【智能Agent场景实战指南 Day 11】财务分析Agent系统开发

文章标签

AI Agent,财务分析,LLM应用,智能财务,Python开发

文章简述

本文是"智能Agent场景实战指南"系列第11篇，聚焦财务分析Agent系统的开发。文章深入解析如何构建一个能够自动处理财务报表、识别财务风险并提供决策建议的智能Agent。内容包括：财务分析场景的特殊性分析、基于LangChain的财务数据处理框架设计、财务报表解析与趋势预测的核心算法实现、风险预警系统的开发方法，以及与企业ERP系统的集成方案。通过一个完整的上市公司财务分析案例，展示如何从原始数据到生成专业分析报告的全流程实现。开发者将掌握构建专业级财务分析Agent的关键技术，包括多源数据整合、财务指标计算模型、自然语言报告生成等核心能力。

开篇

欢迎来到"智能Agent场景实战指南"系列第11天！今天我们将深入探讨财务分析Agent系统的开发。在数字化转型浪潮中，财务分析作为企业决策的核心环节，正面临数据处理量大、分析维度复杂、时效性要求高等挑战。智能Agent技术通过自动化数据采集、智能指标计算和自然语言报告生成，能够显著提升财务分析的效率和深度。

本篇文章将带您从零构建一个专业的财务分析Agent，涵盖从基础数据清洗到高级风险预测的完整技术栈。您将学习到：

  1. 如何解析结构化和非结构化财务数据
  2. 财务指标计算的核心算法实现
  3. 基于大语言模型的财务报告自动生成技术
  4. 与企业现有财务系统的集成方案

场景概述

业务价值

财务分析Agent能够为企业带来以下价值：

  • 效率提升：自动化处理90%以上的常规分析工作，分析师可聚焦战略性问题
  • 风险预警：实时监控财务健康度，提前发现潜在风险
  • 决策支持：提供数据驱动的投资和运营建议
  • 报告生成：自动生成符合监管要求的专业分析报告

技术挑战

构建财务分析Agent面临以下技术难点：

  1. 多源数据整合：需要处理Excel、PDF、数据库等多种格式的财务数据
  2. 专业领域理解：要求Agent掌握会计原理和财务分析专业知识
  3. 时序数据分析：财务数据具有强时序特性，需要特殊处理
  4. 解释性要求：分析结果需要可解释的推导过程，不能是"黑箱"

技术原理

财务分析Agent的核心技术栈包含以下层次：

  1. 数据采集层：通过OCR和API集成获取原始财务数据
  2. 数据处理层：使用Pandas进行财务数据清洗和标准化
  3. 分析引擎层：实现财务比率计算、趋势分析和预测模型
  4. 报告生成层：利用LLM生成结构化分析报告
  5. 交互接口层：提供自然语言查询和可视化展示

关键技术原理：

  • 财务指标计算：基于杜邦分析体系的核心算法
  • 异常检测：采用时间序列分解(STL)和统计过程控制(SPC)
  • 报告生成：使用Few-shot prompting引导LLM输出专业分析

架构设计

财务分析Agent的系统架构分为以下模块：

Financial Analysis Agent System
├── Data Connectors
│   ├── ERP API Adapter
│   ├── Excel/PDF Parsers
│   └── Database Connector
├── Core Engine
│   ├── Data Preprocessing
│   ├── Financial Ratios Calculator
│   ├── Trend Analysis Module
│   └── Risk Assessment
├── LLM Interface
│   ├── Report Generator
│   └── Q&A System
└── Integration Layer
├── Notification Service
└── Visualization Dashboard

各组件协作流程：

  1. 数据连接器从不同源获取原始数据
  2. 核心引擎进行指标计算和风险分析
  3. LLM接口生成自然语言报告和回答查询
  4. 集成层将结果推送到业务系统

