【微服務】SpringBoot整合LangChain4j 操作AI大模型實戰詳解

【微服務】SpringBoot整合LangChain4j 操作AI大模型實戰詳解

一、前言

隨著人工智能技術的飛速發展，AI大模型已經在眾多領域展現出強大的能力，為業務拓展和商業價值提升帶來了新的機遇。SpringBoot作為一款廣受歡迎的Java微服務框架，以其簡潔、高效的特點深受開發者喜愛。而LangChain4j作為一款專注于AI大模型集成的開源庫，為Java開發者提供了一種簡單且高效的方式來接入和利用各種AI大模型。本文將詳細介紹如何在SpringBoot中整合LangChain4j，實現對AI大模型的操作，幫助讀者快速上手并應用到實際項目中。

二、LangChain4j概述

（一）LangChain4j介紹

LangChain4j是一款基于Java的輕量級框架，專為Java開發者設計，旨在簡化大型語言模型（LLMs）在Java應用中的集成。它借鑒了Python版LangChain的設計理念，提供了豐富的工具和組件，幫助開發者快速構建基于LLMs的應用程序，如聊天機器人、問答系統、文本生成等。

（二）主要特點

  1. 模塊化架構：允許開發者根據需要選擇和使用特定功能，如模型集成、數據加載、鏈式調用等。
  2. 支持多種LLM提供商：如OpenAI、Hugging Face等，方便切換和集成不同模型。
  3. 提供鏈式調用功能：允許將多個任務串聯，如文本生成后自動進行情感分析。
  4. 內置多種數據加載器和處理器：支持從不同來源加載數據并進行預處理。
  5. 提供豐富的API和擴展點：開發者可以自定義組件以滿足特定需求。

（三）核心組件

LangChain4j的核心組件包括語言模型（Language Model）、記憶（Memory）、工具（Tool）等。其中，語言模型是核心，負責生成文本；記憶用于存儲對話歷史，以便模型能夠進行上下文相關的回答；工具則可以擴展模型的能力，例如進行搜索、調用API等。

（四）核心優勢

  1. 簡單易用：提供了簡潔的API，方便開發者快速上手。
  2. 靈活性高：支持多種語言模型和工具，可以根據需求靈活組合。
  3. 安全性強：提供了API Key管理等功能，保障數據安全。

（五）核心應用場景

LangChain4j適用于多種場景，包括但不限于：

  • 聊天機器人：通過對話能力實現智能客服、虛擬助手等。
  • 問答系統：結合知識庫，提供準確的問答服務。
  • 文本生成：生成文章、故事、代碼等。

三、SpringBoot整合LangChain4j

（一）前置準備

  1. 獲取API Key

    • 如果使用OpenAI的模型，需要在OpenAI官網注冊賬號并獲取API Key。
    • 將API Key存儲在環境變量或配置文件中，避免直接寫在代碼里。

  2. 導入基礎依賴

    • 在pom.xml文件中添加LangChain4j相關依賴。例如，使用OpenAI的模型時，需要添加以下依賴：
      <dependencies><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId></dependency><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-core</artifactId><version>最新版本號</version></dependency><dependency><groupId>dev.langchain4j</groupId><artifactId>langchain4j-open-ai</artifactId><version>最新版本號</version></dependency>
</dependencies>

  3. 添加配置文件

    • 在application.properties或application.yml文件中配置語言模型的關鍵參數。以OpenAI為例：
      langchain4j.openai.apiKey=你的OpenAI API Key

（二）對話能力使用

1. Low Level API使用
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;@Service
public class ChatService {private final ChatLanguageModel chatModel;public ChatService() {this.chatModel = new OpenAiChatModel();}public String chat(String userMessage) {return chatModel.generate(userMessage);}
}
2. High Level API使用
import dev.langchain4j.chain.ConversationalRetrievalChain;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import org.springframework.stereotype.Service;@Service
public class ChatService {private final ChatLanguageModel model;public ChatService() {model = new OpenAiChatModel();}public String chat(String userMessage) {ConversationalRetrievalChain chain = ConversationalRetrievalChain.builder().chatLanguageModel(model).build();return chain.execute(userMessage);}
}
3. 設置角色
import dev.langchain4j.template.PromptTemplate;
import org.springframework.stereotype.Service;@Service
public class PromptService {private final PromptTemplate promptTemplate = PromptTemplate.from("你是一個{{role}}，請用專業的角度回答：{{question}}");private final ChatLanguageModel chatModel;public PromptService(ChatLanguageModel chatModel) {this.chatModel = chatModel;}public String getResponse(String role, String question) {String prompt = promptTemplate.apply(Parameters.from("role", role,"question", question));return chatModel.generate(prompt);}
}

