.NET开发上手Microsoft Agent Framework（一）从开发一个AI美女聊天群组开始

news/2025/10/28 22:57:50/文章来源:https://www.cnblogs.com/GreenShade/p/19172851

前言

在AI快速发展的今天，微软推出了多个AI开发框架，从早期的AutoGen到Semantic Kernel，再到最新的Microsoft Agent Framework。很多开发者可能会有疑问：为什么微软要推出这么多框架？它们之间有什么区别？本文将通过一个实际的AI美女聊天群组项目，带你深入理解Microsoft Agent Framework，掌握多智能体开发的核心概念。

本文的示例代码已开源：agent-framework-tutorial-code/agent-groupchat

效果截图

  • 视频演示

为什么微软要推出Microsoft Agent Framework？

AutoGen vs Semantic Kernel vs Agent Framework

在讲解新框架之前，我们先理解一下微软AI框架的演进路径：

AutoGen（研究导向）

  • 最早期的多智能体研究框架
  • 侧重学术研究和实验性功能
  • Python为主，生态相对独立

Semantic Kernel（应用导向）

  • 面向生产环境的AI应用开发框架
  • 强大的插件系统和内存管理
  • 多语言支持（C#、Python、Java）
  • 适合单一智能体应用

Microsoft Agent Framework（企业导向）

  • 专为多智能体协作设计
  • 内置工作流编排能力(Sequential、Concurrent、Handoff、GroupChat)
  • 支持Handoff转移模式和GroupChat管理模式
  • 与Azure AI Foundry深度集成
  • 同时支持.NET和Python

Agent Framework的核心优势

  1. 原生多智能体支持：无需手动管理智能体间的通信,框架自动处理消息路由
  2. 声明式工作流：通过AgentWorkflowBuilder构建复杂协作场景
  3. 内置编排模式：
    • Handoff模式：智能体通过function calling实现控制权转移
    • GroupChat模式：通过GroupChatManager选择下一个发言智能体(支持RoundRobin、Prompt-based等策略)
  4. 状态管理：支持checkpoint存储,可恢复中断的工作流

大模型基础知识科普

在使用框架之前，我们需要理解大模型的工作原理。很多开发者对大模型有神秘感，其实它本质上就是一个HTTP API调用。

LLM API的本质

让我们用curl演示一个最简单的OpenAI API调用：

curl https://api.openai.com/v1/chat/completions \-H "Content-Type: application/json" \-H "Authorization: Bearer YOUR_API_KEY" \-d '{"model": "gpt-4o-mini","messages": [{"role": "user","content": "你好，请介绍一下自己"}]}'

响应结果：

{"id": "chatcmpl-abc123","object": "chat.completion","created": 1677652288,"model": "gpt-4o-mini","choices": [{"index": 0,"message": {"role": "assistant","content": "你好！我是一个AI助手，可以回答问题、提供建议..."},"finish_reason": "stop"}]
}

关键点：

  1. LLM就是一个普通的HTTP接口
  2. 输入：对话历史（messages数组）
  3. 输出：AI生成的回复（content字段）
  4. 所有复杂的Agent功能都是框架基于这个简单API构建的

函数调用（Function Calling）

函数调用是让LLM能够操作外部工具的关键机制。

工作流程：

  1. 开发者定义可用的函数（工具）
  2. LLM根据用户意图决定调用哪个函数
  3. 框架执行函数并获取结果
  4. 将结果返回给LLM继续对话

示例 - 定义天气查询函数：

{"name": "get_weather","description": "查询指定城市的天气信息","parameters": {"type": "object","properties": {"city": {"type": "string","description": "城市名称，例如：北京"}},"required": ["city"]}
}

LLM的调用响应：

{"role": "assistant","content": null,"function_call": {"name": "get_weather","arguments": "{\"city\": \"北京\"}"}
}

