概述

GitHub，官网，目前最新版是1.0.1。

功能：

  • 跨AI提供商的可移植API：用于聊天、文本到图像和嵌入模型。
  • 支持同步和流API选项。还支持下拉访问模型特定功能。
  • 跨Vector Store提供商的可移植API，包括同样可移植的新颖的类似SQL的元数据过滤器API。支持8个矢量数据库
  • 函数调用。Spring AI使AI模型可以轻松调用java.util.FunctionPOJO对象
  • AI模型和向量存储的Spring Boot自动配置和启动器
  • 数据工程的ETL框架。这为将数据加载到矢量数据库提供了基础，有助于实现检索增强生成模式。

如需使用SNAPSHOT版本，Maven配置添加以下仓库：

<repositories><repository><id>spring-snapshots</id><name>Spring Snapshots</name><url>https://repo.spring.io/snapshot</url><releases><enabled>false</enabled></releases></repository><repository><id>central-portal-snapshots</id><name>Central Portal Snapshots</name><url>https://central.sonatype.com/repository/maven-snapshots/</url><releases><enabled>false</enabled></releases><snapshots><enabled>true</enabled></snapshots></repository>
</repositories>

Spring Initializr：https://start.spring.io/

application.yml配置文件：

spring:ai:chat:memory:repository:jdbc:initialize-schema: nerveropenai:api-key: embedding:options:model: text-embedding-v4base-url: https://dashscope.aliyuncs.com/compatible-mode/chat:options:model: qwen-maxvectorstore:pgvector:enabled: trueindexType: HNSWredis:initialize-schema: trueindex-name: custom-indexprefix: custom-prefixzhipuai:api-key: ${ZHIPUAI_API_KEY}mcp:server:name: webflux-mcp-serverversion: 1.0.0type: ASYNC sse-message-endpoint: /mcp/messagesclient:request-timeout: 30ssse:connections:server1:url: https://mcp.amap.comsse-endpoint: /sse?key=?server2:url: https://mcp-pan/baidu.comsse-endpoint: /sse?access_token=?server3:url: https://mcp-youxuan.baidu.comsse-endpoint: /mcp/sse?key=?toolcallback:enabled: truestdio:servers-configuration: classpath:/mcp-servers-config.json
amap:key: ${AMAP_API_KEY}

代码片段

PromptTemplate template = new PromptTemplate("请用{style}风格解释：{topic}");
Prompt prompt = template.create(Map.of("style", "幽默", "topic", "量子力学"));@Bean
VectorStore vectorStore(EmbeddingClient embeddingClient) {return new SimpleVectorStore(embeddingClient);
}@Resource
private SyncMcpToolCallbackProvider toolCallbackProvider;var chatClient = chatClientBuilder.defaultTools(toolCallbackProvider).build();// 实现Tool       
@Service
public class WeatherService {@Tool(description = "Get weather information by city name")public String getWeather(String cityName) {}
}
// 注册Tool
@Bean
public ToolCallbackProvider weatherTools(WeatherService weatherService) {return MethodToolCallbackProvider.builder().toolObjects(weatherService).build();}

Chat Client，用于简化与AI模型的交互过程，支持同步和反应式编程模型，隐藏诸多底层细节：

  • 提示词管理：定制和组装模型的输入（Prompt）
  • 响应处理：格式化解析模型的输出（Structured Output）
  • 参数选项：调整模型交互参数（ChatOptions）
  • 高级功能：整合聊天记忆、函数调用、RAG等能力

Spring AI提供两种方式创建ChatClient：使用自动配置的Builder或编程方式。

@RestController
public class ChatController {private final ChatClient chatClient;public ChatController(ChatClient.Builder builder) {this.chatClient = builder.build();}@GetMapping("/chat")public String chat(String input) {return this.chatClient.prompt().user(input).call().content();}
}

