Langchain 提示词(Prompt)

基本用法

1. 基本概念

提示词模板 是一个字符串模板，其中包含一些占位符（通常是 {variable} 形式的），这些占位符可以在运行时被实际值替换。LangChain 提供了多种类型的提示词模板，以适应不同的使用场景。

2. 主要类型

2.1 基础提示词模板 (Base Prompt Template)
  • 简介：最简单的提示词模板，直接定义一个字符串并支持变量替换。
  • 使用频率：非常高。

示例：

from langchain.prompts import PromptTemplate# 定义一个基础提示词模板
template = "你是一名专业的 {role}，请回答以下问题：{question}"
prompt = PromptTemplate(input_variables=["role", "question"],template=template
)# 使用模板生成具体的提示词
final_prompt = prompt.format(role="医生", question="感冒了怎么办？")
print(final_prompt)

输出：

你是一名专业的 医生，请回答以下问题：感冒了怎么办？
2.2 多提示词模板 (Few Shot Prompt Template)
  • 简介：包含多个示例（shots），每个示例都是一对输入和输出。这种模板适用于需要通过示例来引导模型生成特定格式的输出。
  • 使用频率：中到高。

示例：

from langchain.prompts import FewShotPromptTemplate
from langchain.prompts import PromptTemplate# 定义示例
examples = [{"input": "你好", "output": "你好！有什么可以帮助你的吗？"},{"input": "再见", "output": "再见！祝你一天愉快！"}
]# 定义每个示例的模板
example_template = """
用户: {input}
助手: {output}
"""# 创建示例提示词模板
example_prompt = PromptTemplate(input_variables=["input", "output"], template=example_template)# 创建多示例提示词模板
few_shot_prompt = FewShotPromptTemplate(examples=examples,example_prompt=example_prompt,prefix="以下是一些对话示例：\n\n",suffix="\n\n用户: {input}\n助手:",input_variables=["input"],example_separator="\n\n"
)# 使用模板生成具体的提示词
final_prompt = few_shot_prompt.format(input="谢谢")
print(final_prompt)

输出：

以下是一些对话示例：用户: 你好
助手: 你好！有什么可以帮助你的吗？用户: 再见
助手: 再见！祝你一天愉快！用户: 谢谢
助手:
2.3 动态提示词模板 (Dynamic Prompt Template)
  • 简介：允许在运行时动态生成提示词内容。可以结合其他逻辑或外部数据源。
  • 使用频率：中等。

示例：

from langchain.prompts import DynamicPromptTemplate, PromptTemplate
from langchain.tools import BaseTool
from langchain.chains import LLMChain
from langchain.llms import OpenAI# 定义一个动态提示词模板
class CustomPrompt(DynamicPromptTemplate):def format(self, **kwargs):# 动态生成提示词context = kwargs.get("context", "")if context:return f"根据以下上下文回答问题：{context}\n问题: {kwargs['question']}"else:return f"问题: {kwargs['question']}"# 创建动态提示词模板实例
dynamic_prompt = CustomPrompt(input_variables=["context", "question"]
)# 创建LLM链
llm = OpenAI(temperature=0.9)
chain = LLMChain(llm=llm, prompt=dynamic_prompt)# 使用模板生成具体的提示词并执行链
response = chain.run({"context": "这是一个关于天气的问题", "question": "今天会下雨吗？"})
print(response)

输出：

根据以下上下文回答问题：这是一个关于天气的问题
问题: 今天会下雨吗？

3. 高级用法

3.1 嵌套提示词模板 (Nested Prompt Templates)
  • 简介：可以在一个提示词模板中嵌套另一个提示词模板，从而实现更复杂的提示结构。
  • 使用频率：中等。

示例：

from langchain.prompts import PromptTemplate# 定义两个基础提示词模板
template1 = "你是一名专业的 {role}，请回答以下问题：{question}"
prompt1 = PromptTemplate(input_variables=["role", "question"],template=template1
)template2 = "以下是问题的详细描述：{description}"
prompt2 = PromptTemplate(input_variables=["description"],template=template2
)# 嵌套提示词模板
nested_template = "{prompt1}\n{prompt2}"
nested_prompt = PromptTemplate(input_variables=["role", "question", "description"],template=nested_template
)# 使用模板生成具体的提示词
final_prompt = nested_prompt.format(role="医生",question="感冒了怎么办？",description="患者有轻微的咳嗽和流鼻涕症状"
)
print(final_prompt)

