LangChain核心组件之Messages

在 LangChain 中，消息（Messages） 是模型上下文的基本单元。它们代表了模型的输入与输出，既包含实际内容，也携带元数据，用于在与大语言模型（LLM）交互时完整表达对话状态。

消息对象包含以下三个核心部分：

  • 角色（Role） —— 标识消息类型（例如 system、user）
  • 内容（Content） —— 表示消息的实际载荷（如文本、图像、音频、文档等）
  • 元数据（Metadata） —— 可选字段，例如响应信息、消息 ID、Token 使用量等

LangChain 提供了一套标准化的消息类型，可在所有模型提供商之间通用，确保无论调用哪个模型，行为都保持一致。

基础用法

使用消息最简单的方式是创建消息对象，并在 调用（invoke） 模型时传入。

fromlangchain.chat_modelsimportinit_chat_modelfromlangchain.messagesimportHumanMessage,AIMessage,SystemMessage model=init_chat_model("gpt-5-nano")system_msg=SystemMessage("你是一个乐于助人的助手。")human_msg=HumanMessage("你好，最近怎么样？")# 用于聊天模型messages=[system_msg,human_msg]response=model.invoke(messages)# 返回 AIMessage
纯文本提示（Text Prompts）

纯文本提示就是字符串，适用于不需要保留对话历史的简单生成任务。

response=model.invoke("写一首关于春天的俳句")

适合使用纯文本提示的场景：

  • 请求是单次且独立的
  • 不需要维护对话历史
  • 希望代码尽可能简洁
消息提示（Message Prompts）

你也可以通过传入一个消息对象列表来与模型交互。

fromlangchain.messagesimportSystemMessage,HumanMessage,AIMessage messages=[SystemMessage("你是一位诗歌专家"),HumanMessage("写一首关于春天的俳句"),AIMessage("樱花盛开……")]response=model.invoke(messages)

适合使用消息提示的场景：

  • 管理多轮对话
  • 处理多模态内容（图像、音频、文件等）
  • 需要系统指令（system instructions）
字典格式（Dictionary Format）

你还可以直接使用 OpenAI 聊天补全（chat completions）的字典格式来定义消息。

messages=[{"role":"system","content":"你是一位诗歌专家"},{"role":"user","content":"写一首关于春天的俳句"},{"role":"assistant","content":"樱花盛开……"}]response=model.invoke(messages)

消息类型（Message Types）

  • 系统消息（System Message） —— 告诉模型应如何行为，并为交互提供上下文
  • 人类消息（Human Message） —— 表示用户输入和与模型的交互
  • AI 消息（AI Message） —— 模型生成的响应，包括文本、工具调用和元数据
  • 工具消息（Tool Message） —— 表示 工具调用（tool calls） 的执行结果
系统消息（System Message）

SystemMessage 用于提供初始指令，引导模型的行为。你可以用它设定语气、定义角色、制定回答规范。

  • 基础指令
# 基础指令system_msg=SystemMessage("你是一个乐于助人的编程助手。")messages=[system_msg,HumanMessage("如何创建一个 REST API？")]response=model.invoke(messages)
  • 详细人设
# 详细人设fromlangchain.messagesimportSystemMessage,HumanMessage system_msg=SystemMessage(""" 你是一位资深 Python 开发者，精通 Web 框架。 请始终提供代码示例并解释你的思路。 回答要简洁但全面。 """)messages=[system_msg,HumanMessage("如何创建一个 REST API？")]response=model.invoke(messages)
人类消息（Human Message）

HumanMessage 表示用户的输入，可包含文本、图像、音频、文件等任意形式的多模态 内容（content）。

  1. 文本内容
  • 使用消息对象
response=model.invoke([HumanMessage("什么是机器学习？")])
  • 使用字符串
# 字符串是 HumanMessage 的快捷写法response=model.invoke("什么是机器学习？")
  1. 消息元数据
human_msg=HumanMessage(content="你好！",name="alice",# 可选：标识不同用户id="msg_123",# 可选：用于追踪的唯一 ID)

name字段的行为因提供商而异——有些用于用户识别，有些则忽略。具体行为请参考对应模型提供商的 集成文档。

AI 消息（AI Message）

AIMessage 表示模型调用的输出结果，可能包含多模态数据、工具调用和提供商特定的元数据。

response=model.invoke("解释一下人工智能")print(type(response))# <class 'langchain.messages.AIMessage'>