禁用自动配置：spring.ai.chat.client.enabled=false

// 通常通过自动装配获取ChatModel实例
ChatModel myChatModel =
// 使用Builder
ChatClient chatClient = ChatClient.builder(myChatModel).build();
// 直接create
ChatClient chatClient = ChatClient.create(myChatModel);

ChatClient的流畅API通过prompt方法提供三种不同的方式来创建Prompt：

  1. prompt()：无参方法，允许从头开始构建提示，后续可添加用户消息、系统消息等。chatClient.prompt().user("你好").call().content();
  2. prompt(Prompt prompt)：接受Prompt对象参数，允许传入使用非流畅API创建的Prompt实例。
Prompt myPrompt = new Prompt(List.of(new UserMessage("你好")));
chatClient.prompt(myPrompt).call().content();
  1. prompt(String content)：便捷方法，直接接受用户文本内容作为参数。
    chatClient.prompt("你好").call().content();

ChatResponse包含完整的响应数据和元数据，如Token使用情况。
entity()方法还提供一个重载版本，允许传入自定义参数来指导实体转换过程：

record Product(String name, String description, Double price) {}Product product = chatClient.prompt().user("创建一个价格在100元以内的产品").call().entity(Product.class, EntityPreference.create().withFormat(EntityFormat.JSON).build());

ChatClient提供两个核心方法来获取响应：

  • call：用于同步响应，返回ResponseWithChatClient对象；
  • stream()：用于流式响应，返回StreamWithChatClient`对象。
Flux<String> responseStream = chatClient.prompt().user("给我讲一个长故事").stream().content();

默认值：

ChatClient chatClient = ChatClient.builder(chatModel).defaultSystem("你是一位专业的Java开发助手，擅长使用Spring框架").defaultUser("默认用户消息").defaultOptions(options -> options.withTemperature(0.7f)).defaultResponseFormat(new StructuredResponseFormat<>(MyResponseType.class)).build();

ToolCallback

之前叫FunctionCallback，升级：

  1. 术语更准确：从"函数"改为"工具"，更符合行业通用术语
  2. 架构更清晰：分离工具定义与实现，提高复用性
  3. 功能更强大：支持更灵活的工具注册和调用方式
  4. 注解驱动：新增@Tool注解，开发更便捷
FunctionToolCallback.builder("getWeather", service).description("获取天气")

结构化输出

如JSON格式优势：

  1. 便于程序解析和处理
  2. 确保数据格式一致性
  3. 方便与前端或其他服务集成

StructuredOutputConverter
在这里插入图片描述

  • 在LLM调用前：转换器会向提示词追加格式指令，为模型生成目标输出结构提供明确指导。
  • 在LLM调用后：转换器将模型的原始文本输出转换为结构化类型，将其映射为对应的结构化JSON特定的数据结。

StructuredOutputConverter实现类型：接口允许您从基于文本的AI模型输出中获取结构化数据，默认BeanOutConverter实现类
在这里插入图片描述

public News generateAsString(String message) {News news = this.chatClient.prompt().user(promptUserSpec -> promptUserSpec.text(message)).call().entity(News.class);
}@Data
public class News {private String entity;private String time;private String summary;
}

RAG

添加依赖：
implementation 'org.springframework.ai:spring-ai-starter-vector-store-redis:1.0.1'

private final VectorStore vectorStore;
public String similaritySearch(String query) {SearchRequest request = SearchRequest.builder().query(query).topK(1).build();List<Document> results = this.vectorStore.similaritySearch(request);return JSONObject.valueToString(results);
}

或其他向量数据库。

模型

CogView-4：智谱开源文生图模型，支持任意长度的中英双语输入，能够生成在给定范围内的任意分辨率图像。

implementation ‘org.springframework.ai:spring-ai-starter-model-zhipuai:1.0.1’

private final ZhiPuAiImageModel zhiPuAiImageModel;public String getImage(String imageName) {ImageResponse response = zhiPuAiImageModel.call(new ImagePrompt(imageName, ZhiPuAiImageOptions.builder().build()));return response.getResult().getOutput().getUrl();
}