输出：

你是一名专业的 医生，请回答以下问题：感冒了怎么办？
以下是问题的详细描述：患者有轻微的咳嗽和流鼻涕症状

4. 总结

  • 基础提示词模板：适用于简单的提示词生成。
  • 多提示词模板：适用于通过示例来引导模型生成特定格式的输出。
  • 动态提示词模板：适用于需要在运行时动态生成提示词的情况。
  • 嵌套提示词模板：适用于更复杂的提示结构。

短期和长期记忆

好的，LangChain 的提示词模板（Prompt Templates）中，MessagesPlaceholder 以及短期记忆和长期记忆是非常重要的概念。它们可以帮助你更好地管理和利用对话的历史信息。下面我将详细介绍这些概念，并提供示例。

1. MessagesPlaceholder

MessagesPlaceholder 是 LangChain 中用于在提示词模板中插入消息列表的占位符。它通常与 ChatPromptTemplate 结合使用，可以动态地插入多条消息，从而生成更复杂的提示词。

使用频率
  • MessagesPlaceholder：中到高。特别是在需要处理多条消息或复杂对话结构的应用中非常重要。
示例
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.schema import SystemMessage, HumanMessage, AIMessage
from langchain.chat_models import ChatOpenAI# 定义系统消息
system_message = SystemMessage(content="你是一名专业的医生。")# 定义一个包含 MessagesPlaceholder 的提示词模板
prompt = ChatPromptTemplate.from_messages([system_message,MessagesPlaceholder(variable_name="chat_history"),HumanMessage(content="{input}")
])# 创建聊天模型
llm = ChatOpenAI(temperature=0.9)# 模拟一些历史消息
chat_history = [HumanMessage(content="你好，我感冒了。"),AIMessage(content="你好！请问你有哪些症状？"),HumanMessage(content="我有轻微的咳嗽和流鼻涕。")
]# 生成具体的提示词
final_prompt = prompt.format_messages(chat_history=chat_history, input="还有其他建议吗？")
print(final_prompt)

输出：

[<SystemMessage content='你是一名专业的医生。'>, <HumanMessage content='你好，我感冒了。'>, <AIMessage content='你好！请问你有哪些症状？'>, <HumanMessage content='我有轻微的咳嗽和流鼻涕。'>, <HumanMessage content='还有其他建议吗？'>]

2. 短期记忆（Short-Term Memory）

短期记忆通常用于存储最近几轮对话的信息。这对于保持对话的一致性和连贯性非常有用。LangChain 提供了几种不同类型的短期记忆实现，如 ConversationBufferMemory 和 ConversationSummaryMemory。

使用频率
  • 短期记忆：高。特别是在聊天机器人或客服助手等涉及连续交互的应用中非常重要。
示例
from langchain.memory import ConversationBufferMemory
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.chat_models import ChatOpenAI# 定义系统消息
system_message = SystemMessage(content="你是一名专业的医生。")# 定义一个包含 MessagesPlaceholder 的提示词模板
prompt = ChatPromptTemplate.from_messages([system_message,MessagesPlaceholder(variable_name="chat_history"),HumanMessage(content="{input}")
])# 创建短期记忆实例
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)# 创建聊天模型
llm = ChatOpenAI(temperature=0.9)# 创建LLM链
from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt, memory=memory)# 进行多轮对话
response1 = chain.predict(input="你好，我感冒了。")
print(response1)response2 = chain.predict(input="我有轻微的咳嗽和流鼻涕。")
print(response2)response3 = chain.predict(input="还有其他建议吗？")
print(response3)

