- 【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
- [黑洞与暗粒子]没有光的世界
comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算
但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界....
那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的
&nbs
- jQuery Lazy Load 图片延迟加载
aijuans
jquery
基于 jQuery 的图片延迟加载插件,在用户滚动页面到图片之后才进行加载。
对于有较多的图片的网页,使用图片延迟加载,能有效的提高页面加载速度。
版本:
jQuery v1.4.4+
jQuery Lazy Load v1.7.2
注意事项:
需要真正实现图片延迟加载,必须将真实图片地址写在 data-original 属性中。若 src
- 使用Jodd的优点
Kai_Ge
jodd
1. 简化和统一 controller ,抛弃 extends SimpleFormController ,统一使用 implements Controller 的方式。
2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。
3. 对 bean 没有任何要求,可以使用任意的 bean 做为 formBean。
使用方法简介
- jpa Query转hibernate Query
120153216
Hibernate
public List<Map> getMapList(String hql,
Map map) {
org.hibernate.Query jpaQuery = entityManager.createQuery(hql);
if (null != map) {
for (String parameter : map.keySet()) {
jp
- Django_Python3添加MySQL/MariaDB支持
2002wmj
mariaDB
现状
首先,
[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话,会发现 django.db.backends.mysql 依赖 MySQLdb[5] ,而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案
首先据MySQL文档[3]说,自从MySQL
- 在SQLSERVER中查找消耗IO最多的SQL
357029540
SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。
select top 50
(total_logical_reads/execution_count) as avg_logical_reads,
(total_logical_writes/execution_count) as avg_logical_writes,
(tot
- spring UnChecked 异常 官方定义!
7454103
spring
如果你接触过spring的 事物管理!那么你必须明白 spring的 非捕获异常! 即 unchecked 异常! 因为 spring 默认这类异常事物自动回滚!!
public static boolean isCheckedException(Throwable ex)
{
return !(ex instanceof RuntimeExcep
- mongoDB 入门指南、示例
adminjun
javamongodb操作
一、准备工作
1、 下载mongoDB
下载地址:http://www.mongodb.org/downloads
选择合适你的版本
相关文档:http://www.mongodb.org/display/DOCS/Tutorial
2、 安装mongoDB
A、 不解压模式:
将下载下来的mongoDB-xxx.zip打开,找到bin目录,运行mongod.exe就可以启动服务,默
- CUDA 5 Release Candidate Now Available
aijuans
CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
- Essential Studio for WinRT网格控件测评
Axiba
JavaScripthtml5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件,如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时,该控件还包含了一组独特的库,用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。
网格控件功能
1、
- java 获取windows系统安装的证书或证书链
bewithme
windows
有时需要获取windows系统安装的证书或证书链,比如说你要通过证书来创建java的密钥库 。
有关证书链的解释可以查看此处 。
public static void main(String[] args) {
SunMSCAPI providerMSCAPI = new SunMSCAPI();
S
- NoSQL数据库之Redis数据库管理(set类型和zset类型)
bijian1013
redis数据库NoSQL
4.sets类型
Set是集合,它是string类型的无序集合。set是通过hash table实现的,添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。
sadd:向名称为key的set中添加元
- 异常捕获何时用Exception,何时用Throwable
bingyingao
用Exception的情况
try {
//可能发生空指针、数组溢出等异常
} catch (Exception e) {
 
- 【Kafka四】Kakfa伪分布式安装
bit1129
kafka
在http://bit1129.iteye.com/blog/2174791一文中,实现了单Kafka服务器的安装,在Kafka中,每个Kafka服务器称为一个broker。本文简单介绍下,在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤
Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样,不过比Zookeeper稍微简单些(不
- Project Euler
bookjovi
haskell
Project Euler是个数学问题求解网站,网站设计的很有意思,有很多problem,在未提交正确答案前不能查看problem的overview,也不能查看关于problem的discussion thread,只能看到现在problem已经被多少人解决了,人数越多往往代表问题越容易。
