一、deepseek-app-1.0

1、系统要求

  • CentOS 7.9
  • Python 3.8+
  • Node.js 16+
  • MySQL 8.0

2、部署步骤

  • 运行初始化脚本：./scripts/setup.sh
  • 初始化数据库：mysql -u root -p < scripts/init_db.sql
  • 启动服务：./scripts/start.sh

3、访问地址

  • 前端：http://服务器IP:3000
  • 后端API：http://服务器IP:5001/api/subjects

4、项目网盘

  • 主链接：https://www.123684.com/s/kPEvTd-0K7d3提取码:podL
  • 备用链接：https://www.123912.com/s/kPEvTd-0K7d3提取码:podL
  • 二维码：

5、项目地址

https://github.com/bei-chen-1/AI

bei-chen-1/AI: 存放AI相关的项目/Store AI-related projects

6、系统架构

  • 前端：React
  • 后端：Flask
  • 数据库：MySQL
  • 大模型：DeepSeek-R1:1.5B

7、项目目录

  • /opt/deepseek-app-1.0
  • ├── backend/ # Flask 后端
  • ├── docs/ # 文档
  • ├── frontend/ # React 前端
  • ├── scripts/ # 系统脚本
  • ├── logs/ # 日志目录

8、详细目录

  • /opt/deepseek-app-1.0
  • ├── backend/ # Flask 后端服务
  • │ ├── app.py # 后端主应用（Flask）
  • │ └── requirements.txt # Python 依赖列表
  • │ └── database.py # 数据库操作
  • ├── frontend/ # React 前端应用
  • │ ├── public/ # 公共资源目录
  • │ │ └── index.html # HTML 入口文件
  • │ ├── src/ # 源代码目录
  • │ │ ├── App.js # 主应用组件
  • │ │ ├── App.css # 主样式文件
  • │ │ └── index.js # React 入口文件
  • │ │ └── components/
  • │ │ └── HistoryPanel.js #历史记录面板文件
  • │ └── package.json # Node.js 项目配置
  • │ └── package-lock.json # Node.js 项目配置
  • ├── scripts/ # 系统脚本
  • │ ├── start.sh # 服务启动脚本
  • │ ├── stop.sh # 服务关闭脚本
  • │ └── init_db.sql # 数据库初始化脚本
  • ├── logs/ # 日志目录（运行时自动生成）
  • └── docs/ # 文档目录
  • └── README.md              # 项目说明文档

9、核心文件

后端主文件
 
/opt/deepseek-app/backend/app.py
 
Flask应用入口，包含API路由
前端入口
 
/opt/deepseek-app/frontend/src/App.js
 
React应用主组件
组件目录
 
/opt/deepseek-app/frontend/src/components/
 
包含所有React组件
 
启动脚本
 		 
/opt/deepseek-app/scripts/start.sh
 		 
应用启动脚本
 
 
构建目录
 		 
/opt/deepseek-app/frontend/build/
 		 
前端构建输出目录
 
 

10、项目架构
 

  • 用户浏览器
  • ↓
  • HTTP 请求 (端口:5001)
  • ↓
  • Flask 后端 (app.py)
  • ├─ 静态文件服务 → 前端构建 (frontend/build)
  • ├─ API 路由:
  • │ ├─ /api/subjects → 获取学科列表
  • │ ├─ /api/generate → 生成题目
  • │ └─ /api/judge → 判题
  • ↓
  • 后端服务
  • ├─ 数据库操作 → MySQL (knowledge_db)
  • └─ 模型调用 → Ollama (DeepSeek-R1:1.5B)
 

11、关键功能流程
 

  • 学科加载：
  • o 前端请求 /api/subjects
  • o 后端从 MySQL 获取学科数据
  • o 返回学科列表给前端
  • 题目生成：
  • o 用户选择学科并点击"生成新题目"
  • o 前端发送 POST 到 /api/generate
  • o 后端从知识库随机选题或调用模型生成
  • o 返回题目内容
  • 判题：
  • o 用户输入答案并提交
  • o 前端发送题目和答案到 /api/judge
  • o 后端从知识库获取正确答案或调用模型判题
  • o 返回批改结果
 