输出：

助手: 你好！请问你有哪些症状？
助手: 如果你有轻微的咳嗽和流鼻涕，建议多休息、多喝水，并可以考虑服用一些感冒药。如果症状严重，最好去看医生。
助手: 除了休息和喝水外，你可以吃一些富含维生素C的食物，比如柑橘类水果，这有助于增强免疫力。另外，保持室内空气流通也很重要。

3. 长期记忆（Long-Term Memory）

长期记忆用于存储较长时间内的对话信息或特定的知识库。这对于需要访问大量历史信息或知识的应用非常有用。LangChain 提供了一些长期记忆的实现，如 VectorStoreRetrieverMemory。

使用频率
  • 长期记忆：中等。对于需要访问大量历史信息或知识的应用非常重要。
示例
from langchain.memory import VectorStoreRetrieverMemory
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.chat_models import ChatOpenAI# 定义系统消息
system_message = SystemMessage(content="你是一名专业的医生。")# 定义一个包含 MessagesPlaceholder 的提示词模板
prompt = ChatPromptTemplate.from_messages([system_message,MessagesPlaceholder(variable_name="chat_history"),HumanMessage(content="{input}")
])# 创建嵌入模型
embeddings = OpenAIEmbeddings()# 创建向量存储
vectorstore = FAISS.from_texts(["感冒的症状包括咳嗽、流鼻涕、发烧等。", "感冒的治疗方法包括多休息、多喝水、服用感冒药。"], embeddings)# 创建长期记忆实例
retriever = vectorstore.as_retriever()
memory = VectorStoreRetrieverMemory(retriever=retriever, memory_key="chat_history")# 创建聊天模型
llm = ChatOpenAI(temperature=0.9)# 创建LLM链
from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt, memory=memory)# 进行对话
response = chain.predict(input="我感冒了，应该怎么办？")
print(response)

输出：

助手: 如果你感冒了，建议多休息、多喝水，并可以考虑服用一些感冒药。如果症状严重，最好去看医生。

总结

  • MessagesPlaceholder：用于在提示词模板中插入消息列表，适用于处理多条消息或复杂对话结构。
  • 短期记忆：用于存储最近几轮对话的信息，保持对话的一致性和连贯性。
  • 长期记忆：用于存储较长时间内的对话信息或特定的知识库，适用于需要访问大量历史信息或知识的应用。

示例

在 LangChain 中，提示词中的示例（Examples in Prompts）是一种非常有用的技术，可以帮助模型更好地理解任务的要求。通过提供具体的示例，你可以指导模型生成更符合预期的输出。LangChain 提供了多种方式来实现这一点，包括使用 FewShotPromptTemplate 和手动构建示例。

1. FewShotPromptTemplate

FewShotPromptTemplate 是 LangChain 中专门用于处理示例提示词的类。它允许你定义一组示例，并将这些示例插入到提示词模板中。

使用频率
  • FewShotPromptTemplate：中到高。特别是在需要通过示例来指导模型的任务中非常重要。
示例
from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain.prompts.example_selector import LengthBasedExampleSelector
from langchain.chat_models import ChatOpenAI# 定义示例
examples = [{"input": "你好", "output": "你好！有什么可以帮助你的吗？"},{"input": "我感冒了，怎么办？", "output": "如果你感冒了，建议多休息、多喝水，并可以考虑服用一些感冒药。如果症状严重，最好去看医生。"},{"input": "还有其他建议吗？", "output": "除了休息和喝水外，你可以吃一些富含维生素C的食物，比如柑橘类水果，这有助于增强免疫力。另外，保持室内空气流通也很重要。"}
]# 定义每个示例的格式
example_template = """
输入: {input}
输出: {output}
"""# 创建示例选择器
example_selector = LengthBasedExampleSelector(examples=examples, example_prompt=PromptTemplate(input_variables=["input", "output"], template=example_template), max_length=50)# 定义基础提示词模板
base_template = """
你是一名专业的医生。
{examples}
输入: {input}
输出:
"""# 创建 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(example_selector=example_selector,example_prompt=PromptTemplate(input_variables=["input", "output"], template=example_template),prefix=base_template,suffix="",input_variables=["input"],example_separator="\n\n"
)# 创建聊天模型
llm = ChatOpenAI(temperature=0.9)# 生成具体的提示词
final_prompt = few_shot_prompt.format(input="我有轻微的咳嗽和流鼻涕。")
print(final_prompt)

