登录社区云,与社区用户共同成长
邀请您加入社区
本文介绍了大模型开发的基础环境搭建流程,重点讲解如何在MacOS上安装Miniconda并配置Python环境。文章强调深度学习项目依赖稳定的基础环境(Python、包管理、PyTorch、GPU支持),并通过详细步骤指导读者完成Miniconda下载、校验、安装及验证。内容包括: Miniconda安装:从官网下载安装包,校验SHA-256哈希值确保安全性,通过终端命令完成安装并初始化conda
以下文章中涉及http协议的内容。https://blog.csdn.net/sjwnghuoyuelaiyu/article/details/155565729?spm=1011.2124.3001.6209右键后点击检查,进入开发者工具(或者F12)。以部署到本地的禅道为例,抓取登录请求,在登录前打开开发者工具。找到请求方法为post的包,点击可以查看请求报文和响应报文。查看请求头中的Cont
Rich库配置与PyCharm终端颜色显示指南 配置经验: 推荐创建全局虚拟环境(global_venv)并安装Rich,便于所有项目共用 PyCharm配置关键:新建项目时选择现有解释器,指向global_venv路径 验证方法:python -c "from rich import print;print('[green]OK[/green]')" 终端颜色显示: 终端(T
是由公司(Claude 大模型的开发者)推出的,核心是一个,能直接操作你的代码库、自主完成完整开发任务。
本文档详细介绍了商业AI代理项目的全流程开发规范,涵盖技术架构、环境配置、开发流程、API设计、部署运维、安全管理等核心内容。项目采用Python 3.9+和FastAPI框架,集成LangChain、SQLite等技术栈,包含Agent核心模块、工具系统、商业功能等组件。文档提供了从开发环境设置到生产部署的完整指南,包括数据库初始化、代码规范、性能优化、团队协作流程等具体实施方案,并附有详细的故
本文系统介绍了Python中的错误(Error)与异常(Exception)处理。错误指语法问题,必须修正代码;异常是运行时问题,可通过try-except捕获处理。文章详细讲解了异常处理机制,包括:捕获指定异常类型、获取异常信息、多异常处理、try-except-else-finally完整结构、手动抛出异常(raise)、异常传递机制以及自定义异常类实现。通过丰富代码示例演示了各种异常处理场景
本文探讨了如何通过提示工程抑制大语言模型的幻觉现象并建立反思机制。以通义千问为例,介绍了两种核心技巧:1)幻觉抑制,通过明确要求模型"不知道就说不知道"和引用可靠来源,避免无根据回答;2)反思机制,引导模型对自身回答进行检查修正。通过对比实验展示了带反思机制的Prompt能显著提升回答的严谨性,如对蓬莱仙岛问题的回答从简单"不知道"扩展为包含详细论证的结论。
本文摘要:大模型参数调整是优化生成效果的关键,主要包括四个核心参数:temperature(控制输出随机性,值越高越具创造性)、top_p(核采样概率,平衡多样性与合理性)、max_tokens(限制生成文本长度)和stop(指定停止词)。通过通义千问API的对比实验显示,随着temperature值升高(0.1-1.9),模型回答从保守标准逐渐变得更具创意和多样性。参数调整时建议优先选择temp
java -jarspring-boot-maven-plugin重打包:把普通jar变成fat jar,把依赖、加载器、我们的代码按特定结构组织;JarLauncher启动:创建自定义的LaunchedURLClassLoader,加载嵌套的jar包;调用我们的启动类:用自定义类加载器加载Start-Class,执行main方法,启动Spring Boot应用。理解这些机制,不是为了“炫技”,而
程序运行的入口是main方法,当我们使用java Hello命令,虚拟机就可以根据Hello.class文件中的main方法,来运行程序。JAR(Java Archive)文件是一种打包文件格式,它允许你将多个 Java 类文件、相关的元数据和资源(如文本、图片等)打包到一个单一的文件中,以便于分发和部署。元数据主要指的是清单文件(MANIFEST.MF) ,这是一个可选文件,用来提供关于jar文
本报告基于 2026 年 3 月的最新信息,详细阐述 Claude Code(Anthropic 的终端 AI 编程助手)在 Windows 系统上的安装和使用步骤,以及如何配置国内模型 GLM(智谱 AI)和 DeepSeek(深度求索)以替换官方 Anthropic API。Claude Code 支持无缝接入兼容 API 的模型,提供高效的编程辅助。配置 GLM 和 DeepSeek 可以显
本文介绍了如何调用通义千问和DeepSeek两大AI模型的API接口。主要内容包括:1)注册账号与获取API密钥的详细步骤;2)API调用流程解析,包括请求地址、参数设置和响应处理;3)使用Python requests库实现简单问答功能的代码示例。文章通过具体代码展示了如何与两大模型交互,并解析返回的JSON格式结果。开发者可参考本文快速接入这些先进的AI服务,将其语言处理能力集成到自己的应用中
(1)管理员模块:系统中的核心用户是管理员,管理员登录后,通过管理员功能来管理后台系统。主要功能有:首页、个人中心、用户管理、食谱分类管理、食谱信息管理、一周食谱健康安排管理、材料信息管理、美食论坛分享、系统管理、调用AI第三方文心一言等功能。(2)用户:首页、个人中心、我的收藏管理、美食论坛等功能。
核心表包括users(用户表)、repair_orders(维修订单表)、payments(支付记录表)、reviews(评价表)。使用MySQL或PostgreSQL作为关系型数据库,通过Flask-Migrate实现数据库迁移。前端使用Vue CLI创建项目,通过npm安装axios、vue-router等依赖。通过RESTful API设计接口规范,使用Flask-RESTful或Flask
目标读者:没有 MCP 基础,但会一点 Python。
1、定义了一个需要两个参数的函数def print_str(first, second):print firstprint secondif __name__ == "__main__":print_str("hello", "world")如果传一个参数调用,print_str("hello"),那么一定会抛出异常的明确告诉你需要准确的两个参数,现...
