- Qwen3 大模型实战:使用 vLLM 部署与函数调用(Function Call)全攻略
曦紫沐
大模型大模型部署Qwen3vLLM函数调用
文章摘要本文将带你从零开始,深入掌握如何使用Qwen3-8B大语言模型,结合vLLM进行高性能部署,并通过函数调用(FunctionCall)实现模型与外部工具的智能联动。我们将详细讲解部署命令、调用方式、代码示例及实际应用场景,帮助你快速构建基于Qwen3的智能应用。一、Qwen3简介与部署环境准备Qwen3是通义千问系列的最新一代大语言模型,具备强大的自然语言理解和生成能力,尤其在函数调用、工
- 【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
- ChatGPT还不能写小说吗?
刘若愚
最近,ChatGPT大热,据说可以写论文,编故事,好像无所不能。于是,我给它出了个题目:写一篇5万字的科幻小说。人物:刘若愚,化学家;刘子琪,大律师;仔仔,刘子琪的宠物猫;周金凝,医生;刘泽余,大侦探;赵政淇,程序猿;杰夫(Jeff)机器人它给我的回答是:我很抱歉,我是一个AI语言模型,无法写出如此长篇的小说。但我可以为您提供一些写作灵感和指导:确定故事背景和时间线:在科幻小说中,背景和时间线非常
- AI心理学四层架构揭秘:语言模型为何“说谎“?
TGITCIC
AI-大模型的落地之道语言模型人工智能自然语言处理大模型国产大模型大模型落地
第一章神经层:代码编织的"脑电图"1.1注意力权重的量子跃迁当Claude3.5Haiku处理"达拉斯所在州的首府"这类问题时,其注意力权重图谱呈现出量子跃迁特征。研究团队通过归因图技术捕捉到:在输入"达拉斯"的瞬间,模型内部Texas节点的激活强度达到87.6%,首府概念节点同步飙升至79.3%。这种非线性激活模式与人类大脑的默认模式网络惊人相似。模型层级激活时序决策路径可解释性神经层300ms
- BEYOND BINARY REWARDS: TRAINING LMS TOREASON ABOUT THEIR UNCERTAINTY
樱花的浪漫
大模型与智能体对抗生成网络与动作识别强化学习人工智能语言模型自然语言处理机器学习深度学习
https://gist.github.com/josherich/8a30dbf3d6ae0cae1048c3331f38fe80https://gist.github.com/josherich/8a30dbf3d6ae0cae1048c3331f38fe801引言与此担忧一致,研究表明,即使最初校准良好的大型语言模型(LLMs)在RL训练后也会变得过度自信(Lengetal.,2
- Gradient-Adaptive Policy Optimization:Towards Multi-Objective Alignment of Large Language Models
樱花的浪漫
大模型与智能体对抗生成网络与动作识别强化学习语言模型人工智能自然语言处理深度学习机器学习
2025.acl-long.549.pdfhttps://aclanthology.org/2025.acl-long.549.pdf1.概述大型语言模型(LLMs)(Anthropic,2023;OpenAI,2024)已经在广泛的实际应用中展示了显著的能力(Bubecketal.,2023),包括内容创作(Yuanetal.,2022)、编程辅助(Chenetal.,2021;Gaoetal.