Chat Memory

ChatMemory接口，支持实现不同类型的内存策略，默认MessageWindowChatMemory类

ChatMemoryRepository：专责消息的存储与检索，底层消息存储实现默认实现 InMemoryChatMemoryRepository 类

引入依赖：implementation 'org.springframework.ai:spring-ai-starter-model-chat-memory-repository-jdbc:1.0.1'，JdbcChatMemoryRepository

配置：
spring.ai.chat.memory.repository.jdbc.initialize-schema=nerver

public ChatClientService(ChatClient.Builder builder,JdbcChatMemoryRepository chatMemoryRepository)
ChatMemory chatMemory = MessageWindowChatMemory.builder().chatMemoryRepository(chatMemoryRepository).maxMessages(10).build();
ChatClient chatClient = builider.defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build()).build();chatClient.prompt().user("你好").advisors(a -> a.param(ChatMemory.CONVERSATION_ID, conversationId)).call().content();

Advisors

用于拦截、修改和增强AI驱动的交互，封装常见的生成式AI模式，转换发送到和接收自LLMs的数据，在各种模型和用例之间提供可移植性。

优势：

  1. 封装常见模式：将RAG、内容安全检查等模式封装为可重用组件
  2. 数据转换：在请求发送前和响应接收后修改和增强数据
  3. 跨模型可移植性：编写一次Advisor，可用于多种AI模型和用例
  4. 可观测性：Advisors参与可观测性堆栈，支持指标和跟踪功能

工作原理类似于AOP：

  • 在AI交互的请求和响应阶段拦截处理流程
  • 可以访问和修改请求内容和上下文
  • 可以访问和修改响应内容和上下文
  • 多个Advisors可以组成处理链，按特定顺序执行

API

  • Advisor：基础接口，定义名称和顺序等基本特性
  • CallAdvisor：用于非流式场景的接口
  • StreamAdvisor：用于流式场景的接口
  • BaseAdvisor：同时继承CallAdvisor和StreamAdvisor的接口
  • BaseChatMemoryAdvisor：继承BaseAdvisor的接口
  • MessageChatMemoryAdvisor：将记忆作为消息集合添加到prompt
  • PromptChatMemoryAdvisor：将记忆整合到prompt的系统文本中
  • SafeGuardAdvisor：用于防止模型生成有害或不适当的内容
  • ChatModelCallAdvisor：
  • ChatModelStreamAdvisor：
  • SimpleLoggerAdvisor：日志记录

继承关系图
在这里插入图片描述
其他相关API：

  • ChatClientRequest：请求
  • ChatClientResponse：响应
  • CallAdvisorChain：
  • StreamAdvisorChain：

Advisors的执行顺序由getOrder()方法决定：

  • 较低的order值优先执行
  • Advisor链按照栈的方式工作：第一个加入链的Advisor最先处理请求；也是最后处理响应的Advisor
  • 高优先级的Advisor先执行请求处理，后执行响应处理
  • 如果多个Advisor具有相同的order值，它们的执行顺序不保证

Advisors支持两种处理模式：

  • 非流式处理：处理完整的请求和响应，实现CallAdvisor接口，重写adviseCall()方法；
  • 流式处理：处理连续的请求和响应流，实现StreamAdvisor接口，重写adviseStream()方法，使用响应式编程概念（如Flux）。

示例：

// 创建带有Advisors的ChatClient
var chatClient= ChatClient.builder(chatModel).defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build(),  // 聊天记忆顾问QuestionAnswerAdvisor.builder(vectorStore).build()     // RAG顾问).build();// 设置运行时参数
String response= chatClient.prompt().advisors(advisor -> advisor.param(ChatMemory.CONVERSATION_ID, "678")).user(userText).call().content();