代码实现

以下是财务分析Agent的核心实现代码：

import pandas as pd
import numpy as np
from langchain.agents import AgentType, initialize_agent
from langchain.chat_models import ChatOpenAI
from langchain.tools import Tool
from typing import Dict, Listclass FinancialDataProcessor:
"""财务数据预处理模块"""def __init__(self, raw_data: pd.DataFrame):
self.data = raw_datadef clean_data(self) -> pd.DataFrame:
"""数据清洗：处理缺失值和异常值"""
# 填充缺失值
self.data = self.data.interpolate()
# 去除极端值
for col in self.data.select_dtypes(include=np.number).columns:
q1 = self.data[col].quantile(0.25)
q3 = self.data[col].quantile(0.75)
iqr = q3 - q1
self.data = self.data[
(self.data[col] >= q1 - 1.5*iqr) &
(self.data[col] <= q3 + 1.5*iqr)
]
return self.datadef calculate_ratios(self) -> Dict[str, float]:
"""计算关键财务指标"""
ratios = {}
# 盈利能力指标
ratios['gross_margin'] = self.data['gross_profit'].sum() / self.data['revenue'].sum()
ratios['roa'] = self.data['net_income'].sum() / self.data['total_assets'].mean()
# 偿债能力指标
ratios['current_ratio'] = self.data['current_assets'].mean() / self.data['current_liabilities'].mean()
# 运营效率指标
ratios['inventory_turnover'] = self.data['cogs'].sum() / self.data['inventory'].mean()
return ratiosclass FinancialAnalystAgent:
"""财务分析Agent主类"""def __init__(self, llm_model="gpt-4"):
self.llm = ChatOpenAI(model=llm_model, temperature=0)
self.tools = self._setup_tools()
self.agent = initialize_agent(
tools=self.tools,
llm=self.llm,
agent=AgentType.OPENAI_FUNCTIONS,
verbose=True
)def _setup_tools(self) -> List[Tool]:
"""配置Agent工具集"""
return [
Tool(
name="calculate_financial_ratios",
func=self._calculate_ratios,
description="""
计算财务比率。输入应为包含以下字段的JSON：
{
"revenue": 营业收入,
"gross_profit": 毛利,
"net_income": 净利润,
"total_assets": 总资产,
"current_assets": 流动资产,
"current_liabilities": 流动负债,
"cogs": 营业成本,
"inventory": 存货
}
"""
),
Tool(
name="generate_financial_report",
func=self._generate_report,
description="生成财务分析报告。输入应为财务比率JSON"
)
]def _calculate_ratios(self, input_json: str) -> Dict:
"""财务比率计算工具"""
data = pd.read_json(input_json)
processor = FinancialDataProcessor(data)
return processor.calculate_ratios()def _generate_report(self, ratios: Dict) -> str:
"""报告生成工具"""
prompt = f"""
你是一名资深财务分析师，请基于以下财务指标生成专业分析报告：
{ratios}报告需包含以下部分：
1. 盈利能力分析
2. 偿债能力评估
3. 运营效率评价
4. 综合建议使用专业术语但保持易于理解，关键指标用【】标出。
"""
return self.llm.predict(prompt)def analyze(self, query: str) -> str:
"""执行财务分析"""
return self.agent.run(query)# 使用示例
if __name__ == "__main__":
# 模拟财务数据
financial_data = {
"revenue": [1000, 1200, 1100, 1300],
"gross_profit": [400, 480, 440, 520],
"net_income": [100, 120, 110, 130],
"total_assets": [2000, 2100, 2050, 2150],
"current_assets": [800, 850, 820, 880],
"current_liabilities": [400, 420, 410, 430],
"cogs": [600, 720, 660, 780],
"inventory": [300, 320, 310, 330]
}agent = FinancialAnalystAgent()
query = "请分析以下财务数据并生成报告：" + str(financial_data)
report = agent.analyze(query)
print(report)

关键功能

1. 财务数据解析

实现多格式财务数据统一处理：

class FinancialDataParser:
"""多源财务数据解析器"""@staticmethod
def parse_excel(file_path: str) -> pd.DataFrame:
"""解析Excel格式财务报表"""
return pd.read_excel(file_path, sheet_name='Balance Sheet')@staticmethod
def parse_pdf(file_path: str) -> pd.DataFrame:
"""解析PDF财报(需要OCR支持)"""
import pdfplumber
with pdfplumber.open(file_path) as pdf:
text = "\n".join(page.extract_text() for page in pdf.pages)
# 使用正则表达式提取关键数据
import re
pattern = r"营业收入\s+([\d,]+)"
matches = re.findall(pattern, text)
return pd.DataFrame({'revenue': [float(m.replace(',','')) for m in matches]})