输出：

你是一名专业的医生。
输入: 你好
输出: 你好！有什么可以帮助你的吗？输入: 我感冒了，怎么办？
输出: 如果你感冒了，建议多休息、多喝水，并可以考虑服用一些感冒药。如果症状严重，最好去看医生。输入: 还有其他建议吗？
输出: 除了休息和喝水外，你可以吃一些富含维生素C的食物，比如柑橘类水果，这有助于增强免疫力。另外，保持室内空气流通也很重要。输入: 我有轻微的咳嗽和流鼻涕。
输出:

2. 手动构建示例

除了使用 FewShotPromptTemplate，你也可以手动构建示例并将其插入到提示词模板中。这种方式更加灵活，但需要更多的手动工作。

使用频率
  • 手动构建示例：中等。适用于需要更多自定义和灵活性的情况。
示例
from langchain.prompts import PromptTemplate
from langchain.chat_models import ChatOpenAI# 定义示例
examples = [{"input": "你好", "output": "你好！有什么可以帮助你的吗？"},{"input": "我感冒了，怎么办？", "output": "如果你感冒了，建议多休息、多喝水，并可以考虑服用一些感冒药。如果症状严重，最好去看医生。"},{"input": "还有其他建议吗？", "output": "除了休息和喝水外，你可以吃一些富含维生素C的食物，比如柑橘类水果，这有助于增强免疫力。另外，保持室内空气流通也很重要。"}
]# 将示例转换为字符串
example_strings = []
for example in examples:example_strings.append(f"输入: {example['input']}\n输出: {example['output']}")examples_str = "\n\n".join(example_strings)# 定义基础提示词模板
template = f"""
你是一名专业的医生。
{examples_str}
输入: {{input}}
输出:
"""prompt = PromptTemplate(input_variables=["input"], template=template)# 创建聊天模型
llm = ChatOpenAI(temperature=0.9)# 生成具体的提示词
final_prompt = prompt.format(input="我有轻微的咳嗽和流鼻涕。")
print(final_prompt)

输出：

你是一名专业的医生。
输入: 你好
输出: 你好！有什么可以帮助你的吗？输入: 我感冒了，怎么办？
输出: 如果你感冒了，建议多休息、多喝水，并可以考虑服用一些感冒药。如果症状严重，最好去看医生。输入: 还有其他建议吗？
输出: 除了休息和喝水外，你可以吃一些富含维生素C的食物，比如柑橘类水果，这有助于增强免疫力。另外，保持室内空气流通也很重要。输入: 我有轻微的咳嗽和流鼻涕。
输出:

3. 动态示例选择

有时候，你可能希望根据输入的长度或其他条件动态选择示例。LangChain 提供了 LengthBasedExampleSelector 等工具来帮助你实现这一点。

使用频率
  • 动态示例选择：中等。适用于需要根据输入动态调整示例数量的情况。
示例
from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain.prompts.example_selector import LengthBasedExampleSelector
from langchain.chat_models import ChatOpenAI# 定义示例
examples = [{"input": "你好", "output": "你好！有什么可以帮助你的吗？"},{"input": "我感冒了，怎么办？", "output": "如果你感冒了，建议多休息、多喝水，并可以考虑服用一些感冒药。如果症状严重，最好去看医生。"},{"input": "还有其他建议吗？", "output": "除了休息和喝水外，你可以吃一些富含维生素C的食物，比如柑橘类水果，这有助于增强免疫力。另外，保持室内空气流通也很重要。"}
]# 定义每个示例的格式
example_template = """
输入: {input}
输出: {output}
"""# 创建示例选择器
example_selector = LengthBasedExampleSelector(examples=examples, example_prompt=PromptTemplate(input_variables=["input", "output"], template=example_template), max_length=50)# 定义基础提示词模板
base_template = """
你是一名专业的医生。
{examples}
输入: {input}
输出:
"""# 创建 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(example_selector=example_selector,example_prompt=PromptTemplate(input_variables=["input", "output"], template=example_template),prefix=base_template,suffix="",input_variables=["input"],example_separator="\n\n"
)# 创建聊天模型
llm = ChatOpenAI(temperature=0.9)# 生成具体的提示词
final_prompt = few_shot_prompt.format(input="我有轻微的咳嗽和流鼻涕。")
print(final_prompt)

