Spring系列之Spring AI入門

概述

GitHub，官網，目前最新版是1.0.1。

功能：

  • 跨AI提供商的可移植API：用于聊天、文本到圖像和嵌入模型。
  • 支持同步和流API選項。還支持下拉訪問模型特定功能。
  • 跨Vector Store提供商的可移植API，包括同樣可移植的新穎的類似SQL的元數據過濾器API。支持8個矢量數據庫
  • 函數調用。Spring AI使AI模型可以輕松調用java.util.FunctionPOJO對象
  • AI模型和向量存儲的Spring Boot自動配置和啟動器
  • 數據工程的ETL框架。這為將數據加載到矢量數據庫提供了基礎，有助于實現檢索增強生成模式。

如需使用SNAPSHOT版本，Maven配置添加以下倉庫：

<repositories><repository><id>spring-snapshots</id><name>Spring Snapshots</name><url>https://repo.spring.io/snapshot</url><releases><enabled>false</enabled></releases></repository><repository><id>central-portal-snapshots</id><name>Central Portal Snapshots</name><url>https://central.sonatype.com/repository/maven-snapshots/</url><releases><enabled>false</enabled></releases><snapshots><enabled>true</enabled></snapshots></repository>
</repositories>

Spring Initializr：https://start.spring.io/

application.yml配置文件：

spring:ai:chat:memory:repository:jdbc:initialize-schema: nerveropenai:api-key: embedding:options:model: text-embedding-v4base-url: https://dashscope.aliyuncs.com/compatible-mode/chat:options:model: qwen-maxvectorstore:pgvector:enabled: trueindexType: HNSWredis:initialize-schema: trueindex-name: custom-indexprefix: custom-prefixzhipuai:api-key: ${ZHIPUAI_API_KEY}mcp:server:name: webflux-mcp-serverversion: 1.0.0type: ASYNC sse-message-endpoint: /mcp/messagesclient:request-timeout: 30ssse:connections:server1:url: https://mcp.amap.comsse-endpoint: /sse?key=?server2:url: https://mcp-pan/baidu.comsse-endpoint: /sse?access_token=?server3:url: https://mcp-youxuan.baidu.comsse-endpoint: /mcp/sse?key=?toolcallback:enabled: truestdio:servers-configuration: classpath:/mcp-servers-config.json
amap:key: ${AMAP_API_KEY}

代碼片段

PromptTemplate template = new PromptTemplate("請用{style}風格解釋：{topic}");
Prompt prompt = template.create(Map.of("style", "幽默", "topic", "量子力學"));@Bean
VectorStore vectorStore(EmbeddingClient embeddingClient) {return new SimpleVectorStore(embeddingClient);
}@Resource
private SyncMcpToolCallbackProvider toolCallbackProvider;var chatClient = chatClientBuilder.defaultTools(toolCallbackProvider).build();// 實現Tool       
@Service
public class WeatherService {@Tool(description = "Get weather information by city name")public String getWeather(String cityName) {}
}
// 注冊Tool
@Bean
public ToolCallbackProvider weatherTools(WeatherService weatherService) {return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();}

Chat Client，用于簡化與AI模型的交互過程，支持同步和反應式編程模型，隱藏諸多底層細節：

  • 提示詞管理：定制和組裝模型的輸入（Prompt）
  • 響應處理：格式化解析模型的輸出（Structured Output）
  • 參數選項：調整模型交互參數（ChatOptions）
  • 高級功能：整合聊天記憶、函數調用、RAG等能力

Spring AI提供兩種方式創建ChatClient：使用自動配置的Builder或編程方式。

@RestController
public class ChatController {private final ChatClient chatClient;public ChatController(ChatClient.Builder builder) {this.chatClient = builder.build();}@GetMapping("/chat")public String chat(String input) {return this.chatClient.prompt().user(input).call().content();}
}

禁用自動配置：spring.ai.chat.client.enabled=false

// 通常通過自動裝配獲取ChatModel實例
ChatModel myChatModel =
// 使用Builder
ChatClient chatClient = ChatClient.builder(myChatModel).build();
// 直接create
ChatClient chatClient = ChatClient.create(myChatModel);

