- 【三桥君】MCP中台,究竟如何实现多模型、多渠道、多环境的统一管控?如何以MCP为核心设计AI应用架构?
三桥君
《三桥君MCP落地方法论》《三桥君AI大模型落地方法论》#《三桥君AI产品方法论》人工智能AI产品经理MCPAPI三桥君系统架构llama
你好,我是✨三桥君✨本文介绍>>一、引言随着人工智能技术的快速发展,越来越多的企业开始引入大语言模型(LLM)以提升用户体验和运营效率。然而,如何高效、稳定地将这些AI能力落地到生产环境呢?传统的系统架构往往难以应对AI应用的高并发、低延迟和灵活扩展需求,因此,从整体架构角度设计AI应用架构显得尤为重要。本文三桥君将深入探讨以MCP为核心的AI应用架构,并分析多种部署方式的优劣势,为企业在AI落地
- VideoChat:开源的数字人实时对话系统,支持自定义数字人的形象和音色
蚝油菜花
每日AI项目与应用实例人工智能开源TTS语音识别
❤️如果你也关注大模型与AI的发展现状,且对大模型应用开发非常感兴趣,我会快速跟你分享最新的感兴趣的AI应用和热点信息,也会不定期分享自己的想法和开源实例,欢迎关注我哦!微信公众号|搜一搜:蚝油菜花快速阅读VideoChat是一款开源的实时数字人对话系统,支持语音输入和实时对话功能,首包延迟低至3秒。用户可以根据需要自定义数字人的形象和音色,实现个性化交互。VideoChat支持ASR-LLM-T
- 使用中转API在Python中调用大型语言模型 (LLM) 的实践**
qq_37836323
python语言模型开发语言
**在人工智能技术中,大型语言模型(LLM)已成为自然语言处理(NLP)和生成任务的重要工具。然而,由于网络限制,直接访问OpenAI的API在中国可能面临挑战。因此,本文将介绍如何使用中转API地址http://api.wlai.vip来调用LLM,并提供相关的demo代码。什么是大型语言模型(LLM)?大型语言模型是一种深度学习模型,训练于大量文本数据上,能够生成、总结、翻译和回答问题等。Op
- 大模型【进阶】(四)QWen模型架构的解读
ReinaXue
人工智能transformer语言模型迁移学习AudioLM语音识别神经网络
一、Qwen大模型的背景Qwen(通义千问)是阿里巴巴云开发的大型语言模型(LLM)和多模态模型系列,旨在提供强大的自然语言理解、文本生成、图像理解、音频处理及工具使用能力。Qwen系列包括Qwen、Qwen1.5、Qwen2、Qwen2.5和Qwen3等版本,涵盖了从小型(0.5B参数)到超大型(480B参数)的模型规模,支持多语言(119种语言)和多模态任务(文本、图像、音频、视频)。本文将重
- AI+MCP智能研判系统架构
AI+MCP智能研判系统架构1.系统概述1.1核心理念AI+MCP智能研判系统是一个创新的网络安全分析平台,通过将大语言模型(LLM)的智能理解能力与MCP(ModelContextProtocol)协议的标准化工具调用能力相结合,实现了"自然语言提问→AI智能理解→MCP工具调用→AI深度研判→智能结果输出"的完整闭环。1.2技术创新点智能意图识别:基于LLM的自然语言理解,自动解析用户查询意图
- 优化提示内容生成技术框架:提示工程架构师的坚实后盾
优化提示内容生成技术框架:提示工程架构师的坚实后盾引言背景:大语言模型时代的“提示瓶颈”当GPT-4、Claude3、Gemini等大语言模型(LLM)的参数规模突破万亿、上下文窗口扩展至百万token时,一个矛盾逐渐凸显:模型能力的跃升与提示质量的滞后,正在成为制约AI应用落地的核心瓶颈。2023年斯坦福大学的研究显示,在企业级LLM应用中,70%的功能故障源于提示设计缺陷——或因指令模糊导致输
- 从0搭建到持续优化:提示工程架构师的评估体系迭代全流程
从0搭建到持续优化:提示工程架构师的评估体系迭代全流程引言:AI时代的关键角色与评估挑战在人工智能技术迅猛发展的今天,提示工程(PromptEngineering)已从一个小众技能演变为决定AI系统成败的核心能力。随着大语言模型(LLM)能力的不断增强,提示工程架构师(PromptEngineeringArchitect)作为一个新兴职业应运而生,成为连接业务需求与AI能力的关键桥梁。为什么提示工
- !LangChain代理决策架构与源码深度剖析(75)
LangChain代理决策架构与源码深度剖析一、LangChain代理决策架构概述1.1代理决策架构的核心组件LangChain代理的决策架构是其智能交互的核心,主要由大语言模型(LLM)、工具集(Tools)、提示模板(PromptTemplate)、规划器(Planner)、执行器(Executor)和反馈机制六大组件构成。这些组件通过协同工作,实现从用户输入解析到最终结果输出的完整决策流程。