（三）會話記憶

1. Low Level API的實現
import dev.langchain4j.memory.chat.MessageWindowChatMemory;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;@Service
public class ChatService {private final ChatLanguageModel chatModel;private final MessageWindowChatMemory memory;public ChatService() {this.chatModel = new OpenAiChatModel();this.memory = MessageWindowChatMemory.builder().maxMessages(50).build();}public String chat(String userMessage) {memory.add(UserMessage.from(userMessage));String response = chatModel.generate(memory.messages());memory.add(AiMessage.from(response));return response;}
}
2. High Level API的實現
import dev.langchain4j.chain.ConversationalRetrievalChain;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.memory.chat.MessageWindowChatMemory;@Service
public class ChatService {private final ChatLanguageModel model;private final MessageWindowChatMemory memory;public ChatService() {model = new OpenAiChatModel();memory = MessageWindowChatMemory.builder().maxMessages(50).build();}public String chat(String userMessage) {ConversationalRetrievalChain chain = ConversationalRetrievalChain.builder().chatLanguageModel(model).chatMemory(memory).build();return chain.execute(userMessage);}
}

（四）Function Calling

1. 核心概念

Function Calling允許模型調用外部函數來獲取數據或執行操作。例如，模型可以調用一個搜索API來獲取最新的信息。

2. 應用場景
  • 聯網搜索：模型可以通過調用搜索API獲取實時信息。
  • 調用外部API：例如調用天氣API獲取天氣信息。
3. 案例代碼
import dev.langchain4j.agent.Agent;
import dev.langchain4j.agent.AgentToolCall;
import dev.langchain4j.agent.AgentToolCallResult;
import dev.langchain4j.agent.ToolCall;
import dev.langchain4j.agent.ToolCallResult;
import dev.langchain4j.agent.tool.Tool;
import dev.langchain4j.agent.tool.ToolRegistry;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import org.springframework.stereotype.Service;@Service
public class FunctionCallingService {private final ChatLanguageModel model;private final ToolRegistry toolRegistry;public FunctionCallingService() {model = new OpenAiChatModel();toolRegistry = new ToolRegistry();}public String execute(String userMessage) {Agent agent = Agent.builder().chatLanguageModel(model).toolRegistry(toolRegistry).build();return agent.execute(userMessage);}@Tool(name = "search", description = "搜索信息")public String search(String query) {// 實現搜索邏輯，例如調用外部搜索APIreturn "搜索結果：" + query;}@Tool(name = "weather", description = "獲取天氣信息")public String getWeather(String location) {// 實現獲取天氣信息的邏輯return "天氣信息：" + location;}
}

（五）RAG（Retrieval-Augmented Generation）

1. 核心概念

RAG是一種結合檢索和生成的技術，通過檢索相關文檔來增強模型的生成能力。

2. 應用場景
  • 問答系統：結合知識庫提供準確答案。
  • 文檔輔助寫作：根據文檔內容生成相關內容。
3. 案例代碼
import dev.langchain4j.chain.RetrievalAugmentedGenerationChain;
import dev.langchain4j.data.document.Document;
import dev.langchain4j.data.document.DocumentLoader;
import dev.langchain4j.data.document.FileDocumentLoader;
import dev.langchain4j.data.segment.TextSegmenter;
import dev.langchain4j.data.segment.TextSegmenterFactory;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.retrieval.Retriever;
import dev.langchain4j.retrieval.vectorstore.VectorStoreRetriever;
import dev.langchain4j.vectorstore.VectorStore;
import dev.langchain4j.vectorstore.VectorStoreFactory;@Service
public class RagService {private final ChatLanguageModel model;private final Retriever retriever;public RagService() {model = new OpenAiChatModel();VectorStore vectorStore = VectorStoreFactory.create();retriever = new VectorStoreRetriever(vectorStore);}public String rag(String userMessage) {RetrievalAugmentedGenerationChain chain = RetrievalAugmentedGenerationChain.builder().chatLanguageModel(model).retriever(retriever).build();return chain.execute(userMessage);}public void loadDocuments() {DocumentLoader documentLoader = new FileDocumentLoader("path/to/documents");List<Document> documents = documentLoader.load();TextSegmenter segmenter = TextSegmenterFactory.create();List<TextSegment> segments = segmenter.segment(documents);retriever.add(segments);}
}