12、流程图
 

 

  • Web 前端(React) ——> Flask 后端(Python) ——> Ollama 模型(DeepSeek)
  • MySQL 知识库(题目/答案) <——> Flask 后端(Python)
 

13、完整数据流路径（用户请求 → 判题结果）
 

  • （1）用户发起请求
  • 用户操作：在浏览器界面输入问题/题目
  • 触发文件：frontend/src/App.js（主应用组件）
  • （2）API请求转发（后端入口）
  • 接收文件：backend/app.py（Flask主应用）
  • （3）数据库操作（z知识库交互）
  • 执行文件：backend/database.py
  • （4）模型服务调用（ollama集成）
  • 调用ollama模型，出题
  • (5)用户提交答案(判题开始)
  • 前端文件：frontend/src/components/HistoryPanel.js
  • (6)判题处理（后端逻辑）
  • 执行文件：backend/app.py
  • (7)结果返回与展示
  • 前端文件：frontend/src/App.js
 

二、deepseek-app-2.0
 

1、系统要求
 

  • CentOS 7.9
  • Python 3.8+
  • Node.js 16+
  • MySQL 8.0
 

2、部署步骤
 

  1. 运行初始化脚本：./scripts/setup.sh
  2. 初始化数据库：mysql -u root -p < scripts/init_db.sql
  3. 启动服务：./scripts/start.sh
 

3、访问地址
 

  • 前端：http://服务器IP:3000
  • 后端API：http://服务器IP:5001/api/subjects
 

4、项目网盘
 

  • 主链接：https://www.123684.com/s/kPEvTd-0K7d3提取码:podL
  • 备用链接：https://www.123912.com/s/kPEvTd-0K7d3提取码:podL
  • 二维码：
 

5、项目地址
 

 https://github.com/bei-chen-1/AI
 

bei-chen-1/AI: 存放AI相关的项目/Store AI-related projects
 

6、系统架构
 

  • 前端：React
  • 后端：Flask
  • 数据库：MySQL
  • 大模型：DeepSeek-R1:1.5B
 

7、项目目录
 

  • /opt/deepseek-app-2.0
  • ├── backend/ # Flask 后端服务
  • ├── frontend/ # React 前端应用
  • ├── scripts/ # 系统脚本
  • ├── logs/ # 日志目录
  • └── docs/ # 文档
 

8、详细目录
 

  • /opt/deepseek-app-2.0
  • ├── backend/
  • │ ├── static # 后端静态文件
  • │ │ ├──favicon.ico # 后端图标
  • │ ├── app.py # 后端主应用（核心逻辑）
  • │ ├── requirements.txt # Python 依赖
  • │ └── .env # 环境变量配置
  • ├── frontend/
  • │ ├── public/
  • │ │ └── index.html # HTML 入口
  • │ │ └── favicon.ico #图标
  • │ ├── src/
  • │ │ ├── App.js # 主应用组件
  • │ │ ├── App.css # 全局样式
  • │ │ ├── index.js # React 入口
  • │ │ └── components/
  • │ │ └── ExamPanel.js # 考试面板组件（核心UI）
  • │ │ └── ExamPanel.css # 考试面板样式
  • │ ├── package.json # 前端依赖
  • │ └── .env # 前端环境变量
  • │ └── .env.production # 前端生产环境变量
  • ├── scripts/
  • │ ├── start.sh # 启动脚本
  • │ ├── stop.sh # 停止脚本
  • │ └── init_db.sql # 数据库初始化脚本（核心数据）
  • ├── logs/ # 日志目录
  • └── docs/
  • └── README.md             # 项目文档
 

9、核心文件
 

  • 后端核心:
  • o backend/app.py: 处理所有API请求（试卷生成、判卷）
  • o scripts/init_db.sql: 数据库结构和初始数据
  • 前端核心:
  • o frontend/src/components/ExamPanel.js: 考试界面组件
  • o frontend/src/App.js: 应用主入口
  • 系统脚本:
  • o scripts/start.sh: 启动所有服务
  • o scripts/stop.sh: 停止所有服务
 