模型调用后返回的 AIMessage 对象包含了响应中的全部关联元数据。

由于不同提供商对消息类型的处理方式不同，有时你需要手动创建一个 AIMessage，并将其插入到对话历史中，模拟模型的回复。

fromlangchain.messagesimportAIMessage,SystemMessage,HumanMessage# 手动创建 AI 消息（例如用于对话历史）ai_msg=AIMessage("我很乐意帮你解答这个问题！")# 添加到对话历史messages=[SystemMessage("你是一个乐于助人的助手"),HumanMessage("你能帮我吗？"),ai_msg,# 模拟模型回复HumanMessage("太好了！2+2 等于多少？")]response=model.invoke(messages)

AIMessage属性：

  • text string
    消息的文本内容。
  • content string | dict[]
    消息的原始内容。
  • content_blocks ContentBlock[]
    消息的标准化 内容块（content blocks）。
  • tool_calls dict[] | None
    模型发起的工具调用。若未调用工具，则为空。
  • id string
    消息的唯一标识符（由 LangChain 自动生成或由提供商返回）。
  • usage_metadata dict | None
    消息的使用元数据，包含 Token 统计信息（如有）。
  • response_metadata ResponseMetadata | None
    消息的响应元数据。
工具调用（Tool Calls）

当模型执行 工具调用（tool calling） 时，相关信息会包含在 AIMessage 中：

fromlangchain.chat_modelsimportinit_chat_model model=init_chat_model("gpt-5-nano")defget_weather(location:str)->str:"""获取某地的天气。"""...model_with_tools=model.bind_tools([get_weather])response=model_with_tools.invoke("巴黎的天气怎么样？")fortool_callinresponse.tool_calls:print(f"工具:{tool_call['name']}")print(f"参数:{tool_call['args']}")print(f"ID:{tool_call['id']}")

其他结构化数据（如推理过程、引用来源等）也可能出现在消息的 内容（content） 中。

Token 使用量

AIMessage 可在其 usage_metadata 字段中记录 Token 使用情况：

fromlangchain.chat_modelsimportinit_chat_model model=init_chat_model("gpt-5-nano")response=model.invoke("你好！")response.usage_metadata

输出示例：

{ 'input_tokens': 8, 'output_tokens': 304, 'total_tokens': 312, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 256} }

详见 UsageMetadata。

流式传输与分块（Streaming and Chunks）

在流式传输过程中，你会收到 AIMessageChunk 对象，可将其合并为完整消息：

chunks=[]full_message=Noneforchunkinmodel.stream("你好"):chunks.append(chunk)print(chunk.text)full_message=chunkiffull_messageisNoneelsefull_message+chunk

了解更多：

  • 从聊天模型流式输出 Token
  • 从智能体流式输出 Token 和/或步骤
工具消息（Tool Message）

对于支持 工具调用（tool calling） 的模型，AI 消息可包含工具调用请求。工具消息（ToolMessage） 则用于将单个工具执行的结果传回给模型。

工具（Tools） 可直接生成 ToolMessage 对象。下面是一个简化示例（完整用法请参阅 工具指南）：

fromlangchain.messagesimportAIMessage,ToolMessage# 模型发起工具调用（此处为手动构造示例）ai_message=AIMessage(content=[],tool_calls=[{"name":"get_weather","args":{"location":"旧金山"},"id":"call_123"}])# 执行工具并创建结果消息weather_result="晴天，72°F"tool_message=ToolMessage(content=weather_result,tool_call_id="call_123"# 必须与调用 ID 匹配)# 继续对话messages=[HumanMessage("旧金山的天气怎么样？"),ai_message,# 模型的工具调用tool_message,# 工具执行结果]response=model.invoke(messages)# 模型处理结果