看看problem 1吧:
Add all the natural num
- Java-Collections Framework学习与总结-ArrayDeque
BrokenDreams
Collections
表、栈和队列是三种基本的数据结构,前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用,当然由于实现方式的不同,操作的效率也会不同。
这篇要看一下java.util.ArrayDeque。从命名上看
- 读《研磨设计模式》-代码笔记-装饰模式-Decorator
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.io.BufferedOutputStream;
import java.io.DataOutputStream;
import java.io.FileOutputStream;
import java.io.Fi
- Maven学习(一)
chenyu19891124
Maven私服
学习一门技术和工具总得花费一段时间,5月底6月初自己学习了一些工具,maven+Hudson+nexus的搭建,对于maven以前只是听说,顺便再自己的电脑上搭建了一个maven环境,但是完全不了解maven这一强大的构建工具,还有ant也是一个构建工具,但ant就没有maven那么的简单方便,其实简单点说maven是一个运用命令行就能完成构建,测试,打包,发布一系列功
- [原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充
comsci
算法工作PHP搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案,请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来,请大家多指点
节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法)
需要解决的问题:已知分支
- Linux中用shell获取昨天、明天或多天前的日期
daizj
linuxshell上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年
# 获取昨天
date -d 'yesterday' # 或 date -d 'last day'
# 获取明天
date -d 'tomorrow' # 或 date -d 'next day'
# 获取上个月
date -d 'last month'
#
- 我所理解的云计算
dongwei_6688
云计算
在刚开始接触到一个概念时,人们往往都会去探寻这个概念的含义,以达到对其有一个感性的认知,在Wikipedia上关于“云计算”是这么定义的,它说:
Cloud computing is a phrase used to describe a variety of computing co
- YII CMenu配置
dcj3sjt126com
yii
Adding id and class names to CMenu
We use the id and htmlOptions to accomplish this. Watch.
//in your view
$this->widget('zii.widgets.CMenu', array(
'id'=>'myMenu',
'items'=>$this-&g
- 设计模式之静态代理与动态代理
come_for_dream
设计模式
静态代理与动态代理
代理模式是java开发中用到的相对比较多的设计模式,其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题,真实主题执行具体的业务操作,而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆,我们可以删除看成主业务,而把检验用户是否登陆看成其相关业务
- 【转】理解Javascript 系列
gcc2ge
JavaScript
理解Javascript_13_执行模型详解
摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念,那么这一篇将深入分析执行上下文的构建过程,了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时,第一步是创建其执行环境,在创建执行环境的过程中,会按照定义的先后顺序完成一系列操作:1.首先会创建一个
- Subsets II
hcx2013
set
Given a collection of integers that might contain duplicates, nums, return all possible subsets.
Note:
Elements in a subset must be in non-descending order.
The solution set must not conta
- Spring4.1新特性——Spring缓存框架增强
jinnianshilongnian
spring4
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- shell嵌套expect执行命令
liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧.
系统:centos 5.x
1.先安装expect
yum -y install expect
2.脚本内容:
cat auto_svn.sh
#!/bin/bash
- Linux实用命令整理
pda158
linux
0. 基本命令 linux 基本命令整理
1. 压缩 解压 tar -zcvf a.tar.gz a #把a压缩成a.tar.gz tar -zxvf a.tar.gz #把a.tar.gz解压成a
2. vim小结 2.1 vim替换 :m,ns/word_1/word_2/gc  
- 独立开发人员通向成功的29个小贴士
shoothao
独立开发
概述:本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。
明白你从事独立开发的原因和目的。
保持坚持制定计划的好习惯。
万事开头难,第一份订单是关键。
培养多元化业务技能。
提供卓越的服务和品质。
谨小慎微。
营销是必备技能。
学会组织,有条理的工作才是最有效率的。
“独立
- JAVA中堆栈和内存分配原理
uule
java
1、栈、堆
1.寄存器:最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈:存放基本类型的变量数据和对象的引用,但对象本身不存放在栈中,而是存放在堆(new 出来的对象)或者常量池中(字符串常量对象存放在常量池中。)3. 堆:存放所有new出来的对象。4. 静态域:存放静态成员(static定义的)5. 常量池:存放字符串常量和基本类型常量(public static f