ChatClient的流暢API通過prompt方法提供三種不同的方式來創建Prompt：

  1. prompt()：無參方法，允許從頭開始構建提示，后續可添加用戶消息、系統消息等。chatClient.prompt().user("你好").call().content();
  2. prompt(Prompt prompt)：接受Prompt對象參數，允許傳入使用非流暢API創建的Prompt實例。
Prompt myPrompt = new Prompt(List.of(new UserMessage("你好")));
chatClient.prompt(myPrompt).call().content();
  1. prompt(String content)：便捷方法，直接接受用戶文本內容作為參數。
    chatClient.prompt("你好").call().content();

ChatResponse包含完整的響應數據和元數據，如Token使用情況。
entity()方法還提供一個重載版本，允許傳入自定義參數來指導實體轉換過程：

record Product(String name, String description, Double price) {}Product product = chatClient.prompt().user("創建一個價格在100元以內的產品").call().entity(Product.class, EntityPreference.create().withFormat(EntityFormat.JSON).build());

ChatClient提供兩個核心方法來獲取響應：

  • call：用于同步響應，返回ResponseWithChatClient對象；
  • stream()：用于流式響應，返回StreamWithChatClient`對象。
Flux<String> responseStream = chatClient.prompt().user("給我講一個長故事").stream().content();

默認值：

ChatClient chatClient = ChatClient.builder(chatModel).defaultSystem("你是一位專業的Java開發助手，擅長使用Spring框架").defaultUser("默認用戶消息").defaultOptions(options -> options.withTemperature(0.7f)).defaultResponseFormat(new StructuredResponseFormat<>(MyResponseType.class)).build();

ToolCallback

之前叫FunctionCallback，升級：

  1. 術語更準確：從"函數"改為"工具"，更符合行業通用術語
  2. 架構更清晰：分離工具定義與實現，提高復用性
  3. 功能更強大：支持更靈活的工具注冊和調用方式
  4. 注解驅動：新增@Tool注解，開發更便捷
FunctionToolCallback.builder("getWeather", service).description("獲取天氣")

結構化輸出

如JSON格式優勢：

  1. 便于程序解析和處理
  2. 確保數據格式一致性
  3. 方便與前端或其他服務集成

StructuredOutputConverter
在這里插入圖片描述

  • 在LLM調用前：轉換器會向提示詞追加格式指令，為模型生成目標輸出結構提供明確指導。
  • 在LLM調用后：轉換器將模型的原始文本輸出轉換為結構化類型，將其映射為對應的結構化JSON特定的數據結。

StructuredOutputConverter實現類型：接口允許您從基于文本的AI模型輸出中獲取結構化數據，默認BeanOutConverter實現類
在這里插入圖片描述

public News generateAsString(String message) {News news = this.chatClient.prompt().user(promptUserSpec -> promptUserSpec.text(message)).call().entity(News.class);
}@Data
public class News {private String entity;private String time;private String summary;
}

RAG

添加依賴：
implementation 'org.springframework.ai:spring-ai-starter-vector-store-redis:1.0.1'

private final VectorStore vectorStore;
public String similaritySearch(String query) {SearchRequest request = SearchRequest.builder().query(query).topK(1).build();List<Document> results = this.vectorStore.similaritySearch(request);return JSONObject.valueToString(results);
}

或其他向量數據庫。

模型

CogView-4：智譜開源文生圖模型，支持任意長度的中英雙語輸入，能夠生成在給定范圍內的任意分辨率圖像。

implementation ‘org.springframework.ai:spring-ai-starter-model-zhipuai:1.0.1’

private final ZhiPuAiImageModel zhiPuAiImageModel;public String getImage(String imageName) {ImageResponse response = zhiPuAiImageModel.call(new ImagePrompt(imageName, ZhiPuAiImageOptions.builder().build()));return response.getResult().getOutput().getUrl();
}