重点理解：

  • LLM不会直接执行函数，只是"建议"调用
  • 框架负责解析并执行函数
  • 执行结果需要再次发送给LLM才能生成最终回复

MCP（Model Context Protocol）

MCP是新兴的标准化协议，用于LLM与外部工具的通信。

MCP的优势：

  1. 标准化接口：不同工具遵循统一协议
  2. 动态工具发现：运行时加载工具
  3. 安全隔离：工具在独立进程运行

在我们的示例项目中，使用MCP集成了阿里云通义万相图片生成能力。

agent-groupchat项目解析

项目架构

项目采用.NET Aspire编排,前后端分离架构:

agent-groupchat/
├── AgentGroupChat.AppHost/         # Aspire编排入口
│   └── Program.cs                  # 服务编排配置
│
├── AgentGroupChat.AgentHost/       # 后端API服务（.NET 9）
│   ├── Services/
│   │   ├── AgentChatService.cs     # 核心聊天服务
│   │   ├── WorkflowManager.cs      # 工作流管理
│   │   ├── AgentRepository.cs      # 智能体配置管理
│   │   └── AgentGroupRepository.cs # 群组管理
│   ├── Models/
│   │   ├── AgentProfile.cs         # 智能体模型
│   │   └── AgentGroup.cs           # 群组模型
│   └── Program.cs                  # API端点
│
├── AgentGroupChat.Web/             # Blazor WebAssembly前端
│   ├── Components/
│   │   ├── Pages/
│   │   │   ├── Home.razor          # 聊天主页面
│   │   │   └── Admin.razor         # 管理后台
│   │   └── Layout/
│   │       └── MainLayout.razor    # 主布局
│   ├── Services/
│   │   └── AgentHostClient.cs      # API客户端
│   └── Program.cs                  # 前端入口
│
└── AgentGroupChat.ServiceDefaults/ # 共享服务配置└── Extensions.cs               # OpenTelemetry/健康检查

Aspire编排说明

什么是.NET Aspire？

.NET Aspire是微软推出的云原生应用编排框架,简化分布式应用的开发和部署：

  • 服务发现：自动解析服务地址,前端无需硬编码API地址
  • 统一启动：一个命令启动所有服务
  • 可观测性：内置OpenTelemetry遥测数据收集
  • Dashboard：实时查看服务状态、日志、指标

AppHost配置（AgentGroupChat.AppHost/Program.cs）：

var builder = DistributedApplication.CreateBuilder(args);// 添加后端API服务
var agentHost = builder.AddProject<Projects.AgentGroupChat_AgentHost>("agenthost");// 添加Blazor前端,引用后端服务
builder.AddProject<Projects.AgentGroupChat_Web>("webfrontend").WithExternalHttpEndpoints()  // 暴露外部访问端口.WithReference(agentHost)      // 注入agenthost服务发现信息.WaitFor(agentHost);           // 等待后端启动完成builder.Build().Run();

服务发现原理：

前端通过Aspire自动获取后端地址（Program.cs）：

// Web项目的Program.cs
var agentHostUrl = builder.Configuration["AgentHostUrl"] ?? "https://localhost:7390";
builder.Services.AddScoped(sp => new HttpClient { BaseAddress = new Uri(agentHostUrl) });

Aspire会自动将agenthost服务的实际地址注入到配置中。

智能体定义

项目创建了6个性格各异的AI美女角色，组成"AI世界公馆"：

艾莲 (Elena)

new PersistedAgentProfile
{Id = "elena",Name = "艾莲",Avatar = "🧠",SystemPrompt = "你是艾莲，一位来自巴黎的人文学者，专注于哲学、艺术和文学研究...",Description = "巴黎研究员，擅长哲学、艺术与思辨分析",Personality = "理性、深邃，喜欢引经据典，用哲学视角看世界"
}

莉子 (Rina)

new PersistedAgentProfile
{Id = "rina",Name = "莉子",Avatar = "🎮",SystemPrompt = "你是莉子，来自东京的元气少女，热爱动漫、游戏和可爱的事物...",Description = "东京元气少女，热爱动漫、游戏和可爱事物",Personality = "活泼、热情，说话带感叹号，喜欢用可爱的emoji"
}