Prompt Engineering

几个参数：

  • Temperature：控制模型响应的随机性或创造力

    • 较低的值：0.0-0.3，更具确定性、更集中的响应。适用于事实类问题、分类或对一致性要求严格的任务；
    • 中等值：0.4-0.7，在确定性和创造力之间取得平衡。适用于一般用例；
    • 较高值：0.8-1.0，更具创造力、多样化且可能带来惊喜的响应。适用于创意写作、头脑风暴或生成多样化选项。

  • MaxTokens：限制模型在其响应中可生成Token数量

    • 较低值：适用于单个词、短语或分类标签。
    • 中等值：适用于段落或简短解释。
    • 较高值：适用于长篇内容、故事或复杂解释。

  • 采样控制：两个参数，允许对生成过程中的Token选择进行细粒度控制。

    • Top-K：将Token选择限制在K个最有可能的下一个Token中。较高值（如40-50）会引入更多多样性
    • Top-P：核采样，从累积概率超过P的最小Token集合中动态选择。常见的值如 0.8-0.95。

Role Prompting

public void rolePrompting(ChatClient chatClient) {String result = chatClient.prompt().system(s -> s.text("你是一位经验丰富的Java开发专家，专注于Spring框架。请以简洁、专业的方式回答问题，并提供代码示例。")).user(u -> u.text("如何在Spring Boot应用中实现基本的认证功能？")).call().content();
}

Self-Consistency通过生成多个独立的推理路径，然后选择最一致的答案来提高复杂推理任务的准确性。

public void selfConsistencyPrompting(ChatClient chatClient) {// 生成多个推理路径List<String> responses = newArrayList<>();for (int i = 0; i < 3; i++) {String response = chatClient.prompt().user(u -> u.text("""问题: 小明有5个苹果，他给了小红2个，又从小华那里得到3个，然后他又吃了1个。小明现在有多少个苹果？让我们一步步思考得出答案。""")).options(ChatOptions.builder().temperature(0.7).build()) // 使用较高温度以获得多样化的推理路径.call().content();   responses.add(response);}   
}

解读：上面的让我们一步步思考得出答案正体现Chain-of-Thought Prompting。

MCP

MCP能力：

  • 标准化交互协议：统一AI模型与外部工具的通信方式
  • 多传输支持：STDIO/HTTP/SSE全兼容，适应本地或云端部署
  • 会话管理：v0.8.0全新升级的会话架构

MCP Java SDK采用清晰的三层设计，可轻松集成到现有系统：
在这里插入图片描述

  1. 客户端/服务端层
    • McpClient：搞定协议协商、工具调用
    • McpServer：暴露工具接口，管理资源URI
    • 支持同步/异步调用，兼容HTTP长连接和进程间通信
  2. 会话层：通过McpSession管理对话状态，多轮交互不再丢上下文
  3. 传输层：JSON-RPC消息一键序列化，三种传输任选：
    • STDIO：本地进程间通信
    • HTTP SSE：Servlet/WebFlux双版本支持
    • Reactive流：WebFlux实现高并发

server模块引入依赖：

implementation 'org.springframework.ai:spring-ai-starter-mcp-server-webflux:1.0.1'
implementation 'org.springframework.ai:spring-ai-starter-mcp-server:1.0.1'
implementation 'org.springframework.ai:spring-ai-starter-mcp-server-webmvc:1.0.1'

client引入依赖：

implementation 'org.springframework.ai:spring-ai-starter-mcp-client:1.0.1'
implementation 'org.springframework.ai:spring-ai-starter-mcp-client-webflux:1.0.1'