（六）工具調用

1. 核心概念

工具調用允許模型調用外部工具來完成任務，例如調用API、執行命令等。

2. 應用場景
  • 調用API：例如調用天氣API獲取天氣信息。
  • 執行命令：例如調用系統命令執行操作。
3. 案例代碼
import dev.langchain4j.agent.Agent;
import dev.langchain4j.agent.AgentToolCall;
import dev.langchain4j.agent.AgentToolCallResult;
import dev.langchain4j.agent.ToolCall;
import dev.langchain4j.agent.ToolCallResult;
import dev.langchain4j.agent.tool.Tool;
import dev.langchain4j.agent.tool.ToolRegistry;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import org.springframework.stereotype.Service;@Service
public class ToolCallingService {private final ChatLanguageModel model;private final ToolRegistry toolRegistry;public ToolCallingService() {model = new OpenAiChatModel();toolRegistry = new ToolRegistry();}public String execute(String userMessage) {Agent agent = Agent.builder().chatLanguageModel(model).toolRegistry(toolRegistry).build();return agent.execute(userMessage);}@Tool(name = "search", description = "搜索信息")public String search(String query) {// 實現搜索邏輯，例如調用外部搜索APIreturn "搜索結果：" + query;}@Tool(name = "weather", description = "獲取天氣信息")public String getWeather(String location) {// 實現獲取天氣信息的邏輯return "天氣信息：" + location;}
}

（七）自定義模型

1. 核心概念

自定義模型允許開發者根據需求實現自己的語言模型，例如使用本地模型或自定義邏輯。

2. 應用場景
  • 使用本地模型：例如使用本地的Transformer模型。
  • 自定義邏輯：例如實現特定的文本生成邏輯。
3. 案例代碼
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.chat.ChatMessage;
import dev.langchain4j.model.chat.ChatResponse;
import org.springframework.stereotype.Service;@Service
public class CustomModelService {private final ChatLanguageModel customModel;public CustomModelService() {customModel = new CustomChatModel();}public String generate(String prompt) {return customModel.generate(prompt);}public static class CustomChatModel implements ChatLanguageModel {@Overridepublic ChatResponse generate(List<ChatMessage> messages) {// 實現自定義邏輯String response = "自定義模型生成的響應";return ChatResponse.builder().message(AiMessage.from(response)).build();}}
}

（八）自定義工具

1. 核心概念

自定義工具允許開發者根據需求實現自己的工具，例如調用外部API或執行特定操作。

2. 應用場景
  • 調用外部API：例如調用天氣API獲取天氣信息。
  • 執行特定操作：例如調用系統命令執行操作。
3. 案例代碼
import dev.langchain4j.agent.Agent;
import dev.langchain4j.agent.AgentToolCall;
import dev.langchain4j.agent.AgentToolCallResult;
import dev.langchain4j.agent.ToolCall;
import dev.langchain4j.agent.ToolCallResult;
import dev.langchain4j.agent.tool.Tool;
import dev.langchain4j.agent.tool.ToolRegistry;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import org.springframework.stereotype.Service;@Service
public class CustomToolService {private final ChatLanguageModel model;private final ToolRegistry toolRegistry;public CustomToolService() {model = new OpenAiChatModel();toolRegistry = new ToolRegistry();}public String execute(String userMessage) {Agent agent = Agent.builder().chatLanguageModel(model).toolRegistry(toolRegistry).build();return agent.execute(userMessage);}@Tool(name = "customTool", description = "自定義工具")public String customTool(String input) {// 實現自定義邏輯return "自定義工具的響應：" + input;}
}

（九）自定義鏈

1. 核心概念

自定義鏈允許開發者根據需求實現自己的鏈，例如將多個任務串聯起來。

2. 應用場景
  • 串聯多個任務：例如先進行文本生成，再進行情感分析。
  • 實現復雜邏輯：例如根據條件選擇不同的任務。
3. 案例代碼
import dev.langchain4j.chain.Chain;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import org.springframework.stereotype.Service;@Service
public class CustomChainService {private final ChatLanguageModel model;public CustomChainService() {model = new OpenAiChatModel();}public String execute(String userMessage) {CustomChain chain = new CustomChain(model);return chain.execute(userMessage);}public static class CustomChain implements Chain {private final ChatLanguageModel model;public CustomChain(ChatLanguageModel model) {this.model = model;}@Overridepublic String execute(String input) {// 實現自定義邏輯String response = model.generate(input);// 進行后續處理return response;}}
}