参数：

  • content stringrequired
    工具调用结果的字符串化输出。
  • tool_call_id stringrequired
    此消息所对应的工具调用 ID，必须与AIMessage中的 ID 一致。
  • name stringrequired
    被调用的工具名称。
  • artifact dict
    额外数据，不会发送给模型，但可被程序访问。

artifact字段用于存储不发送给模型但可供程序使用的补充数据，例如原始结果、调试信息或下游处理所需的数据，避免污染模型上下文。 例如，一个 检索（retrieval） 工具可能从文档中提取一段文字供模型参考。此时，content包含模型可见的文本，而artifact可包含文档 ID 或页码等元数据，供应用程序使用（如渲染页面）：

fromlangchain.messagesimportToolMessage# 发送给模型的内容message_content="这是最好的时代，也是最坏的时代。"# 下游可用的元数据artifact={"document_id":"doc_123","page":0}tool_message=ToolMessage(content=message_content,tool_call_id="call_123",name="search_books",artifact=artifact,)

完整示例请参阅 RAG 教程，了解如何用 LangChain 构建带检索功能的 智能体（agents）。

消息内容（Message Content）

你可以将消息的 内容（content） 视为发送给模型的数据载荷。消息对象有一个 content 属性，其类型较为宽松，支持字符串或未类型化的对象列表（如字典），从而允许直接在 LangChain 聊天模型中使用提供商原生的结构，例如 多模态（multimodal） 内容。

此外，LangChain 还提供了专用的内容类型，用于表示文本、推理、引用、多模态数据、服务端工具调用等。详见下方的 标准内容块（standard content blocks）。

LangChain 聊天模型通过 content 属性接收消息内容，该属性可包含以下任一形式：

  1. 一个字符串
  2. 一个提供商原生格式的内容块列表
  3. 一个 LangChain 标准内容块 列表

以下是一个使用 多模态 输入的示例：

fromlangchain.messagesimportHumanMessage# 字符串内容human_message=HumanMessage("你好，最近怎么样？")# 提供商原生格式（如 OpenAI）human_message=HumanMessage(content=[{"type":"text","text":"你好，最近怎么样？"},{"type":"image_url","image_url":{"url":"https://example.com/image.jpg"}}])# 标准内容块列表human_message=HumanMessage(content_blocks=[{"type":"text","text":"你好，最近怎么样？"},{"type":"image","url":"https://example.com/image.jpg"},])

初始化消息时指定content_blocks仍会填充content属性，但提供了类型安全的接口。

标准内容块（Standard Content Blocks）

LangChain 提供了一套跨提供商的标准内容表示方式。

消息对象实现了 content_blocks 属性，可将 content 懒加载解析为标准、类型安全的表示。例如，来自 ChatAnthropic 或 ChatOpenAI 的消息可能分别包含 thinking 或 reasoning 块，但均可被统一解析为 ReasoningContentBlock：

  • Anthropic
fromlangchain.messagesimportAIMessage message=AIMessage(content=[{"type":"thinking","thinking":"...","signature":"WaUjzkyp..."},{"type":"text","text":"..."},],response_metadata={"model_provider":"anthropic"})message.content_blocks
  • OpenAI
fromlangchain.messagesimportAIMessage message=AIMessage(content=[{"type":"thinking","thinking":"...","signature":"WaUjzkyp..."},{"type":"text","text":"..."},],response_metadata={"model_provider":"anthropic"})message.content_blocks
[{'type': 'reasoning', 'reasoning': '...', 'extras': {'signature': 'WaUjzkyp...'}}, {'type': 'text', 'text': '...'}]

更多用法请参阅 集成指南。

序列化标准内容
如果 LangChain 外部的应用需要访问标准内容块表示，你可以选择将内容块存储在消息的 content 中。

方法一：设置环境变量 LC_OUTPUT_VERSION=v1

方法二：初始化聊天模型时指定 output_version=“v1”：

fromlangchain.chat_modelsimportinit_chat_model model=init_chat_model("gpt-5-nano",output_version="v1")
多模态（Multimodal）

多模态（Multimodality） 指处理多种数据形式的能力，如文本、音频、图像、视频等。LangChain 为这些数据提供了标准类型，可在不同提供商间通用。

聊天模型 可接收多模态数据作为输入，并生成多模态输出。以下是几种多模态输入的简短示例：

额外字段可直接放在内容块顶层，或嵌套在"extras": {"key": value}中。
例如，OpenAI 和 AWS Bedrock Converse 要求 PDF 文件提供文件名。具体要求请查阅所选模型的 提供商页面。