2. 趋势分析与预测

实现基于时间序列的财务预测：

from statsmodels.tsa.arima.model import ARIMAclass FinancialTrendAnalyzer:
"""财务趋势分析模块"""def __init__(self, data: pd.DataFrame):
self.data = data.set_index('period')def predict(self, target_column: str, periods: int = 4) -> pd.DataFrame:
"""预测未来periods期的财务指标"""
model = ARIMA(self.data[target_column], order=(1,1,1))
model_fit = model.fit()
forecast = model_fit.forecast(steps=periods)
return pd.DataFrame({
'period': pd.date_range(
start=self.data.index[-1],
periods=periods+1,
freq='Q'
)[1:],
target_column: forecast
})

3. 风险预警系统

实现财务风险实时监测：

class RiskMonitor:
"""财务风险监测系统"""RISK_THRESHOLDS = {
'current_ratio': 1.5,
'debt_to_equity': 0.7,
'interest_coverage': 3.0
}def check_risks(self, ratios: Dict) -> Dict:
"""检查财务风险点"""
alerts = {}
for metric, threshold in self.RISK_THRESHOLDS.items():
if metric in ratios and ratios[metric] < threshold:
alerts[metric] = {
'value': ratios[metric],
'threshold': threshold,
'severity': self._calculate_severity(
ratios[metric], threshold
)
}
return alertsdef _calculate_severity(self, value: float, threshold: float) -> str:
"""计算风险严重程度"""
deviation = (threshold - value) / threshold
if deviation > 0.3:
return 'critical'
elif deviation > 0.1:
return 'warning'
return 'notice'

测试与优化

测试方法

  1. 数据质量测试：验证数据清洗效果
def test_data_cleaning():
test_data = pd.DataFrame({
'revenue': [100, 120, None, 130],
'cost': [60, 80, 70, None]
})
processor = FinancialDataProcessor(test_data)
cleaned = processor.clean_data()
assert cleaned.isna().sum().sum() == 0
print("数据清洗测试通过")
  1. 指标计算测试：验证财务公式正确性
def test_ratio_calculation():
test_data = pd.DataFrame({
'revenue': [100],
'gross_profit': [40],
'current_assets': [80],
'current_liabilities': [40]
})
processor = FinancialDataProcessor(test_data)
ratios = processor.calculate_ratios()
assert abs(ratios['gross_margin'] - 0.4) < 0.01
assert abs(ratios['current_ratio'] - 2.0) < 0.01
print("指标计算测试通过")

性能优化

  1. 缓存机制：对重复查询进行缓存
from functools import lru_cacheclass CachedAnalyst(FinancialAnalystAgent):
"""带缓存的财务分析Agent"""@lru_cache(maxsize=100)
def analyze(self, query: str) -> str:
return super().analyze(query)
  1. 批量处理优化：
def batch_analyze(self, queries: List[str]) -> List[str]:
"""批量处理分析请求"""
from concurrent.futures import ThreadPoolExecutor
with ThreadPoolExecutor(max_workers=4) as executor:
return list(executor.map(self.analyze, queries))

案例分析：上市公司财务健康度评估

业务场景

某上市公司需要每季度自动生成财务健康度报告，包含：

  • 关键指标趋势分析
  • 行业对标分析
  • 风险点识别
  • 改进建议

Agent解决方案

  1. 数据准备：从SEC Edgar API获取历史财报
  2. 指标计算：计算20+核心财务指标
  3. 行业对标：从Bloomberg API获取行业基准
  4. 报告生成：按管理层偏好格式生成分析

实现代码

class CorporateFinanceAgent(FinancialAnalystAgent):
"""上市公司财务分析专用Agent"""def __init__(self, ticker: str):
super().__init__()
self.ticker = ticker
self.industry = self._get_industry()def _get_industry(self) -> str:
"""获取公司所属行业"""
from sec_api import EdgarClient
client = EdgarClient(api_key="your_api_key")
filings = client.get_filings(ticker=self.ticker)
return filings[0]['industry']def compare_with_peers(self) -> Dict:
"""与行业对标分析"""
peer_data = self._fetch_peer_data()
company_ratios = self._calculate_ratios(self._fetch_financials())
return {
metric: {
'company': company_ratios[metric],
'industry_avg': peer_data[metric]['avg'],
'percentile': self._calculate_percentile(
company_ratios[metric],
peer_data[metric]['values']
)
}
for metric in company_ratios
}def generate_health_report(self) -> str:
"""生成财务健康度报告"""
analysis = self.compare_with_peers()
return self._generate_report(analysis)# 使用示例
agent = CorporateFinanceAgent("AAPL")
report = agent.generate_health_report()
print(report)