输出：

你是一名专业的医生。
输入: 你好
输出: 你好！有什么可以帮助你的吗？输入: 我感冒了，怎么办？
输出: 如果你感冒了，建议多休息、多喝水，并可以考虑服用一些感冒药。如果症状严重，最好去看医生。输入: 还有其他建议吗？
输出: 除了休息和喝水外，你可以吃一些富含维生素C的食物，比如柑橘类水果，这有助于增强免疫力。另外，保持室内空气流通也很重要。输入: 我有轻微的咳嗽和流鼻涕。
输出:

4. 相似度示例

在 LangChain 中，使用相似度示例（Similarity Examples）是一种强大的技术，可以通过查找与输入最相似的历史示例来指导模型生成更准确的输出。这种技术通常结合向量存储和嵌入模型来实现。LangChain 提供了多种工具和类来支持这一功能，包括 VectorStoreRetriever 和 FewShotPromptTemplate。

原理
  1. 嵌入模型：将文本转换为高维向量表示。
  2. 向量存储：存储这些向量，并提供高效的相似度搜索功能。
  3. 检索器：从向量存储中检索与输入最相似的示例。
  4. 提示词模板：将检索到的示例插入到提示词模板中，生成最终的提示词。
主要组件
  • 嵌入模型：如 OpenAIEmbeddings、HuggingFaceEmbeddings 等。
  • 向量存储：如 FAISS、Chroma、Pinecone 等。
  • 检索器：如 VectorStoreRetriever。
  • 提示词模板：如 FewShotPromptTemplate。
用法示例

下面是一个完整的示例，展示了如何在 LangChain 中实现基于相似度的示例提示词。

1. 安装必要的库

首先，确保你已经安装了必要的库：

pip install langchain openai faiss-cpu
2. 导入库
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS
from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain.chat_models import ChatOpenAI
from langchain.schema import AIMessage, HumanMessage
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
3. 创建嵌入模型和向量存储
# 创建嵌入模型
embeddings = OpenAIEmbeddings()# 示例数据
examples = [{"input": "你好", "output": "你好！有什么可以帮助你的吗？"},{"input": "我感冒了，怎么办？", "output": "如果你感冒了，建议多休息、多喝水，并可以考虑服用一些感冒药。如果症状严重，最好去看医生。"},{"input": "还有其他建议吗？", "output": "除了休息和喝水外，你可以吃一些富含维生素C的食物，比如柑橘类水果，这有助于增强免疫力。另外，保持室内空气流通也很重要。"}
]# 将示例转换为向量并存储
vectorstore = FAISS.from_texts([f"输入: {example['input']}\n输出: {example['output']}" for example in examples], embeddings)
4. 创建语义相似度示例选择器
# 创建语义相似度示例选择器
example_selector = SemanticSimilarityExampleSelector(vectorstore=vectorstore, k=2)# 定义每个示例的格式
example_template = """
输入: {input}
输出: {output}
"""# 创建 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(example_selector=example_selector,example_prompt=PromptTemplate(input_variables=["input", "output"], template=example_template),prefix="你是一名专业的医生。\n{examples}",suffix="\n输入: {input}\n输出:",input_variables=["input"],example_separator="\n\n"
)
5. 创建聊天模型并生成提示词
# 创建聊天模型
llm = ChatOpenAI(temperature=0.9)# 生成具体的提示词
final_prompt = few_shot_prompt.format(input="我有轻微的咳嗽和流鼻涕。")
print(final_prompt)
输出