- Crome:因果鲁棒奖励建模框架——破解LLM对齐中的奖励黑客难题
大千AI助手
人工智能#OTHERPython人工智能深度学习神经网络大模型因果推断奖励黑客RewardHacking
Crome(CausalRobustRewardModeling)是由GoogleDeepMind联合麦吉尔大学和魁北克人工智能研究所(MILA)于2025年提出的创新框架,旨在解决大语言模型(LLM)对齐中奖励模型(RM)的奖励黑客(RewardHacking)问题。该框架通过因果数据增强与反事实训练机制,显著提升RM对真实质量属性(如事实性、安全性)的敏感性,同时抑制对虚假属性(如文本长度、格
- 【大模型LLM学习】function call/agent学习记录
威化饼的一隅
大模型LLM学习agentlangchain意图识别functioncall工具调用
【大模型LLM学习】functioncall/agent学习记录0前言1langchain实现functioncall2调用本地模型3微调本地模型3.1few-shot调用Claude生成Q-A对3.2tools格式3.3agent微调格式3.4swift微调p.s.0前言 记录一下使用langchain做简单的functioncall/agent(或者说意图识别,如果函数有返回值再进行summ
- 提示工程监控不到位:5个未做日志记录导致的排查困难
提示工程监控不到位:5个未做日志记录导致的排查困难关键词:提示工程,日志记录,LLM应用调试,AI监控,排查困难,提示模板,上下文追踪摘要:在大语言模型(LLM)应用爆发的时代,提示工程已成为连接人类需求与AI能力的核心桥梁。但多数开发者聚焦于"如何写好提示",却忽视了"如何记录提示"——日志记录作为提示工程的"黑匣子",直接决定了AI应用故障排查的效率与准确性。本文通过5个真实场景案例,深入浅出
- 提示工程中的上下文窗口优化:架构师提升模型记忆的关键
AI实战架构笔记
ai
提示工程中的上下文窗口优化:架构师提升模型记忆的关键元数据标题:提示工程中的上下文窗口优化:架构师提升模型记忆的关键策略与实践指南关键词:上下文窗口管理、提示工程架构、大型语言模型优化、注意力机制效率、长序列处理、记忆增强技术、动态上下文规划摘要:在大型语言模型(LLM)应用中,上下文窗口是连接模型能力与实际需求的关键桥梁。本文从架构师视角,系统探讨上下文窗口优化的理论基础、设计原则与实施策略。通
- 「实战指南」使用 Python 调用大模型(LLM)
用什么都重名
大模型相关pythonLLM大模型api调用
目录前言1.原生HTTP请求方式1.1核心特点1.2关键代码分析1.3优势和适用场景1.4完整代码2.封装式API调用2.1核心特点2.2关键代码分析2.3优势和适用场景2.4完整代码3.OpenAISDK方式3.1核心特点3.2关键代码分析3.3优势和适用场景3.4完整代码4.传统OpenAI库方式4.1核心特点4.2关键代码分析4.3优势和适用场景4.4完整代码5.对比分析总结前言随着大语言模
- 实践篇:构建基于LLM与本地Pandas的混合式数据分析引擎
超人阿亚
pandas数据分析数据挖掘
公众号:dify实验室基于LLMOps平台-Dify的一站式学习平台。包含不限于:Dify工作流案例、DSL文件分享、模型接入、Dify交流讨论等各类资源分享。在上一篇《思路探索:当大型语言模型遇见数据分析的现实挑战》中,我们阐述了团队确立的技术路线:利用大型语言模型(LLM)作为自然语言到代码的“翻译器”,并结合PythonPandas库作为后端的高性能“计算核心”。本文将从工程实践的角度,详细
- 2024智能交通趋势:提示工程架构师用AI提示词引领技术变革
AIGC应用创新大全
人工智能ai
2024智能交通趋势:提示工程架构师用AI提示词引领技术变革副标题:从自动驾驶决策到城市交通大脑——大语言模型提示工程实战指南摘要/引言问题陈述:智能交通系统正面临前所未有的复杂性挑战——自动驾驶车辆需要实时处理多源异构数据,城市交通管理需平衡效率与安全,出行服务平台要满足个性化需求。传统AI开发模式依赖大量标注数据和专业领域知识,导致系统迭代缓慢、场景适应性差。当大语言模型(LLM)成为通用人工
- Java中的模型API、RAG与向量数据库:构建智能应用的新范式
张道宁
人工智能