MCP Server

诸如：

  • 高德MCP Server：提供全场景覆盖的地图服务，包括地理编码、逆地理编码、IP定位、天气查询、骑行路径规划、步行路径规划、驾车路径规划、公交路径规划、距离测量、关键词搜索、周边搜索、详情搜索等。
  • 百度网盘MCP：核心API现已全面兼容MCP协议。涵盖用户信息、获取文件信息、文件上传、文件管理、文件搜索等。 开发者仅需简单配置，即可快速接入百度网盘服务，实现文件上传、文件管理等能力，大幅降低开发者调用网盘服务门槛，显著提升开发者的开发效率。
  • 百度优选MCP：提供MCP工具列表包含8个核心API，涵盖参数对比、品牌排行、商品检索、交易等。为用户提供全维度对比决策助手，实时品牌天梯榜单，轻松获取全网相关SPU与优质低价商品链接等能力。
  • Playwright MCP：微软推出的现代化跨浏览器自动化测试工具，支持Chromium、Firefox和WebKit，提供高速、可靠的端到端测试能力，适用于Web应用开发和持续集成。结合LLM能够无障碍与网页进行交互，从而实现智能浏览器页面操作。
  • Office-Word-MCP：用于创建、读取、编辑和格式化Microsoft Word文档。主要操作能力如下：创建表格、添加不同级别的标题、插入段落可选样式；格式化加粗、斜体、下划线、颜色和字体属性、搜索和替换；边框和样式格式化表格、格式表头行、应用单元格阴影和自定义边框。
  • antvis/mcp-server-chart：用于生成可视化图表的，目前支持 15+ 种图表：
    • 条形图、饼图、 柱形图、 折线图
    • 鱼骨图、思维导图、流程图、
    • 直方图、线型图、树形图、网络图
    • 雷达图、二维散点图、词语图、区域图表
  • MySQL MCP：提供SQL语句查询数据库的能力：
    • execute_query ：支持select查询、show展示、describe描述；
    • get_table_info：获取数据表的详细结构信息；
    • list_tables：列出数据库中的所有数据表。
  • Excel-MCP：基于MCP的文件处理服务器，提供读取、写入和分析Excel文件的功能：
    • 读取Excel文件：获取工作表列表，读取特定工作表的数据，读取所有工作表的数据；
    • 写入Excel文件：创建新的Excel文件，向特定工作表写入数据，支持多工作表；
    • 分析Excel结构：分析工作表结构，将结构导出到新文件
  • Nacos MCP Router：一个基于MCP官方标准SDK实现的的MCP Server，提供一组工具，提供推荐、分发、安装及代理其他MCP Server的功能，帮助用户更方便地使用MCP Server服务。
    在这里插入图片描述
    安装较新版Nacos，打开管理后台，MCP管理，创建MCP Server。
  • @Joooook/12306-mcp：提供简单的API接口，允许用户搜索12306的车票。
  • HowToCooke MCP，让AI助手能够为你推荐菜谱、规划膳食，解决"今天吃什么"的世纪难题！
    1. 查询全部菜谱：获取所有可用菜谱数据，做菜百科全书
    2. 根据分类查询菜谱：按照分类筛选菜谱，想吃水产？早餐？荤菜？主食？一键搞定！
    3. 智能推荐膳食：根据你的忌口、过敏原和用餐人数，为你规划整整一周的美味佳肴
    4. 不知道吃什么：选择困难症福音！根据人数直接推荐今日菜单，再也不用纠结了
  • mcp-server-weread：支持将微信读书的书籍、笔记和划线数据提供给支持MCP的LLM：
    • 从微信读书获取书架信息；
    • 搜索书架中的图书；
    • 获取图书的笔记和划线；
    • 支持按章节组织笔记和划线。
  • Fetch MCP：从互联网上抓取URL并将其内容作为Markdown文件，接口参数：
    • url : 要抓取的URL
    • max_length：返回的最大字符数，默认5000
    • start_index：字符索引开始提取内容，默认0
    • raw：获取未经MarkDown转换的原始内容，默认false
{"mcpServers": {"playwright": {"command": "npx.cmd","args": ["@playwright/mcp@latest"]},"nacos-mcp-router": {"command": "docker","args": ["run","-i","--rm","--network","host","-e","NACOS_ADDR=localhost:8848","-e","NACOS_USERNAME=nacos","-e","NACOS_PASSWORD=nacos","-e","TRANSPORT_TYPE=stdio","nacos/nacos-mcp-router:latest"]},"amap-maps": {"command": "npx","args": ["-y","@amap/amap-maps-mcp-server"],"env": {"AMAP_MAPS_API_KEY": ""}},"mysql": {"command": "npx","args": ["mysql-mcp-server"],"env": {"MYSQL_HOST": "127.0.0.1","MYSQL_PORT": "3306","MYSQL_USER": "root","MYSQL_PASSWORD": "root","MYSQL_DB": "demo"}},"excel": {"command": "npx","args": ["--yes","@zhiweixu/excel-mcp-server"],"env": {"fileAbsolutePath": "D:\data\excel"}},"12306-mcp": {"command": "npx","args": ["-y","12306-mcp"]},"word-document-server": {"command": "uvx","args": ["--from","office-word-mcp-server","word_mcp_server"]},"fetch": {"command": "uvx","args": ["mcp-server-fetch"]},"mcp-server-chart": {"command": "npx.cmd","args": ["-y","@antv/mcp-server-chart"]}}
}