Chat Memory

ChatMemory接口，支持實現不同類型的內存策略，默認MessageWindowChatMemory類

ChatMemoryRepository：專責消息的存儲與檢索，底層消息存儲實現默認實現 InMemoryChatMemoryRepository 類

引入依賴：implementation 'org.springframework.ai:spring-ai-starter-model-chat-memory-repository-jdbc:1.0.1'，JdbcChatMemoryRepository

配置：
spring.ai.chat.memory.repository.jdbc.initialize-schema=nerver

public ChatClientService(ChatClient.Builder builder,JdbcChatMemoryRepository chatMemoryRepository)
ChatMemory chatMemory = MessageWindowChatMemory.builder().chatMemoryRepository(chatMemoryRepository).maxMessages(10).build();
ChatClient chatClient = builider.defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build()).build();chatClient.prompt().user("你好").advisors(a -> a.param(ChatMemory.CONVERSATION_ID, conversationId)).call().content();

Advisors

用于攔截、修改和增強AI驅動的交互，封裝常見的生成式AI模式，轉換發送到和接收自LLMs的數據，在各種模型和用例之間提供可移植性。

優勢：

  1. 封裝常見模式：將RAG、內容安全檢查等模式封裝為可重用組件
  2. 數據轉換：在請求發送前和響應接收后修改和增強數據
  3. 跨模型可移植性：編寫一次Advisor，可用于多種AI模型和用例
  4. 可觀測性：Advisors參與可觀測性堆棧，支持指標和跟蹤功能

工作原理類似于AOP：

  • 在AI交互的請求和響應階段攔截處理流程
  • 可以訪問和修改請求內容和上下文
  • 可以訪問和修改響應內容和上下文
  • 多個Advisors可以組成處理鏈，按特定順序執行

API

  • Advisor：基礎接口，定義名稱和順序等基本特性
  • CallAdvisor：用于非流式場景的接口
  • StreamAdvisor：用于流式場景的接口
  • BaseAdvisor：同時繼承CallAdvisor和StreamAdvisor的接口
  • BaseChatMemoryAdvisor：繼承BaseAdvisor的接口
  • MessageChatMemoryAdvisor：將記憶作為消息集合添加到prompt
  • PromptChatMemoryAdvisor：將記憶整合到prompt的系統文本中
  • SafeGuardAdvisor：用于防止模型生成有害或不適當的內容
  • ChatModelCallAdvisor：
  • ChatModelStreamAdvisor：
  • SimpleLoggerAdvisor：日志記錄

繼承關系圖
在這里插入圖片描述
其他相關API：

  • ChatClientRequest：請求
  • ChatClientResponse：響應
  • CallAdvisorChain：
  • StreamAdvisorChain：

Advisors的執行順序由getOrder()方法決定：

  • 較低的order值優先執行
  • Advisor鏈按照棧的方式工作：第一個加入鏈的Advisor最先處理請求；也是最后處理響應的Advisor
  • 高優先級的Advisor先執行請求處理，后執行響應處理
  • 如果多個Advisor具有相同的order值，它們的執行順序不保證

Advisors支持兩種處理模式：

  • 非流式處理：處理完整的請求和響應，實現CallAdvisor接口，重寫adviseCall()方法；
  • 流式處理：處理連續的請求和響應流，實現StreamAdvisor接口，重寫adviseStream()方法，使用響應式編程概念（如Flux）。

示例：

// 創建帶有Advisors的ChatClient
var chatClient= ChatClient.builder(chatModel).defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build(),  // 聊天記憶顧問QuestionAnswerAdvisor.builder(vectorStore).build()     // RAG顧問).build();// 設置運行時參數
String response= chatClient.prompt().advisors(advisor -> advisor.param(ChatMemory.CONVERSATION_ID, "678")).user(userText).call().content();

