提示詞工程（GOT）把思維鏈推理過程圖結構化

Graph of Thoughts（GOT）？

思維圖（Graph of Thoughts）是一種結構化的表示方法，用于描述和組織模型的推理過程。它將信息和思維過程以圖的形式表達，其中節點代表想法或信息，邊代表它們之間的關系。

GOT 的核心思想

  1. 節點與邊的表示：

    • 節點：每個節點表示一個具體的思考或信息點，可以是一個事實、問題或推論。
    • 邊：邊表示節點之間的關系，能夠反映出因果關系、邏輯連接等。

  2. 動態更新：GOT 可以根據新的信息動態更新，允許模型在生成過程中實時調整思路，增強靈活性。

  3. 推理路徑：通過跟蹤不同的思維路徑，GOT 可以幫助模型探索多種可能的解決方案，而不僅僅是單一路徑。

  4. 層次性與關聯性：思維圖強調信息的層次性和關聯性，使得復雜問題的解析更加系統化。

相比于COT, TOT?思維圖 Graph of Thoughts（GOT）是一種有助于增強模型推理能力和可解釋性的方法，通過結構化的信息表示，促進多層次和動態的思考，能夠有效應對復雜的自然語言處理任務

個人嘗試GoT 框架：

  • 節點生成：通過不同提示生成多個“思想”節點（初步分析、積極分析、消極分析、總結）。
  • 邊構建：記錄思想之間的依賴關系（例如從初始思想到分支思想）。
  • 評分：用一個簡單的評分函數評估每個思想的質量。
  • 改進：選擇得分最高的思想，進一步改進，形成反饋循環。

實際問題

問題：“一個商店的商品原價是100元，打八折后賣出，再加上10元的運費，問最終價格是多少？如果顧客有20元的優惠券，最終支付多少？”

問題特點

  1. 多步驟計算：
    • 原價 100 元 → 打八折（0.8 × 100 = 80 元）。
    • 加上運費 10 元（80 + 10 = 90 元）。
    • 使用 20 元優惠券（90 - 20 = 70 元）。
    • 包含兩個子問題：最終價格（90 元）和最終支付金額（70 元）。
  2. 條件依賴：
    • 每一步計算依賴前一步結果（折扣 → 運費 → 優惠券）。
    • 順序性強，但也可能有不同計算路徑（例如先考慮優惠券再加運費）。
  3. 潛在復雜性：
    • 需要理解“八折”（0.8）的含義。
    • 可能遺漏條件（例如運費是否打折？）。
    • 需要驗證結果的合理性（例如負值檢查）。
  4. 推理需求：
    • 不僅需要計算，還需分解問題、驗證過程、優化表達。
    • 適合用 GoT 的圖結構探索多角度推理，而非單一線性過程。

