最一致答案 每个技巧都配有实际案例和Py
2025-05-25 11:33:24
768
原创 L1-3 通俗易懂大模型的核心原理
ChatGPT背后的GPT模型基于Transformer架构，具备生成式、预训练和深度学习框架的特点。Transformer架构通过并行计算、自注意力机制等优势，能够高效处理长序列数据，广泛应用于自然语言处理任务。模型训练涉及监督学习、无监督学习、强化学习和自监督学习等多种方法，其中自监督学习通过数据自身的规律进行学习，减少对人工标注的依赖。Transformer的工作原理包括Token化、词向量处理、编码器与解码器的注意力机制，最终生成连贯的文本内容。
2025-05-11 16:44:30
1570
原创 L1-1 大语言模型的基础认知
AIGC的快速发展（如大语言模型）为AGI提供了部分技术积累（如自然语言处理能力），但AGI需突破认知、推理等更高层能力。通用人工智能，简称AGI（Artificial General Intelligence），指的是一种智能，能够理解、学习和应用知识和技能，需要能够处理极其广泛的问题和环境，具有很高的适应性、自主性和创造性。这是人类的终极目标，目前还没有达到！大模型特点：1.数据量大 2.规模大 3.算力大 4.参数量大 5.具备强大泛化能力的预训练模型（举一反三的能力）为什么是大模型兴起？
2025-04-27 08:08:52
601
原创 Optional
Optional 在Java 8中引入，目的是解决 NullPointerException 的问题。这是一个可以为 null 的容器
2024-12-24 16:13:04
1750
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