Prompt Engineering

幾個參數：

  • Temperature：控制模型響應的隨機性或創造力

    • 較低的值：0.0-0.3，更具確定性、更集中的響應。適用于事實類問題、分類或對一致性要求嚴格的任務；
    • 中等值：0.4-0.7，在確定性和創造力之間取得平衡。適用于一般用例；
    • 較高值：0.8-1.0，更具創造力、多樣化且可能帶來驚喜的響應。適用于創意寫作、頭腦風暴或生成多樣化選項。

  • MaxTokens：限制模型在其響應中可生成Token數量

    • 較低值：適用于單個詞、短語或分類標簽。
    • 中等值：適用于段落或簡短解釋。
    • 較高值：適用于長篇內容、故事或復雜解釋。

  • 采樣控制：兩個參數，允許對生成過程中的Token選擇進行細粒度控制。

    • Top-K：將Token選擇限制在K個最有可能的下一個Token中。較高值（如40-50）會引入更多多樣性
    • Top-P：核采樣，從累積概率超過P的最小Token集合中動態選擇。常見的值如 0.8-0.95。

Role Prompting

public void rolePrompting(ChatClient chatClient) {String result = chatClient.prompt().system(s -> s.text("你是一位經驗豐富的Java開發專家，專注于Spring框架。請以簡潔、專業的方式回答問題，并提供代碼示例。")).user(u -> u.text("如何在Spring Boot應用中實現基本的認證功能？")).call().content();
}

Self-Consistency通過生成多個獨立的推理路徑，然后選擇最一致的答案來提高復雜推理任務的準確性。

public void selfConsistencyPrompting(ChatClient chatClient) {// 生成多個推理路徑List<String> responses = newArrayList<>();for (int i = 0; i < 3; i++) {String response = chatClient.prompt().user(u -> u.text("""問題: 小明有5個蘋果，他給了小紅2個，又從小華那里得到3個，然后他又吃了1個。小明現在有多少個蘋果？讓我們一步步思考得出答案。""")).options(ChatOptions.builder().temperature(0.7).build()) // 使用較高溫度以獲得多樣化的推理路徑.call().content();   responses.add(response);}   
}

解讀：上面的讓我們一步步思考得出答案正體現Chain-of-Thought Prompting。

MCP

MCP能力：

  • 標準化交互協議：統一AI模型與外部工具的通信方式
  • 多傳輸支持：STDIO/HTTP/SSE全兼容，適應本地或云端部署
  • 會話管理：v0.8.0全新升級的會話架構

MCP Java SDK采用清晰的三層設計，可輕松集成到現有系統：
在這里插入圖片描述

  1. 客戶端/服務端層
    • McpClient：搞定協議協商、工具調用
    • McpServer：暴露工具接口，管理資源URI
    • 支持同步/異步調用，兼容HTTP長連接和進程間通信
  2. 會話層：通過McpSession管理對話狀態，多輪交互不再丟上下文
  3. 傳輸層：JSON-RPC消息一鍵序列化，三種傳輸任選：
    • STDIO：本地進程間通信
    • HTTP SSE：Servlet/WebFlux雙版本支持
    • Reactive流：WebFlux實現高并發

server模塊引入依賴：

implementation 'org.springframework.ai:spring-ai-starter-mcp-server-webflux:1.0.1'
implementation 'org.springframework.ai:spring-ai-starter-mcp-server:1.0.1'
implementation 'org.springframework.ai:spring-ai-starter-mcp-server-webmvc:1.0.1'

client引入依賴：

implementation 'org.springframework.ai:spring-ai-starter-mcp-client:1.0.1'
implementation 'org.springframework.ai:spring-ai-starter-mcp-client-webflux:1.0.1'