实施建议

部署策略

  1. 分阶段实施：
  • 阶段1：实现基础财务报表分析
  • 阶段2：增加预测和风险预警功能
  • 阶段3：集成到企业BI系统
  1. 数据安全：
  • 财务数据加密存储
  • 实施严格的访问控制
  • 使用私有化部署的LLM
  1. 性能监控：
class PerformanceMonitor:
"""Agent性能监控"""def __init__(self, agent):
self.agent = agent
self.metrics = {
'response_time': [],
'accuracy': []
}def log_performance(self, query: str, expected: str):
"""记录性能指标"""
start = time.time()
response = self.agent.analyze(query)
elapsed = time.time() - startself.metrics['response_time'].append(elapsed)
self.metrics['accuracy'].append(
self._calculate_similarity(response, expected)
)def _calculate_similarity(self, text1: str, text2: str) -> float:
"""计算文本相似度"""
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer()
tfidf = vectorizer.fit_transform([text1, text2])
return (tfidf * tfidf.T).A[0,1]

集成方案

  1. ERP集成：
class ERPConsumer:
"""从ERP系统消费财务数据"""def __init__(self, erp_config):
self.connection = self._connect_erp(erp_config)def get_balance_sheet(self, period: str) -> pd.DataFrame:
"""获取资产负债表"""
query = f"""
SELECT * FROM balance_sheet
WHERE period = '{period}'
"""
return pd.read_sql(query, self.connection)
  1. BI可视化：
def generate_visualization(ratios: Dict):
"""生成财务指标可视化"""
import matplotlib.pyplot as plt
plt.figure(figsize=(10,6))
plt.bar(ratios.keys(), ratios.values())
plt.title('Financial Ratios Analysis')
plt.xticks(rotation=45)
plt.tight_layout()
return plt

总结

今天我们完成了财务分析Agent系统的完整开发，关键收获包括：

  1. 核心技术栈：掌握了财务数据处理、指标计算、风险分析和报告生成的全套技术方案
  2. 专业领域知识：学习了如何将会计原理转化为可计算的算法逻辑
  3. 系统集成：了解了如何与企业现有财务系统深度集成
  4. 实践方法：通过上市公司案例分析掌握了实际业务场景的应用方法

财务分析Agent的开发要点：

  • 准确理解各类财务指标的计算逻辑
  • 处理财务数据的时序特性
  • 确保分析结果的可解释性
  • 保持与企业会计准则的一致性

明天我们将探讨【Day 12】医疗咨询Agent的设计模式，学习如何构建符合医疗行业规范的智能咨询系统。医疗Agent在数据隐私、专业准确性和伦理合规方面有特殊要求，这将是一个极具挑战性的主题。

参考资料

  1. SEC Edgar API文档
  2. Pandas金融数据分析指南
  3. LangChain Agents官方文档
  4. 财务比率分析标准
  5. 时间序列预测方法

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.pswp.cn/news/914184.shtml
繁体地址，请注明出处：http://hk.pswp.cn/news/914184.shtml
英文地址，请注明出处：http://en.pswp.cn/news/914184.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

人工智能安全基础复习用：可解释性

人工智能安全基础复习用：可解释性

一、可解释性的核心作用1. 错误检测与模型改进发现模型的异常行为&#xff08;如过拟合、偏见&#xff09;&#xff0c;优化性能。例&#xff1a;医疗模型中&#xff0c;可解释性帮助识别误诊原因。2. 安全与可信性关键领域&#xff08;医疗、军事&#xff09;需透明决策&#…
阅读更多...
Qt：QCustomPlot类介绍

Qt：QCustomPlot类介绍

QCustomPlot的核心类就是QCustomPlot类。这个类继承自QWidget&#xff0c;因此可以像其他QWidget一样使用&#xff0c;比如放入布局中。QCustomPlot类基本结构一个QCustomPlot对象可以包含多个图层&#xff08;通过QCPLayer表示&#xff09;&#xff0c;通常使用默认图层。它包…
阅读更多...
Visual Studio 2022 上使用ffmpeg

Visual Studio 2022 上使用ffmpeg

目录 1. 添加包含目录 2. 添加库目录 3. 添加依赖项 4. 添加动态库目录 5. 测试 在解决方案中右击项目名称&#xff0c;弹出的窗口中选择 "属性"。 1. 添加包含目录 "C/C" -> "常规" -> "附加包含目录"中添加 ffmpeg中的…
阅读更多...
Elasticsearch 线程池