四、實戰案例

（一）案例背景

假設我們正在開發一個智能客服系統，需要實現以下功能：

  1. 用戶可以與客服機器人進行對話。
  2. 客服機器人能夠根據用戶的問題提供準確的答案。
  3. 客服機器人能夠調用外部API獲取實時信息，例如天氣信息。

（二）項目結構

src/main/java/com/example/aiassist
├── controller
│   ├── AiController.java
├── service
│   ├── ChatService.java
│   ├── FunctionCallingService.java
│   ├── RagService.java
│   ├── ToolCallingService.java
├── model
│   ├── CustomChatModel.java
│   ├── CustomTool.java
├── config
│   ├── AppConfig.java

（三）代碼實現

1. 控制器
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.*;@RestController
@RequestMapping("/api/ai")
public class AiController {private final ChatService chatService;private final FunctionCallingService functionCallingService;private final RagService ragService;private final ToolCallingService toolCallingService;@Autowiredpublic AiController(ChatService chatService, FunctionCallingService functionCallingService, RagService ragService, ToolCallingService toolCallingService) {this.chatService = chatService;this.functionCallingService = functionCallingService;this.ragService = ragService;this.toolCallingService = toolCallingService;}@PostMapping("/chat")public String chat(@RequestBody String userMessage) {return chatService.chat(userMessage);}@PostMapping("/function-calling")public String functionCalling(@RequestBody String userMessage) {return functionCallingService.execute(userMessage);}@PostMapping("/rag")public String rag(@RequestBody String userMessage) {return ragService.rag(userMessage);}@PostMapping("/tool-calling")public String toolCalling(@RequestBody String userMessage) {return toolCallingService.execute(userMessage);}
}
2. 服務層
import dev.langchain4j.agent.Agent;
import dev.langchain4j.agent.AgentToolCall;
import dev.langchain4j.agent.AgentToolCallResult;
import dev.langchain4j.agent.ToolCall;
import dev.langchain4j.agent.ToolCallResult;
import dev.langchain4j.agent.tool.Tool;
import dev.langchain4j.agent.tool.ToolRegistry;
import dev.langchain4j.chain.ConversationalRetrievalChain;
import dev.langchain4j.chain.RetrievalAugmentedGenerationChain;
import dev.langchain4j.data.document.Document;
import dev.langchain4j.data.document.DocumentLoader;
import dev.langchain4j.data.document.FileDocumentLoader;
import dev.langchain4j.data.segment.TextSegmenter;
import dev.langchain4j.data.segment.TextSegmenterFactory;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.retrieval.Retriever;
import dev.langchain4j.retrieval.vectorstore.VectorStoreRetriever;
import dev.langchain4j.vectorstore.VectorStore;
import dev.langchain4j.vectorstore.VectorStoreFactory;
import org.springframework.stereotype.Service;@Service
public class ChatService {private final ChatLanguageModel model;private final ToolRegistry toolRegistry;private final Retriever retriever;public ChatService() {model = new OpenAiChatModel();toolRegistry = new ToolRegistry();VectorStore vectorStore = VectorStoreFactory.create();retriever = new VectorStoreRetriever(vectorStore);}public String chat(String userMessage) {ConversationalRetrievalChain chain = ConversationalRetrievalChain.builder().chatLanguageModel(model).toolRegistry(toolRegistry).retriever(retriever).build();return chain.execute(userMessage);}public String functionCalling(String userMessage) {Agent agent = Agent.builder().chatLanguageModel(model).toolRegistry(toolRegistry).build();return agent.execute(userMessage);}public String rag(String userMessage) {RetrievalAugmentedGenerationChain chain = RetrievalAugmentedGenerationChain.builder().chatLanguageModel(model).retriever(retriever).build();return chain.execute(userMessage);}public String toolCalling(String userMessage) {Agent agent = Agent.builder().chatLanguageModel(model).toolRegistry(toolRegistry).build();return agent.execute(userMessage);}@Tool(name = "search", description = "搜索信息")public String search(String query) {// 實現搜索邏輯return "搜索結果：" + query;}@Tool(name = "weather", description = "獲取天氣信息")public String getWeather(String location) {// 實現獲取天氣信息的邏輯return "天氣信息：" + location;}public void loadDocuments() {DocumentLoader documentLoader = new FileDocumentLoader("path/to/documents");List<Document> documents = documentLoader.load();TextSegmenter segmenter = TextSegmenterFactory.create();List<TextSegment> segments = segmenter.segment(documents);retriever.add(segments);}
}
3. 自定義模型
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.chat.ChatMessage;
import dev.langchain4j.model.chat.ChatResponse;
import org.springframework.stereotype.Service;@Service
public class CustomChatModelService {private final ChatLanguageModel customModel;public CustomChatModelService() {customModel = new CustomChatModel();}public String generate(String prompt) {return customModel.generate(prompt);}public static class CustomChatModel implements ChatLanguageModel {@Overridepublic ChatResponse generate(List<ChatMessage> messages) {// 實現自定義邏輯String response = "自定義模型生成的響應";return ChatResponse.builder().message(AiMessage.from(response)).build();}}
}
4. 自定義工具
import dev.langchain4j.agent.Agent;
import dev.langchain4j.agent.AgentToolCall;
import dev.langchain4j.agent.AgentToolCallResult;
import dev.langchain4j.agent.ToolCall;
import dev.langchain4j.agent.ToolCallResult;
import dev.langchain4j.agent.tool.Tool;
import dev.langchain4j.agent.tool.ToolRegistry;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import org.springframework.stereotype.Service;@Service
public class CustomToolService {private final ChatLanguageModel model;private final ToolRegistry toolRegistry;public CustomToolService() {model = new OpenAiChatModel();toolRegistry = new ToolRegistry();}public String execute(String userMessage) {Agent agent = Agent.builder().chatLanguageModel(model).toolRegistry(toolRegistry).build();return agent.execute(userMessage);}@Tool(name = "customTool", description = "自定義工具")public String customTool(String input) {// 實現自定義邏輯return "自定義工具的響應：" + input;}
}