其他角色：

  • 克洛伊 (Chloe)：纽约科技极客
  • 安妮 (Annie)：洛杉矶时尚博主
  • 苏菲 (Sophie)：伦敦哲学诗人

智能路由实现

这是项目的核心亮点 - Triage Agent自动将用户消息路由到最合适的AI角色。

Triage Agent配置：

var triageSystemPrompt = @"你是AI世界公馆的智能路由系统。【核心规则】
1. 永远不要生成文本回复 - 你对用户完全透明
2. 立即调用handoff函数，不需要解释
3. 不要确认、问候或回应 - 只默默路由【路由策略】
1. **直接提及**：用户用 @ 提到角色名，立即路由到该角色
2. **话题匹配**：- 哲学/艺术/文学 → 艾莲- 动漫/游戏/萌文化 → 莉子- 科技/编程/AI → 克洛伊- 时尚/美妆/生活 → 安妮- 诗歌/文学/情感 → 苏菲
3. **语气风格**：活泼→莉子，理性→艾莲，冷静→克洛伊
4. **上下文连贯**：查看对话历史，如果上一条是某专家回复且话题相关，继续路由到该专家示例：
- ""@莉子 推荐动漫"" → handoff_to_rina
- ""如何学习机器学习？"" → handoff_to_chloe
- ""最新的时尚趋势是什么？"" → handoff_to_annie
";

Handoff实现：

// 创建Handoff工作流
var workflow = _workflowManager.GetOrCreateWorkflow(groupId);// 运行工作流
await using StreamingRun run = await InProcessExecution.StreamAsync(workflow, messages);
await run.TrySendMessageAsync(new TurnToken(emitEvents: true));// 监听事件流
await foreach (WorkflowEvent evt in run.WatchStreamAsync())
{if (evt is AgentRunUpdateEvent agentUpdate){// 检测到specialist agent执行if (agentUpdate.ExecutorId != "triage"){var profile = _agentRepository.Get(agentUpdate.ExecutorId);// 提取LLM生成的文本var textContent = agentUpdate.Update.Contents.OfType<TextContent>().FirstOrDefault();// 构建响应summaries.Add(new ChatMessageSummary{AgentId = agentUpdate.ExecutorId,AgentName = profile?.Name,AgentAvatar = profile?.Avatar,Content = textContent?.Text,IsUser = false});}}
}

关键技术点

1. 动态智能体加载

智能体配置存储在LiteDB中，支持运行时动态更新：

public class AgentRepository
{public List<PersistedAgentProfile> GetAllEnabled() {return _collection.Find(a => a.Enabled).ToList();}public void Upsert(PersistedAgentProfile agent) {_collection.Upsert(agent);}
}

2. 工作流管理

每个智能体组有独立的工作流实例：

public class WorkflowManager
{private readonly Dictionary<string, Workflow> _workflows = new();public Workflow GetOrCreateWorkflow(string groupId){if (!_workflows.TryGetValue(groupId, out var workflow)){var group = _groupRepository.Get(groupId);workflow = BuildHandoffWorkflow(group);_workflows[groupId] = workflow;}return workflow;}
}

3. 消息持久化

使用LiteDB存储会话历史：

public class PersistedSessionService
{public void AddMessage(string sessionId, ChatMessageSummary message){var doc = new BsonDocument{["SessionId"] = sessionId,["AgentId"] = message.AgentId,["Content"] = message.Content,["Timestamp"] = message.Timestamp,["IsUser"] = message.IsUser};_messagesCollection.Insert(doc);}
}

国内用户运行指南

方式一：使用阿里云百炼平台

img

  1. 获取API密钥

访问 阿里云百炼，创建应用并获取API Key。

  1. 配置appsettings.json
{"DefaultModelProvider": "OpenAI","OpenAI": {"BaseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1","ModelName": "qwen-plus","ApiKey": "sk-your-api-key"}
}
  1. 配置MCP生图

需要开通MCP生图服务

使用的key也是和百炼的模型key一致

img

{"McpServers": {"Servers": [{"Id": "dashscope-text-to-image","Name": "DashScope Text-to-Image","Endpoint": "https://dashscope.aliyuncs.com/api/v1/mcps/TextToImage/sse","AuthType": "Bearer","BearerToken": "","TransportMode": "Sse","Enabled": true,"Description": "阿里云 DashScope 文生图服务，用于生成图像"}]}
}
  1. 运行项目