MCP Server

諸如：

  • 高德MCP Server：提供全場景覆蓋的地圖服務，包括地理編碼、逆地理編碼、IP定位、天氣查詢、騎行路徑規劃、步行路徑規劃、駕車路徑規劃、公交路徑規劃、距離測量、關鍵詞搜索、周邊搜索、詳情搜索等。
  • 百度網盤MCP：核心API現已全面兼容MCP協議。涵蓋用戶信息、獲取文件信息、文件上傳、文件管理、文件搜索等。 開發者僅需簡單配置，即可快速接入百度網盤服務，實現文件上傳、文件管理等能力，大幅降低開發者調用網盤服務門檻，顯著提升開發者的開發效率。
  • 百度優選MCP：提供MCP工具列表包含8個核心API，涵蓋參數對比、品牌排行、商品檢索、交易等。為用戶提供全維度對比決策助手，實時品牌天梯榜單，輕松獲取全網相關SPU與優質低價商品鏈接等能力。
  • Playwright MCP：微軟推出的現代化跨瀏覽器自動化測試工具，支持Chromium、Firefox和WebKit，提供高速、可靠的端到端測試能力，適用于Web應用開發和持續集成。結合LLM能夠無障礙與網頁進行交互，從而實現智能瀏覽器頁面操作。
  • Office-Word-MCP：用于創建、讀取、編輯和格式化Microsoft Word文檔。主要操作能力如下：創建表格、添加不同級別的標題、插入段落可選樣式；格式化加粗、斜體、下劃線、顏色和字體屬性、搜索和替換；邊框和樣式格式化表格、格式表頭行、應用單元格陰影和自定義邊框。
  • antvis/mcp-server-chart：用于生成可視化圖表的，目前支持 15+ 種圖表：
    • 條形圖、餅圖、 柱形圖、 折線圖
    • 魚骨圖、思維導圖、流程圖、
    • 直方圖、線型圖、樹形圖、網絡圖
    • 雷達圖、二維散點圖、詞語圖、區域圖表
  • MySQL MCP：提供SQL語句查詢數據庫的能力：
    • execute_query ：支持select查詢、show展示、describe描述；
    • get_table_info：獲取數據表的詳細結構信息；
    • list_tables：列出數據庫中的所有數據表。
  • Excel-MCP：基于MCP的文件處理服務器，提供讀取、寫入和分析Excel文件的功能：
    • 讀取Excel文件：獲取工作表列表，讀取特定工作表的數據，讀取所有工作表的數據；
    • 寫入Excel文件：創建新的Excel文件，向特定工作表寫入數據，支持多工作表；
    • 分析Excel結構：分析工作表結構，將結構導出到新文件
  • Nacos MCP Router：一個基于MCP官方標準SDK實現的的MCP Server，提供一組工具，提供推薦、分發、安裝及代理其他MCP Server的功能，幫助用戶更方便地使用MCP Server服務。
    在這里插入圖片描述
    安裝較新版Nacos，打開管理后臺，MCP管理，創建MCP Server。
  • @Joooook/12306-mcp：提供簡單的API接口，允許用戶搜索12306的車票。
  • HowToCooke MCP，讓AI助手能夠為你推薦菜譜、規劃膳食，解決"今天吃什么"的世紀難題！
    1. 查詢全部菜譜：獲取所有可用菜譜數據，做菜百科全書
    2. 根據分類查詢菜譜：按照分類篩選菜譜，想吃水產？早餐？葷菜？主食？一鍵搞定！
    3. 智能推薦膳食：根據你的忌口、過敏原和用餐人數，為你規劃整整一周的美味佳肴
    4. 不知道吃什么：選擇困難癥福音！根據人數直接推薦今日菜單，再也不用糾結了
  • mcp-server-weread：支持將微信讀書的書籍、筆記和劃線數據提供給支持MCP的LLM：
    • 從微信讀書獲取書架信息；
    • 搜索書架中的圖書；
    • 獲取圖書的筆記和劃線；
    • 支持按章節組織筆記和劃線。
  • Fetch MCP：從互聯網上抓取URL并將其內容作為Markdown文件，接口參數：
    • url : 要抓取的URL
    • max_length：返回的最大字符數，默認5000
    • start_index：字符索引開始提取內容，默認0
    • raw：獲取未經MarkDown轉換的原始內容，默認false
{"mcpServers": {"playwright": {"command": "npx.cmd","args": ["@playwright/mcp@latest"]},"nacos-mcp-router": {"command": "docker","args": ["run","-i","--rm","--network","host","-e","NACOS_ADDR=localhost:8848","-e","NACOS_USERNAME=nacos","-e","NACOS_PASSWORD=nacos","-e","TRANSPORT_TYPE=stdio","nacos/nacos-mcp-router:latest"]},"amap-maps": {"command": "npx","args": ["-y","@amap/amap-maps-mcp-server"],"env": {"AMAP_MAPS_API_KEY": ""}},"mysql": {"command": "npx","args": ["mysql-mcp-server"],"env": {"MYSQL_HOST": "127.0.0.1","MYSQL_PORT": "3306","MYSQL_USER": "root","MYSQL_PASSWORD": "root","MYSQL_DB": "demo"}},"excel": {"command": "npx","args": ["--yes","@zhiweixu/excel-mcp-server"],"env": {"fileAbsolutePath": "D:\data\excel"}},"12306-mcp": {"command": "npx","args": ["-y","12306-mcp"]},"word-document-server": {"command": "uvx","args": ["--from","office-word-mcp-server","word_mcp_server"]},"fetch": {"command": "uvx","args": ["mcp-server-fetch"]},"mcp-server-chart": {"command": "npx.cmd","args": ["-y","@antv/mcp-server-chart"]}}
}