傳統的 Chain-of-Thought (CoT) 會按順序線性推理，而 GoT 的優勢在于：

  • 并行探索：分解問題、計算、驗證可以同時進行。

  • 反饋循環：驗證結果后改進答案。

  • 圖結構：捕捉步驟間的依賴和多樣性。

    設計思路

    基于問題特點，我設計了一個多層次的 GoT，目標是全面解決這個問題，同時展示 GoT 的復雜性和靈活性。設計分為四個層次，每層有特定目標和節點生成邏輯。

    1. 初始層：問題陳述
    • 目標：記錄原始問題，作為圖的根節點。
    • 設計：
      • 直接使用輸入文本作為一個節點。
      • 不生成新內容，僅作為后續推理的起點。
    • 節點數量：1 個。
    • 作用：提供統一的輸入基準。
    2. 第一層：分解問題
    • 目標：將復雜問題拆分為可管理的子部分。
    • 設計：
      • 使用三種提示生成分解節點：
        1. 計算步驟：列出折扣、運費、優惠券的計算順序。
        2. 關鍵變量：識別 100 元、0.8、10 元、20 元等變量。
        3. 計算順序：探索可能的計算路徑（例如先優惠再加運費）。
      • 每個提示生成一個節點，從初始節點引出。
    • 節點數量：3 個。
    • 作用：為后續計算提供不同視角的基礎。
    3. 第二層：計算過程
    • 目標：基于分解結果執行具體計算。
    • 設計：
      • 從第一層的每個節點引出三個計算節點：
        1. 折扣價格：計算 100 × 0.8 = 80 元。
        2. 加上運費：計算 80 + 10 = 90 元。
        3. 優惠券后價格：計算 90 - 20 = 70 元。
      • 每個第一層節點生成 3 個子節點，總計 9 個。
    • 節點數量：9 個。
    • 作用：執行核心計算，探索不同分解方式下的結果一致性。
    4. 第三層：驗證與優化
    • 目標：檢查計算結果的正確性并改進過程。
    • 設計：
      • 從第二層的每個節點引出三個驗證節點：
        1. 驗證正確性：檢查計算是否符合問題邏輯（例如 70 元是否合理）。
        2. 優化步驟：簡化計算過程（例如一步計算 100 × 0.8 + 10 - 20）。
        3. 檢查遺漏：確認是否忽略條件（例如運費是否打折）。
      • 每個第二層節點生成 3 個子節點，總計 27 個。
    • 節點數量：27 個。
    • 作用：通過多角度驗證提升答案可靠性。
    5. 第四層：匯總最佳結果
    • 目標：整合所有分析，輸出最終答案。
    • 設計：
      • 從所有節點中選擇得分最高的節點。
      • 使用提示“綜合所有分析，給出最終答案”生成一個最終節點。
      • 從最佳節點引出邊，形成閉環。
    • 節點數量：1 個。
    • 作用：提煉最優解，回答兩個子問題（90 元和 70 元）。
    6 評分機制
    • 目標：評估每個思想的質量，選擇最佳路徑。
    • 設計：
      • 使用關鍵詞匹配（“原價”、“折扣”、“運費”、“優惠券”、“最終價格”）+ 文本長度。
      • 關鍵詞越多、內容越詳細，得分越高。
    • 作用：模擬人類對答案完整性和準確性的判斷。
    7 圖結構特點
    • 總節點數：1（初始）+ 3（分解）+ 9（計算）+ 27（驗證）+ 1（匯總）= 41 個。
    • 邊數量：3（初始到分解）+ 9（分解到計算）+ 27（計算到驗證）+ 1（驗證到匯總）= 40 條。
    • 復雜度：多層分支、反饋循環、非線性探索。

    設計細節：

    1. 模型加載：
      • 使用的本地模型 /opt/chenrui/qwq32b/base_model/qwq_32b
      • 設置 max_new_tokens=100，確保生成內容足夠詳細。
    2. 評分函數 score_thought：
      • 檢查關鍵詞出現次數，模擬對問題關鍵元素的覆蓋。

      • 加權文本長度，鼓勵更詳細的推理。

      • 示例：包含“折扣”和“運費”的節點得分高于只提“原價”的節點。
    3. 生成函數 generate_thought：
      • 輸入提示和前一節點文本，生成新思想。
      • 使用模型的生成能力模擬推理過程。
    4. 主函數 complex_graph_of_thoughts：
      • 初始節點：直接存儲輸入文本。
      • 分解層：循環三種提示，生成 3 個節點，連接到初始節點。
      • 計算層：對每個分解節點循環三種計算提示，生成 9 個節點。
      • 驗證層：對每個計算節點循環三種驗證提示，生成 27 個節點。
      • 匯總層：選擇最高分節點，生成最終答案。
      • 保存：將圖結構存為 JSON。

