AI 超级智能体全栈方案阶段四：学术分析 AI 项目 RAG 落地指南：基于 Spring AI 的本地与阿里云知识库实践

news/2025/10/27 10:41:25/文章来源:https://www.cnblogs.com/yangykaifa/p/19168174

简介：

github项目地址： 学术分析AI应用
本文使用的AI大模型均为阿里云的灵积模型（Qwen-Plus）

一、需求分析

需求场景 ：需精准学术引用或数据支撑

需求特征
  • 分析结果需附带具体文献来源（如 “论证‘注意力机制提升模型效率’时，需引用某篇论文的实验数据”）。
  • 需验证某结论的真实性（如 “判断‘某算法准确率达 95%’是否有文献依据”）。
为什么需要 RAG
  • 大模型单独生成时易产生 “学术幻觉”（编造不存在的作者、论文标题或数据），不符合学术分析的严谨性要求。
  • RAG 可检索目标文献的原文片段（如摘要、实验部分），直接作为分析的支撑依据，同时输出引用格式（APA、GB/T 等）。

二、初识RAG

1. RAG核心定义

1.1 RAG概念阐释

RAG（Retrieval-Augmented Generation，检索增强生成）是一种融合“信息检索技术”与“AI内容生成技术”的混合架构。其核心逻辑是：让AI在生成回答前，先从外部知识库中检索相关事实信息，再基于这些信息生成内容，最终解决传统大模型“知识时效性不足”和“易产生幻觉（虚假信息）”的核心问题。

通俗理解：RAG相当于给AI配备了一本“可实时更新的外部小抄本”，确保AI的回答基于真实、具体的资料，而非仅依赖训练数据的凭空想象。

1.2 RAG与传统大模型的差异对比

对比维度传统大语言模型RAG增强模型
知识时效性受训练数据截止日期限制（知识固定）可接入最新知识库（实时更新）
领域专业性以泛化知识为主，专业深度有限可接入垂直领域知识库（如医疗、法律）
响应准确性可能生成“幻觉”（无依据信息）基于检索到的事实依据生成
输出可控性依赖原始训练数据，难定制输出风格可通过知识库调整输出（如特定语气、话术）
资源消耗较高（需大参数量模型支撑）模型可更小，依赖外部知识降低计算成本

2. RAG核心工作流程

RAG的技术实现需经过4个环环相扣的核心步骤，形成“知识准备-知识存储-知识检索-知识应用”的完整闭环，具体流程如下：

2.1 步骤1：文档收集和切割（准备“可检索的知识原料”）

该步骤的目标是将原始知识转化为适合后续检索的“小颗粒度片段”，分为3个关键操作：

  1. 文档收集：从网页、PDF文件、数据库、企业内部系统等来源，获取AI需要调用的原始知识（如产品手册、专业文献、政策文件）；
  2. 文档预处理：对原始文档进行清洗（去除乱码、冗余内容）、格式标准化（统一字体、段落结构），确保数据可用性；
  3. 文档切割：将长文档拆分为小片段（行业内称为Chunks），避免文本过长影响检索精度，常见3种切割方式：
    • 固定长度切割：按固定token数拆分（如每段512个token）；
    • 语义边界切割：按段落、章节、标题拆分，保留内容的语义完整性；
    • 递归分割策略：通过递归字符n-gram等方式，平衡片段长度与语义连贯性。

2.2 步骤2：向量转换和存储（将“文字”转化为“可搜索的数字”）

该步骤的核心是让计算机“理解文字语义”，并实现高效存储，分为2个关键操作：

  1. 向量转换：使用Embedding模型（如文本领域的Word2Vec、图像领域的ResNet），将切割后的文本片段转化为“高维向量”。这类向量能体现文字的语义特征——语义越接近的文本，对应的向量在数学空间中的距离越近（例如“鱼皮”与“鱼肉”的向量距离，远小于“鱼皮”与“帅哥”）；
  2. 向量存储：将“文本片段+对应向量”存入向量数据库（而非传统数据库），这类数据库专门优化了高维向量的相似性搜索效率，常见工具包括Milvus、Pinecone，或传统数据库的向量插件（如PGVector、Redis Stack的RediSearch）。