引言在当今人工智能迅猛发展的时代,Java开发者如何利用最新的AI技术构建智能应用?本文将深入探讨模型API、检索增强生成(RAG)和向量数据库这三种关键技术,以及它们如何协同工作来提升Java应用的智能化水平。一、模型API:Java中的AI能力接入1.1什么是模型API模型API是大型语言模型(LLM)提供的编程接口,允许开发者通过HTTP请求与AI模型交互。在Java生态中,我们可以通过多种
- 大模型 MCP:开启 AI 与现实世界的无缝交互革命
u013250861
LLM人工智能交互microsoft
前言MCP无疑是当前最受关注的前沿技术之一,无论是在公司内部还是外部,都引起了广泛的讨论与实践。作为一名互联网从业者,笔者自然不愿错过这一科技浪潮。本篇文章分享笔者最近的一些实践经验和心得,希望能抛砖引玉。WHAT:什么是MCP?MCP(ModelContextProtocol,模型上下文协议)是由Anthropic推出的开源协议,旨在实现大型语言模型(LLM)与外部数据源和工具的无缝集成,用来在
- 揭秘Transformer架构:残差流与隐藏层的关系
ZhangJiQun&MXP
教学2024大模型以及算力2021AIpythontransformer深度学习人工智能linux算法
在Transformer架构的LLM中,“残差流”(residualstream)和“隐藏层”(hiddenlayers)是密切相关但不同的概念,前者是层间流动的核心数据,后者是处理这些数据的结构单元。1.残差流(ResidualStream):层间传递的“信息流”残差流指的是在Transformer层之间传递的核心张量,它是模型中“流动”的数据载体。其本质是通过“残差连接”(residualco
- 神经架构搜索革命:从动态搜索到高性能LLM的蜕变之路
本文将揭示如何通过神经架构搜索技术(NAS)自动发现最优网络结构,并将搜索结果转化为新一代高性能大型语言模型的核心技术。我们的实验证明,该方法在同等计算资源下可实现80%的性能飞跃!第一部分:神经架构搜索引擎的实现奥秘1.动态操作熔炉架构classMaxStateSuper(nn.Module):def__init__(self,dim_size,heads):#定义5种候选操作self.ops=
- 大模型服务架构设计与性能优化指南
陈乔布斯
人工智能大模型AI性能优化人工智能Python大模型AI模型服务
引言在大模型应用开发中,模型服务作为核心组件,负责提供高效、稳定的模型推理能力。随着大语言模型(LLM)的快速发展,模型服务架构面临着性能、可扩展性和成本的多重挑战。本文将深入探讨模型服务的核心组件、架构设计、性能优化技术,并结合电商、金融科技等合规行业案例,为开发者提供全面的模型服务设计指南。一、模型服务核心组件1.1推理引擎推理引擎是模型服务的核心,负责执行模型推理计算。目前主流的推理引擎包括
- Dify 本地化部署深度解析与实战指南
逻极
difyAI开源模型DifyAI人工智能工作流AgentAI编程AI实战
Dify本地化部署深度解析与实战指南引言Dify是一个开源的低代码/无代码AI应用开发平台,旨在帮助用户快速构建和部署基于大型语言模型(LLM)和自主代理的AI应用。Dify的本地化部署允许用户在本地机器或服务器上运行平台,提供更高的数据隐私、成本控制和离线功能。本文将深入探讨Dify的本地化部署方法,包括DockerCompose和源代码部署,结合系统要求、实战步骤和最佳实践,为用户提供逻辑清晰
- LLM微调训练指南
小小怪 @
人工智能自然语言处理
模型选择策略开源LLM的选择需综合评估任务需求与资源限制:LLaMA-2(7B/13B/70B):商用友好,推荐使用HuggingFace格式的社区变体(如NousResearch版本)Mistral(7B):Apache2.0许可,在推理和数学任务表现突出Falcon(7B/40B):商业授权宽松,特别适合多轮对话场景硬件匹配参考:NVIDIA3090可微调7B模型(QLoRA),A100建议尝
- AI应用 | 【AI+工业】LLM(大型语言模型)在工业领域中的十个应用
我爱学大模型
人工智能自然语言处理ai大模型机器学习LLM大语言模型AI工业
随着时间的推移,LLM(大型语言模型)的特性和能力逐渐为人们所熟知。它们展现了无与伦比的人类语言理解、出色的文本生成能力以及友好的对话指令跟随倾向。而像GPT-4和Claude等更为强大的LLM则展现出了对现实世界因果关系的深刻理解。据报道,GPT-4甚至采用了八个与GPT-3.5规模相当的LLM,通过混合专家(MoE)的方式进行配置。尽管LLM在某些方面存在限制,如在过多上下文的情况下可能产生事
- 大语言模型 LLM 通过 Excel 知识库 增强日志分析,根因分析能力的技术方案(1):总体介绍