    完整代碼

    import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
import uuid
import json# 模型路徑
model_path = "/opt/chenrui/qwq32b/base_model/qwq_32b"# 加載分詞器和模型
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path)
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
model.eval()# 定義評分函數（基于合理性和完整性模擬評分）
def score_thought(thought_text, original_input):keywords = ["原價", "折扣", "運費", "優惠券", "最終價格"]score = sum(1 for keyword in keywords if keyword in thought_text)  # 關鍵詞越多得分越高return score + len(thought_text) / 100  # 結合內容長度# 生成思想節點
def generate_thought(input_text, prompt, max_new_tokens=100):full_prompt = f"{prompt}\n輸入: {input_text}"inputs = tokenizer(full_prompt, return_tensors="pt").to(device)outputs = model.generate(**inputs, max_new_tokens=max_new_tokens, num_return_sequences=1)return tokenizer.decode(outputs[0], skip_special_tokens=True)# 復雜 GoT 主邏輯
def complex_graph_of_thoughts(input_text):thought_graph = {"nodes": [], "edges": []}# 初始節點：問題陳述initial_node_id = str(uuid.uuid4())thought_graph["nodes"].append({"id": initial_node_id,"text": input_text,"score": score_thought(input_text, input_text)})# 第一層：分解問題decompose_prompts = ["將問題分解為計算步驟：","識別問題的關鍵變量：","列出可能的計算順序："]for prompt in decompose_prompts:thought = generate_thought(input_text, prompt)node_id = str(uuid.uuid4())thought_graph["nodes"].append({"id": node_id, "text": thought, "score": score_thought(thought, input_text)})thought_graph["edges"].append({"from": initial_node_id, "to": node_id})# 第二層：基于分解結果計算compute_prompts = ["計算折扣后的價格：","加上運費后的總價：","考慮優惠券后的最終價格："]first_layer_nodes = [n["id"] for n in thought_graph["nodes"][1:4]]  # 取分解層節點for parent_id in first_layer_nodes:parent_text = next(n["text"] for n in thought_graph["nodes"] if n["id"] == parent_id)for prompt in compute_prompts:thought = generate_thought(parent_text, prompt)node_id = str(uuid.uuid4())thought_graph["nodes"].append({"id": node_id, "text": thought, "score": score_thought(thought, input_text)})thought_graph["edges"].append({"from": parent_id, "to": node_id})# 第三層：驗證與優化verify_prompts = ["驗證計算結果的正確性：","優化計算過程以簡化步驟：","檢查是否有遺漏條件："]second_layer_nodes = [n["id"] for n in thought_graph["nodes"][4:]]  # 取計算層節點for parent_id in second_layer_nodes:parent_text = next(n["text"] for n in thought_graph["nodes"] if n["id"] == parent_id)for prompt in verify_prompts:thought = generate_thought(parent_text, prompt)node_id = str(uuid.uuid4())thought_graph["nodes"].append({"id": node_id, "text": thought, "score": score_thought(thought, input_text)})thought_graph["edges"].append({"from": parent_id, "to": node_id})# 第四層：匯總最佳結果best_node = max(thought_graph["nodes"], key=lambda x: x["score"])final_prompt = "綜合所有分析，給出最終答案："final_thought = generate_thought(best_node["text"], final_prompt)final_node_id = str(uuid.uuid4())thought_graph["nodes"].append({"id": final_node_id, "text": final_thought, "score": score_thought(final_thought, input_text)})thought_graph["edges"].append({"from": best_node["id"], "to": final_node_id})# 保存結果with open("complex_thought_graph.json", "w", encoding="utf-8") as f:json.dump(thought_graph, f, ensure_ascii=False, indent=2)return thought_graph# 測試復雜問題
input_text = "一個商店的商品原價是100元，打八折后賣出，再加上10元的運費，問最終價格是多少？如果顧客有20元的優惠券，最終支付多少？"
result = complex_graph_of_thoughts(input_text)
print("復雜思想圖已保存到 complex_thought_graph.json")# 輸出最佳思想
best_thought = max(result["nodes"], key=lambda x: x["score"])
print(f"最佳思想: {best_thought['text']} (得分: {best_thought['score']})")
    • 多層次結構：
      • 初始層：問題陳述。
      • 第一層：分解問題（3個節點）。
      • 第二層：基于分解結果計算（每個第一層節點衍生3個計算節點，共9個）。
      • 第三層：驗證與優化（每個第二層節點衍生3個驗證節點，共27個）。
      • 第四層：匯總最佳結果（1個節點）。
      • 總計約 40 個節點，體現復雜性。
    • 非線性推理：
      • 不同分支并行探索（分解、計算、驗證）。
      • 依賴關系清晰（例如計算依賴分解，驗證依賴計算）。
    • 評分機制：
      • 改進評分函數，結合關鍵詞匹配和內容長度，模擬對答案合理性的評估。

    運行結果

    最佳思想: 綜合所有分析，給出最終答案：
    輸入: 檢查是否有遺漏條件：
    輸入: 加上運費后的總價：
    輸入: 識別問題的關鍵變量：
    輸入: 一個商店的商品原價是100元，打八折后賣出，再加上10元的運費，問最終價格是多少？如果顧客有20元的優惠券，最終支付多少？ 該問題的關鍵變量包括：