2.3 步骤3：文档过滤和检索（找到“与问题最相关的知识”）

该步骤的目标是从向量数据库中，精准定位与用户问题匹配的知识片段，分为4个关键操作：

  1. 查询处理：用与“文本片段转换”相同的Embedding模型，将用户的问题也转化为向量；
  2. 过滤机制：通过元数据（如文档发布时间、类型）、关键词等初步筛选，缩小检索范围（例如仅检索“2024年医疗政策”相关文档）；
  3. 相似度搜索：使用余弦相似度、欧氏距离等算法，在向量数据库中检索与“问题向量”最相似的多个文本片段；
  4. 上下文组装：将检索到的多个相关片段，整理成逻辑连贯的“知识上下文”，为后续生成回答做准备。

2.4 步骤4：查询增强和关联（基于“检索知识”生成回答）

该步骤是RAG的“最终应用环节”，确保AI基于检索到的事实生成内容，分为4个关键操作：

  1. 提示词组装：将“用户问题+检索到的知识上下文”组合成“增强提示词”，传递给大模型；
  2. 上下文融合：大模型基于增强提示词生成回答，强制其参考检索到的事实，避免凭空创造信息；
  3. 源引用（可选）：在回答中标注信息来源（如“数据来自《2024年人工智能产业报告》第3章”），提升内容可信度；
  4. 后处理：对生成的回答进行格式化（如分点、加粗重点）、摘要提炼，优化用户阅读体验。

3. RAG典型应用场景

RAG的核心优势是“可接入外部知识、可定制化”，因此其应用场景集中在对“准确性、专业性、实时性”有高要求的领域，具体包括：

3.1 特定内容问答场景

  • 企业内部知识查询：员工检索公司规章制度、HR政策、产品参数（如客服查询产品售后流程）；
  • 教育/科研答疑：学生查询教材知识点、科研人员检索专业文献（如医学学生查询《临床诊疗指南》内容）。

3.2 实时信息需求场景

  • 金融领域：分析师基于最新股市数据、政策文件生成市场解读；
  • 新闻领域：AI基于实时报道，对突发事件（如赛事、会议）进行总结；
  • 政务领域：市民查询最新社保政策、补贴申请要求，AI基于官方文件回复。

3.3 垂直领域专业服务场景

  • 医疗领域：AI接入最新病例库、诊疗指南，为患者提供基础健康咨询（需强调“不能替代医生诊断”）；
  • 法律领域：律师通过RAG检索现行法条、过往判例，快速生成案件分析初稿；
  • 编程领域：开发者查询最新开发文档（如Python新库用法），AI推荐解决方案。

3.4 定制化交互场景

  • 品牌客服：AI使用品牌专属话术（如“XX品牌为您服务”）与用户沟通，同时检索产品手册解答问题；
  • 教育推荐：AI根据用户学习问题（如“如何理解微积分导数”），检索并推荐相关课程、习题资源。

4. RAG关键技术名词补充

为帮助理解文档内容，对核心技术名词进行补充解释：

名词定义
Embedding模型执行“文字/图像→向量”转换的机器学习模型，能捕捉数据的语义特征，如Word2Vec（文本）、ResNet（图像）
向量数据库专门存储、检索高维向量的数据库，优化了相似性搜索效率，支持快速定位语义相近的向量
召回（Recall）信息检索的第一阶段，从大规模数据中快速筛选“可能相关”的候选集，强调“速度和广度”，不追求绝对精准
精排（Reranking）检索的最后阶段，用复杂算法（如BERT模型）对候选集排序，考虑用户行为、内容相关性等，提升结果精准度
混合检索策略结合多种检索方式（如关键词检索+语义检索），提升检索效果，如Dify平台的“全文检索+向量检索”组合

5. 总结

  1. RAG的核心价值是“用外部检索补充AI生成”，解决传统大模型的时效性和幻觉问题；
  2. 其工作流程围绕“文档准备→向量存储→知识检索→回答生成”展开，4个步骤缺一不可；
  3. 应用场景集中在“需精准事实支撑”的领域，如企业知识查询、垂直行业服务、实时信息问答；
  4. 关键技术依赖Embedding模型、向量数据库，同时需结合召回、精排等策略提升检索效果。