shiter
人工智能系统解决方案与技术架构语言模型excel人工智能
文章大纲1.核心目标2.系统总体架构3.GoogleCloud端到端方案(含无RAG&RAG双模式)3.1无RAG:Function-Calling查表模式3.2RAG:托管式向量检索4.开源轻量级方案5.数字孪生联合验证(实验性)6.知识图谱增强(Neo4j)7.监控与持续优化(CometLLM)8.实施路线图(4~10周)9.典型案例速览10.一键复现仓库11.参考文献1.核心目标让LLM在“
- RAG面试内容整理-1. 检索增强生成(RAG)概述与意义
不务正业的猿
面试AI面试RAG人工智能算法大模型检索
检索增强生成(Retrieval-AugmentedGeneration,RAG)是一种将大语言模型与外部知识库相结合的生成式AI架构。传统的大型预训练语言模型(LLM)容易受到训练语料限制,面对超出其知识范围或需要最新信息的查询时可能产生“幻觉”。RAG通过在生成答案前检索相关文档片段,引入新鲜、可信的知识,从而提升回答的准确性和时效性。RAG系统包含两个核心组件:检索器(Retriever)和
- 集成Tavily Search API以提升AI应用的实时检索能力
dgay_hua
人工智能python开发语言
技术背景介绍在AI开发中,尤其是处理大型语言模型(LLM)时,实时、准确的信息检索至关重要。TavilySearchAPI专为AI代理设计,提供高速、准确和事实性的搜索结果,是一个理想的选择。通过将其集成为retriever,可以显著增强信息获取的效率和准确性。核心原理解析TavilySearchAPI作为检索器,依托于其强大的互联网搜索能力,能够快速返回与查询相关的文档。其集成过程主要涉及环境配
- Prompt Engineering(提示词工程)基础了解
Fuly1024
LLMprompt
参考:https://blog.csdn.net/qq_56438555/article/details/1448865171.基础概念:提示词工程(promptEngineering)是指通过设计、优化输入给大语言模型的文本指令(即“提示词”),引导LLM输出我们期望的结果。让大模型在无需微调(Fine-tuning)的情况下,通过“更好的提问方式”完成复杂任务(开发潜力,不会的还是不会)。但是
- 9、LLaMA-Factory项目微调介绍
Andy_shenzl
大模型学习llamaLLaMAFactory微调大模型LoRA
1、LLaMAFactory介绍 LLaMAFactory是一个在GitHub上开源的项目,该项目给自身的定位是:提供一个易于使用的大语言模型(LLM)微调框架,支持LLaMA、Baichuan、Qwen、ChatGLM等架构的大模型。更细致的看,该项目提供了从预训练、指令微调到RLHF阶段的开源微调解决方案。截止目前(2024年3月1日)支持约120+种不同的模型和内置了60+的数据集,同时封
- AI原生应用领域函数调用的团队协作开发模式
AI算力网络与通信
AI-nativeai
AI原生应用领域函数调用的团队协作开发模式:从技术协同到组织进化引言背景:AI原生应用与函数调用的崛起2023年以来,以GPT-4为代表的大语言模型(LLM)推动了AI应用开发的范式转移——AI原生应用(AI-NativeApplication)成为新的开发热点。这类应用从设计之初就将AI能力深度融入核心逻辑,而非简单集成AI功能模块。与传统应用相比,AI原生应用的最大特点是**“动态决策”**:
- Deja Vu: 利用上下文稀疏性提升大语言模型推理效率
AI专题精讲
模型加速人工智能模型加速AI技术应用
温馨提示:本篇文章已同步至"AI专题精讲"DejaVu:利用上下文稀疏性提升大语言模型推理效率摘要拥有数百亿参数的大语言模型(LLMs)催生了一系列令人振奋的AI应用。然而,在推理阶段它们计算开销极大。稀疏化是一种自然的降本策略,但现有方法要么需要代价高昂的重新训练,要么必须放弃LLM的“in-contextlearning”能力,要么在现代硬件上无法带来真实的墙钟时间加速。我们提出**上下文稀疏
- JVM StackMapTable 属性的作用及理解
lijingyao8206
jvm字节码Class文件StackMapTable
在Java 6版本之后JVM引入了栈图(Stack Map Table)概念。为了提高验证过程的效率,在字节码规范中添加了Stack Map Table属性,以下简称栈图,其方法的code属性中存储了局部变量和操作数的类型验证以及字节码的偏移量。也就是一个method需要且仅对应一个Stack Map Table。在Java 7版