Elasticsearch 线程池

Elasticsearch 线程池「每个线程池到底采用哪种实现策略」&#xff1a;Elasticsearch 线程池&#xff08;ThreadPool&#xff09;中 **所有内置线程池名称的常量定义**。 每个字符串常量对应一个 **线程池的名字&#xff08;name&#xff09;**&#xff0c;也就是你在 Thread…
阅读更多...
深入理解 Next.js API 路由：构建全栈应用的终极指南

深入理解 Next.js API 路由：构建全栈应用的终极指南

Next.js 是一个强大的 React 框架&#xff0c;不仅支持服务端渲染&#xff08;SSR&#xff09;和静态站点生成&#xff08;SSG&#xff09;&#xff0c;还提供了内置的 API 路由功能&#xff0c;使开发者能够轻松构建全栈应用。传统的全栈开发通常需要单独搭建后端服务&#xf…
阅读更多...
【6.1.2 漫画分布式事务技术选型】

【6.1.2 漫画分布式事务技术选型】

漫画分布式事务技术选型 &#x1f3af; 学习目标&#xff1a;掌握架构师核心技能——分布式事务技术选型与一致性解决方案&#xff0c;构建高可靠的分布式系统 &#x1f3ad; 第一章&#xff1a;分布式事务模式对比 &#x1f914; 2PC vs 3PC vs TCC vs Saga 想象分布式事务就…
阅读更多...
液冷智算数据中心崛起，AI算力联动PC Farm与云智算开拓新蓝海（二）

液冷智算数据中心崛起，AI算力联动PC Farm与云智算开拓新蓝海（二）

从算法革新到基础设施升级&#xff0c;从行业渗透到地域布局&#xff0c;人工智能算力正以 “规模扩张 效率提升”双轮驱动中国数字经济转型。中国智能算力规模将在 2025 年突破 1000 EFLOPS&#xff0c;2028 年达到 2781.9 EFLOPS&#xff0c;五年复合增长率 46.2%&#xff0…
阅读更多...
《QtPy：Python与Qt的完美桥梁》

《QtPy：Python与Qt的完美桥梁》

QtPy 是什么 在 Python 的广袤编程宇宙中&#xff0c;当涉及到图形用户界面&#xff08;GUI&#xff09;开发&#xff0c;Qt 框架宛如一颗璀璨的明星&#xff0c;散发着独特的魅力。而 QtPy&#xff0c;作为 Python 与 Qt 生态系统交互中的关键角色&#xff0c;更是为开发者们开…
阅读更多...
ubuntu环境下调试 RT-Thread

ubuntu环境下调试 RT-Thread

调试 RT-Thread 下载源码 github 搜索 RT-Thread 下载源码 安装 python scons 环境 你已经安装了 kconfiglib&#xff0c;但 scons --menuconfig 仍然提示找不到它。这种情况通常是由于 Python 环境不一致 导致的&#xff1a;你在一个 Python 环境中安装了 kconfiglib&#xff…
阅读更多...
【数据结构初阶】--顺序表(二)

【数据结构初阶】--顺序表(二)

&#x1f525;个人主页&#xff1a;草莓熊Lotso &#x1f3ac;作者简介&#xff1a;C研发方向学习者 &#x1f4d6;个人专栏&#xff1a; 《C语言》 《数据结构与算法》《C语言刷题集》《Leetcode刷题指南》 ⭐️人生格言&#xff1a;生活是默默的坚持&#xff0c;毅力是永久的…
阅读更多...
Java中的方法传参机制

Java中的方法传参机制

1. 概述Java中的方法传参机制分为两种&#xff1a;值传递&#xff08;Pass by Value&#xff09; 和 引用传递&#xff08;Pass by Reference&#xff09;。然而&#xff0c;Java中所有的参数传递都是值传递&#xff0c;只不过对于对象来说&#xff0c;传递的是对象的引用地址的…
阅读更多...
C++——this关键字和new关键字

C++——this关键字和new关键字

一、this 关键字1. 什么是 this&#xff1f;this 是 C 中的一个隐式指针&#xff0c;它指向当前对象&#xff08;即调用成员函数的对象&#xff09;&#xff0c;在成员函数内部使用&#xff0c;用于引用调用该函数的对象。每个类的非静态成员函数内部都可以使用 this。使用 thi…
阅读更多...
Python中类静态方法：@classmethod/@staticmethod详解和实战示例