6. 附录：常用工具推荐

工具类型推荐工具说明
Embedding模型OpenAI Embeddings、Word2VecOpenAI Embeddings适用于通用文本，Word2Vec适合轻量型文本向量转换
向量数据库Milvus、PGVector、PineconeMilvus开源且支持大规模数据，PGVector可作为PostgreSQL插件使用，门槛低
RAG开发框架Spring AI、LangChainSpring AI适合Java生态，LangChain支持多语言，简化RAG开发流程

三、RAG实战：Spring AI+本地知识库

  1. 参考文档：SpringAI 和 Spring Ai Alibaba
  1. 实现步骤：
文档准备
文档读取
向量转换和存储
查询增强

1. 文档准备

  1. 因为是测试项目所以文档数据采用Ai生成
  2. 资源已经上传CSDN：https://download.csdn.net/download/weixin_45793745/92063666
帮我生成 3 篇 Markdown 文章，主题是【学术分析常见问题和回答】，3 篇文章的问题分别针对学术入门、学术进阶、学术转化阶段，内容形式为 1 问 1 答，每个问题标题使用 4 级标题，每篇内容需要有至少 5 个问题，要求每个问题中推荐一个相关的课程，课程来源为哔哩哔哩网站

2. 文档读取

  1. SpringAI官方文档介绍：https://docs.spring.io/spring-ai/reference/api/etl-pipeline.html#_markdown
  2. 步骤分为了：

reader

transformer

write

  1. 可以读取的文档有：JSON、HTML、Text、md、PDF、TIka
  • 导入依赖
    • 我存储的文件为md，所以导入的是markdown，可以按需修改
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-markdown-document-reader</artifactId>
<version>1.0.0-M6</version>
</dependency>
  • 读取官方示例
@Component
class MyMarkdownReader {
private final Resource resource;
MyMarkdownReader(@Value("classpath:code.md") Resource resource) {
this.resource = resource;
}
List<Document> loadMarkdown() {MarkdownDocumentReaderConfig config = MarkdownDocumentReaderConfig.builder().withHorizontalRuleCreateDocument(true).withIncludeCodeBlock(false).withIncludeBlockquote(false).withAdditionalMetadata("filename", "code.md").build();MarkdownDocumentReader reader = new MarkdownDocumentReader(this.resource, config);return reader.get();}}/*The MarkdownDocumentReaderConfig allows you to customize the behavior of the MarkdownDocumentReader:horizontalRuleCreateDocument: When set to true, horizontal rules in the Markdown will create new Document objects.includeCodeBlock: When set to true, code blocks will be included in the same Document as the surrounding text. When false, code blocks create separate Document objects.includeBlockquote: When set to true, blockquotes will be included in the same Document as the surrounding text. When false, blockquotes create separate Document objects.additionalMetadata: Allows you to add custom metadata to all created Document objects.*/
  • 修改官网示例
package cn.varin.varaiagent.rag;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.document.Document;
import org.springframework.ai.reader.markdown.MarkdownDocumentReader;
import org.springframework.ai.reader.markdown.config.MarkdownDocumentReaderConfig;
import org.springframework.core.io.Resource;
import org.springframework.core.io.support.PathMatchingResourcePatternResolver;
import org.springframework.core.io.support.ResourcePatternResolver;
import org.springframework.stereotype.Component;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
/**
* 文档加载器
*/
@Component
@Slf4j
public class IALDAAppDocumentLoader {
// 价值本地资源
private  final ResourcePatternResolver resourcePatternResolver;
public IALDAAppDocumentLoader(ResourcePatternResolver resourcePatternResolver) {
this.resourcePatternResolver = resourcePatternResolver;
}
public List<Document> loadDocuments() {List<Document> documents = new ArrayList<>();try {Resource[] resources = this.resourcePatternResolver.getResources("classpath:/document/*.md");for (Resource resource : resources) {String fileName = resource.getFilename();MarkdownDocumentReaderConfig config = MarkdownDocumentReaderConfig.builder().withHorizontalRuleCreateDocument(true).withIncludeCodeBlock(false).withIncludeBlockquote(false).withAdditionalMetadata("filename", fileName).build();MarkdownDocumentReader reader = new MarkdownDocumentReader(resource, config);documents.addAll(reader.read());}} catch (IOException e) {throw new RuntimeException(e);}return documents;}}