- 回调函数调用方法
百合不是茶
java
最近在看大神写的代码时,.发现其中使用了很多的回调 ,以前只是在学习的时候经常用到 ,现在写个笔记 记录一下
代码很简单:
MainDemo :调用方法 得到方法的返回结果
- [时间机器]制造时间机器需要一些材料
comsci
制造
根据我的计算和推测,要完全实现制造一台时间机器,需要某些我们这个世界不存在的物质
和材料...
甚至可以这样说,这种材料和物质,我们在反应堆中也无法获得......
 
- 开口埋怨不如闭口做事
邓集海
邓集海 做人 做事 工作
“开口埋怨,不如闭口做事。”不是名人名言,而是一个普通父亲对儿子的训导。但是,因为这句训导,这位普通父亲却造就了一个名人儿子。这位普通父亲造就的名人儿子,叫张明正。 张明正出身贫寒,读书时成绩差,常挨老师批评。高中毕业,张明正连普通大学的分数线都没上。高考成绩出来后,平时开口怨这怨那的张明正,不从自身找原因,而是不停地埋怨自己家庭条件不好、埋怨父母没有给他创造良好的学习环境。
- jQuery插件开发全解析,类级别与对象级别开发
IT独行者
jquery开发插件 函数
jQuery插件的开发包括两种: 一种是类级别的插件开发,即给
jQuery添加新的全局函数,相当于给
jQuery类本身添加方法。
jQuery的全局函数就是属于
jQuery命名空间的函数,另一种是对象级别的插件开发,即给
jQuery对象添加方法。下面就两种函数的开发做详细的说明。
1
、类级别的插件开发 类级别的插件开发最直接的理解就是给jQuer
- Rome解析Rss
413277409
Rome解析Rss
import java.net.URL;
import java.util.List;
import org.junit.Test;
import com.sun.syndication.feed.synd.SyndCategory;
import com.sun.syndication.feed.synd.S
- RSA加密解密
无量
加密解密rsa
RSA加密解密代码
代码有待整理
package com.tongbanjie.commons.util;
import java.security.Key;
import java.security.KeyFactory;
import java.security.KeyPair;
import java.security.KeyPairGenerat
- linux 软件安装遇到的问题
aichenglong
linux遇到的问题ftp
1 ftp配置中遇到的问题
500 OOPS: cannot change directory
出现该问题的原因:是SELinux安装机制的问题.只要disable SELinux就可以了
修改方法:1 修改/etc/selinux/config 中SELINUX=disabled
2 source /etc
- 面试心得
alafqq
面试
最近面试了好几家公司。记录下;
支付宝,面试我的人胖胖的,看着人挺好的;博彦外包的职位,面试失败;
阿里金融,面试官人也挺和善,只不过我让他吐血了。。。
由于印象比较深,记录下;
1,自我介绍
2,说下八种基本类型;(算上string。楼主才答了3种,哈哈,string其实不是基本类型,是引用类型)
3,什么是包装类,包装类的优点;
4,平时看过什么书?NND,什么书都没看过。。照样
- java的多态性探讨
百合不是茶
java
java的多态性是指main方法在调用属性的时候类可以对这一属性做出反应的情况
//package 1;
class A{
public void test(){
System.out.println("A");
}
}
class D extends A{
public void test(){
S
- 网络编程基础篇之JavaScript-学习笔记
bijian1013
JavaScript
1.documentWrite
<html>
<head>
<script language="JavaScript">
document.write("这是电脑网络学校");
document.close();
</script>
</h
- 探索JUnit4扩展:深入Rule
bijian1013
JUnitRule单元测试
本文将进一步探究Rule的应用,展示如何使用Rule来替代@BeforeClass,@AfterClass,@Before和@After的功能。