方式A：使用Aspire一键启动（推荐）

cd agent-groupchat
dotnet run --project AgentGroupChat.AppHost

Aspire Dashboard会自动打开（http://localhost:15220），显示：

  • agenthost：后端API服务
  • webfrontend：Blazor前端

直接点击webfrontend的URL即可访问应用。

方式B：独立启动各服务

终端1 - 启动后端：

cd agent-groupchat/AgentGroupChat.AgentHost
dotnet run
# 记下端口，如 https://localhost:7390

终端2 - 启动前端（需先配置后端地址）：

编辑AgentGroupChat.Web/wwwroot/appsettings.json：

{"AgentHostUrl": "https://localhost:7390"
}

然后启动：

cd agent-groupchat/AgentGroupChat.Web
dotnet run

访问前端地址（如https://localhost:5001）

方式二：使用DeepSeek

img

  1. 获取API密钥

访问 DeepSeek开放平台

  1. 配置
{"DefaultModelProvider": "OpenAI","OpenAI": {"BaseUrl": "https://api.deepseek.com/v1","ModelName": "deepseek-chat","ApiKey": "sk-your-api-key"}
}

方式三：使用Azure AI Foundry

img

  1. 创建Azure OpenAI资源

访问 AI Foundry，创建Azure OpenAI服务。

  1. 部署模型

在AI Foundry中部署 gpt-4o-mini 模型。

  1. 配置
{"DefaultModelProvider": "AzureOpenAI","AzureOpenAI": {"Endpoint": "https://your-resource.openai.azure.com/","DeploymentName": "gpt-4o-mini","ApiKey": "your-api-key"}
}

实战演示

测试场景1：直接提及

输入：@莉子 推荐几部最近的热门动漫

路由过程：

  1. Triage Agent检测到 @莉子
  2. 调用 handoff_to_rina 函数
  3. 莉子接收消息并回复

输出：

莉子：哇！最近的新番超棒的呢！✨
强烈推荐《葬送的芙莉莲》，这部番真的是神作级别！
还有《咒术回战》第二季也超燃的！
如果喜欢轻松搞笑的，《关于我转生变成史莱姆这档事》第三季也很有趣哦~ (◕‿◕✿)

测试场景2：话题路由

输入：最近在学习机器学习，有什么建议吗？

路由过程：

  1. Triage Agent识别"机器学习"属于科技话题
  2. 路由到克洛伊（科技专家）

输出：

克洛伊：机器学习入门的话，建议从这几个方面开始：1. **数学基础**：线性代数、概率统计、微积分
2. **编程**：Python是首选，熟练使用NumPy、Pandas
3. **经典算法**：先理解监督学习（线性回归、决策树）
4. **框架**：PyTorch或TensorFlow二选一
5. **实战项目**：Kaggle上有很多适合新手的数据集推荐课程：吴恩达的Machine Learning课程（Coursera）

测试场景3：上下文连贯

对话1：

用户：什么是存在主义？
艾莲：存在主义认为"存在先于本质"，强调个体的自由选择和责任...

对话2（紧接上文）：

用户：那萨特的观点具体是什么？
系统：检测到话题延续，继续路由到艾莲
艾莲：萨特是存在主义的代表人物，他在《存在与虚无》中提出...

核心代码详解

1. WorkflowManager核心逻辑

public class WorkflowManager
{private Workflow BuildHandoffWorkflow(AgentGroup group){// 1. 创建Triage Agentvar triageAgent = new ChatClientAgent(_chatClient,group.TriageSystemPrompt ?? DefaultTriagePrompt,"triage","Routes messages to appropriate agent");// 2. 加载组内所有智能体var specialists = group.AgentIds.Select(id => _agentRepository.Get(id)).Where(a => a != null).Select(a => new ChatClientAgent(_chatClient,a.SystemPrompt,a.Id,a.Description)).ToList();// 3. 构建Handoff工作流var builder = AgentWorkflowBuilder.CreateHandoffBuilderWith(triageAgent).WithHandoffs(triageAgent, specialists)  // Triage可以切换到任何专家.WithHandoffs(specialists, triageAgent); // 专家可以切回Triagereturn builder.Build();}
}