3. 文档转换并写入

  1. 使用SimpleVectorStore基于内存存储的向量数据库，根据查看源码，我们可以发现，该数据库在执行add方法时，回调用embeddingModel
  2. 直接将md数据转为向量

具体实现

package cn.varin.varaiagent.config;
import cn.varin.varaiagent.rag.IALDAAppDocumentLoader;
import jakarta.annotation.Resource;
import org.springframework.ai.document.Document;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.ai.vectorstore.SimpleVectorStore;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import java.util.List;
@Configuration
/**
* SimpleVectorStore基于内存读写的向量数据库
*/
public class IALDAAppVectorStoreConfig {
@Resource
private IALDAAppDocumentLoader iALDAAppDocumentLoader;
// 注册VectorSotre
//注意：EmbeddingModel使用SpringAI的，不要使用alibaba的
@Bean
VectorStore iALDAAppVectorStore(EmbeddingModel environment) {
VectorStore  vectorStore = SimpleVectorStore.builder(environment).build();
List<Document> documents = iALDAAppDocumentLoader.loadDocuments();vectorStore.add(documents);return vectorStore;}}

4. 调用本地向量数据库查询

Spring AI 通过⁠ Advisor 特性提供了开箱即用的 RAG 功‌能。主要是 **QuestionAnswerAdvisor **问答拦截器和 RetrievalAug‎mentationAdvisor 检索增强拦截器‌，前者更简单易用、后者更灵活强大。

本文使用：QuestionAnswerAdvisor

// 类：IALDAApp
@Resource
private VectorStore iALDAAppVectorStore;
public String  localhostVectorSaveMessage(String content,String chatId) {
ChatResponse chatResponse = this.chatClient.prompt()
.user(content)
.advisors(advisor -> advisor.param("chat_memory_conversation_id", chatId)
// 自定义日志
.param("chat_memory_response_size", 10))
.advisors(new MyLogAdvisor())
// 本地知识库
.advisors(new QuestionAnswerAdvisor(iALDAAppVectorStore)).call().chatResponse();
String text = chatResponse.getResult().getOutput().getText();
log.info("text:{}", text);
return text;
}

5. 测试

@Test
void localhostVectorSaveMessage() {
String uuid= UUID.randomUUID().toString();
String message = ialdaApp.localhostVectorSaveMessage( "我在编写论文，遇到研究瓶颈（如实验数据不理想、理论支撑不足）时要怎么办",uuid  );
System.out.println(message);
}

5. 效果

从返回的结果查看，Ai大模型已经实现了查询本地向量数据库

============message ============
当你在编写论文时遇到研究瓶颈，比如实验数据不理想或理论支撑不足，可以按照“两步破局法”来有效应对：
1. **诊断瓶颈类型并调整思路**：
- **若实验数据不理想**（如结果与假设相反），首先检查实验设计是否存在偏差，例如样本是否具有代表性、变量控制是否严密。如果实验设计合理，不要急于否定结果，而是尝试从新的角度解读数据——“反常结果”可能揭示了更有价值的研究问题。例如，AI教学工具使用率低，可能并非技术本身问题，而是教师培训不足所致，这反而可成为研究的创新点。
- **若理论支撑不足**，建议拓展理论视野，不要局限于本领域常用理论。例如研究“AI教育公平”时，除了教育技术理论，还可引入“数字鸿沟理论”或“社会公平理论”，增强论文的解释力和学术深度。
2. **寻求外部支持**：
- 与导师沟通时，避免只说“数据不好”这类笼统表达，应具体说明“哪部分数据不符合预期”“已排除哪些干扰因素”“目前的解释方向是什么”，以便获得有针对性的指导。
- 参加小型学术研讨会或研究组会，通过同行交流获取新视角，有时他人的一句话可能激发你的突破性思路。
此外，推荐你学习《**学术研究瓶颈突破与思路调整（进阶实战课）**》，该课程系统讲解瓶颈诊断方法、真实案例的破局路径以及如何高效与导师沟通，帮助你从“卡壳”走向“突围”。
记住：研究瓶颈不是失败，而是深化思考的契机。关键在于主动分析、开放沟通、灵活调整。
============message ============