异步HTTP客户端/服务器框架(常与asyncio、aiohappyeyeballs组合)。:数值计算库,支持多维数组操作(与pandas、matplotlib组合)。:模板引擎,用于动态生成HTML(常与Flask、Django搭配)。:同步HTTP请求库(与beautifulsoup4、lxml组合)。:数据清洗与分析工具(常与numpy、matplotlib结合)。:HTML/XML解析(与
实现RESTful API接口:用户注册登录(/api/auth)、药品列表(/api/medicines)、购物车操作(/api/cart)、订单管理(/api/orders)。构建Vue组件:首页展示(MedicineList)、药品详情(MedicineDetail)、购物车(ShoppingCart)、结算页面(Checkout)。创建核心数据表:用户表(users)、药品表(medici
本文分享了在Windows下优化PyCharm终端环境的实战经验,重点解决CMD假激活、环境污染和C++编译链缺失等问题。作者通过将VS2022编译环境、PowerShell7和Clink工具整合,提供了一键配置方案:在PyCharm终端设置中注入特定命令链,实现真实虚拟环境激活、自动补全和注释支持。文中详细解析了命令原理,特别强调了引号处理和符号避坑技巧,并给出验证方法。该方案有效解决了AI开发
PyCharm 2025.x全新升级:统一版本与智能开发体验 JetBrains推出的PyCharm 2025.x版本进行了重大革新,将社区版和专业版合并为统一产品。新版本提供30天Pro功能免费试用,核心功能(包括Jupyter Notebook支持)永久免费。专业开发者可订阅解锁Web框架支持、数据库工具等高级功能。 该IDE具备智能代码补全、实时分析、高效导航等核心功能,并深度集成版本控制、
本文介绍了5个提升PyCharm开发效率的必备插件:Chinese(中文汉化)、Translation(实时翻译)、IndentRainbow(缩进可视化)、RainbowBrackets(括号层级标记)和CodeGlancePro(代码地图)。这些插件能帮助开发者快速上手、提高代码可读性、减少低级错误,特别适合Python新手。文章详细说明了每个插件的功能、适用场景和安装方法,推荐组合使用以最大
《AI编程范式革命:从辅助工具到认知协作者的跃迁》 本文系统性地探讨了AI编程技术的范式转变及其对开发实践的深层影响。研究揭示了五个关键发现: 编程范式正经历从"手动实现"到"智能引导"的根本性转变,AI从被动工具演变为主动协作者,实现了抽象层与实现层的分离。 代码智能呈现五个能力层级的发展路径,最高级的L5目标导向型AI已能实现从业务需求到技术方案的端到端
PyCharm 是一款功能强大的 Python 编辑器,具有跨平台性。pycharm是Jetbrains家族中的一个明星产品,Jetbrains开发了许多好用的编辑器,包括Java编辑器(IntelliJ IDEA)、JavaScript编辑器(WebStorm)、PHP编辑器(PHPStorm)、Ruby编辑器(RubyMine)、C和C++编辑器(CLion)、.Net编辑器(Rider)、i
从调用上来讲,我们看到不管使用构造方法,还是使用from_message(),messages参数的类型都是列表,但是列表的元素的类型是多样的,元素可以是:字符串类型、字典类型、消息类型、元组构成的列表(最常用、最简单、最基础)、Chat提示词模板类型、消息提示词模板类型。本质:不管使用构造方法、还是使用from_message()来创建ChatPromptTemplate的实例,本质上来讲,传入
摘要: ClaudeCode是Anthropic基于ClaudeSonnet模型开发的AI编程工具,支持命令行与主流IDE(如VSCode、JetBrains系列)集成,通过自然语言指令提升开发效率。安装时需通过插件或终端命令连接IDE,并提供常用指令如代码修复(/bug)、权限跳过(--dangerously-skip-permissions)等实用功能。操作技巧包括Shift+Enter换行、
本文介绍了LangChain中的消息类型和使用方法。主要内容包括: 消息类型:SystemMessage(设定AI行为)、HumanMessage(用户输入)、AIMessage(AI回复)等常用类型,以及FunctionMessage/ToolMessage等特殊类型。 调用方法:同步调用(invoke)、流式调用(stream)、批量调用(batch)及其异步版本。 PromptTemplat