2. 事件流处理

public async Task<List<ChatMessageSummary>> SendMessageAsync(string message, string sessionId, string? groupId = null)
{var summaries = new List<ChatMessageSummary>();// 添加用户消息summaries.Add(new ChatMessageSummary{Content = message,IsUser = true,Timestamp = DateTime.UtcNow});// 获取工作流var workflow = _workflowManager.GetOrCreateWorkflow(groupId);// 加载历史消息var messages = LoadHistoryMessages(sessionId);messages.Add(new AIChatMessage(ChatRole.User, message));// 运行工作流await using StreamingRun run = await InProcessExecution.StreamAsync(workflow, messages);await run.TrySendMessageAsync(new TurnToken(emitEvents: true));string? currentExecutorId = null;ChatMessageSummary? currentSummary = null;// 处理事件流await foreach (WorkflowEvent evt in run.WatchStreamAsync()){if (evt is AgentRunUpdateEvent agentUpdate){// 跳过Triage Agent的输出（它只负责路由）var executorIdPrefix = agentUpdate.ExecutorId.Split('_')[0];if (executorIdPrefix.Equals("triage", StringComparison.OrdinalIgnoreCase)){continue;}// 检测到新的specialist agentif (agentUpdate.ExecutorId != currentExecutorId){currentExecutorId = agentUpdate.ExecutorId;var profile = _agentRepository.Get(currentExecutorId);currentSummary = new ChatMessageSummary{AgentId = currentExecutorId,AgentName = profile?.Name ?? currentExecutorId,AgentAvatar = profile?.Avatar ?? "🤖",Content = "",IsUser = false,Timestamp = DateTime.UtcNow};summaries.Add(currentSummary);}// 累积文本内容if (currentSummary != null){var textContent = agentUpdate.Update.Contents.OfType<TextContent>().FirstOrDefault();if (textContent != null && !string.IsNullOrWhiteSpace(textContent.Text)){currentSummary.Content += textContent.Text;}}}}// 保存到数据库SaveMessages(sessionId, summaries);return summaries.Where(s => !s.IsUser).ToList();
}

3. Blazor WebAssembly前端

为什么选择Blazor WASM？

  • 完全在浏览器运行,无需服务器端SignalR连接
  • 与后端API完全解耦,便于扩展
  • 利用.NET生态,C#编写前端逻辑

API客户端封装（AgentHostClient.cs）：

public class AgentHostClient
{private readonly HttpClient _httpClient;public AgentHostClient(HttpClient httpClient, ILogger<AgentHostClient> logger){_httpClient = httpClient;_logger = logger;}// 发送消息public async Task<List<ChatMessageSummary>> SendMessageAsync(string sessionId, string message, string? groupId = null){var request = new { Message = message, SessionId = sessionId, GroupId = groupId };var response = await _httpClient.PostAsJsonAsync("api/chat", request);return await response.Content.ReadFromJsonAsync<List<ChatMessageSummary>>() ?? [];}// 获取智能体列表public async Task<List<AgentProfile>> GetAgentsAsync(){return await _httpClient.GetFromJsonAsync<List<AgentProfile>>("api/agents") ?? [];}
}

主页面交互（Home.razor）：

@page "/"
@inject AgentHostClient AgentHostClient
@inject IJSRuntime JSRuntime<MudContainer MaxWidth="MaxWidth.False"><MudPaper Elevation="2" Class="chat-container"><!-- 消息列表 --><div id="messages-container" class="messages-area">@foreach (var msg in _messages){@if (msg.IsUser){<div class="user-message">@msg.Content</div>}else{<div class="agent-message"><MudAvatar>@msg.AgentAvatar</MudAvatar><div><strong>@msg.AgentName</strong><div>@((MarkupString)Markdown.ToHtml(msg.Content))</div></div></div>}}</div><!-- 输入框 --><MudTextField @bind-Value="_inputMessage" Placeholder="输入消息..." OnKeyDown="HandleKeyPress" /><MudButton OnClick="SendMessage" Disabled="_isSending">发送</MudButton></MudPaper>
</MudContainer>@code {private string _inputMessage = "";private List<ChatMessageSummary> _messages = new();private bool _isSending = false;private async Task SendMessage(){if (string.IsNullOrWhiteSpace(_inputMessage)) return;_isSending = true;try{// 调用后端APIvar response = await AgentHostClient.SendMessageAsync(_currentSession.Id, _inputMessage,_currentSession.GroupId);// 更新消息列表_messages.AddRange(response);// 自动滚动到底部await JSRuntime.InvokeVoidAsync("smoothScrollToBottom", "messages-container");}finally{_isSending = false;_inputMessage = "";}}// Enter键发送,Shift+Enter换行private async Task HandleKeyPress(KeyboardEventArgs e){if (e.Key == "Enter" && !e.ShiftKey){await SendMessage();}}
}