三、RAG实战：Spring AI+云知识库服务

云知识库服务采用：阿里云服务

阿里云云知识库链接：https://bailian.console.aliyun.com/?tab=app#/knowledge-base

需要使用到SpringAI 提供的Advisor：RetrievalAugmentationAdvisor

官网文档地址：https://docs.spring.io/spring-ai/reference/api/retrieval-augmented-generation.html#_retrievalaugmentationadvisor_incubating

  1. 步骤1 建立知识库
// 官网地址：
https://bailian.console.aliyun.com/?tab=app#/knowledge-base

  1. 步骤2:建立DocumentRetriever
// 官网说明：https://java2ai.com/docs/1.0.0-M6.1/tutorials/retriever/#%E7%A4%BA%E4%BE%8B%E7%94%A8%E6%B3%95
// 官网示例代码：
var dashScopeApi = new DashScopeApi(System.getenv("DASHSCOPE_API_KEY"));
DocumentRetriever retriever = new DashScopeDocumentRetriever(dashScopeApi,
DashScopeDocumentRetrieverOptions.builder()
.withIndexName("spring-ai知识库")
.build());
List<Document> documentList = retriever.retrieve(new Query("What's spring ai"));
  1. 步骤三：将DocumentRetriever放入到SpringAI中的Advisor中
// 官网文档说明：https://docs.spring.io/spring-ai/reference/api/retrieval-augmented-generation.html#_retrievalaugmentationadvisor_incubating
// 示例代码：
Advisor retrievalAugmentationAdvisor = RetrievalAugmentationAdvisor.builder()
.documentRetriever(VectorStoreDocumentRetriever.builder()
.similarityThreshold(0.50)
.vectorStore(vectorStore)
.build())
.build();
String answer = chatClient.prompt()
.advisors(retrievalAugmentationAdvisor)
.user(question)
.call()
.content();
  1. 步骤四：将二三步骤合并并创建一个配置文件，注入到Spring容器中
package cn.varin.varaiagent.config;
import cn.varin.varaiagent.rag.IALDAAppDocumentLoader;
import com.alibaba.cloud.ai.dashscope.api.DashScopeApi;
import com.alibaba.cloud.ai.dashscope.rag.DashScopeDocumentRetriever;
import com.alibaba.cloud.ai.dashscope.rag.DashScopeDocumentRetrieverOptions;
import jakarta.annotation.Resource;
import org.springframework.ai.chat.client.advisor.RetrievalAugmentationAdvisor;
import org.springframework.ai.chat.client.advisor.api.Advisor;
import org.springframework.ai.document.Document;
import org.springframework.ai.embedding.EmbeddingModel;
import org.springframework.ai.vectorstore.SimpleVectorStore;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;
import java.util.List;
@Configuration
/**
* 从阿里云上读取知识库，并使用对应的advisor
* 知识库地址：https://bailian.console.aliyun.com/?tab=app#/knowledge-base
*/
public class IALDAAppRagAlibabaAdvisorConfig {
@Value("${spring.ai.dashscope.api-key}")
private String apikey;