更贴心的是,它会生成“填补记录表”,让你清楚知道哪些数据是“补”的,避免“数据造假”的嫌疑。选错方法,结论可能“差之毫厘,谬以千里”。书匠策AI的“方法推荐引擎”就像一位“学术军师”,能根据你的数据类型和研究目标,精准推荐分析方法。,微信公众号搜一搜“书匠策AI”)通过智能清洗、方法推荐、动态图表三大核心功能,让数据分析从“技术苦力”变成“创作乐趣”,让每一位教育研究者都能轻松打造令人印象深刻的学
LangChain是一个帮助开发者构建大型语言模型(LLM)应用的框架,提供标准接口连接多种数据源和模型。其优势包括:实时数据增强、模型互操作性、快速原型开发和生产级功能。LangChain生态系统还包括LangGraph、LangSmith等工具,支持复杂任务处理和应用监控。相比其他框架如LlamaIndex和Semantic Kernel,LangChain更适合复杂任务分解。使用场景涵盖文档
本文介绍了一个基于Flask框架和CozeAI平台的轻量级AI聊天机器人开发项目。项目采用前后端一体化架构,包含4个核心文件:后端代码(app.py)、前端页面(index.html)、环境配置(.env)和依赖清单(requirements.txt)。后端实现了CozeAI交互封装、会话状态管理和API接口,前端使用原生HTML/CSS/JavaScript构建了响应式聊天界面。文章详细解析了代
AI 时代的浪潮,似乎裹挟着我们每个人都“懂点 AI”才不会被时代所抛弃。如果你在网络上搜索 AI 学习,一定跳不过的一个词就是 深度学习。无论是图像识别、自然语言处理,还是大模型应用背后的训练机制,深度学习是这套体系的基础。
通过这个脚本,能够简便地启动、停止、查询状态和重启 Java 应用。脚本的优化使得它更加健壮,便于维护和扩展。如果需要为不同的 Java 应用编写类似的脚本,记得调整脚本中的参数和应用逻辑。说真的,这两年看着身边一个个搞Java、C++、前端、数据、架构的开始卷大模型,挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis,稳稳当当过日子。结果GPT、DeepSeek火了
1、创建shell脚本2、复制以下内容修改自己jar包的文件名和路径3、启动好了 ,到这里估计你的项目应该已经运行成功了!说真的,这两年看着身边一个个搞Java、C++、前端、数据、架构的开始卷大模型,挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis,稳稳当当过日子。结果GPT、DeepSeek火了之后,整条线上的人都开始有点慌了,大家都在想:“我是不是要学大模型,
本项目围绕“牧场产犊事件智能监控”核心目标,整合萤石云摄像头定时截图与火山引擎多模态AI识别两大核心能力,构建了从“硬件视频流采集→AI智能识别→结果持久化存储→审计日志记录”的完整解决方案。项目采用Python开发,覆盖设备管理、定时任务、API对接、异常处理、数据存储等全环节,最终实现产犊事件的自动化识别、记录与追溯,有效降低人工监控成本,提升牧场管理数字化水平。把一个困难问题拆解成多个简单问
本文详细介绍了2026最新版JetBrains PyCharm的安装和使用指南。首先指导用户从官网下载安装包,然后分步骤说明安装过程中的关键选项设置,包括创建快捷方式、关联Python文件等。安装完成后,演示了如何创建和运行Python脚本,从系统自带示例到自定义"Hello World"程序。文章还提醒用户需先安装Python解释器才能正常运行PyCharm,并提供了相关教程
如果未自动检测到,可以点击 "Python Interpreter" 下拉框旁的齿轮图标,手动指定你安装的 Python.exe 的路径。安装 JetBrains 公司推出的强大 Python 集成开发环境(IDE)—— PyCharm,以提高开发效率。(将 PyCharm 添加到 PATH):可选,这样可以从命令行直接启动 PyCharm。如果之前正确安装了 Python,PyCharm 通常会