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/web/92518.shtml
繁体地址，请注明出处：http://hk.pswp.cn/web/92518.shtml
英文地址，请注明出处：http://en.pswp.cn/web/92518.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

ELK常见的问题

ELK常见的问题

ELK 栈在使用过程中会遇到各种问题&#xff0c;以下是常见问题分类及解决方案&#xff0c;涵盖 ​Elasticsearch、Logstash、Kibana 和 Beats&#xff08;如 Filebeat&#xff09;​​ 四大组件&#xff1a; &#x1f6a8; ​一、连接与通信问题​ 1. ​Elasticsearch 拒绝连接…
阅读更多...
物理AI与人形机器人：从实验室到产业化的关键跨越

物理AI与人形机器人：从实验室到产业化的关键跨越

2025年8月9日&#xff0c;北京——世界机器人大会&#xff08;WRC&#xff09;的开幕成为物理AI与机器人技术发展的集中展示场。英伟达在大会预告中首次提出“物理AI将重塑50万亿美元市场”的论断&#xff0c;涵盖工业制造、医疗、低空经济等领域。与此同时&#xff0c;宇树科技…
阅读更多...
使用 Vuepress + GitHub Pages 搭建项目文档（2）- 使用 GitHub Actions 工作流自动部署

使用 Vuepress + GitHub Pages 搭建项目文档（2）- 使用 GitHub Actions 工作流自动部署

在上一篇文章中&#xff0c;我们已经成功用 VuePress 搭建了项目文档&#xff0c;并使用 sh 脚本部署到了 GitHub Pages。 但随着文档的更新频率增加&#xff0c;每次都要手动推送&#xff0c;那有没有不需要手动推送的方法呢&#xff1f;那必须有。 这次我们将用 GitHub Actio…
阅读更多...
Python爬虫实战：研究PSpider框架，构建电商数据采集和分析系统

Python爬虫实战：研究PSpider框架，构建电商数据采集和分析系统

一、引言 1.1 研究背景 在大数据时代，数据已成为驱动科技创新、商业决策和社会发展的核心资源。据 IDC 预测，全球数据量将从 2020 年的 64ZB 增长至 2025 年的 175ZB，其中互联网公开数据占比超过 60%。如何从海量网络信息中高效、精准地提取有价值的数据，成为学术界和工业…
阅读更多...
剑指offer第2版：动态规划+记忆化搜索