假设 vectorstore 找到了两个最相似的示例，输出可能如下：

你是一名专业的医生。
输入: 我感冒了，怎么办？
输出: 如果你感冒了，建议多休息、多喝水，并可以考虑服用一些感冒药。如果症状严重，最好去看医生。输入: 还有其他建议吗？
输出: 除了休息和喝水外，你可以吃一些富含维生素C的食物，比如柑橘类水果，这有助于增强免疫力。另外，保持室内空气流通也很重要。输入: 我有轻微的咳嗽和流鼻涕。
输出:
详细解释
  1. 嵌入模型：OpenAIEmbeddings 将文本转换为高维向量表示。
  2. 向量存储：FAISS 存储这些向量，并提供高效的相似度搜索功能。
  3. 检索器：SemanticSimilarityExampleSelector 从 FAISS 中检索与输入最相似的示例。
  4. 提示词模板：FewShotPromptTemplate 将检索到的示例插入到提示词模板中，生成最终的提示词。
其他用法
1. 使用不同的向量存储

除了 FAISS，你还可以使用其他向量存储，如 Chroma 或 Pinecone。以下是使用 Chroma 的示例：

from langchain.vectorstores import Chroma# 创建向量存储
vectorstore = Chroma.from_texts([f"输入: {example['input']}\n输出: {example['output']}" for example in examples], embeddings)
2. 使用不同的嵌入模型

除了 OpenAIEmbeddings，你还可以使用其他嵌入模型，如 HuggingFaceEmbeddings。以下是使用 HuggingFaceEmbeddings 的示例：

from langchain.embeddings import HuggingFaceEmbeddings# 创建嵌入模型
embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")
3. 自定义示例选择逻辑

你可以自定义示例选择逻辑，例如根据特定条件选择示例。以下是一个简单的自定义示例选择器示例：

from langchain.prompts.example_selector.base import BaseExampleSelectorclass CustomExampleSelector(BaseExampleSelector):def __init__(self, examples):self.examples = examplesdef select_examples(self, input_text):# 自定义选择逻辑selected_examples = [example for example in self.examples if "感冒" in example["input"]]return selected_examples# 创建自定义示例选择器
custom_example_selector = CustomExampleSelector(examples=examples)# 创建 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(example_selector=custom_example_selector,example_prompt=PromptTemplate(input_variables=["input", "output"], template=example_template),prefix="你是一名专业的医生。\n{examples}",suffix="\n输入: {input}\n输出:",input_variables=["input"],example_separator="\n\n"
)# 生成具体的提示词
final_prompt = few_shot_prompt.format(input="我有轻微的咳嗽和流鼻涕。")
print(final_prompt)
总结
  • FewShotPromptTemplate：专门用于处理示例提示词，提供了自动选择和插入示例的功能。
  • 手动构建示例：通过手动构建示例并插入到提示词模板中，提供了更多的灵活性。
  • 动态示例选择：根据输入的长度或其他条件动态选择示例，使提示词更加灵活和适应性强。

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/898898.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

centos7.9镜像源及Python引入ssl问题处理

centos7.9镜像源及Python引入ssl问题处理

一、镜像源修改 1. 备份原有的镜像源配置文件 在修改之前，先备份现有的 CentOS-Base.repo 文件： sudo cp /etc/yum.repos.d/CentOS-Base.repo /etc/yum.repos.d/CentOS-Base.repo.backup 2. 编辑镜像源配置文件 使用文本编辑器（如 nano 或 vi）打开 /etc/yum.repos.d/Ce…
阅读更多...
Java高频面试之集合-17

Java高频面试之集合-17

hello啊&#xff0c;各位观众姥爷们&#xff01;&#xff01;&#xff01;本baby今天来报道了&#xff01;哈哈哈哈哈嗝&#x1f436; 面试官&#xff1a;JDK 8 对 HashMap 主要做了哪些优化呢&#xff1f;为什么要这么做&#xff1f; JDK 8 对 HashMap 的主要优化及原因 JDK…
阅读更多...
计算机二级：函数基础题

计算机二级：函数基础题

函数基础题 第一题 rinput("请输入半径&#xff1a;") c3.1415926*r*2 print("{:.0f}".format(c))输出&#xff1a; Type Error第二题 a7 b2 print(a%2)输出 1第三题 ab4 def my_ab(ab,xy):abpow(ab,xy)print(ab,end"\n") my_ab(ab,2)prin…
阅读更多...
C# 属性（Property）‌详解

