- 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
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理