MudBlazor组件库：

项目使用MudBlazor构建现代化UI：

<!-- 卡片容器 -->
<MudPaper Elevation="2" Class="pa-4"><MudText Typo="Typo.h5">标题</MudText>
</MudPaper><!-- 输入框 -->
<MudTextField @bind-Value="value" Label="标签" Variant="Variant.Outlined" /><!-- 按钮 -->
<MudButton Variant="Variant.Filled" Color="Color.Primary">按钮</MudButton><!-- 头像 -->
<MudAvatar Color="Color.Primary">🧠</MudAvatar>

总结与展望

通过这个AI美女聊天群组项目，我们学习了：

  1. 大模型基础：理解LLM API、Function Calling和MCP协议
  2. 多智能体架构：掌握Handoff模式和Triage智能路由
  3. Agent Framework：使用AgentWorkflowBuilder构建Handoff工作流
  4. Aspire编排：通过.NET Aspire实现服务发现和统一启动
  5. Blazor WASM：前后端分离架构，完全客户端渲染
  6. 实战技巧：动态加载、状态管理、LiteDB持久化

参考资源

官方文档

  • Microsoft Agent Framework 文档
  • Agent Framework GitHub
  • Azure AI Foundry

国内平台

  • 阿里云百炼
  • DeepSeek API

示例代码

  • agent-groupchat 完整代码

如果这篇文章对你有帮助，欢迎点赞收藏！有任何问题也欢迎在评论区讨论。

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/949199.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

10/28

10/28

10/28今天在工程实训里学习了金属工艺加工，学习了java的相关网课
阅读更多...
大学四年的学费/生活费自足攻略

大学四年的学费/生活费自足攻略

1997年夏天带着通过亲戚朋友筹集的学费4000元踏上了北上兰州的旅程。我独自一人第一次穿越3000公里来到兰州，办好入学手续住进宿舍。虽然没有政和的老乡，但是有几位南平的老乡来找我，特别是建瓯话和政和话是一样的，…
阅读更多...
175天 隧道技术篇防火墙组策略FRPNPSChiselSocks代理端口映射C2上线

175天 隧道技术篇防火墙组策略FRPNPSChiselSocks代理端口映射C2上线

三种工具 frp/NPS/Chisel 不用过多的纠结去使用哪一款工具 frp的C2上线 解决的问题： 1.C2上线 2.实现信息收集（两个） 这边可以使用CS生成一个47.xx.xx.xx的后门，然后搭建frp后，进行上线 下面相当于是把端口映射出…
阅读更多...
10.28每日总结

10.28每日总结

今天的主要课程有人机交互技术，软件构造，软件企业文化。完成了上周机器学习的作业以及企业文化的报告，软考准备开始专精刷题里，加油！
阅读更多...
每日反思(2025_10_28)

每日反思(2025_10_28)

今天学了算法
阅读更多...
102302126李坤铭作业1

102302126李坤铭作业1

作业1 用requests和BeautifulSoup库方法定向爬取给定网址（http://www.shanghairanking.cn/rankings/bcur/2020 ）的数据，屏幕打印爬取的大学排名信息。 1）代码： 点击查看代码 import requests from bs4 import Bea…
阅读更多...
10月28日日记

10月28日日记

1.今天进行工程实训 2.明天学习马哲 3.负载因子为什么通常设置为0.75？
阅读更多...
【大模型应用开发】之本地部署大模型

【大模型应用开发】之本地部署大模型

本地部署本地部署一般是在自己的服务器上部署，但这里以本地电脑进行部署为例，由于电脑配置远远无法支持大模型配置要求，届时部署下来的也是阉割版的。本地部署一种方案就是ollama，官方地址:https://ollama.com访问…
阅读更多...
link元素的用法及HTML样板

link元素的用法及HTML样板

本人学习时候很容易额外扩展，因为很多次见到同一个熟悉但不了解的代码或用法我会很难受，所以我把基本用法都列出来了，看起来会很冗杂（因为不仅不同文章重复，相同文章我也在重复-.-），但结合实例来回对比查阅让我…
阅读更多...
Raft 一致性算法简介