Python中类静态方法：@classmethod/@staticmethod详解和实战示例

在 Python 中&#xff0c;类方法 (classmethod) 和静态方法 (staticmethod) 是类作用域下的两种特殊方法。它们使用装饰器定义&#xff0c;并且与实例方法 (def func(self)) 的行为有所不同。1. 三种方法的对比概览方法类型是否访问实例 (self)是否访问类 (cls)典型用途实例方法…
阅读更多...
FastGPT革命：下一代语言模型的极速进化

FastGPT革命：下一代语言模型的极速进化

本文深度解析FastGPT核心技术架构&#xff0c;涵盖分布式推理、量化压缩、硬件加速等前沿方案&#xff0c;包含完整落地实践指南&#xff0c;助你掌握大模型高效部署的终极武器。引言&#xff1a;当大模型遭遇速度瓶颈2023年&#xff0c;ChatGPT引爆全球AI热潮&#xff0c;但企…
阅读更多...
Geant4 安装---Ubuntu

Geant4 安装---Ubuntu

安装工具 C/C工具包 sudo apt install build-essentialCmake sudo apt install -y cmakeccmake sudo apt install -y cmake-curses-gui安装Qt可视化工具(不需要可视化可以不安装) sudo apt-get install qtbase5-dev qtchooser qt5-qmake qtbase5-dev-tools qtcreator 安装Ope…
阅读更多...
Spring Boot中请求参数读取方式

Spring Boot中请求参数读取方式

目录 一、前言 二、六种参数读取方式 1.RequestParam 2.PathVariable 3.RequestBody 4.RequestHeader 5.CookieValue 6.MatrixVariable 三、对比和搭配 1.适用方法类型及建议使用场景 2.建议使用的请求路径注解 3. 多种参数同时使用 4.同一请求不同方案&#xff1f…
阅读更多...
2025华为OD机试真题最新题库 (B+C+D+E+2025A+2025B卷) + 在线OJ在线刷题使用（C++、Java、Python C语言 JS合集）（正在更新2025B卷，目前已收录710道）

2025华为OD机试真题最新题库 (B+C+D+E+2025A+2025B卷) + 在线OJ在线刷题使用（C++、Java、Python C语言 JS合集）（正在更新2025B卷，目前已收录710道）

2025年&#xff0c;已经开始使用AB卷题库&#xff0c;题目和往期一样&#xff0c;旧题加新题的组合&#xff0c;有题目第一时间更新&#xff0c;大家可以跟着继续学习&#xff0c;目前使用复用题较多&#xff0c;可在OJ上直接找到对应的AB卷学习&#xff0c;可以放心学习&#…
阅读更多...
分析新旧因子相关性

分析新旧因子相关性

计算一组新因子、并分析它们与已有因子间的相关性1. 导入库和初始化环境功能代码解析数据加载2. 定义新因子计算函数功能代码解析因子 1&#xff1a;波动率过滤器&#xff08;filter_001_1&#xff09;因子 2&#xff1a;ATR 过滤器&#xff08;filter_001_2&#xff09;因子 3…
阅读更多...
Unity Demo——3D平台跳跃游戏笔记

Unity Demo——3D平台跳跃游戏笔记

今天是一个3D平台跳跃游戏的笔记。我们按照以下分类来对这个项目的代码进行学习&#xff1a;核心游戏系统 (Core Game Systems)核心游戏系统是IkunOdyssey项目的基础&#xff0c;负责所有游戏对象&#xff08;如玩家、敌人、道具等&#xff09;的通用行为和物理交互。它通过实体…
阅读更多...
【C语言】回调函数、转移表、qsort 使用与基于qsort改造冒泡排序

【C语言】回调函数、转移表、qsort 使用与基于qsort改造冒泡排序

文章目录数组指针/指针数组函数指针函数指针数组函数指针数组用途(转移表)回调函数qsort函数基于qsort改造冒泡排序源码数组指针/指针数组 int arr1[5] { 1,2,3,4,5 };int (*p1)[5] &arr1; //p1是数组指针变量int* arr2[5] { 0 }; //arr2是指针数组指针数组是存放指…
阅读更多...
最新文章

Copyright @ 2022~2023