10、项目架构
 

  • React 前端(localhost:3000)——>Flask 后端 (localhost:5001)——> MySQL 数据库(knowledge_db)
  • 用户浏览器(UI交互)——>React 前端(localhost:3000)
  • OLLAMA 服务(DeepSeek模型)——>Flask 后端 (localhost:5001)
 

11、架构说明
 

  • 前端层: React应用提供用户界面
  • API层: Flask处理业务逻辑和路由
  • 数据层: MySQL存储题目和答案
  • AI层: OLLAMA服务提供DeepSeek模型
  • 脚本层: Shell脚本管理服务生命周期
 

12、关键功能流程
 

  • 1、 试卷生成流程:
  • (1) 用户选择学科
  • (2) 前端调用/api/generate_exam
  • (3) 后端按题型比例随机选题
  • (4) 返回试卷结构
  • 2、 智能判卷流程:
  • (1) 用户提交答案
  • (2) 前端调用/api/judge_exam
  • (3)后端处理每道题:
  • o 客观题: 直接比对答案
  • o 主观题: 调用DeepSeek模型评分
  • (4)计算总分并返回结果
  • 3、 主观题评分流程:
  • (1) 构造包含题目、答案、评分点的提示词
  • (2) 调用DeepSeek模型获取评分
  • (3) 解析模型返回的评分结果
  • (4) 按比例计算实际得分
 

13、用户发起请求：选择学科 → 生成试卷
 

  • 路径：用户浏览器 → 前端组件 → 后端API → 数据库 → 返回试卷
 

 

14、用户提交答案 → 判卷流程
 

  • 路径：用户浏览器 → 前端组件 → 后端API → 数据库/AI模型 → 返回判卷结果
 

 

15、流程图
 

 

16、项目效果图
 

  • 1、前端头部
 

 

  • 2、前端欢迎
 

 

  • 3、前端尾部
 

 

  • 4、前端全貌
 

 

  • 5、试卷界面
 

 

  • 6、多选题界面
 

 

  • 7、判断题界面
 

 

  • 8、填空题和简答题界面
 

 

  • 9、综合应用题界面
 

 

  • 10、得分界面
 

 

 

  • 11、历史考试记录界面
 

 

三、deepseek-app-2.1
 

1、系统要求
 

  • CentOS 7.9
  • Python 3.8+
  • Node.js 16+
  • MySQL 8.0
 

2、部署步骤
 

  1. 搭建系统所需环境
  2. 初始化数据库：mysql -u root -p < scripts/init_db.sql
  3. 启动服务：./scripts/start.sh
  4. 关闭服务：./scripts/stop.sh
 

3、访问地址
 

  • 前端：http://服务器IP:3000
  • 后端API：http://服务器IP:5001/api/subjects
 

 4、项目网盘
 

  • 主链接：https://www.123684.com/s/kPEvTd-0K7d3提取码:podL
  • 备用链接：https://www.123912.com/s/kPEvTd-0K7d3提取码:podL
  • 二维码：
 

 5、项目地址
 

 https://github.com/bei-chen-1/AI
 

bei-chen-1/AI: 存放AI相关的项目/Store AI-related projects
 

6、系统架构
 

  • 前端：React
  • 后端：Flask
  • 数据库：MySQL
  • 大模型：DeepSeek-R1:1.5B
 

7、前端依赖
 

  1. 目录：frontend
 

  • 命令：npm install sonner
  • 命令：npm install lucide-react
  • 命令：npm install tailwind-merge
 

8、后端依赖
 

  1. 目录：backend
 

  • 命令1：pip install -r requirements.txt
  • 命令2：npm install react-svg
  • 命令3：npm install gojs
 