C# 属性（Property）‌详解

在 C# 中&#xff0c;‌属性&#xff08;Property&#xff09;‌ 是类或结构体中的成员&#xff0c;用于封装对私有字段&#xff08;称为 ‌backing field‌&#xff09;的访问&#xff0c;提供更灵活和安全的数据操作方式。属性通过 get 和 set 访问器控制对数据的读写&#x…
阅读更多...
iPhone 16如何翻译文档？文档翻译技巧、软件推荐

iPhone 16如何翻译文档？文档翻译技巧、软件推荐

在全球化的今天&#xff0c;跨语言交流变得越来越频繁&#xff0c;而文档翻译更是成为许多人日常工作和学习中的重要需求。作为苹果公司最新推出的旗舰机型&#xff0c;iPhone 16凭借其强大的硬件性能和丰富的软件生态&#xff0c;为我们提供了多种便捷的文档翻译方式&#xff…
阅读更多...
HRP方法全文总结与模型流程解析

HRP方法全文总结与模型流程解析

背景与问题 传统二次优化方法&#xff08;如Markowitz的CLA&#xff09;存在三大问题&#xff1a; 不稳定性&#xff1a;协方差矩阵的高条件数导致逆矩阵计算误差放大&#xff0c;权重剧烈波动。 集中性&#xff1a;优化结果过度集中于少数资产&#xff0c;易受个体风险冲击。…
阅读更多...
解决项目一直在构建中的问题：以 IntelliJ IDEA 为例提高共享堆内存

解决项目一直在构建中的问题：以 IntelliJ IDEA 为例提高共享堆内存

在使用 IntelliJ IDEA 时&#xff0c;开发者可能会遇到项目长期处于构建状态的问题。这种情况将严重影响开发效率。通常&#xff0c;这种问题的一个常见原因是构建进程所分配的堆内存不足。本文将以 IntelliJ IDEA 为背景&#xff0c;介绍如何通过提高共享堆内存来解决此问题&a…
阅读更多...
金橙子删除打标对象

金橙子删除打标对象

注意在使用金橙子根据对象名称删除对象时要注意，每删除一个对象，所有对象的索引都将改变。 如果你是用for去遍历，再根据索引获取打标对象名称的话就会出现漏的掉的问题。 改进方法 1，将要删除的对象找到后，统一存放在一个集合中。再根据这个要删除的对象集合再一个个去遍…
阅读更多...
JVM常见概念之条件移动

JVM常见概念之条件移动

问题 当我们有分支频率数据时&#xff0c;有什么有趣的技巧可以做吗&#xff1f;什么是条件移动&#xff1f; 基础知识 如果您需要在来自一个分支的两个结果之间进行选择&#xff0c;那么您可以在 ISA 级别做两件不同的事情。 首先&#xff0c;你可以创建一个分支&#xff…
阅读更多...
MANISKILL3：GPU 并行机器人模拟和渲染，用于通用的具身AI

MANISKILL3：GPU 并行机器人模拟和渲染，用于通用的具身AI

本文介绍了一种名为ManiSkill3的机器人仿真系统&#xff0c;它采用了GPU并行化技术&#xff0c;并针对通用性进行了优化。该系统支持多种视觉输入方式和异构模拟&#xff0c;能够在物理场景中进行高效的仿真和渲染&#xff0c;达到比其他平台更快的速度和更少的GPU内存使用量。…
阅读更多...
计算机网络高频（三）UDP基础

计算机网络高频（三）UDP基础

计算机网络高频（三）UDP基础 1.UDP的头部格式是什么样的？⭐ UDP 头部具有以下字段： 源端口（Source Port）：16 位字段，表示发送方的端口号。目标端口（Destination Port）：16 位字段，表示接收方的端口号。长度（Length）：16 位字段，表示 UDP 数据报（包括头部和数据部…
阅读更多...
微信小程序中使用Less样式方法