Raft 一致性算法简介

引言与背景 分布式系统中，为了在 非拜占庭故障（如节点宕机或网络分区）情况下保持数据一致性，往往需要分布式共识算法来确保多个副本状态统一 。长期以来，Leslie Lamport 提出的 Paxos 算法 一直是这一领域的代表…
阅读更多...
10月28号

10月28号

今天上午进行了铁道认知实训
阅读更多...
URL验证绕过速查表：全面解析SSRF与CORS绕过技术

URL验证绕过速查表：全面解析SSRF与CORS绕过技术

本文详细介绍了PortSwigger最新发布的URL验证绕过速查表工具，涵盖域名混淆、伪相对URL、环回地址编码等核心技术，帮助安全测试人员快速生成绕过payload，有效检测SSRF、CORS配置错误等漏洞。介绍URL验证绕过速查表 U…
阅读更多...
https://avoid.overfit.cn/post/44c8d547475340d59aa4480f634ea67f

https://avoid.overfit.cn/post/44c8d547475340d59aa4480f634ea67f

现在的 Agent 系统有个很明显的问题 —— 会话一结束，什么都忘了。 这不是个技术缺陷，但是却限制了整个系统的能力边界。Agent 可以做推理、规划、执行复杂任务，但就是记不住之前发生过什么。每次对话都像是第一次见…
阅读更多...
23题黄金分割

23题黄金分割

某同学在学习了黄金分割后对于黄金分割产生了浓厚的兴趣，于是他开始探究有关黄金分割的相关性质，请你帮助他完成以下任务。【任务一】作一个黄金分割 （1）如图， \(BC \perp AB\)， \(BC = \frac{1}{2} AB\)，作 \(…
阅读更多...
记录一次成功的springboot2

记录一次成功的springboot2

pom文件<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"x…
阅读更多...
算法学习-素数筛法【埃氏筛法、线性筛法】

算法学习-素数筛法【埃氏筛法、线性筛法】

普通筛法: 核心思路: 使用一个布尔数组记录此数是否为素数, 从2~n便利, 如果是此数记录为素数 向后维护数组,此素数的K倍均为非素数,直到大于n. ^时间复杂度O(nlogn) 便利+维护 埃式筛法 初式: 同线性筛法,依次遍历向后…
阅读更多...
日总结 19

日总结 19

C#是基于.NET框架的托管语言，由CLR（公共语言运行时）负责自动内存管理（垃圾回收），开发效率高，更适合快速构建Windows应用、Web服务、Unity游戏等上层应用，编译后生成中间语言（IL），跨平台依赖.NET Core/5+；而…
阅读更多...
Day 18

Day 18

复习日：把散落的知识点，织成可落地的网 原本计划学新内容，可翻了翻最近的笔记，发现二叉树遍历、MySQL查询、离散图论的知识点像散落在抽屉里的零件——单独看都认识，凑到一起却不知道怎么联动。索性花一天时间复盘…
阅读更多...
Jenkins Share Library教程 —— 企业级 Jenkins Shared Library 实战示例

Jenkins Share Library教程 —— 企业级 Jenkins Shared Library 实战示例

写在前面 好久不见～最近状态稍缓，更新也慢了些，这篇文章同样让大家等了挺久，先跟大家说声抱歉。 如果你认真读了前面几篇，还跟着实践了，那到这里，咱们就要正式开启真正的 “进阶阶段” 啦！ 确实，大多数公司内…
阅读更多...
STM32之fromelf生成bin和反汇编文件

STM32之fromelf生成bin和反汇编文件

介绍一下STM32之fromelf生成bin和反汇编文件的命令。一、生成bin文件 fromelf --bin -o UWBStation.bin UWBStation/UWBStation.axf或者 fromelf --bin -o "@L.bin" "#L"二、生成反汇编文件 frome…
阅读更多...
最新文章

Copyright @ 2022~2023