剑指offer第2版：动态规划+记忆化搜索

前三题是同一种模型&#xff0c;所以我分别用递推、记忆化、动归来做 一、p74-JZ10 斐波那契数列 斐波那契数列_牛客题霸_牛客网 class Solution { public:int Fibonacci(int n) {// write code hereif(n1||n2) return 1;int a1,b1,c1;while(n>2){cab;ab;bc;--n;}return c…
阅读更多...
Unity 调节 Rigidbody2D 响应速度的解决方案【资料】

Unity 调节 Rigidbody2D 响应速度的解决方案【资料】

可以通过多种方式调节 Unity 中 Rigidbody2D 的响应速度&#xff0c;包括降低物理更新频率、屏蔽过小值以及优化物理参数。以下是几种有效的实现方法&#xff1a;1. 降低物理更新频率&#xff08;不推荐直接修改&#xff09;虽然可以修改 Time.fixedDeltaTime 来降低物理更新频…
阅读更多...
力扣-189.轮转数组

力扣-189.轮转数组

题目链接 189.轮转数组 class Solution {public void reverse(int[] nums, int i, int j) {while (i < j && i > 0 && j < nums.length) {int temp nums[i];nums[i] nums[j];nums[j] temp;i;j--;}}public void rotate(int[] nums, int k) {k k …
阅读更多...
Linux命令行安装Climate Data Operators（CDO）的方法

Linux命令行安装Climate Data Operators（CDO）的方法

本文介绍在Linux操作系统的发行版本Ubuntu中&#xff0c;基于命令行&#xff0c;配置Climate Data Operators&#xff08;CDO&#xff09;这个用于操作、分析气候及其他相关数据的命令行工具的方法。 最近&#xff0c;需要对一批.nc格式文件加以处理&#xff1b;在之前&#xf…
阅读更多...
如何为您的服务器选择正确的 PHP 版本

如何为您的服务器选择正确的 PHP 版本

PHP作为最流行的服务器端脚本语言之一&#xff0c;持续演进并定期发布新版本。为您的服务器选择正确的PHP版本对于网站性能、安全性和功能兼容性至关重要。本文将指导您如何做出明智的选择。了解PHP版本的生命周期在选择PHP版本前&#xff0c;首先需要了解PHP的版本支持政策&am…
阅读更多...
从0开始的中后台管理系统-5（userList动态展示以及上传图片和弹出创建用户表单）

从0开始的中后台管理系统-5（userList动态展示以及上传图片和弹出创建用户表单）

项目用的都是antd组件&#xff0c;这里的userList组件展示的表单组件的数据直接get请求拿过来展示的&#xff0c;这里随机生成了50个用户只是为了展示表单的api设置。首先就是表单展示需要两个参数current和pageSize两个属性控制表单的最大分页和当前页面。那么我们就设置初始值…
阅读更多...
Spring MVC REST API设计详解：从零构建高效接口

Spring MVC REST API设计详解：从零构建高效接口

1. Spring MVC与REST API基础1.1 RESTful架构的六大约束详解RESTful架构是Roy Thomas Fielding在2000年博士论文中提出的软件架构风格&#xff0c;它包含六个核心约束&#xff0c;这些约束共同构成了RESTful API的设计原则。客户端-服务器约束&#xff08;Client-Server&#x…
阅读更多...
基于STM32F030C8T6单片机实现与CH224Q诱骗芯片的I2C通信和电压输出配置

基于STM32F030C8T6单片机实现与CH224Q诱骗芯片的I2C通信和电压输出配置

基于项目的需要，对STM32F030的IIC研究了几天，终于完成了通信，接下来具体实现如下： 本单片机使用的是PB8和PB9管脚进行实现，采用的是模拟的IIC进行 void MyI2C_W_SCL(uint8_t BitValue)//这三个函数将读写io口封装起来，增强可读性 { GPIO_WriteBit(GPIOB, GPIO_Pin_8…
阅读更多...
TSMaster-C小程序使用