9、网络拓扑图绘制API
 

  1. API接口地址：POST /api/ai/generate-topology
 

  • 你可以通过调用后端API接口实现网络拓扑图的AI自动生成。
 

  1. 请求参数：
 

  • 字段：description
  • 类型：string
 

  1. 示例请求体（JSON）： json { "description": "最上方是防火墙，防火墙下方连接路由器，路由器下方连接交换机，交换机连接两个主机和一个无线AP" } 
  2. 返回结果格式: json { "devices": [ { "id": "router_1", "label": "路由器_1", "type": "router", "position": { "x": 150, "y": 80 } }, { "id": "switch_1", "label": "交换机_1", "type": "switch", "position": { "x": 150, "y": 200 } }, { "id": "host_1", "label": "主机_1", "type": "host", "position": { "x": 100, "y": 350 } }, { "id": "ap_1", "label": "无线AP_1", "type": "ap", "position": { "x": 220, "y": 350 } } ], "connections": [ { "id": "conn_1", "source": "router_1", "target": "switch_1", "type": "ethernet" }, { "id": "conn_2", "source": "switch_1", "target": "host_1", "type": "ethernet" }, { "id": "conn_3", "source": "switch_1", "target": "ap_1", "type": "ethernet" } ] } 
  3. 示例前端代码调用（fetch） async function fetchTopology(description) { const response = await fetch('http://localhost:5001/api/ai/generate-topology', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ description }) }); const data = await response.json(); return data; }js
  4. 用 Postman/cURL 测试 ` curl -X POST http://localhost:5001/api/ai/generate-topology
     -H "Content-Type: application/json"
     -d '{"description": "一个防火墙连接一个路由器，路由器连接三个主机"}'
 

10、项目目录
 

  • /opt/deepseek-app-2.1
  • ├── backend/ # Flask后端服务
  • ├── frontend/ # React前端应用
  • ├── scripts/ # 系统脚本
  • ├── logs/ # 日志目录
  • └── docs/ # 文档
 

11、详细目录
 

  • /opt/deepseek-app-2.1
  • ├── backend/
  • │ ├── static/ # 静态文件
  • │ │ └── favicon.ico # 网站图标
  • │ ├── app.py # 主应用（试卷生成/判卷/路由）
  • │ ├── requirements.txt # Python依赖
  • │ ├── .env # 环境变量配置
  • │ ├── ai_router.py # AI对话和拓扑图API
  • │ └── topology_generator.py # 拓扑图生成逻辑
  • ├── frontend/
  • │ ├── public/ # 公共资源
  • │ │ ├── index.html # HTML入口
  • │ │ └── favicon.ico # 图标
  • │ ├── src/
  • │ │ ├── App.js # 主应用组件
  • │ │ ├── App.css # 全局样式
  • │ │ ├── index.js # React入口
  • │ │ ├── pages/ # 页面组件
  • │ │ │ ├── AIChatPage.js # AI聊天页
  • │ │ │ └── TopologyEditorPage.js # 拓扑图编辑页
  • │ │ ├── styles/ # 页面样式
  • │ │ │ ├── AIChatPage.css # AI聊天样式
  • │ │ │ └── TopologyEditorPage.css # 拓扑图样式
  • │ │ ├── components/ # 可复用组件
  • │ │ │ ├── ExamPanel.js # 考试面板
  • │ │ │ ├── ExamPanel.css # 考试面板样式
  • │ │ │ ├── TopologyEditor.js # 拓扑编辑器
  • │ │ │ ├── TopologyEditor.css # 拓扑编辑器样式
  • │ │ │ └── GoJSTopology.js # GoJS拓扑组件
  • │ │ │ └── GoJSTopology.css # GoJS拓扑组件样式
  • │ │ └── utils/
  • │ │ └── topologyElements.js # 拓扑元素配置
  • │ ├── package.json # 前端依赖
  • │ ├── .env # 开发环境变量
  • │ └── .env.production # 生产环境变量
  • ├── scripts/
  • │ ├── start.sh # 启动脚本
  • │ ├── stop.sh # 停止脚本
  • │ └── init_db.sql # 数据库初始化脚本
  • ├── logs/ # 日志文件
  • └── docs/
  • └── README.md                # 项目文档
 

12、核心文件
 

  • 后端核心:
  • o backend/app.py: 处理所有API请求（试卷生成、判卷）
  • o scripts/init_db.sql: 数据库结构和初始数据
  • o app.py：主逻辑（试卷生成/判卷/路由）
  • o ai_router.py：AI对话和拓扑图API
  • o topology_generator.py：拓扑图生成逻辑
  • o init_db.sql：数据库初始化
  • 前端核心:
  • o frontend/src/components/ExamPanel.js: 考试界面组件
  • o frontend/src/App.js: 应用主入口
  • o AIChatPage.js：AI聊天界面
  • o TopologyEditorPage.js：拓扑图编辑器
  • o GoJSTopology.js：GoJS拓扑渲染组件
  • 系统脚本:
  • o scripts/start.sh: 启动所有服务
  • o scripts/stop.sh: 停止所有服务
 