    1. **原價**：商品的原始價格為100元。
    2. **折扣率**：打八折，即商品價格的80%。
    3. **運費**：額外收取的10元費用。
    4. **優惠券**：顧客可使用的20元優惠券。

    需要分步驟計算：
    - 首先計算折扣后的商品價格：100元 × 0.8 = 80元。
    - 然后加上運費：80元 + 10元 = 90元。
    - 最后應用優惠券：90元 - 20元 = 70元。

    因此，最終支付金額為70元。需要注意優惠券的使用順序是否會影響結果，但通常優惠券在總價基礎上抵扣，因此上述計算合理。

    如果問題中優惠券的使用條件或順序有特別說明（例如是否在運費前使用），需要根據具體條件調整計算步驟。但根據常規情況，上述解答是正確的。 您的分析基本正確，但需要確認以下幾點以確保沒有遺漏條件：

    ### 1. **優惠券的使用條件**
    ? ?- 優惠券是否僅適用于商品價格（折扣后價格），還是也包括運費？
    ? ?- 如果優惠券不能用于運費，那么計算方式可能不同：
    ? ? ?- 商品折扣后價格：80元
    ? ? ?- 運費：10元（不可用優惠券）
    ? ? ?- 優惠券抵扣商品部分：80元 - 20元 = 60元
    ? ? ?- 最終總價：60元（商品） + 10元（運費） = **70元**（結果不變，但邏輯不同）。

    ### 2. **優惠券的使用順序**
    ? ?- 是否有規定優惠券必須在運費前使用？通常優惠券是抵扣 (得分: 12.51)

    生成complex_thought_graph.json

    GOT 可視化

    將?complex_thought_graph.json 轉為圖片

    import networkx as nx
import matplotlib.pyplot as plt
import json# 設置支持中文的字體
plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows
plt.rcParams['axes.unicode_minus'] = False# 讀取 JSON 數據
with open("complex_thought_graph.json", "r", encoding="utf-8") as f:data = json.load(f)# 創建有向圖
G = nx.DiGraph()# 添加節點
for node in data["nodes"]:label = f"{node['text'][:10]}...\nScore: {node['score']:.2f}"G.add_node(node["id"], label=label)# 添加邊
for edge in data["edges"]:G.add_edge(edge["from"], edge["to"])# 設置布局
pos = nx.spring_layout(G)# 繪制并保存
plt.figure(figsize=(20, 15))  # 增大畫布以容納更多節點
nx.draw(G, pos, with_labels=True, labels=nx.get_node_attributes(G, "label"),node_size=2000, node_color="lightblue", font_size=6, font_weight="bold",arrows=True, arrowstyle="->", arrowsize=15)plt.title("Complex Graph of Thoughts Visualization", fontsize=16)
plt.savefig("complex_thought_graph.png", dpi=300, bbox_inches="tight")
print("圖已保存為 complex_thought_graph.png")

    • 節點數量：約40個節點。
    • 推理深度：4層結構，包含分解、計算、驗證和匯總。
    • 多樣性：多個分支探索不同角度（例如計算順序、驗證方法）。
    • 結果優化：通過評分選擇最佳路徑并匯總。