  • 图像输入
# From URLmessage={"role":"user","content":[{"type":"text","text":"Describe the content of this image."},{"type":"image","url":"https://example.com/path/to/image.jpg"},]}# From base64 datamessage={"role":"user","content":[{"type":"text","text":"Describe the content of this image."},{"type":"image","base64":"AAAAIGZ0eXBtcDQyAAAAAGlzb21tcDQyAAACAGlzb2...","mime_type":"image/jpeg",},]}# From provider-managed File IDmessage={"role":"user","content":[{"type":"text","text":"Describe the content of this image."},{"type":"image","file_id":"file-abc123"},]}
  • PDF 文档输入
# From URLmessage={"role":"user","content":[{"type":"text","text":"描述这份文档的内容。"},{"type":"file","url":"https://example.com/path/to/document.pdf"},]}# From base64 datamessage={"role":"user","content":[{"type":"text","text":"描述这份文档的内容。"},{"type":"file","base64":"AAAAIGZ0eXBtcDQyAAAAAGlzb21tcDQyAAACAGlzb2...","mime_type":"application/pdf",},]}# From provider-managed File IDmessage={"role":"user","content":[{"type":"text","text":"描述这份文档的内容。"},{"type":"file","file_id":"file-abc123"},]}
  • 音频输入
# From base64 datamessage={"role":"user","content":[{"type":"text","text":"描述这段音频的内容。"},{"type":"video","base64":"AAAAIGZ0eXBtcDQyAAAAAGlzb21tcDQyAAACAGlzb2...","mime_type":"video/mp4",},]}# From provider-managed File IDmessage={"role":"user","content":[{"type":"text","text":"描述这段视频的内容。"},{"type":"video","file_id":"file-abc123"},]}

并非所有模型都支持全部文件类型。请查阅模型提供商的 集成文档 以确认支持的格式和大小限制。

内容块参考（Content Block Reference）

内容块在创建消息或访问 content_blocks 属性时，表示为一个类型化字典列表。每个元素必须符合以下某种块类型：

（此处省略详细块类型说明，保留结构清晰性；实际开发中可查阅官方 API 文档）

完整类型定义请参阅 API 参考文档。 内容块（Content Blocks）是在 LangChain v1 中作为消息的新属性引入的，旨在跨提供商标准化内容格式，同时保持与现有代码的向后兼容性。
内容块 不是 对 content 属性的替代，而是一个新属性，用于以标准化格式访问消息内容。

与聊天模型配合使用

聊天模型 接收一系列消息对象作为输入，并返回一个 AIMessage 作为输出。交互通常是无状态的，因此简单的对话循环只需不断将增长的消息列表传给模型即可。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/1120128.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

论文重复率修改：如何有效降低论文AI率？

论文重复率修改：如何有效降低论文AI率？

在当前高校论文写作中&#xff0c;AI生成内容&#xff08;AIGC&#xff09;检测成为越来越严格的门槛。面对知网、万方等权威平台的AI率检测&#xff0c;很多同学和老师都难免会遇到论文重复率过高的问题。本文结合真实使用体验&#xff0c;介绍两款我在实际论文降重过程中效果…
阅读更多...
PHP 使用 Redis

PHP 使用 Redis

PHP 使用 Redis 引言 Redis 是一款高性能的键值存储系统，常用于缓存、会话存储、消息队列等场景。PHP 作为一种流行的服务器端脚本语言，与 Redis 的结合使用非常广泛。本文将详细介绍 PHP 使用 Redis 的方法、技巧以及注意事项。 Redis 简介 Redis 是一种基于内存的键值存…
阅读更多...
元服务一站式平台：告别碎片化，开启All in One一站式经营新纪元

元服务一站式平台：告别碎片化，开启All in One一站式经营新纪元

为了给元服务开发者提供更聚焦、更高效的管理体验&#xff0c;我们在AppGallery Connect平台上正式推出了元服务一站式平台。为何打造专属一站式平台&#xff1f; 随着元服务能力不断丰富&#xff0c;相关功能分布在平台的多个模块中。为了帮助您更便捷地查找和使用所需功能&am…
阅读更多...
【滤波跟踪】基于量测非线性模型进行仿真；通过对比分析EKF，UKF和PF粒子滤波的性能附Matlab代码