五、總結

通過本文的詳細介紹，我們已經完成了在SpringBoot中整合LangChain4j的全過程。從基礎的對話能力、會話記憶，到高級的Function Calling、RAG、工具調用和自定義功能，LangChain4j為Java開發者提供了一個強大且靈活的框架來構建基于AI大模型的應用程序。通過實戰案例，我們展示了如何將這些功能應用到實際項目中，幫助讀者更好地理解和掌握。

在實際開發中，開發者可以根據具體需求靈活選擇和組合LangChain4j提供的功能，充分發揮AI大模型的能力，為用戶提供更加智能和高效的解決方案。

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/pingmian/76069.shtml
繁體地址，請注明出處：http://hk.pswp.cn/pingmian/76069.shtml
英文地址，請注明出處：http://en.pswp.cn/pingmian/76069.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

一種單脈沖雷達多通道解卷積前視成像方法【論文閱讀】

一種單脈沖雷達多通道解卷積前視成像方法【論文閱讀】

一種單脈沖雷達多通道解卷積前視成像方法-李悅麗-2007 1. 論文的研究目標與實際意義1.1 研究目標1.2 實際問題與產業意義2. 論文提出的思路、方法及模型2.1 多通道解卷積（MCD）技術的核心思想2.1.1 數學模型與公式推導2.1.2 針對單脈沖雷達的改進2.2 方法與傳統技術的對比3. 實…
閱讀更多...
Codeforces Round 1016 (Div. 3)題解

Codeforces Round 1016 (Div. 3)題解

題目地址 https://codeforces.com/contest/2093 銳評 在所有題意都理解正確的情況下&#xff0c;整體難度不算太難。但是偏偏存在F這么惡心的題意&#xff0c;樣例都不帶解釋一下的&#xff0c;根本看不懂題。D題也惡心&#xff0c;在于遞歸過程的拆分&#xff0c;需要點數學…
閱讀更多...
【python讀取并顯示遙感影像】

【python讀取并顯示遙感影像】

在Python中讀取并顯示遙感影像&#xff0c;可以使用rasterio庫讀取影像數據&#xff0c;并結合matplotlib進行可視化。以下是一個完整的示例代碼&#xff1a; import rasterio import matplotlib.pyplot as plt import numpy as np# 打開遙感影像文件 with rasterio.open(path…
閱讀更多...
怎樣使用Python編寫的Telegram聊天機器人