    節點太多了看不清了，用ds.js 渲染個拖拉拽的html

    <!DOCTYPE html>
<html lang="en">
<head><meta charset="UTF-8"><title>Interactive Graph of Thoughts</title><style>html, body {margin: 0;padding: 0;height: 100vh;overflow: hidden;}svg {width: 100%;height: 100%;display: block;}.node circle {fill: lightblue;stroke: #333;stroke-width: 1.5px;}.node text {font-size: 12px;pointer-events: none;}.link {stroke: #999;stroke-opacity: 0.6;}#error {color: red;font-family: Arial, sans-serif;position: absolute;top: 10px;left: 10px;}</style>
</head>
<body><svg></svg><div id="error"></div><script src="https://d3js.org/d3.v7.min.js"></script><script>// 設置 SVG 尺寸const svg = d3.select("svg");let width = window.innerWidth;let height = window.innerHeight;// 讀取 JSON 文件fetch('./complex_thought_graph.json').then(response => {if (!response.ok) {throw new Error(`HTTP error! Status: ${response.status}`);}return response.json();}).then(data => {if (!data.nodes || !data.edges) {throw new Error("Invalid JSON format: missing 'nodes' or 'edges'");}// 準備數據const nodes = data.nodes.map(node => ({id: node.id,text: node.text.slice(0, 10) + '...',score: node.score}));const links = data.edges.map(edge => ({source: edge.from,target: edge.to}));// 初始化力導向圖const simulation = d3.forceSimulation(nodes).force("link", d3.forceLink(links).id(d => d.id).distance(100)).force("charge", d3.forceManyBody().strength(-200)).force("center", d3.forceCenter(width / 2, height / 2));// 繪制邊const link = svg.append("g").attr("class", "links").selectAll("line").data(links).enter().append("line").attr("class", "link");// 繪制節點const node = svg.append("g").attr("class", "nodes").selectAll("g").data(nodes).enter().append("g").attr("class", "node").call(d3.drag().on("start", dragstarted).on("drag", dragged).on("end", dragended));node.append("circle").attr("r", 10);node.append("text").attr("dx", 12).attr("dy", ".35em").text(d => `${d.text} (Score: ${d.score.toFixed(2)})`);// 力仿真更新simulation.on("tick", () => {link.attr("x1", d => d.source.x).attr("y1", d => d.source.y).attr("x2", d => d.target.x).attr("y2", d => d.target.y);node.attr("transform", d => `translate(${d.x},${d.y})`);});// 拖拽函數function dragstarted(event, d) {if (!event.active) simulation.alphaTarget(0.3).restart();d.fx = d.x;d.fy = d.y;}function dragged(event, d) {d.fx = event.x;d.fy = event.y;}function dragended(event, d) {if (!event.active) simulation.alphaTarget(0);d.fx = null;d.fy = null;}// 窗口大小調整window.addEventListener('resize', () => {width = window.innerWidth;height = window.innerHeight;svg.attr("width", width).attr("height", height);simulation.force("center", d3.forceCenter(width / 2, height / 2));simulation.alpha(1).restart();});}).catch(error => {console.error('Error loading JSON:', error);d3.select("#error").text(`Error loading JSON: ${error.message}`);});</script>
</body>
</html>
    python -m http.server 8000

    查看下GOT結構

    本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
    如若轉載，請注明出處：http://www.pswp.cn/bicheng/79145.shtml
    繁體地址，請注明出處：http://hk.pswp.cn/bicheng/79145.shtml
    英文地址，請注明出處：http://en.pswp.cn/bicheng/79145.shtml

    如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

    相關文章

    登錄github失敗---解決方案

    登錄github失敗---解決方案

    登錄github失敗—解決方案 1.使用 Microsoft Edge 瀏覽器 2.https://www.itdog.cn/dns/ 查詢 github.global.ssl.fastly.net github.com 兩個 域名的 IP 3.修改DNS 為 8.8.8.8 8.8.4.4 4.修改windows hosts 文件 5. 使用 Microsoft Edge 瀏覽器 打開github.com
    閱讀更多...
    Spring AOP概念及其實現

    Spring AOP概念及其實現

    一、什么是AOP 全稱Aspect Oriented Programming&#xff0c;即面向切面編程&#xff0c;AOP是Spring框架的第二大核心&#xff0c;第一大為IOC。什么是面向切面編程&#xff1f;切面就是指某一類特定的問題&#xff0c;所以AOP也可以稱為面向特定方法編程。例如對異常的統一處…
    閱讀更多...
    強化學習_Paper_2017_Curiosity-driven Exploration by Self-supervised Prediction

    強化學習_Paper_2017_Curiosity-driven Exploration by Self-supervised Prediction

    paper Link: ICM: Curiosity-driven Exploration by Self-supervised Prediction GITHUB Link: 官方: noreward-rl 1- 主要貢獻 對好奇心進行定義與建模 好奇心定義&#xff1a;next state的prediction error作為該state novelty 如果智能體真的“懂”一個state&#xff0c;那…
    閱讀更多...
    spring中的@Configuration注解詳解

    spring中的@Configuration注解詳解

    一、概述與核心作用 Configuration是Spring框架中用于定義配置類的核心注解&#xff0c;旨在替代傳統的XML配置方式&#xff0c;通過Java代碼實現Bean的聲明、依賴管理及環境配置。其核心作用包括&#xff1a; 標識配置類&#xff1a;標記一個類為Spring的配置類&#xff0c;…
    閱讀更多...
    7.計算機網絡相關術語