【滤波跟踪】基于量测非线性模型进行仿真；通过对比分析EKF，UKF和PF粒子滤波的性能附Matlab代码

✅作者简介&#xff1a;热爱科研的Matlab仿真开发者&#xff0c;擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 &#x1f34e; 往期回顾关注个人主页&#xff1a;Matlab科研工作室 &#x1f447; 关注我领取海量matlab电子书和数学建模资料 &#x1…
阅读更多...
AI写作降重体验分享：论文降AI率的实用方法

AI写作降重体验分享：论文降AI率的实用方法

"## 随着AI辅助写作技术的普及&#xff0c;论文AI率&#xff08;即论文中的AI生成内容比例&#xff09;问题也日益严峻。尤其是在高校严格的AIGC检测环境下&#xff0c;如知网AIGC检测&#xff0c;论文AI率过高极有可能导致学术不合格甚至退回重写。因此&#xff0c;掌握…
阅读更多...
用户选择静态 IP 时最关心的6个核心问题

用户选择静态 IP 时最关心的6个核心问题

#静态IP#在跨境电商、社媒多账号运营、广告投放等场景中&#xff0c;静态IP被越来越多的用户所关注。相比较动态IP&#xff0c;静态IP在稳定性和可控性方面具有一定的优势&#xff0c;但是否适合我们呢&#xff1f;仍然需要结合具体的应用场景。下面小编为大家总结了6个用户选择…
阅读更多...
【AI+教育】被 “高考不考，坚决不搞” 毁掉的创新力：衡水中学让我复盘半生应试路

【AI+教育】被 “高考不考，坚决不搞” 毁掉的创新力：衡水中学让我复盘半生应试路

应试教育只给了我‘术’，而生活教会了我‘道’。从衡水模式到职场觉醒，这是一个‘标准答案’受害者的十年自救报告。 一、现状：职场失意时，仍会梦回高考考场 如今的我早已步入职场，却仍会被一段关于高考的记忆反复纠缠。 只要工作中遇到不顺心的事，我就会做同一个类型的…
阅读更多...
论文降重平台推荐及真实体验分享

论文降重平台推荐及真实体验分享

"## 在当前高校对论文原创性要求越来越高的背景下&#xff0c;AIGC检测及论文AI率成为大家关注的重点。尤其是当使用知网等权威系统检测时&#xff0c;高AI率不仅会影响论文的合格与否&#xff0c;也直接关系到毕业、答辩等重要环节。作为一名学生&#xff0c;我最近使用了…
阅读更多...
鸿蒙开发者12月社区声望值月度榜单揭晓！

鸿蒙开发者12月社区声望值月度榜单揭晓！

亲爱的鸿蒙开发者们&#xff0c; 【HarmonyOS开发者社区】“成长徽章”计划历经两个月的暂停调整&#xff0c;现正式重启评奖活动&#xff01;感谢大家在暂停期间依然坚守分享初心&#xff0c;以技术传递价值&#xff0c;用热忱共建生态&#xff0c;让社区始终保持蓬勃的技术活…
阅读更多...
基于粒子群算法PSO融合动态窗口法DWA的无人机三维动态避障路径规划研究附MATLAB代码

基于粒子群算法PSO融合动态窗口法DWA的无人机三维动态避障路径规划研究附MATLAB代码

✅作者简介&#xff1a;热爱科研的Matlab仿真开发者&#xff0c;擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。&#x1f34e; 往期回顾关注个人主页&#xff1a;Matlab科研工作室&#x1f447; 关注我领取海量matlab电子书和数学建模资料 &#x1f34…
阅读更多...
全网最全专科生必备AI论文写作软件TOP10测评

全网最全专科生必备AI论文写作软件TOP10测评

全网最全专科生必备AI论文写作软件TOP10测评 一、不同维度核心推荐&#xff1a;10款AI工具各有所长 对于专科生而言&#xff0c;论文写作是一个复杂而多环节的过程&#xff0c;从开题、初稿撰写到查重、降重和排版&#xff0c;每个阶段都需要合适的工具辅助。在实际测评过程中…
阅读更多...
【例4-6】香甜的黄油（信息学奥赛一本通- P1345）

【例4-6】香甜的黄油（信息学奥赛一本通- P1345）

【题目描述】农夫John发现做出全威斯康辛州最甜的黄油的方法&#xff1a;糖。把糖放在一片牧场上&#xff0c;他知道N&#xff08;1≤N≤500&#xff09;只奶牛会过来舔它&#xff0c;这样就能做出能卖好价钱的超甜黄油。当然&#xff0c;他将付出额外的费用在奶牛上。农夫John…
阅读更多...
【路径规划】基于信息的RRT方法在非完整系统中的应用——车辆泊车辅助附matlab代码