怎樣使用Python編寫的Telegram聊天機器人

怎樣使用Python編寫的Telegram聊天機器人 代碼直接運行可用 以下是對這段代碼的詳細解釋： 1. 導入必要的庫 import loggingfrom telegram import Update from telegram.ext import ApplicationBuilder, ContextTypes, CommandHandler, filters, MessageHandler import log…
閱讀更多...
moviepy學習使用筆記

moviepy學習使用筆記

目錄 1. moviepy安裝版本選擇安裝命令2. 使用文檔1.0.3文檔中文文檔寫的比較好的學習博客2.x文檔1.0.3到2.x快速上手3. 可能遇到的問題3.1 依賴問題3.2 中文顯示問題4. 特效示例中文顯示的問題1. moviepy安裝 版本選擇 moviepy有兩個主流版本： 1.0.3 和 2.x 目前2.x版本稱不…
閱讀更多...
docker各種清空緩存命令，下載jdk包總失敗，執行完好了

docker各種清空緩存命令，下載jdk包總失敗，執行完好了

清理未使用的鏡像&#xff08;推薦&#xff0c;最常用&#xff09;&#xff1a; docker image prune -a 清理所有未使用的數據&#xff08;包括鏡像、容器、網絡和構建緩存&#xff09;&#xff1a; docker system prune -a 清理所有未使用的數據&#xff0c;包括未使用的卷…
閱讀更多...
NO.78十六屆藍橋杯備戰|數據結構-并查集|雙親表示法|初始化|查詢|合并|判斷|親戚|Lake Counting|程序自動分析(C++)

NO.78十六屆藍橋杯備戰|數據結構-并查集|雙親表示法|初始化|查詢|合并|判斷|親戚|Lake Counting|程序自動分析(C++)

雙親表?法 接下來要學習到的并查集&#xff0c;本質上就是?雙親表?法實現的森林。因此&#xff0c;我們先認識?下雙親表?法。 在學習樹這個數據結構的時&#xff0c;講到樹的存儲?式有很多種&#xff1a;孩?表?法&#xff0c;雙親表?法、孩?雙親表?法以及孩?兄弟表…
閱讀更多...
Ubuntu掛載HDD遷移存儲PostgreSQL數據

Ubuntu掛載HDD遷移存儲PostgreSQL數據

關聯博客&#xff1a;windows通用網線連接ubuntu實現ssh登錄、桌面控制、文件共享 背景&#xff1a; 在個人ubuntu機器上安裝了pgsql&#xff0c;新建了一張表插入了2000w數據用于模擬大批量數據分頁查詢用&#xff0c;但是發現查詢也不慢&#xff08;在公司測試環境查詢1700…
閱讀更多...
Spring MVC與Spring Boot文件上傳配置項對比

Spring MVC與Spring Boot文件上傳配置項對比

Spring MVC與Spring Boot文件上傳配置項對比 一、Spring MVC配置項&#xff08;基于不同MultipartResolver實現&#xff09; 1. 使用 CommonsMultipartResolver&#xff08;Apache Commons FileUpload&#xff09; Bean public MultipartResolver multipartResolver() {Common…
閱讀更多...
Android 學習之 Navigation導航

Android 學習之 Navigation導航

1. Navigation 介紹 Navigation 組件 是 Android Jetpack 的一部分&#xff0c;用于簡化應用內導航邏輯&#xff0c;支持 Fragment、Activity 和 Compose 之間的跳轉。核心優勢&#xff1a; 單 Activity 架構&#xff1a;減少 Activity 冗余&#xff0c;通過 Fragment 或 Com…
閱讀更多...
Docker Compose 部署Nginx反向代理 tomcat

Docker Compose 部署Nginx反向代理 tomcat

Nginx 、Tomcat (默認端口8080)》》compose services:nginx:image: nginx:latestcontainer_name: nginxrestart: alwaysports:- 80:80- 8080:8080volumes:# 文件夾會自動創建&#xff0c;但nginx.conf是文件&#xff0c;需要提前創建&#xff0c;否則 會自動創建nginx.conf文件…
閱讀更多...
數據庫7（數據定義語句，視圖，索引）

數據庫7（數據定義語句，視圖，索引）

1.數據定義語句 SQL數據定義語言&#xff08;DDL&#xff09;用于定義和管理數據庫結構&#xff0c;包括創建、修改和刪除 數據庫對象。常見的DDL語句包括CREATE、DROP和ALTER。 它的操作的是對象&#xff0c;區分操作數據的語句&#xff1a;INSERT,DELETE,UPDATE 示例&#x…
閱讀更多...
QML面試筆記--UI設計篇02布局控件