13、项目架构
 

 

14、架构说明
 

  • 前端层: React + GoJS + TailwindCSS
  • API层: Flask处理业务逻辑和路由
  • 数据层: MySQL存储题目和答案
  • AI层: OLLAMA服务提供DeepSeek模型
  • 脚本层: Shell脚本管理服务生命周期
 

15、关键功能流程
 

  • 试卷生成流程:
  • (1) 用户选择学科
  • (2) 前端调用/api/generate_exam
  • (3) 后端按题型比例随机选题
  • (4) 返回试卷结构
  • 2、 智能判卷流程:
  • (1) 用户提交答案
  • (2) 前端调用/api/judge_exam
  • (3)后端处理每道题:
  • o 客观题: 直接比对答案
  • o 主观题: 调用DeepSeek模型评分
  • (4)计算总分并返回结果
  • 3、 主观题评分流程:
  • (1) 构造包含题目、答案、评分点的提示词
  • (2) 调用DeepSeek模型获取评分
  • (3) 解析模型返回的评分结果
  • (4) 按比例计算实际得分
 

16、用户发起请求：选择学科 → 生成试卷
 

  • 路径：用户浏览器 → 前端组件 → 后端API → 数据库 → 返回试卷
 

 

17、用户提交答案 → 判卷流程
 

  • 路径：用户浏览器 → 前端组件 → 后端API → 数据库/AI模型 → 返回判卷结果
 

 

 

18、流程图
 

  • 1、自动组卷判卷
 

 

  • 2、AI对话生成拓扑图
 

 

 

19、详细数据流（精确到文件级）
 

  • 阶段1：用户发起请求 (浏览器 → 前端)
  • 用户操作：
  • o 在聊天界面(frontend/src/pages/AIChatPage.js)输入消息
  • o 或在拓扑界面(frontend/src/pages/TopologyEditorPage.js)输入描述
  • 前端处理：
  • o AIChatPage.js 中 handleSendMessage() 处理聊天请求
  • o TopologyEditorPage.js 中 handleGenerate() 处理拓扑请求
  • o 构建请求体，包含用户输入和历史上下文
  • 阶段2：前端调用API (前端 → 后端)
  • API调用：
  • // AIChatPage.js
  • fetch(${API_BASE}/api/ai/chat, {
  • method: 'POST',
  • body: JSON.stringify({ message: input, history })
  • });
  • // TopologyEditorPage.js
  • fetch(${API_BASE}/api/ai/generate-topology, {
  • method: 'POST',
  • body: JSON.stringify({ description })
  • });
  • 阶段3：后端处理请求 (后端 → AI服务)
  • 路由分发：
  • o 请求到达 backend/app.py 主应用
  • o 路由到 backend/ai_router.py (蓝图注册的路由)
  • AI处理：
  • o 聊天请求(/api/ai/chat):
  •  
    ai_router.py
     
  • response = ollama.generate(model='deepseek-r1:1.5b', prompt=full_prompt)
  • o 拓扑请求(/api/ai/generate-topology):
  •  
    ai_router.py
     
  • topology_data = generate_topology(description) # 调用topology_generator.py
  •  
    1. 拓扑生成 (backend/topology_generator.py):
     