@Bean
public Advisor iALDAAppRagAlibabaAdvisor() {
DashScopeApi dashScopeApi = new DashScopeApi(apikey);
final String DOCUMENT_NAME = "学术分析"; // 注意，该名称要和阿里云中的知识库名称一致
DashScopeDocumentRetriever dashScopeDocumentRetriever =
new DashScopeDocumentRetriever(dashScopeApi
,new DashScopeDocumentRetrieverOptions.Builder()
.withIndexName(DOCUMENT_NAME)
.build() );
return RetrievalAugmentationAdvisor.builder()
.documentRetriever(dashScopeDocumentRetriever)
.build();
}
}
  1. 步骤五：实现方法
/**
* 读取阿里云知识库
*/
@Resource
private Advisor iALDAAppRagAlibabaAdvisor;
public String  cloudAlibabaDoChatWithRag(String content,String chatId) {
ChatResponse chatResponse = this.chatClient.prompt()
.user(content)
.advisors(advisor -> advisor.param("chat_memory_conversation_id", chatId)
// 自定义日志
.param("chat_memory_response_size", 10))
.advisors(new MyLogAdvisor())
// 本地知识库
.advisors(iALDAAppRagAlibabaAdvisor).call().chatResponse();
String text = chatResponse.getResult().getOutput().getText();
log.info("text:{}", text);
return text;
}
  1. 步骤六：测试方法
@Test
void cloudAlibabaDoChatWithRag() {
String uuid= UUID.randomUUID().toString();
String message = ialdaApp.cloudAlibabaDoChatWithRag( "我是软件工程专业，怎么开始写论文",uuid  );
System.out.println(message);
}
  1. 步骤起：效果
    1. 查询结果中，已经实现了查询云知识库了。
cloudAlibabaDoChatWithRag:===================
作为软件工程专业的学生，开始写论文可遵循以下步骤：
1. **确定研究方向与选题**
结合专业特点和个人兴趣，初步锁定一个具体领域，例如“基于人工智能的代码缺陷检测”“软件测试自动化工具优化”或“开源项目中的协作模式分析”。避免选题过于宽泛（如“软件工程的发展”）或过窄（如“某公司某项目的界面颜色设计”）。通过CNKI、Web of Science等平台检索近3年文献，识别研究热点（如“大模型在代码生成中的应用”）和研究空白（如“生成代码的安全性评估”），并咨询导师意见，验证选题的学术价值和可行性。
2. **明确研究问题与方法**
根据研究问题选择合适的方法。若问题是“某类算法的性能如何”，适合定量方法（如实验对比、统计分析）；若问题是“开发者为何不愿采用某类工具”，则适合定性方法（如访谈、案例研究）。确保方法与问题匹配，避免误用。例如，研究“程序员对新型开发框架的态度”应采用访谈而非仅靠问卷打分。
3. **构建论文基本框架**
采用IMRaD结构组织内容：
- **引言**：从行业背景（如“软件迭代速度加快”）引出具体问题（如“传统测试难以覆盖复杂场景”），说明研究意义与创新点。
- **方法**：详细描述实验设计、数据来源（如GitHub项目）、样本选择标准、分析工具（如Python、JIRA数据分析）等，保证可复现。
- **结果**：客观呈现数据，使用图表展示性能指标、用户反馈等。
- **讨论**：解释结果如何回应研究问题，与已有研究比较，指出局限性与未来方向。
4. **参考核心文献与投稿准备**
查阅《软件学报》《计算机学报》《IEEE Transactions on Software Engineering》等期刊中类似主题的论文，学习其结构与表达。完成初稿后，根据“四步筛选法”选择目标期刊：匹配主题、查看投稿要求、评估录用难度、参考相似文献发表期刊，提高录用概率。
建议学习相关课程系统掌握写作与研究方法，如：[《学术选题与研究价值评估（零基础入门课）》](https://www.bilibili.com/) 和 [《学术论文IMRaD框架构建与逻辑优化（进阶课）》](https://www.bilibili.com/)，帮助快速建立规范的研究思维与写作能力。
cloudAlibabaDoChatWithRag:===================