【路径规划】基于信息的RRT方法在非完整系统中的应用——车辆泊车辅助附matlab代码

✅作者简介&#xff1a;热爱科研的Matlab仿真开发者&#xff0c;擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 &#x1f34e; 往期回顾关注个人主页&#xff1a;Matlab科研工作室 &#x1f447; 关注我领取海量matlab电子书和数学建模资料 &#x1…
阅读更多...
基于微信小程序的校友管理系统设计与实现（毕设源码+文档）

基于微信小程序的校友管理系统设计与实现（毕设源码+文档）

课题说明随着高校校友网络建设需求的提升&#xff0c;传统校友管理模式存在信息传递滞后、联络渠道分散、资源共享不足、活动组织繁琐等问题&#xff0c;难以满足校友间交流互动与母校情感联结的需求。本课题聚焦高校校友管理的核心痛点&#xff0c;设计并实现一款基于微信小程…
阅读更多...
经纬之间的“大国重器”：东华大学材料学科的硬核突围与顶尖实力

经纬之间的“大国重器”：东华大学材料学科的硬核突围与顶尖实力

关键词&#xff1a;#东华大学 #材料学科 #高性能纤维材料在中国的材料科学版图中&#xff0c;东华大学&#xff08;原中国纺织大学&#xff09;的材料科学与工程学院&#xff0c;正以一种令人瞩目的姿态完成从“传统强校”到“世界一流”的华丽蜕变。这所发源于1954年、由钱宝钧…
阅读更多...
为什么我们要用OpenAI Codex？附教你怎么在国内用上Codex

为什么我们要用OpenAI Codex？附教你怎么在国内用上Codex

OpenAI于2025年12月28日发布了GPT-Codex的最新版本&#xff0c;这是一个智能体人工智能编码模型&#xff0c;专门用于自动化复杂的软件工程任务。 Codex 的核心优势。 一句话总结 Codex 是面向真实软件工程场景的“代码执行型 AI”&#xff0c;不仅会写代码&#xff0c;还能…
阅读更多...
论文降重工具如何有效降低论文AI率？——我的真实体验分享

论文降重工具如何有效降低论文AI率？——我的真实体验分享

写论文过程中的论文降重、AIGC检测、尤其是知网AI率检测&#xff0c;成了我最头疼的问题。网上能搜到各种论文降重工具&#xff0c;但真正用下来靠谱&#xff0c;且能保证在知网、万方等平台上明显降低论文AI率的却不多。今天我分享一下用过的两款主流产品——【嘎嘎降AI】和【…
阅读更多...
基于ssm+vue的金融投资理财管理系统

基于ssm+vue的金融投资理财管理系统

目录金融投资理财管理系统摘要项目技术支持论文大纲核心代码部分展示可定制开发之亮点部门介绍结论源码获取详细视频演示 &#xff1a;文章底部获取博主联系方式&#xff01;同行可合作金融投资理财管理系统摘要 金融投资理财管理系统基于SSM&#xff08;SpringSpringMVCMyBat…
阅读更多...
AOP切入点表达式

AOP切入点表达式

语法格式 切入点&#xff1a;要进行增强的方法 切入点表达式&#xff1a;要进行增强的方法的描述方式描述方式1&#xff1a; 执行com.baidu.dao包下的BookDao接口中的无参数update方法 execution ( void com.baidu.dao.BookDao.update() ) 描述方式2&#xff1a; 执行com.baidu…
阅读更多...
基于微信小程序的甜品外卖平台系统（毕设源码+文档）

基于微信小程序的甜品外卖平台系统（毕设源码+文档）

课题说明随着移动互联网的深度普及与外卖消费场景的持续拓展&#xff0c;甜品作为高频消费品类&#xff0c;其线上订购需求日益增长。当前甜品行业线上服务存在渠道分散、订单处理效率低、配送追踪不及时等问题&#xff0c;难以满足消费者便捷、高效的购买需求。本课题聚焦甜品…
阅读更多...
最新文章

Copyright @ 2022~2023