- Uncovering Bias in Large Vision-Language Models at Scale with Counterfactuals
樱花的浪漫
因果推断大模型与智能体人工智能算法机器学习语言模型自然语言处理
UncoveringBiasinLargeVision-LanguageModelsatScalewithCounterfactuals-ACLAnthologyhttps://aclanthology.org/2025.naacl-long.305/1.概述最近,大型视觉-语言模型(LVLMs)因其能够将语言模型(LLMs)的对话能力扩展到多模态领域而受到欢迎。具体来说,LVLMs可以根据文本提
- Langchain学习笔记(十):文档加载与处理详解
注:本文是Langchain框架的学习笔记;不是教程!不是教程!内容可能有所疏漏,欢迎交流指正。后续将持续更新学习笔记,分享我的学习心得和实践经验。前言在构建基于大语言模型的应用时,文档处理是一个至关重要的环节。无论是构建RAG(检索增强生成)系统,还是进行知识库问答,我们都需要将各种格式的文档转换为模型可以理解和处理的形式。Langchain提供了强大的文档加载和处理功能,支持多种文件格式,并提
- BGE-M3模型结合Milvus向量数据库强强联合实现混合检索
在基于生成式人工智能的应用开发中,通过关键词或语义匹配的方式对用户提问意图进行识别是一个很重要的步骤,因为识别的精准与否会影响后续大语言模型能否检索出合适的内容作为推理的上下文信息(或选择合适的工具)以给出用户最符合预期的回答。在本篇文章中,我将尽可能详细地介绍想达成准确识别用户提问意图的解决方案之一,即基于功能强大的BGE-M3模型和Milvus向量数据库实现混合检索(稠密向量densevect
- 构建高效 RAG 流程的七个关键点及其落地实践
charles666666
搜索引擎大数据需求分析交互笔记数据库
人工智能应用浪潮中,检索增强生成(RAG)技术凭借着结合大型语言模型(LLMs)的生成能力和信息检索系统的独特优势,成为了各企业挖掘数据价值、提升业务智能化水平的关键手段之一。然而,构建一个高效且精准的RAG流程并非易事,其中存在着诸多关键点和挑战。作为一名非资深IT技术顾问,我将基于丰富的实战经验,为大家深入剖析构建高效RAG流程的七个关键点及其落地实践。一、文档解析:混合格式的“第一道坎”在企
- 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
- 2025年最新五大顶级大模型技术对比分析报告
it_czz
人工智能
2025年最新五大顶级大模型技术对比分析报告执行摘要本报告基于2025年最新数据,深度分析当前最顶尖的5个已发布大语言模型:KimiK2(月之暗面)、Claude3.5Sonnet、GPT-4o、Gemini2.5Pro、DeepSeekR1,从技术架构、成本效益、性能表现、适配场景等多个维度进行全面对比。核心发现KimiK2:中文优化最强,超长上下文处理能力突出,本土化程度最高Claude3.5
- 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
- LIMO:仅需817样本激活大模型数学推理能力,挑战“数据规模至上”传统范式
大千AI助手
人工智能#OTHER#Prompt人工智能机器学习神经网络算法大模型LIMOLessIsMore
“以认知模板唤醒沉睡知识,让推理能力在精不在多”LIMO是由上海交通大学、SII(ShanghaiArtificialIntelligenceLaboratory)、GAIRLab联合提出的突破性研究(2025年2月发表),其核心颠覆了传统AI领域“复杂推理需海量训练数据”的认知,证明仅用817个高质量样本即可激发大语言模型(LLMs)的数学推理能力,在AIME、MATH等竞赛级任务中超越使用10
- 【Ollama】大模型本地部署与 Java 项目调用指南
科马
LLMjava开发语言llama语言模型
Ollama大模型本地部署与Java项目调用指南一、引言背景介绍Ollama是一个轻量级的大语言模型部署工具,支持快速在本地拉取、运行主流开源模型(如LLaMA3、Mistral、Gemma等)。它简化了模型部署的过程,内置RESTfulAPI,使得开发者可以像调用本地服务一样使用强大的大模型能力。本文将介绍如何在本地部署Ollama模型,并通过Java项目调用Ollama提供的API接口,实现本
- 人机协作革命:AI原生应用的商业化路径探索
AGI大模型与大数据研究院
AI-nativeai
人机协作革命:AI原生应用的商业化路径探索关键词:AI原生应用、人机协作、商业化路径、智能代理、大语言模型、AI产品设计、价值闭环摘要:本文深入探讨AI原生应用在商业化过程中的关键路径和挑战。我们将从技术架构、产品设计和商业模式三个维度,分析如何构建可持续的AI商业生态。通过解析智能代理系统、价值闭环设计等核心概念,结合多个行业案例,为开发者提供从技术实现到商业变现的全链路思考框架。背景介绍目的和
- DesktopCommanderMCP:深度部署与使用指南
皓月照山川
AI人工智能人工智能自动化运维windows
DesktopCommanderMCP:深度部署与使用指南引言DesktopCommanderMCP是一个强大的本地化模型上下文协议(ModelContextProtocol,MCP)服务器,它通过为大型语言模型(如Claude)提供与其桌面环境直接交互的能力,极大地扩展了AI助手的应用边界。它允许模型执行终端命令、管理文件系统、控制进程,从而实现从代码编写、项目构建到系统管理的端到端自动化工作流