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/947333.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

2025年10月绩效管理咨询公司推荐：五家对比评价报告

2025年10月绩效管理咨询公司推荐：五家对比评价报告

如果您正在寻找“真正能帮团队把战略落到绩效、把绩效变成利润”的合作伙伴，大概率已经试过内部推行KPI却流于形式，或花高价买模板却水土不服。制造业老板普遍面临三大痛点：战略与指标脱节、考核与激励错位、数据与…
阅读更多...
2025 年砂浆源头厂家最新推荐排行榜：聚焦防水抗裂等多类型砂浆，精选优质实力企业助力工程采购

2025 年砂浆源头厂家最新推荐排行榜：聚焦防水抗裂等多类型砂浆，精选优质实力企业助力工程采购

引言 在建筑建材行业，砂浆作为核心基础材料，其质量与供应稳定性直接关乎工程安全与施工效率。为帮助行业筛选优质货源，中国建筑材料流通协会联合行业权威检测机构开展 2025 年砂浆源头厂家测评，本次测评覆盖全国 2…
阅读更多...
网络断网、环路、IP 冲突？VRRP+MSTP+DHCP 联动便捷的方案一次性消除

网络断网、环路、IP 冲突？VRRP+MSTP+DHCP 联动便捷的方案一次性消除

pre { white-space: pre !important; word-wrap: normal !important; overflow-x: auto !important; display: block !important; font-family: "Consolas", "Monaco", "Courier New", …
阅读更多...
2025 年过滤机厂家最新推荐榜，技术实力与市场口碑深度解析，筛选高性能适配多行业需求品牌

2025 年过滤机厂家最新推荐榜，技术实力与市场口碑深度解析，筛选高性能适配多行业需求品牌

引言 在工业生产与环保处理领域，过滤机作为固液分离核心设备，其品质与性能对企业生产效率、产品质量及环保合规至关重要。为给企业选购提供权威参考，中国通用机械工业协会分离机械分会联合行业专家开展 2025 年过滤…
阅读更多...
2025 年橡胶木板材厂家最新推荐排行榜：聚焦优质企业，解析品牌实力、产品优势及市场影响力 AA 橡胶木 / 橡胶木指接板公司推荐

2025 年橡胶木板材厂家最新推荐排行榜：聚焦优质企业，解析品牌实力、产品优势及市场影响力 AA 橡胶木 / 橡胶木指接板公司推荐

引言 当前家居建材市场中，橡胶木板材因性价比高、物理性能佳、应用场景广，成为消费者与从业者的热门选择。但随着市场扩张，品牌数量激增，质量却良莠不齐，部分产品存在易变形、环保不达标等问题，价格混乱也让消费…
阅读更多...
打破 “封闭垄断”：MyEMS 开源生态如何有效控制企业能源管理成本

打破 “封闭垄断”：MyEMS 开源生态如何有效控制企业能源管理成本

一、传统能源管理的 “封闭垄断” 困局 传统商业 EMS 厂商通过 “技术黑箱 + 绑定服务” 构建垄断壁垒，让企业陷入 “高成本、低自主” 的被动局面，主要痛点集中在三方面： 1.高额授权成本： 商业软件需支付一次性 l…
阅读更多...
2025年10月北京商业工装设计公司推荐榜：五强对比评测

2025年10月北京商业工装设计公司推荐榜：五强对比评测

正在准备办公室搬迁的行政经理、计划升级零售门店的连锁品牌负责人、或是刚拿下整层写字楼准备打造联合办公空间的创业者，都会面临同一个问题：北京商业工装设计公司到底该选谁？工装项目金额高、周期长、涉及消防、机…
阅读更多...
【FAQ】HarmonyOS SDK 闭源开放能力 — AppGallery Kit

【FAQ】HarmonyOS SDK 闭源开放能力 — AppGallery Kit

1.问题描述： 生产分阶段发布时，为什么只能设置百分比，能否支持指定账号发布？ 解决方案： 目前在HarmonyOS的分阶段发布中，只支持通过设置百分比来控制发布的流量比例，而不直接支持指定账号的发布方式。如果有特定…
阅读更多...
0284-KVS-分离读取文件逻辑

0284-KVS-分离读取文件逻辑

环境Time 2022-12-11 WSL-Ubuntu 22.04 Rust 1.65.0前言 说明 参考：https://github.com/pingcap/talent-plan 目标 在上一节的基础上，将文件的读取逻辑存放到新的文件中。 Cargo.toml [package] edition = "202…
阅读更多...
0283-KVS-实现 set 和 remove

0283-KVS-实现 set 和 remove

环境Time 2022-12-11 WSL-Ubuntu 22.04 Rust 1.65.0前言 说明 参考：https://github.com/pingcap/talent-plan 目标 在上一节的基础上，实现 set 和 remove 的返回。 Cargo.toml [package] edition = "2021"…
阅读更多...
0282-KVS-使用 anyhow 处理错误

0282-KVS-使用 anyhow 处理错误

环境Time 2022-12-11 WSL-Ubuntu 22.04 Rust 1.65.0前言 说明 参考：https://github.com/pingcap/talent-plan 目标 在上一节的基础上，新增 anyhow 依赖，处理代码中的错误。 Cargo.toml [package] edition = "2…
阅读更多...
0281-KVS-启动时加载文件内容