    7.計算機網絡相關術語

    7. 計算機網絡相關術語 ACK (Acknowledgement) 確認 ADSL (Asymmetric Digital Subscriber Line) 非對稱數字用戶線 AP (Access Point) 接入點 AP (Application) 應用程序 API (Application Programming Interface) 應用編程接口 APNIC (Asia Pacific Network Informatio…
    閱讀更多...
    Hadoop 集群基礎指令指南

    Hadoop 集群基礎指令指南

    目錄 &#x1f9e9; 一、Hadoop 基礎服務管理指令 ?? 啟動 Hadoop ?? 關閉 Hadoop &#x1f9fe; 查看進程是否正常運行 &#x1f4c1; 二、HDFS 常用文件系統指令 &#x1f6e0;? 三、MapReduce 作業運行指令 &#x1f4cb; 四、集群狀態監控指令 &#x1f4a1; …
    閱讀更多...
    【MySQL數據庫】事務

    【MySQL數據庫】事務

    目錄 1&#xff0c;事務的詳細介紹 2&#xff0c;事務的屬性 3&#xff0c;事務常見的操作方式 1&#xff0c;事務的詳細介紹 在MySQL數據庫中&#xff0c;事務是指一組SQL語句作為一個指令去執行相應的操作&#xff0c;這些操作要么全部成功提交&#xff0c;對數據庫產生影…
    閱讀更多...
    一、OrcaSlicer源碼編譯

    一、OrcaSlicer源碼編譯

    一、下載 1、OrcaSlicer 2.3.0版本的源碼 git clone https://github.com/SoftFever/OrcaSlicer.git -b v2.3.0 二、編譯 1、在OrcaSlicer目錄運行cmd窗口&#xff0c;輸入build_release.bat 2、如果出錯了&#xff0c;可以多運行幾次build_release.bat 3、在OrcaSlicer\b…
    閱讀更多...
    港口危貨儲存單位主要安全管理人員考試精選題目

    港口危貨儲存單位主要安全管理人員考試精選題目

    港口危貨儲存單位主要安全管理人員考試精選題目 1、危險貨物儲存場所的電氣設備應符合&#xff08; &#xff09;要求。 A. 防火 B. 防爆 C. 防塵 D. 防潮 答案&#xff1a;B 解析&#xff1a;港口危貨儲存單位存在易燃易爆等危險貨物&#xff0c;電氣設備若不防爆&…
    閱讀更多...
    格雷希爾用于工業氣體充裝站的CZ系列氣罐充裝轉換連接器，其日常維護有哪些

    格雷希爾用于工業氣體充裝站的CZ系列氣罐充裝轉換連接器，其日常維護有哪些

    格雷希爾氣瓶充裝連接器&#xff0c;長期用于壓縮氣體的快速充裝和壓縮氣瓶的氣密性檢測&#xff0c;需要進行定期的維護&#xff0c;為每一次的充裝提供更好的連接。下列建議的幾點維護準則適用于格雷希爾所有充注接頭&#xff0c;請非專業人士不要隨意拆卸連接器。 格雷希爾氣…
    閱讀更多...
    Java 多線程進階：什么是線程安全？

    Java 多線程進階：什么是線程安全？

    在多線程編程中&#xff0c;“線程安全”是一個非常重要但又常被誤解的概念。尤其對于剛接觸多線程的人來說&#xff0c;不理解線程安全的本質&#xff0c;容易寫出“偶爾出錯”的代碼——這類 bug 往往隱蔽且難以復現。 本文將用盡可能通俗的語言&#xff0c;從三個角度解釋線…
    閱讀更多...
    MSO-Player：基于vlc的Unity直播流播放器，支持主流RTSP、RTMP、HTTP等常見格式