- 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
- 思路探索:当大型语言模型遇见数据分析的现实挑战
大家好,我是dify实验室的阿亚。近期,我们团队启动了一项旨在简化数据分析流程的探索性项目。我们的目标是构建一个能够通过自然语言进行交互的数据分析工具,让业务人员无需编写复杂的查询语句,仅通过提问即可获取数据洞察。然而,在将这一构想付诸实践的过程中,我们遇到了一系列预料之外的挑战。本文旨在记录我们的探索路径与思考沉淀。一、第一阶段探索:直接利用大模型进行数据分析项目初期,我们最直接的设想是利用大型
- 字节跳动Coze Studio开源了!架构解析
GISer_Jinger
中大厂面试项目开源架构前端javascript
CozeStudio是字节跳动推出的一款AI应用开发平台,专注于帮助开发者快速构建、测试和部署基于大语言模型的智能应用。其整体架构围绕“低代码开发AI应用”的核心目标设计,融合了模型能力、工具集成、流程编排和多端部署等功能。以下是其整体架构的详细解析:1.前端交互层(UILayer)核心功能:提供可视化操作界面,是开发者与平台交互的入口,聚焦于低代码开发体验。主要组件:应用编辑器:支持拖拽式流程编
- 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
- 详细指南:如何使用WildCard升级到ChatGPT 4.0
扑扑特桔
chatgptAIGCChatGPTChatGPTplusopenai
1.了解ChatGPT自从ChatGPT3.5发布以来,它便吸引了无数人的注意。今天我们要聊的,是它的继任者——ChatGPT-4.0。1.1什么是ChatGPT-4.0?ChatGPT-4.0是由OpenAI研发的一款先进的人工智能语言模型。相比于其前任,它在自然语言的理解和生成上,有了更进一步的提升。想象一下,这个模型能更流畅地对话,理解复杂问题,并且在执行各种任务时都能提供更精准的答案。从信
- ASM系列五 利用TreeApi 解析生成Class
lijingyao8206
ASM字节码动态生成ClassNodeTreeAPI
前面CoreApi的介绍部分基本涵盖了ASMCore包下面的主要API及功能,其中还有一部分关于MetaData的解析和生成就不再赘述。这篇开始介绍ASM另一部分主要的Api。TreeApi。这一部分源码是关联的asm-tree-5.0.4的版本。
在介绍前,先要知道一点, Tree工程的接口基本可以完
- 链表树——复合数据结构应用实例
bardo
数据结构树型结构表结构设计链表菜单排序
我们清楚:数据库设计中,表结构设计的好坏,直接影响程序的复杂度。所以,本文就无限级分类(目录)树与链表的复合在表设计中的应用进行探讨。当然,什么是树,什么是链表,这里不作介绍。有兴趣可以去看相关的教材。
需求简介:
经常遇到这样的需求,我们希望能将保存在数据库中的树结构能够按确定的顺序读出来。比如,多级菜单、组织结构、商品分类。更具体的,我们希望某个二级菜单在这一级别中就是第一个。虽然它是最后
- 为啥要用位运算代替取模呢
chenchao051
位运算哈希汇编
在hash中查找key的时候,经常会发现用&取代%,先看两段代码吧,
JDK6中的HashMap中的indexFor方法:
/**
* Returns index for hash code h.
*/
static int indexFor(int h, int length) {
- 最近的情况
麦田的设计者
生活感悟计划软考想
今天是2015年4月27号
整理一下最近的思绪以及要完成的任务
1、最近在驾校科目二练车,每周四天,练三周。其实做什么都要用心,追求合理的途径解决。为
- PHP去掉字符串中最后一个字符的方法
IT独行者
PHP字符串
今天在PHP项目开发中遇到一个需求,去掉字符串中的最后一个字符 原字符串1,2,3,4,5,6, 去掉最后一个字符",",最终结果为1,2,3,4,5,6 代码如下:
$str = "1,2,3,4,5,6,";
$newstr = substr($str,0,strlen($str)-1);
echo $newstr;
- hadoop在linux上单机安装过程
_wy_
linuxhadoop
1、安装JDK
jdk版本最好是1.6以上,可以使用执行命令java -version查看当前JAVA版本号,如果报命令不存在或版本比较低,则需要安装一个高版本的JDK,并在/etc/profile的文件末尾,根据本机JDK实际的安装位置加上以下几行:
export JAVA_HOME=/usr/java/jdk1.7.0_25  
- JAVA进阶----分布式事务的一种简单处理方法
无量
多系统交互分布式事务
每个方法都是原子操作:
提供第三方服务的系统,要同时提供执行方法和对应的回滚方法
A系统调用B,C,D系统完成分布式事务
=========执行开始========
A.aa();
try {
B.bb();
} catch(Exception e) {
A.rollbackAa();
}
try {
C.cc();
} catch(Excep
- 安墨移动广 告:移动DSP厚积薄发 引领未来广 告业发展命脉
矮蛋蛋
hadoop互联网
“谁掌握了强大的DSP技术,谁将引领未来的广 告行业发展命脉。”2014年,移动广 告行业的热点非移动DSP莫属。各个圈子都在纷纷谈论,认为移动DSP是行业突破点,一时间许多移动广 告联盟风起云涌,竞相推出专属移动DSP产品。
到底什么是移动DSP呢?