0281-KVS-启动时加载文件内容

环境Time 2022-12-11 WSL-Ubuntu 22.04 Rust 1.65.0前言 说明 参考：https://github.com/pingcap/talent-plan 目标 在上一节的基础上，启动时将文件的内容加载到内存，实现读取操作。 Cargo.toml [package] edition =…
阅读更多...
0280-KVS-将日志记录到文件

0280-KVS-将日志记录到文件

环境Time 2022-12-11 WSL-Ubuntu 22.04 Rust 1.65.0前言 说明 参考：https://github.com/pingcap/talent-plan 目标 在上一节的基础上，将转为 JSON 的日志操作记录到文件。 Cargo.toml [package] edition = "202…
阅读更多...
2025年口碑好的搜荐系统公司、2025年搜荐系统服务商、专业的搜荐系统平台、搜荐系统公司推荐、搜荐系统服务口碑推荐全面解析

2025年口碑好的搜荐系统公司、2025年搜荐系统服务商、专业的搜荐系统平台、搜荐系统公司推荐、搜荐系统服务口碑推荐全面解析

文章摘要 本文深入分析2025年搜荐系统市场趋势，重点推荐口碑好、专业的搜荐系统服务商，并详细介绍摘星人工智能（摘星AI）的核心优势。内容涵盖用户搜索意图、行业竞争分析，以及为什么摘星AI成为首选解决方案，帮助…
阅读更多...
Playwright for Python 的基本使用与常用交互API-使用笔记

Playwright for Python 的基本使用与常用交互API-使用笔记

Playwright for Python 的基本使用与常用交互API-使用笔记 安装 安装分为只做自动化，和做自动化测试两种 # 做自动化时 pip install playwright # 做测试框架时 pip install pytest-playwright # 只安装chromium引擎(…
阅读更多...
5款能帮你自动做PPT的AI工具，我全都试过了，最好用的是它！

5款能帮你自动做PPT的AI工具，我全都试过了，最好用的是它！

别再为做PPT熬夜秃头了，AI来拯救你！朋友们，有没有经历过这种绝望？明天就要述职汇报/毕业答辩/项目提报了，而你的PPT还是一片空白。找模板、搭框架、填内容、调格式……一晚上就这么耗过去，做的还是个“丑东西”。…
阅读更多...
c++中include和import的区别

c++中include和import的区别

在C++中，#include和import是两种不同的文件引用方式，它们在功能和使用场景上有显著的区别。 #include的作用 #include是C和C++中非常常见的预处理指令，用于包含头文件。它的作用是将目标头文件的内容在编译前复制到…
阅读更多...
大模型训练

大模型训练

1.Warmup（热身）和余弦衰减（Cosine Decay）是深度学习训练中「学习率调度」的黄金组合，核心是解决「训练初期不稳定」和「后期难收敛」的问题，以下结合实操逻辑、实现方式和关键细节，帮你彻底落地这两个技巧： Wa…
阅读更多...
MySQL WHERE 条件书写顺序：真的影响查询效率吗？

MySQL WHERE 条件书写顺序：真的影响查询效率吗？

1、问题 在日常 MySQL 开发中，很多人会纠结一个问题：WHERE子句里条件的书写顺序，到底会不会影响查询的执行结果和效率？比如where created_at=xx and status=1和where status=1 and created_at=xx，这两种写法有没有…
阅读更多...
2025 年无缝钢管厂家最新推荐榜，技术实力与市场口碑深度解析Q355E/20G/12Cr1MoVG/15CrMoG/20CrMnTi/16MnDG 无缝钢管公司推荐

2025 年无缝钢管厂家最新推荐榜，技术实力与市场口碑深度解析Q355E/20G/12Cr1MoVG/15CrMoG/20CrMnTi/16MnDG 无缝钢管公司推荐

引言 无缝钢管作为工业制造、能源输送等领域的核心基础材料，其品质直接关乎下游产业安全与效率。2025 年行业面临产能过剩与需求升级的双重考验，产能利用率仅 70.85% 的同时，新能源、高端装备等领域对高精度、耐腐蚀…
阅读更多...
最新文章

Copyright @ 2022~2023