  • o 构造AI提示词：要求返回JSON格式的拓扑数据
  • o 解析AI响应，提取设备和连接关系
  • o 返回结构化拓扑数据：
  • {
  • "devices": [
  • {"id": "r1", "type": "router", "label": "核心路由器", "position": {"x": 100, "y": 100}},
  • {"id": "s1", "type": "switch", "label": "接入交换机", "position": {"x": 300, "y": 200}}
  • ],
  • "connections": [
  • {"source": "r1", "target": "s1", "type": "ethernet"}
  • ]
  • }
  •  阶段4：响应返回 (后端 → 前端)
  • 数据返回：
  • o 聊天响应：
  • {
  • "response": "网络拓扑建议...",
  • "topology_data": {...} // 当检测到拓扑关键词时
  • }
  • o 拓扑响应：直接返回拓扑数据结构
  • 阶段5：前端渲染 (前端 → GoJS)
  • 数据处理：
  • o TopologyEditorPage.js 接收拓扑数据，更新状态：
  • setTopologyData(result);
  • GoJS渲染 (frontend/src/components/GoJSTopology.js):
  • o 在 useEffect 钩子中处理拓扑数据变化：
  • useEffect(() => {
  • if (topologyData) {
  • // 转换数据为GoJS模型
  • model.nodeDataArray = topologyData.devices.map(...);
  • model.linkDataArray = topologyData.connections.map(...);
  • diagram.model = model;
  • }
  • }, [topologyData]);
  • o 使用GoJS API渲染交互式拓扑图
  • 阶段6：用户交互 (GoJS → 浏览器)
  • 最终展示：
  • GoJS中渲染SVG图形
  • o 支持用户拖拽设备、查看连接关系
  • o 可通过导出按钮保存为PNG/JSON
 

20、关键文件交互图
 

 

21、项目效果图
 

  • 1、前端头部
 

 

  • 2、前端欢迎
 

 

  • 3、前端尾部
 

 

  • 4、前端全貌
 

 

  • 5、试卷界面
 

 

  • 6、多选题界面
 

 

  • 7、判断题界面
 

 

  • 8、填空题和简答题界面、
 

 

  • 9、综合应用题界面
 

 

  • 10、得分界面
 

 

 

  • 11、历史考试记录界面
 

 

  • 12、AI对话页面
 

 

 

  • 13、AI绘制拓扑图界面
 

 

 

  • 左侧边栏：
  • （1）当鼠标变成小手形状，可以拖动边栏网络设备到右侧网格中
  • （2）点击网络设备或连接线，按dalete键删除
 

 












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/pingmian/92467.shtml


繁体地址，请注明出处：http://hk.pswp.cn/pingmian/92467.shtml

英文地址，请注明出处：http://en.pswp.cn/pingmian/92467.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










4深度学习Pytorch-神经网络--损失函数（sigmoid、Tanh、ReLU、LReLu、softmax）








4深度学习Pytorch-神经网络--损失函数（sigmoid、Tanh、ReLU、LReLu、softmax）




目录 激活函数 
1. Sigmoid 
2. Tanh 函数&#xff08;双曲正切&#xff09; 
3. ReLU 函数 
4. Leaky ReLU (LReLU) 
5. Softmax 
总结对比表 
损失函数选择 激活函数 
激活函数是神经网络中每个神经元&#xff08;节点&#xff09;的核心组成部分。它接收上一层所有输入的加权…




阅读更多...

















探索Trae：使用Trae CN爬取 Gitbook 电子书








探索Trae：使用Trae CN爬取 Gitbook 电子书




在以前使用过Cursor&#xff0c;但是后期由于试用资源很少&#xff0c;免费资源用完我就卸载掉啦&#xff0c;最近又需要开展相关工作&#xff0c;因此下载了最新版的Trae。Trae 2.0最近很火&#xff0c;我正好想要爬取某一个Gitbook 电子书&#xff0c;因此尝试使用Trae和Pyth…




阅读更多...

















嵌入式知识日常问题记录及用法总结（一）








嵌入式知识日常问题记录及用法总结（一）




文章目录摘要问题一、内核启动流程1.1 ARM内核上电复位与BootROM执行​启动代码&#xff08;Startup Code&#xff09;执行跳转到用户程序1.2 内存管理问题二、C语言基础2.1 常量指针和指针常量区别2.2.函数指针和指针函数区别2.3 关键字Volatile2.4 队列结构体数据摘要 嵌入式…




阅读更多...

