DSP(Demand-SidePlatform),就是需求方平台,为解决广 告主投放的各种需求,真正实现人群定位的精准广
- myelipse设置
alafqq
IP
在一个项目的完整的生命周期中,其维护费用,往往是其开发费用的数倍。因此项目的可维护性、可复用性是衡量一个项目好坏的关键。而注释则是可维护性中必不可少的一环。
注释模板导入步骤
安装方法:
打开eclipse/myeclipse
选择 window-->Preferences-->JAVA-->Code-->Code
- java数组
百合不是茶
java数组
java数组的 声明 创建 初始化; java支持C语言
数组中的每个数都有唯一的一个下标
一维数组的定义 声明: int[] a = new int[3];声明数组中有三个数int[3]
int[] a 中有三个数,下标从0开始,可以同过for来遍历数组中的数
- javascript读取表单数据
bijian1013
JavaScript
利用javascript读取表单数据,可以利用以下三种方法获取:
1、通过表单ID属性:var a = document.getElementByIdx_x_x("id");
2、通过表单名称属性:var b = document.getElementsByName("name");
3、直接通过表单名字获取:var c = form.content.
- 探索JUnit4扩展:使用Theory
bijian1013
javaJUnitTheory
理论机制(Theory)
一.为什么要引用理论机制(Theory)
当今软件开发中,测试驱动开发(TDD — Test-driven development)越发流行。为什么 TDD 会如此流行呢?因为它确实拥有很多优点,它允许开发人员通过简单的例子来指定和表明他们代码的行为意图。
TDD 的优点:
&nb
- [Spring Data Mongo一]Spring Mongo Template操作MongoDB
bit1129
template
什么是Spring Data Mongo
Spring Data MongoDB项目对访问MongoDB的Java客户端API进行了封装,这种封装类似于Spring封装Hibernate和JDBC而提供的HibernateTemplate和JDBCTemplate,主要能力包括
1. 封装客户端跟MongoDB的链接管理
2. 文档-对象映射,通过注解:@Document(collectio
- 【Kafka八】Zookeeper上关于Kafka的配置信息
bit1129
zookeeper
问题:
1. Kafka的哪些信息记录在Zookeeper中 2. Consumer Group消费的每个Partition的Offset信息存放在什么位置
3. Topic的每个Partition存放在哪个Broker上的信息存放在哪里
4. Producer跟Zookeeper究竟有没有关系?没有关系!!!
//consumers、config、brokers、cont
- java OOM内存异常的四种类型及异常与解决方案
ronin47
java OOM 内存异常
OOM异常的四种类型:
一: StackOverflowError :通常因为递归函数引起(死递归,递归太深)。-Xss 128k 一般够用。
二: out Of memory: PermGen Space:通常是动态类大多,比如web 服务器自动更新部署时引起。-Xmx
- java-实现链表反转-递归和非递归实现
bylijinnan
java
20120422更新:
对链表中部分节点进行反转操作,这些节点相隔k个:
0->1->2->3->4->5->6->7->8->9
k=2
8->1->6->3->4->5->2->7->0->9
注意1 3 5 7 9 位置是不变的。
解法:
将链表拆成两部分:
a.0-&
- Netty源码学习-DelimiterBasedFrameDecoder
bylijinnan
javanetty
看DelimiterBasedFrameDecoder的API,有举例:
接收到的ChannelBuffer如下:
+--------------+
| ABC\nDEF\r\n |
+--------------+
经过DelimiterBasedFrameDecoder(Delimiters.lineDelimiter())之后,得到:
+-----+----
- linux的一些命令 -查看cc攻击-网口ip统计等
hotsunshine
linux
Linux判断CC攻击命令详解
2011年12月23日 ⁄ 安全 ⁄ 暂无评论
查看所有80端口的连接数
netstat -nat|grep -i '80'|wc -l
对连接的IP按连接数量进行排序
netstat -ntu | awk '{print $5}' | cut -d: -f1 | sort | uniq -c | sort -n
查看TCP连接状态
n
- Spring获取SessionFactory
ctrain
sessionFactory
String sql = "select sysdate from dual";
WebApplicationContext wac = ContextLoader.getCurrentWebApplicationContext();
String[] names = wac.getBeanDefinitionNames();
for(int i=0; i&
- Hive几种导出数据方式