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/web/92518.shtml
繁體地址，請注明出處：http://hk.pswp.cn/web/92518.shtml
英文地址，請注明出處：http://en.pswp.cn/web/92518.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

ELK常見的問題

ELK常見的問題

ELK 棧在使用過程中會遇到各種問題&#xff0c;以下是常見問題分類及解決方案&#xff0c;涵蓋 ?Elasticsearch、Logstash、Kibana 和 Beats&#xff08;如 Filebeat&#xff09;?? 四大組件&#xff1a; &#x1f6a8; ?一、連接與通信問題? 1. ?Elasticsearch 拒絕連接…
閱讀更多...
物理AI與人形機器人：從實驗室到產業化的關鍵跨越

物理AI與人形機器人：從實驗室到產業化的關鍵跨越

2025年8月9日&#xff0c;北京——世界機器人大會&#xff08;WRC&#xff09;的開幕成為物理AI與機器人技術發展的集中展示場。英偉達在大會預告中首次提出“物理AI將重塑50萬億美元市場”的論斷&#xff0c;涵蓋工業制造、醫療、低空經濟等領域。與此同時&#xff0c;宇樹科技…
閱讀更多...
使用 Vuepress + GitHub Pages 搭建項目文檔（2）- 使用 GitHub Actions 工作流自動部署

使用 Vuepress + GitHub Pages 搭建項目文檔（2）- 使用 GitHub Actions 工作流自動部署

在上一篇文章中&#xff0c;我們已經成功用 VuePress 搭建了項目文檔&#xff0c;并使用 sh 腳本部署到了 GitHub Pages。 但隨著文檔的更新頻率增加&#xff0c;每次都要手動推送&#xff0c;那有沒有不需要手動推送的方法呢&#xff1f;那必須有。 這次我們將用 GitHub Actio…
閱讀更多...
Python爬蟲實戰：研究PSpider框架，構建電商數據采集和分析系統

Python爬蟲實戰：研究PSpider框架，構建電商數據采集和分析系統

一、引言 1.1 研究背景 在大數據時代，數據已成為驅動科技創新、商業決策和社會發展的核心資源。據 IDC 預測，全球數據量將從 2020 年的 64ZB 增長至 2025 年的 175ZB，其中互聯網公開數據占比超過 60%。如何從海量網絡信息中高效、精準地提取有價值的數據，成為學術界和工業…
閱讀更多...
劍指offer第2版：動態規劃+記憶化搜索

劍指offer第2版：動態規劃+記憶化搜索

前三題是同一種模型&#xff0c;所以我分別用遞推、記憶化、動歸來做 一、p74-JZ10 斐波那契數列 斐波那契數列_牛客題霸_牛客網 class Solution { public:int Fibonacci(int n) {// write code hereif(n1||n2) return 1;int a1,b1,c1;while(n>2){cab;ab;bc;--n;}return c…
閱讀更多...
Unity 調節 Rigidbody2D 響應速度的解決方案【資料】