微信小程序中使用Less样式方法

在微信小程序中使用Less样式&#xff0c;可以通过以下步骤实现。主要原理是借助Visual Studio Code&#xff08;VSCode&#xff09;的插件将Less文件自动编译为小程序支持的.wxss文件&#xff0c;或通过微信开发者工具的扩展功能直接集成Less编译环境。以下是具体方法&#xff…
阅读更多...
Leetcode 刷题笔记 图论part05

Leetcode 刷题笔记 图论part05

卡码网 107 寻找存在的路径 初识并查集 并查集功能&#xff1a; 寻找根节点&#xff0c;函数: find(int u)&#xff0c;也就是判断这个节点的祖先节点是哪个将两个节点接入到同一个集合&#xff0c;函数: join(int u, int v)&#xff0c;将两个节点连在同一个根节点上判断两…
阅读更多...
SpringBoot星之语明星周边产品销售网站设计与实现

SpringBoot星之语明星周边产品销售网站设计与实现

在当今数字化时代&#xff0c;明星周边产品的线上销售已成为一种趋势。幽络源作为一站式综合平台&#xff0c;不仅提供免费源码、网络兼职资源&#xff0c;还分享各类技术教程。本文将详细介绍基于SpringBoot的星之语明星周边产品销售网站的设计与实现&#xff0c;帮助开发者快…
阅读更多...
怎样对比找到两个git仓库的差异

怎样对比找到两个git仓库的差异

怎样对比找到两个git仓库的差异 陈拓 2024/12/24-2024/12/28 1. 概述 要比较两个Git仓库的差异&#xff0c;可以使用git diff命令。你需要先将两个仓库的克隆版本都检出到本地&#xff0c;然后在对应的目录中运行git diff命令。 下面我们以YDLIDAR ROS2驱动程序ydlidar_ros2…
阅读更多...
C语言-装饰器模式详解与实践 - LED控制系统

C语言-装饰器模式详解与实践 - LED控制系统

文章目录 C语言装饰器模式详解与实践 - LED控制系统1. 什么是装饰器模式&#xff1f;2. 为什么需要装饰器模式&#xff1f;3. 实际应用场景4. 代码实现4.1 头文件 (led_decorator.h)4.2 实现文件 (led_decorator.c)4.3 使用示例 (main.c) 5. 代码分析5.1 关键设计点5.2 实现特点…
阅读更多...
Go常见问题与回答(下)

Go常见问题与回答(下)

文章目录 1、通过指针变量 p 访问其成员变量 name&#xff0c;有哪几种方式&#xff1f;2、代码&#xff0c;说出结果3、扩容提&#xff0c;代码&#xff0c;说出结果4、指出下面这段代码的错误之处5、是否通过编译6、关于字符串连接&#xff0c;下面语法正确的是7、关于iota&a…
阅读更多...
JVM 核心知识点总结

JVM 核心知识点总结

&#x1f9d1; 博主简介&#xff1a;CSDN博客专家&#xff0c;历代文学网&#xff08;PC端可以访问&#xff1a;https://literature.sinhy.com/#/literature?__c1000&#xff0c;移动端可微信小程序搜索“历代文学”&#xff09;总架构师&#xff0c;15年工作经验&#xff0c;…
阅读更多...
SQL中体会多对多

SQL中体会多对多

我们可以根据学生与课程多对多关系的数据库模型&#xff0c;给出实际的表数据以及对应的查询结果示例&#xff0c;会用到JOINLEFT JOIN两种连接 1. 学生表&#xff08;students&#xff09; student_idstudent_name1张三2李四3王五 2. 课程表&#xff08;courses&#xff09…
阅读更多...
ES如果要查10条数据需要从各个分片上各取多少条数据？

ES如果要查10条数据需要从各个分片上各取多少条数据？

目录 ES如果要查10条数据需要从各个分片上各取多少条数据？ 简单查询（如 match_all 或 term 查询） 深度分页查询（如 from + size 查询） 聚合查询 什么叫聚合查询？ 聚合查询的基本结构 常见的聚合类型 聚合查询的执行过程 聚合查询的示例 聚合查询的应用场景 注意…
阅读更多...
最新文章

Copyright @ 2022~2023