QML面試筆記--UI設計篇02布局控件

1. QML 中常用的布局控件 1.1. Row1.2. Column1.3. Grid1.4. RowLayout1.5. ColumnLayout1.6. GridLayout1.7. 總結 1. QML 中常用的布局控件 1.1. Row 背景知識&#xff1a;Row 布局用于將子元素水平排列&#xff0c;適合簡單的線性布局&#xff0c;如工具欄按鈕或表單輸入…
閱讀更多...
Compose組件轉換XML布局1.0

Compose組件轉換XML布局1.0

文章目錄 學習JetPack Compose資源前言&#xff1a;預覽界面的實現Compose組件的布局管理一、Row和Colum組件&#xff08;LinearLayout&#xff09;LinearLayout&#xff08;垂直方向 → Column&#xff09;LinearLayout&#xff08;水平方向 → Row&#xff09; 二、相對布局 …
閱讀更多...
從零構建大語言模型全棧開發指南：第五部分：行業應用與前沿探索-5.2.1模型偏見與安全對齊（Red Teaming實踐）

從零構建大語言模型全棧開發指南：第五部分：行業應用與前沿探索-5.2.1模型偏見與安全對齊（Red Teaming實踐）

?? 點擊關注不迷路 ?? 點擊關注不迷路 ?? 點擊關注不迷路 文章大綱 大語言模型全棧開發指南：倫理與未來趨勢 - 第五部分：行業應用與前沿探索5.2.1 模型偏見與安全對齊（Red Teaming實踐）一、模型偏見的來源與影響1. 偏見的定義與分類2. 偏見的實際影響案例二、安全對齊…
閱讀更多...
java基礎 迭代Iterable接口以及迭代器Iterator

java基礎 迭代Iterable接口以及迭代器Iterator

Itera迭代 Iterable < T>迭代接口(1) Iterator iterator()(2) forEach(Consumer<? super T> action)forEach結合Consumer常見場景forEach使用注意細節 (3)Spliterator spliterator() Iterator< T>迭代器接口如何“接收” Iterator<T>核心方法迭代器的…
閱讀更多...
PyTorch構建自定義模型

PyTorch構建自定義模型

PyTorch 提供了靈活的方式來構建自定義神經網絡模型。下面我將詳細介紹從基礎到高級的自定義模型構建方法&#xff0c;包含實際代碼示例和最佳實踐。 一、基礎模型構建 1. 繼承 nn.Module 基類 所有自定義模型都應該繼承 torch.nn.Module 類&#xff0c;并實現兩個基本方法&…
閱讀更多...
AI智算-K8s如何利用GPFS分布式并行文件存儲加速訓練or推理

AI智算-K8s如何利用GPFS分布式并行文件存儲加速訓練or推理

文章目錄 GPFS簡介核心特性存儲環境介紹存儲軟件版本客戶端存儲RoCEGPFS 管理（GUI）1. 創建 CSI 用戶2. 檢查GUI與k8s通信文件系統配置1. 開啟配額2. 啟用filesetdf文件系統3. 驗證文件系統配置4. 啟用自動inode擴展存儲集群配置1. 啟用對根文件集（root fileset）配額2. igno…
閱讀更多...
gbase8s之邏輯導出導入腳本（完美版本）

gbase8s之邏輯導出導入腳本（完美版本）

該腳本dbexport.sh用于快速導出庫和導入庫&#xff08;使用多并發unload&#xff0c;和多并發dbload的方式&#xff09; #!/bin/sh #腳本功能&#xff1a;將數據導出成文本&#xff0c;遷移至其他實例 #最后更新時間&#xff1a;2023-12-19 #使用方法&#xff1a; #1.執行該腳…
閱讀更多...
springMVC-攔截器詳解

springMVC-攔截器詳解

攔截器 概述 SpringMVC的處理器攔截器類似于Servlet開發中的過濾器Filter,用于對處理器進行預處理和后處理。開發者可以自己定義一些攔截器來實現特定的功能。 過濾器與攔截器的區別&#xff1a;攔截器是AOP思想的具體應用。 過濾器 servlet規范中的一部分&#xff0c;任何ja…
閱讀更多...
最新文章

Copyright @ 2022~2023