Unity 調節 Rigidbody2D 響應速度的解決方案【資料】

可以通過多種方式調節 Unity 中 Rigidbody2D 的響應速度&#xff0c;包括降低物理更新頻率、屏蔽過小值以及優化物理參數。以下是幾種有效的實現方法&#xff1a;1. 降低物理更新頻率&#xff08;不推薦直接修改&#xff09;雖然可以修改 Time.fixedDeltaTime 來降低物理更新頻…
閱讀更多...
力扣-189.輪轉數組

力扣-189.輪轉數組

題目鏈接 189.輪轉數組 class Solution {public void reverse(int[] nums, int i, int j) {while (i < j && i > 0 && j < nums.length) {int temp nums[i];nums[i] nums[j];nums[j] temp;i;j--;}}public void rotate(int[] nums, int k) {k k …
閱讀更多...
Linux命令行安裝Climate Data Operators（CDO）的方法

Linux命令行安裝Climate Data Operators（CDO）的方法

本文介紹在Linux操作系統的發行版本Ubuntu中&#xff0c;基于命令行&#xff0c;配置Climate Data Operators&#xff08;CDO&#xff09;這個用于操作、分析氣候及其他相關數據的命令行工具的方法。 最近&#xff0c;需要對一批.nc格式文件加以處理&#xff1b;在之前&#xf…
閱讀更多...
如何為您的服務器選擇正確的 PHP 版本

如何為您的服務器選擇正確的 PHP 版本

PHP作為最流行的服務器端腳本語言之一&#xff0c;持續演進并定期發布新版本。為您的服務器選擇正確的PHP版本對于網站性能、安全性和功能兼容性至關重要。本文將指導您如何做出明智的選擇。了解PHP版本的生命周期在選擇PHP版本前&#xff0c;首先需要了解PHP的版本支持政策&am…
閱讀更多...
從0開始的中后臺管理系統-5（userList動態展示以及上傳圖片和彈出創建用戶表單）

從0開始的中后臺管理系統-5（userList動態展示以及上傳圖片和彈出創建用戶表單）

項目用的都是antd組件&#xff0c;這里的userList組件展示的表單組件的數據直接get請求拿過來展示的&#xff0c;這里隨機生成了50個用戶只是為了展示表單的api設置。首先就是表單展示需要兩個參數current和pageSize兩個屬性控制表單的最大分頁和當前頁面。那么我們就設置初始值…
閱讀更多...
Spring MVC REST API設計詳解：從零構建高效接口

Spring MVC REST API設計詳解：從零構建高效接口

1. Spring MVC與REST API基礎1.1 RESTful架構的六大約束詳解RESTful架構是Roy Thomas Fielding在2000年博士論文中提出的軟件架構風格&#xff0c;它包含六個核心約束&#xff0c;這些約束共同構成了RESTful API的設計原則。客戶端-服務器約束&#xff08;Client-Server&#x…
閱讀更多...
基于STM32F030C8T6單片機實現與CH224Q誘騙芯片的I2C通信和電壓輸出配置

基于STM32F030C8T6單片機實現與CH224Q誘騙芯片的I2C通信和電壓輸出配置

基于項目的需要，對STM32F030的IIC研究了幾天，終于完成了通信，接下來具體實現如下： 本單片機使用的是PB8和PB9管腳進行實現，采用的是模擬的IIC進行 void MyI2C_W_SCL(uint8_t BitValue)//這三個函數將讀寫io口封裝起來，增強可讀性 { GPIO_WriteBit(GPIOB, GPIO_Pin_8…
閱讀更多...
TSMaster-C小程序使用