TSMaster-C小程序使用

打开同星的TSMaster&#xff0c;推荐用32版本的&#xff0c;比64更稳定。同星的TSMaster的C小程序支持用户嵌入代码来控制CAN报文的收发逻辑。便于开发。点击设计里面的C小程序。 比如我现在想用小程序来实现继电器0先开后关开1s关1s&#xff0c;然后继电器1开1s关1s…如此往复…
阅读更多...
XSS渗透测试原理/步骤/攻击方法/防御/常用语法

XSS渗透测试原理/步骤/攻击方法/防御/常用语法

**核心概念回顾&#xff1a;**XSS漏洞一直被评估为web漏洞中危害较大的漏洞&#xff0c;在OWASP TOP10的排名中一直属于前三的江湖地位。XSS是一种发生在前端浏览器端的漏洞&#xff0c;所以其危害的对象也是前端用户。 形成XSS漏洞的主要原因是程序对输入和输出没有做合适的处…
阅读更多...
目标检测数据集 - 自动驾驶场景道路异常检测数据集下载「包含VOC、COCO、YOLO三种格式」

目标检测数据集 - 自动驾驶场景道路异常检测数据集下载「包含VOC、COCO、YOLO三种格式」

数据集介绍&#xff1a;自动驾驶场景道路异常检测数据集&#xff0c;真实场景高质量道路图片数据&#xff0c;涉及场景丰富&#xff0c;且类别丰富&#xff0c;划分为 "LMVs 轻型机动车&#xff08;汽车、摩托车、小型卡车、小型货车"、"HMVs 公交车、卡车、拖拉…
阅读更多...
多模态新方向|从数据融合到场景落地，解锁视觉感知新范式

多模态新方向|从数据融合到场景落地，解锁视觉感知新范式

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;多模态学习&#xff08;Multimodal Learning&#xff09;是通过整合多种数据模态来提升模型对复杂场景感知与理解能力的技术&#xff0c;其核心是利用不同模态的互补性突破…
阅读更多...
机器学习之随机森林

机器学习之随机森林

目录 一、什么是随机森林&#xff1f; 1. 从决策树到集成学习&#xff1a;为什么需要 "森林"&#xff1f; 2.什么是集成学习 二、随机森林的工作原理 三、随机森林构造过程 四、随机森林api介绍 五、随机森林的优缺点 六、垃圾邮件判断案例 1.数据集介绍 ​…
阅读更多...
云平台运维工具 —— 阿里云原生工具

云平台运维工具 —— 阿里云原生工具

一、简介阿里云作为国内领先的云服务提供商&#xff0c;拥有一套完整的原生运维工具体系&#xff0c;这些工具与阿里云的各类服务深度融合&#xff0c;能够满足用户在资源部署、监控告警、权限管理、自动化运维等方面的需求。无论是简单的应用托管还是复杂的企业级架构&#xf…
阅读更多...
Linux-Day10.系统安全保护web服务管理

Linux-Day10.系统安全保护web服务管理

今日目标&#xff1a;- 日志管理- 系统安全保护 SELinux&#xff08;重点&#xff09;- 构建基本web服务&#xff08;重点&#xff09;环境准备还原快照网络配置完成&#xff0c;开启虚拟机A与虚拟机B用真机连通虚拟机去操作&#xff0c;准本好Xshell一、常用的网络工具ip命令1…
阅读更多...
解决：开启魔法后vscode pip命令不能安装中科大python镜像问题

解决：开启魔法后vscode pip命令不能安装中科大python镜像问题

闲言少叙&#xff0c;最终实现效果就是在开启魔法情况下&#xff0c;vscode命令行任何能通过中科大python镜像安装第三方库&#xff0c;又快又不消耗魔法流量。简单来说就两步&#x1f447;&#xff1a; 第一步&#xff1a;配置 pip.ini 中的代理 找到或创建 pip.ini 文件&…
阅读更多...
最新文章

Copyright @ 2022~2023