在上一篇中提到,可以使用Rule替代现有的大部分Runner扩展,而且也不提倡对Runner中的withBefores(),withAfte
- [CSS]CSS浮动十五条规则
bit1129
css
这些浮动规则,主要是参考CSS权威指南关于浮动规则的总结,然后添加一些简单的例子以验证和理解这些规则。
1. 所有的页面元素都可以浮动 2. 一个元素浮动后,会成为块级元素,比如<span>,a, strong等都会变成块级元素 3.一个元素左浮动,会向最近的块级父元素的左上角移动,直到浮动元素的左外边界碰到块级父元素的左内边界;如果这个块级父元素已经有浮动元素停靠了
- 【Kafka六】Kafka Producer和Consumer多Broker、多Partition场景
bit1129
partition
0.Kafka服务器配置
3个broker
1个topic,6个partition,副本因子是2
2个consumer,每个consumer三个线程并发读取
1. Producer
package kafka.examples.multibrokers.producers;
import java.util.Properties;
import java.util.
- zabbix_agentd.conf配置文件详解
ronin47
zabbix 配置文件
Aliaskey的别名,例如 Alias=ttlsa.userid:vfs.file.regexp[/etc/passwd,^ttlsa:.:([0-9]+),,,,\1], 或者ttlsa的用户ID。你可以使用key:vfs.file.regexp[/etc/passwd,^ttlsa:.: ([0-9]+),,,,\1],也可以使用ttlsa.userid。备注: 别名不能重复,但是可以有多个
- java--19.用矩阵求Fibonacci数列的第N项
bylijinnan
fibonacci
参考了网上的思路,写了个Java版的:
public class Fibonacci {
final static int[] A={1,1,1,0};
public static void main(String[] args) {
int n=7;
for(int i=0;i<=n;i++){
int f=fibonac
- Netty源码学习-LengthFieldBasedFrameDecoder
bylijinnan
javanetty
先看看LengthFieldBasedFrameDecoder的官方API
http://docs.jboss.org/netty/3.1/api/org/jboss/netty/handler/codec/frame/LengthFieldBasedFrameDecoder.html
API举例说明了LengthFieldBasedFrameDecoder的解析机制,如下:
实
- AES加密解密
chicony
加密解密
AES加解密算法,使用Base64做转码以及辅助加密:
package com.wintv.common;
import javax.crypto.Cipher;
import javax.crypto.spec.IvParameterSpec;
import javax.crypto.spec.SecretKeySpec;
import sun.misc.BASE64Decod
- 文件编码格式转换
ctrain
编码格式
package com.test;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
- mysql 在linux客户端插入数据中文乱码
daizj
mysql中文乱码
1、查看系统客户端,数据库,连接层的编码
查看方法: http://daizj.iteye.com/blog/2174993
进入mysql,通过如下命令查看数据库编码方式: mysql> show variables like 'character_set_%'; +--------------------------+------
- 好代码是廉价的代码
dcj3sjt126com
程序员读书
长久以来我一直主张:好代码是廉价的代码。
当我跟做开发的同事说出这话时,他们的第一反应是一种惊愕,然后是将近一个星期的嘲笑,把它当作一个笑话来讲。 当他们走近看我的表情、知道我是认真的时,才收敛一点。
当最初的惊愕消退后,他们会用一些这样的话来反驳: “好代码不廉价,好代码是采用经过数十年计算机科学研究和积累得出的最佳实践设计模式和方法论建立起来的精心制作的程序代码。”
我只