daizj
hive数据导出
Hive几种导出数据方式
1.拷贝文件
如果数据文件恰好是用户需要的格式,那么只需要拷贝文件或文件夹就可以。
hadoop fs –cp source_path target_path
2.导出到本地文件系统
--不能使用insert into local directory来导出数据,会报错
--只能使用
- 编程之美
dcj3sjt126com
编程PHP重构
我个人的 PHP 编程经验中,递归调用常常与静态变量使用。静态变量的含义可以参考 PHP 手册。希望下面的代码,会更有利于对递归以及静态变量的理解
header("Content-type: text/plain");
function static_function () {
static $i = 0;
if ($i++ < 1
- Android保存用户名和密码
dcj3sjt126com
android
转自:http://www.2cto.com/kf/201401/272336.html
我们不管在开发一个项目或者使用别人的项目,都有用户登录功能,为了让用户的体验效果更好,我们通常会做一个功能,叫做保存用户,这样做的目地就是为了让用户下一次再使用该程序不会重新输入用户名和密码,这里我使用3种方式来存储用户名和密码
1、通过普通 的txt文本存储
2、通过properties属性文件进行存
- Oracle 复习笔记之同义词
eksliang
Oracle 同义词Oracle synonym
转载请出自出处:http://eksliang.iteye.com/blog/2098861
1.什么是同义词
同义词是现有模式对象的一个别名。
概念性的东西,什么是模式呢?创建一个用户,就相应的创建了 一个模式。模式是指数据库对象,是对用户所创建的数据对象的总称。模式对象包括表、视图、索引、同义词、序列、过
- Ajax案例
gongmeitao
Ajaxjsp
数据库采用Sql Server2005
项目名称为:Ajax_Demo
1.com.demo.conn包
package com.demo.conn;
import java.sql.Connection;import java.sql.DriverManager;import java.sql.SQLException;
//获取数据库连接的类public class DBConnec
- ASP.NET中Request.RawUrl、Request.Url的区别
hvt
.netWebC#asp.nethovertree
如果访问的地址是:http://h.keleyi.com/guestbook/addmessage.aspx?key=hovertree%3C&n=myslider#zonemenu那么Request.Url.ToString() 的值是:http://h.keleyi.com/guestbook/addmessage.aspx?key=hovertree<&
- SVG 教程 (七)SVG 实例,SVG 参考手册
天梯梦
svg
SVG 实例 在线实例
下面的例子是把SVG代码直接嵌入到HTML代码中。
谷歌Chrome,火狐,Internet Explorer9,和Safari都支持。
注意:下面的例子将不会在Opera运行,即使Opera支持SVG - 它也不支持SVG在HTML代码中直接使用。 SVG 实例
SVG基本形状
一个圆
矩形
不透明矩形
一个矩形不透明2
一个带圆角矩
- 事务管理
luyulong
javaspring编程事务
事物管理
spring事物的好处
为不同的事物API提供了一致的编程模型
支持声明式事务管理
提供比大多数事务API更简单更易于使用的编程式事务管理API
整合spring的各种数据访问抽象
TransactionDefinition
定义了事务策略
int getIsolationLevel()得到当前事务的隔离级别
READ_COMMITTED
- 基础数据结构和算法十一:Red-black binary search tree
sunwinner
AlgorithmRed-black
The insertion algorithm for 2-3 trees just described is not difficult to understand; now, we will see that it is also not difficult to implement. We will consider a simple representation known
- centos同步时间
stunizhengjia
linux集群同步时间
做了集群,时间的同步就显得非常必要了。 以下是查到的如何做时间同步。 在CentOS 5不再区分客户端和服务器,只要配置了NTP,它就会提供NTP服务。 1)确认已经ntp程序包: # yum install ntp 2)配置时间源(默认就行,不需要修改) # vi /etc/ntp.conf server pool.ntp.o
- ITeye 9月技术图书有奖试读获奖名单公布
ITeye管理员
ITeye
ITeye携手博文视点举办的9月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。 9月试读活动回顾:http://webmaster.iteye.com/blog/2118112本次技术图书试读活动的优秀奖获奖名单及相应作品如下(优秀文章有很多,但名额有限,没获奖并不代表不优秀):
《NFC:Arduino、Andro