TSMaster-C小程序使用

打開同星的TSMaster&#xff0c;推薦用32版本的&#xff0c;比64更穩定。同星的TSMaster的C小程序支持用戶嵌入代碼來控制CAN報文的收發邏輯。便于開發。點擊設計里面的C小程序。 比如我現在想用小程序來實現繼電器0先開后關開1s關1s&#xff0c;然后繼電器1開1s關1s…如此往復…
閱讀更多...
XSS滲透測試原理/步驟/攻擊方法/防御/常用語法

XSS滲透測試原理/步驟/攻擊方法/防御/常用語法

**核心概念回顧&#xff1a;**XSS漏洞一直被評估為web漏洞中危害較大的漏洞&#xff0c;在OWASP TOP10的排名中一直屬于前三的江湖地位。XSS是一種發生在前端瀏覽器端的漏洞&#xff0c;所以其危害的對象也是前端用戶。 形成XSS漏洞的主要原因是程序對輸入和輸出沒有做合適的處…
閱讀更多...
目標檢測數據集 - 自動駕駛場景道路異常檢測數據集下載「包含VOC、COCO、YOLO三種格式」

目標檢測數據集 - 自動駕駛場景道路異常檢測數據集下載「包含VOC、COCO、YOLO三種格式」

數據集介紹&#xff1a;自動駕駛場景道路異常檢測數據集&#xff0c;真實場景高質量道路圖片數據&#xff0c;涉及場景豐富&#xff0c;且類別豐富&#xff0c;劃分為 "LMVs 輕型機動車&#xff08;汽車、摩托車、小型卡車、小型貨車"、"HMVs 公交車、卡車、拖拉…
閱讀更多...
多模態新方向|從數據融合到場景落地，解鎖視覺感知新范式

多模態新方向|從數據融合到場景落地，解鎖視覺感知新范式

來gongzhonghao【圖靈學術計算機論文輔導】&#xff0c;快速拿捏更多計算機SCI/CCF發文資訊&#xff5e;多模態學習&#xff08;Multimodal Learning&#xff09;是通過整合多種數據模態來提升模型對復雜場景感知與理解能力的技術&#xff0c;其核心是利用不同模態的互補性突破…
閱讀更多...
機器學習之隨機森林

機器學習之隨機森林

目錄 一、什么是隨機森林&#xff1f; 1. 從決策樹到集成學習&#xff1a;為什么需要 "森林"&#xff1f; 2.什么是集成學習 二、隨機森林的工作原理 三、隨機森林構造過程 四、隨機森林api介紹 五、隨機森林的優缺點 六、垃圾郵件判斷案例 1.數據集介紹 ?…
閱讀更多...
云平臺運維工具 —— 阿里云原生工具

云平臺運維工具 —— 阿里云原生工具

一、簡介阿里云作為國內領先的云服務提供商&#xff0c;擁有一套完整的原生運維工具體系&#xff0c;這些工具與阿里云的各類服務深度融合&#xff0c;能夠滿足用戶在資源部署、監控告警、權限管理、自動化運維等方面的需求。無論是簡單的應用托管還是復雜的企業級架構&#xf…
閱讀更多...
Linux-Day10.系統安全保護web服務管理

Linux-Day10.系統安全保護web服務管理

今日目標&#xff1a;- 日志管理- 系統安全保護 SELinux&#xff08;重點&#xff09;- 構建基本web服務&#xff08;重點&#xff09;環境準備還原快照網絡配置完成&#xff0c;開啟虛擬機A與虛擬機B用真機連通虛擬機去操作&#xff0c;準本好Xshell一、常用的網絡工具ip命令1…
閱讀更多...
解決：開啟魔法后vscode pip命令不能安裝中科大python鏡像問題

解決：開啟魔法后vscode pip命令不能安裝中科大python鏡像問題

閑言少敘&#xff0c;最終實現效果就是在開啟魔法情況下&#xff0c;vscode命令行任何能通過中科大python鏡像安裝第三方庫&#xff0c;又快又不消耗魔法流量。簡單來說就兩步&#x1f447;&#xff1a; 第一步&#xff1a;配置 pip.ini 中的代理 找到或創建 pip.ini 文件&…
閱讀更多...
最新文章

Copyright @ 2022~2023