使用Navicat备份数据库MySQL、PostGreSQL等








使用Navicat备份数据库MySQL、PostGreSQL等




Navicat 支持多种数据库系统&#xff0c;可通过手动或自动方式进行数据备份&#xff0c;整个过程还是相对简单且直观&#xff0c;比自己敲命令行方便多了。一、备份步骤1.1、手动备份1、打开Navicat并连接数据库&#xff1a;首先&#xff0c;启动Navicat并连接到您的MySQL数据库…




阅读更多...

















Web3: 用ERC-1400革新公司股权激励








Web3: 用ERC-1400革新公司股权激励




大家好&#xff01;今天&#xff0c;我们来聊一个非常酷的话PEG话题&#xff1a;如何利用Web3技术&#xff0c;特别是ERC-1400证券型代币标准&#xff0c;来革新传统的公司股权激励模式。
大家是否想过&#xff0c;派发给员工的期权或限制性股票&#xff08;RSU&#xff09;可以…




阅读更多...

















【Python 高频 API 速学 ④】








【Python 高频 API 速学 ④】




一、为什么是这 4 个&#xff1f;
列表&#xff08;list&#xff09;是 Python 最常用的可变序列&#xff0c;
90 % 的操作可以浓缩成 「增、并、删、排」 四个字&#xff0c;
而这四个字正好对应 append / extend / pop / sort。二、四剑客一览方法作用原地&#xff1f;返回值…




阅读更多...

















K8S的POD数量限制








K8S的POD数量限制




#k8s-v1.11.11.查询当前节点的最大pod数kubectl describe nodes | grep pods2.编辑配置文件把单台的pod数量调到150个vim /etc/systemd/system/kubelet.service
#添加最大数量--maxPods: 1503.加载配置重启服务systemctl daemon-reload
systemctl restart kubelet#k8s-v1.21.41…




阅读更多...

















OpenAI开源大模型 GPT-OSS 开放权重语言模型解析：技术特性、部署应用及产业影响








OpenAI开源大模型 GPT-OSS 开放权重语言模型解析：技术特性、部署应用及产业影响




注&#xff1a;此文章内容均节选自充电了么创始人&#xff0c;CEO兼CTO陈敬雷老师的新书《GPT多模态大模型与AI Agent智能体》&#xff08;跟我一起学人工智能&#xff09;【陈敬雷编著】【清华大学出版社】 
清华《GPT多模态大模型与AI Agent智能体》书籍配套视频课程【陈敬雷…




阅读更多...

















CSS--后端也有自己的CSS要学








CSS--后端也有自己的CSS要学




CSS，即Cascading Style Sheets，它描述了网页的表现与展示效果 
为了演示CSS，我写了一个简单的index.html 为了使用控制变量法，一开始我先不写style.css文件的内容 
右键在默认浏览器里查看页面，看看效果 1-选择器 
根据标签名进行匹配，所以也叫元素选择器 页面效果： 根据…




阅读更多...

















Docker swarm 常用的命令集合








Docker swarm 常用的命令集合




#docker swarm## 初始化单节点Swarm
docker swarm init# 部署测试服务
docker service create --name web --publish 8080:80 --replicas 3 nginx:alpine# Manager节点初始化&#xff08;指定IP&#xff09;
docker swarm init --advertise-addr 192.168.1.100# 获取加入令牌
M…




阅读更多...

















231. 2 的幂








231. 2 的幂




Problem: 231. 2 的幂 文章目录思路解题过程复杂度Code思路 2的幂 n 的二进制只有一个1&#xff0c;而 n - 1的二进制则是把 n 的二进制1变0, 0变1。 例&#xff1a;2^24100,34-1011. 解题过程 n & n - 1  0 复杂度 
时间复杂度: O(1)O(1)O(1)空间复杂度: O(1)O(1)O(1) 
Co…




阅读更多...

















浅尝AI辅助C转Verilog方法








浅尝AI辅助C转Verilog方法




一、常规算法模块的开发流程日常芯片开发工作中&#xff0c;挺多看工作是把C语言转verilog。例如ISP的代码&#xff0c;都很先由算法进行C model的开发&#xff0c;验证完性能后&#xff0c;输出算法原理文档和c代码&#xff1b;数字设计接手&#xff0c;把C语言转换为verilog代…




阅读更多...

