- Android网络请求库——android-async-http
dcj3sjt126com
android
在iOS开发中有大名鼎鼎的ASIHttpRequest库,用来处理网络请求操作,今天要介绍的是一个在Android上同样强大的网络请求库android-async-http,目前非常火的应用Instagram和Pinterest的Android版就是用的这个网络请求库。这个网络请求库是基于Apache HttpClient库之上的一个异步网络请求处理库,网络处理均基于Android的非UI线程,通
- ORACLE 复习笔记之SQL语句的优化
eksliang
SQL优化Oracle sql语句优化SQL语句的优化
转载请出自出处:http://eksliang.iteye.com/blog/2097999
SQL语句的优化总结如下
sql语句的优化可以按照如下六个步骤进行:
合理使用索引
避免或者简化排序
消除对大表的扫描
避免复杂的通配符匹配
调整子查询的性能
EXISTS和IN运算符
下面我就按照上面这六个步骤分别进行总结:
- 浅析:Android 嵌套滑动机制(NestedScrolling)
gg163
android移动开发滑动机制嵌套
谷歌在发布安卓 Lollipop版本之后,为了更好的用户体验,Google为Android的滑动机制提供了NestedScrolling特性
NestedScrolling的特性可以体现在哪里呢?<!--[if !supportLineBreakNewLine]--><!--[endif]-->
比如你使用了Toolbar,下面一个ScrollView,向上滚
- 使用hovertree菜单作为后台导航
hvt
JavaScriptjquery.nethovertreeasp.net
hovertree是一个jquery菜单插件,官方网址:http://keleyi.com/jq/hovertree/ ,可以登录该网址体验效果。
0.1.3版本:http://keleyi.com/jq/hovertree/demo/demo.0.1.3.htm
hovertree插件包含文件:
http://keleyi.com/jq/hovertree/css
- SVG 教程 (二)矩形
天梯梦
svg
SVG <rect> SVG Shapes
SVG有一些预定义的形状元素,可被开发者使用和操作:
矩形 <rect>
圆形 <circle>
椭圆 <ellipse>
线 <line>
折线 <polyline>
多边形 <polygon>
路径 <path>
- 一个简单的队列
luyulong
java数据结构队列
public class MyQueue {
private long[] arr;
private int front;
private int end;
// 有效数据的大小
private int elements;
public MyQueue() {
arr = new long[10];
elements = 0;
front
- 基础数据结构和算法九:Binary Search Tree
sunwinner
Algorithm
A binary search tree (BST) is a binary tree where each node has a Comparable key (and an associated value) and satisfies the restriction that the key in any node is larger than the keys in all
- 项目出现的一些问题和体会
Steven-Walker
DAOWebservlet
第一篇博客不知道要写点什么,就先来点近阶段的感悟吧。
这几天学了servlet和数据库等知识,就参照老方的视频写了一个简单的增删改查的,完成了最简单的一些功能,使用了三层架构。
dao层完成的是对数据库具体的功能实现,service层调用了dao层的实现方法,具体对servlet提供支持。
&
- 高手问答:Java老A带你全面提升Java单兵作战能力!
ITeye管理员
java
本期特邀《Java特种兵》作者:谢宇,CSDN论坛ID: xieyuooo 针对JAVA问题给予大家解答,欢迎网友积极提问,与专家一起讨论!
作者简介:
淘宝网资深Java工程师,CSDN超人气博主,人称“胖哥”。
CSDN博客地址:
http://blog.csdn.net/xieyuooo
作者在进入大学前是一个不折不扣的计算机白痴,曾经被人笑话过不懂鼠标是什么,