摘要:本文详细解决PyCharm2025配置Conda环境时出现的lateinit property envs has not been initialized错误。通过验证Conda安装状态、检查版本兼容性、正确配置PyCharm中的Conda环境路径(推荐使用_conda.exe而非conda.bat)以及检查系统环境变量,逐步排查问题根源。特别提示从命令行验证开始排查,并提供Windows环
摘要: RAG-Fusion 是一种改进的检索增强生成(RAG)技术,通过多查询生成和反向排名融合(RRF)解决传统RAG的漏检和排序不准问题。其核心优势包括更高的召回率、更准的排序和更强的鲁棒性,适用于复杂问题(如多维度查询)。然而,RAG-Fusion面临计算成本高、查询生成依赖大模型质量、存储压力大等挑战。优化方案包括控制查询数量、并行检索、约束性提示工程、结果去重等,以平衡性能与效率。适用
本文介绍了如何在主流IDE中集成Gitee进行Git版本控制操作。首先讲解了Git的安装配置方法,然后详细说明了VSCode、JetBrains系列IDE和Eclipse三种开发环境中连接Gitee仓库、日常代码提交推送和分支管理的具体步骤。文章强调IDE图形界面操作的高效性,同时也指出命令行在诊断问题和处理复杂情况时的重要性,建议开发者结合使用IDE和命令行工具,形成高效的工作流程。通过掌握这些
最近想使用LangChain写个 Agent 玩玩,因为通义千问有免费 Token 额度,就想拿它练手。结果发现相关资料太碎了,有的说要装这个包,有的代码跑起来报找不到类。我把这几天的自学成果整理了一下:从去哪里领免费 Token,到怎么写配置文件,再到最后写出一个能自动查天气的 Agent 实例。
【摘要】EPGF白皮书提出了一套面向Windows系统的Python环境治理框架,通过路径管理实现多版本共存与长期稳定。该方案采用分层结构设计(如/envs统一管理Python版本、/Projects隔离项目环境),强调先建立清晰架构再引入工具链。教程采用渐进式学习路径,从GUI操作到核心概念,帮助用户建立可持续维护的环境秩序。特别适用于教学开发、AI项目等需要长期环境稳定的场景,最终形成可迁移、
LangChain 学习 - Langchain Model IO(环境安装、大模型应用开发、模型分类、模型消息)
LlamaIndex是一个专门为LLM应用设计的数据框架,提供了构建、索引和结构化数据的完整工具链。数据连接器:支持多种数据源(PDF、文档、数据库、API等)高效索引:语义检索和向量索引的优化实现查询引擎:强大的问答和对话功能RAG技术为大规模应用开发提供了强大的工具,它既保留了大模型的强大生成能力,又通过外部知识库的检索机制解决了幻觉、时效性等问题。通过LlamaIndex等框架,开发者可以快
本文介绍了使用PyCharm搭建大模型API接口的完整流程。主要内容包括:1)通过OpenAI库和requests库两种方式调用大模型API;2)查看和展示硅基流动平台可用模型列表的方法;3)实现求职岗位查询系统的实战案例。文章提供了详细的代码示例,涵盖API密钥配置、请求发送、响应处理和错误管理等关键技术点,并展示了如何将模型列表以表格形式展示。实验基于Qwen2.5-7B-Instruct免费
本方案用于解决 Windows 本地主机与 Linux 远程服务器**不在同一局域网(WiFi)**下的连接问题。通过Tailscale组建虚拟局域网,使 PyCharm 能够像在本地一样调用远程 Linux 的算力和环境运行代码。将不同wifi的两台设备分配到同一网段下可以使用SSH等功能。
《工业级AI视觉系统开发实录:从Python到嵌入式部署的完整实践》 本文分享了一个历时8个月开发的工业级AI视觉系统项目经验。该系统基于RK3588边缘计算平台,整合了YOLO目标检测、多路视频流调度、WebRTC实时推流和MQTT消息通知等技术栈。核心创新点在于将Python项目编译为高性能ARM二进制文件的技术方案(Nuitka+GCC),解决了知识产权保护、性能优化和依赖固化等产品化难题。
摘要:AI技术正在革新移动应用跨设备测试领域,有效解决设备碎片化、系统版本差异等传统痛点。通过智能设备调度、自适应脚本生成和视觉异常检测三大核心技术,AI可将测试覆盖率提升至93%,人力成本降低35%。典型案例显示,某银行APP引入AI测试后崩溃率降至0.08%。未来趋势将向用户体验保障演进,测试工程师需掌握AI工具以构建智能质量体系。该技术预计2026年将辅助超40%的移动测试任务。