    MSO-Player：基于vlc的Unity直播流播放器，支持主流RTSP、RTMP、HTTP等常見格式

    MSO-Player 基于libVLC的Unity視頻播放解決方案 支持2D視頻和360度全景視頻播放的Unity插件 &#x1f4d1; 目錄 &#x1f3a5; MSO-Player &#x1f4cb; 功能概述&#x1f680; 快速入門&#x1f4da; 關鍵組件&#x1f4dd; 使用案例&#x1f50c; 依賴項&#x1f4cb; 注意…
    閱讀更多...
    navicat中導出數據表結構并在word更改為三線表（適用于navicat導不出doc）

    navicat中導出數據表結構并在word更改為三線表（適用于navicat導不出doc）

    SELECTCOLUMN_NAME 列名,COLUMN_TYPE 數據類型,DATA_TYPE 字段類型,IS_NULLABLE 是否為空,COLUMN_DEFAULT 默認值,COLUMN_COMMENT 備注 FROMINFORMATION_SCHEMA.COLUMNS WHEREtable_schema db_animal&#xff08;數據庫名&#xff09; AND table_name activity&#xff08;…
    閱讀更多...
    docker學習筆記6-安裝wordpress

    docker學習筆記6-安裝wordpress

    一、創建自定義網絡、查看網絡 docker netword create blog docker network ls 二、 啟動mysql容器 啟動命令&#xff1a; docker run -d -p 3306:3306 \ -e MYSQL_ROOT_PASSWORD123456 \ -e MYSQL_DATABASEwordpress \ -v mysql-data:/var/lib/mysql \ -v /app/myconf:/etc…
    閱讀更多...
    03_Mybatis-Plus LambadaQueryWrapper 表達式爆空指針異常

    03_Mybatis-Plus LambadaQueryWrapper 表達式爆空指針異常

    &#x1f31f; 03_MyBatis-Plus LambdaQueryWrapper 爆出空指針異常的坑點分析 ? 場景描述 來看一段常見的 MyBatis-Plus 查詢寫法&#xff0c;是否存在問題&#xff1f; Page<VideoInfoVo> videoInfoVosPage videoMapper.selectPage(page, new LambdaQueryWrapper&…
    閱讀更多...
    WEB安全--社會工程--SET釣魚網站

    WEB安全--社會工程--SET釣魚網站

    1、選擇要釣魚的網站 2、打開kali中的set 3、啟動后依次選擇&#xff1a; 4、輸入釣魚主機的地址&#xff08;kali&#xff09;和要偽裝的網站域名&#xff1a; 5、投放釣魚網頁&#xff08;服務器域名:80&#xff09; 6、獲取賬號密碼
    閱讀更多...
    Ethan獨立開發產品日報 | 2025-04-29

    Ethan獨立開發產品日報 | 2025-04-29

    1. mrge 代碼審查的光標 mrge 是一個由人工智能驅動的代碼審查平臺&#xff0c;能夠自動審核拉取請求&#xff08;PR&#xff09;&#xff0c;為人工審查員提供超級能力。它是像 cal.com 和 n8n 這樣快速發展的團隊的首選工具。 關鍵詞&#xff1a;mrge, 代碼審查, AI驅動, …
    閱讀更多...
    ubuntu22.04 qemu arm64 環境搭建

    ubuntu22.04 qemu arm64 環境搭建

    目錄 創建 安裝 Qemu 啟動 # 進入qemu虛擬機后執行 qemu編譯器安裝 創建 qemu-img create ubuntu22.04_arm64.img 40G 安裝 qemu-system-aarch64 -m 4096 -cpu cortex-a57 -smp 4 -M virt -bios QEMU_EFI.fd -nographic -drive ifnone,fileubuntu-22.04.5-live-server-a…
    閱讀更多...
    安全生產知識競賽宣傳口號160句

    安全生產知識競賽宣傳口號160句

    1. 安全生產是責任&#xff0c;每個人都有責任 2. 安全生產是保障&#xff0c;讓我們遠離危險 3. 安全生產是團結&#xff0c;共同守護每一天 4. 注重安全&#xff0c;守護明天 5. 安全生產無小事&#xff0c;關乎千家萬戶 6. 安全第一&#xff0c;人人有責 7. 安全生產無差別&…
    閱讀更多...
    Python 虛擬環境管理：venv 與 conda 的選擇與配置

    Python 虛擬環境管理：venv 與 conda 的選擇與配置

    文章目錄 前言一、虛擬環境的核心價值1.1 依賴沖突的典型場景1.2 隔離機制實現原理 二、venv 與 conda 的架構對比2.1 工具定位差異2.2 性能基準測試&#xff08;以創建環境 安裝 numpy 為例&#xff09; 三、venv 的配置與最佳實踐3.1 基礎工作流3.2 多版本 Python 管理 四、…
    閱讀更多...
    最新文章

    Copyright @ 2022~2023