Redis分布式锁详解：原理、实现与实战案例








Redis分布式锁详解：原理、实现与实战案例




目录 1. 什么是分布式锁&#xff1f; 
分布式锁的核心要求 
2. 基于Redis的分布式锁实现方案 
&#xff08;1&#xff09;基础方案&#xff1a;SETNX  EXPIRE 
&#xff08;2&#xff09;优化方案&#xff1a;SET NX PX&#xff08;原子性加锁&#xff09; 
&#xff08;3&…




阅读更多...

















【能碳建设1】用AI+开源打造物联网+能碳管理+交易SaaS系统的最短路径实施指南








【能碳建设1】用AI+开源打造物联网+能碳管理+交易SaaS系统的最短路径实施指南




摘要 
本指南为技术小白设计，目标是在最短时间内利用AI工具与开源系统，独立完成一套物联网平台 + 能碳管理平台 + 碳交易系统的SaaS最小可用版本（MVP），并可后续扩展。流程分为目标定义、技术选型、环境搭建、核心功能开发、SaaS化、多租户、上线运维等环节，按天推进，每步…




阅读更多...

















CVPR中深度学习新范式：通用性、鲁棒性与多模态的创新突破








CVPR中深度学习新范式：通用性、鲁棒性与多模态的创新突破




来gongzhonghao【图灵学术计算机论文辅导】&#xff0c;快速拿捏更多计算机SCI/CCF发文资讯&#xff5e;分享一个深度学习领域正在迅速升温的前沿方向&#xff1a;通用性与鲁棒性的深度神经网络架构创新。随着大模型在视觉、文本乃至多模态任务中的广泛应用&#xff0c;体现出深…




阅读更多...

















Vue3 学习教程，从入门到精通，Vue 3 + Tailwind CSS 全面知识点与案例详解(31）








Vue3 学习教程，从入门到精通，Vue 3 + Tailwind CSS 全面知识点与案例详解(31）




Vue 3  Tailwind CSS 全面知识点与案例详解一、Vue 3 核心语法知识点
1. Vue 3 基础
创建 Vue 3 项目
使用 Vite 创建项目&#xff1a;npm create vuelatest
# 选择需要的特性&#xff08;如 TypeScript、Vue Router&#xff09;响应式数据
使用 ref 和 reactive&#xff1a;im…




阅读更多...

















Android中RecyclerView基本使用








Android中RecyclerView基本使用




一、RecyclerView 核心概念1. 基本组件关系2. 核心组件作用Adapter&#xff1a;数据与视图的桥梁LayoutManager&#xff1a;控制布局方式&#xff08;线性/网格/瀑布流&#xff09;ViewHolder&#xff1a;缓存视图组件ItemDecoration&#xff1a;添加分割线等装饰ItemAnimator&…




阅读更多...

















A100用transformers推理gpt-oss








A100用transformers推理gpt-oss




A100本地用transformers推理gpt-oss 
GPT-oss试用 gpt-oss有两个原生配置是目前&#xff08;2025-8-8&#xff09;Ampere系列显卡不支持的&#xff0c;分别是默认的MXFP4量化&#xff0c;以及Flash-attn V3。tranformers推理是比较慢的&#xff0c;可以用于研究模型本身&#x…




阅读更多...

















虚拟手机号工具使用








虚拟手机号工具使用




背景&#xff1a;注册部分国外应用时需要国外手机号验证&#xff0c;例如在注册cursor时需要国外手机号 解决&#xff1a;使用虚拟手机号网页进行验证 
https://temp-number.com/ 选择自己需要的国家 选择一个手机号 复制手机号到自己的app注册页面  并发送消息&#xff0c;然后…




阅读更多...

















【线程池】压测确定线程池合适的参数








【线程池】压测确定线程池合适的参数




【线程池】压测确定线程池合适的参数【一】案例说明【二】明确线程池核心参数及优化目标【1】线程池核心参数&#xff08;需压测验证的关键参数&#xff09;【2】优化目标【三】压测前准备【1】环境搭建【2】线程池初始配置&#xff08;基于经验值&#xff09;【3】压测工具与监…




阅读更多...


















最新文章


















Copyright @ 2022~2023