- Coze,Dify,FastGPT,对比
云连山
AI编程AI编程
在当今AI技术迅速发展的背景下,AIAgent智能体成为了关键领域,Coze、Dify和FastGPT作为其中的佼佼者,各有千秋。平台介绍-FastGPT:由环界云计算公司发起,是基于大语言模型(LLM)的开源知识库问答系统。其亮点是支持Flow可视化工作流编排,在知识问答领域表现出色,拥有庞大用户群体,包括数百家企业付费客户等。网址为https://fastgpt.cn/。-Dify:苏州语灵人
- AI-知识库搭建(一)腾讯云向量数据库使用
CJ点
人工智能GPT向量数据库知识库
一、AI知识库将已知的问答知识,问题和答案转变成向量存储在向量数据库,在查找答案时,输入问题,将问题向量化,匹配向量库的问题,将向量相似度最高的问题筛选出来,将答案提交。二、腾讯云向量数据库向量数据库_大模型知识库_向量数据存储_向量数据检索-腾讯云腾讯云向量数据库(TencentCloudVectorDB)是一款全托管的自研企业级分布式数据库服务,专用于存储、检索、分析多维向量数据。该数据库支持
- 2025年国内外AI大模型的API接口网址整理
weixin_56968280
人工智能语言模型
本文将盘点国内外的知名度较高的AI大模型平台,其中包括AI大语言模型和AI多模态模型,方便大家一探究竟。AI大模型的api接口有哪些作用?智能写作:可以帮忙写文章、写小说、生成广告文案、起标题,还能改写文字让内容更吸引人。实时聊天:用于做聊天机器人,比如AI角色扮演、社交陪伴AI,甚至语音助手。知识问答:像百科一样快速回答各种问题,或者为特定领域(医疗、法律等)提供专业建议。教育学习:帮助学生做题
- SpringBoot整合Easy-Es
今天的接口写完了吗?
elasticsearchspringbootelasticsearch后端
目录一、什么是Easy-Es二、使用场景2.1检索类服务2.2问答类服务(本质上也是检索类)2.3地图类服务三、springboot整合Easy-Es3.1pom.xml3.2配置文件3.3创建、删除、查询索引3.4创建一个实体类3.5新建Mapper类,类似Mybatis的dao3.6启动类扫描dao四、代码展示五、原生Api调用5.1查看索引mapping关系5.2查看某个文档,具体字段的分词
- 浏览器页面操作——实时监控网页变化,读取网页内容
集简云-软件连接神器
人工智能大数据chatgpt
浏览器页面操作功能介绍浏览器页面操作是集简云的一款免费内置应用,它可以定时监控网页变化,精准捕捉所需信息。一键设置指定网页与元素,全自动监测并即时推送通知,助您在第一时间了解网页最新情况,让您更高效便捷地获取与同步信息。您还可以使用浏览器页面操作读取网页内容,结合集简云集成的ChatGPT应用,让ChatGPT可以结合网页实时内容进行智能问答对话或文本生成。集简云平台,赞1▲新功能讲解视频浏览器页
- 开发微信小程序游戏,有没有类似Debug真机图形的方法
1)开发微信小程序游戏,有没有类似Debug真机图形的方法2)Unity中如何实现动态实时的车削效果3)动态创建的Texture,有什么办法可以让他保持ASTC么4)Unity转微信小游戏的日志问题这是第416篇UWA技术知识分享的推送,精选了UWA社区的热门话题,涵盖了UWA问答、社区帖子等技术知识点,助力大家更全面地掌握和学习。UWA社区主页:community.uwa4d.comUWAQQ群
- SQLDatabase Toolkit: 搭建基于SQL数据库的智能问答系统
azzxcvhj
数据库sqljvmpython
技术背景介绍SQLDatabaseToolkit是一个非常有用的工具集,旨在与SQL数据库进行交互。它的常见应用场景是通过数据库数据构建问答系统,特别是在需要迭代处理和错误恢复的情况下。此工具包在LangChain社区包中提供,支持多种大型语言模型(LLM)或聊天模型的集成。核心原理解析SQLDatabaseToolkit的核心功能包括查询执行、模式查找以及查询检查等。借助这些工具,可以构建一个智
- 使用 pgvector 将 PostgreSQL 与语义搜索/RAG 集成的教程
azzxcvhj
postgresql人工智能数据库python
技术背景介绍在大语言模型(LLMs)和语义搜索的兴起中,结合结构化的关系型数据库(如PostgreSQL)进行增强型查询变得越来越有价值。这种方法常用于RAG(Retrieval-AugmentedGeneration)场景,例如FAQ问答、文档检索、推荐系统等。pgvector是用于PostgreSQL的一个扩展,它支持稠密向量的存储和操作。通过pgvector,可以将嵌入向量直接存储在数据库中
- 大模型GUI系列论文阅读 DAY3:《GPT-4V(ision) is a Generalist Web Agent, if Grounded》
feifeikon
论文阅读
摘要近年来,大型多模态模型(LMMs)的发展,特别是GPT-4V(ision)和Gemini,迅速扩展了多模态模型的能力边界,不再局限于传统任务如图像描述和视觉问答。在本研究中,我们探讨了LMMs(如GPT-4V)作为通用网页代理的潜力,这类代理能够根据自然语言指令完成任意网站上的任务。我们提出了SEEACT,这是一种通用网页代理,利用LMMs的视觉理解能力,实现网页上的操作。我们在最新的MIND
- SOTA(state - of - the - art)的多模态推理
百态老人
人工智能机器学习算法
SOTA多模态推理的基本概念多模态推理是指在处理和融合多种不同类型数据(如文本、图像、声音等模态)的基础上进行的推理过程。SOTA(state-of-the-art)则表示在当前该领域中的最优水平。SOTA的多模态推理模型能够有效地对多种模态数据进行分析、推理和决策。例如,在视觉问答场景中,模型要对输入的图像(视觉模态)与问题(文本模态)进行理解,然后推理出答案。从技术架构角度来看,多模态推理模型
- 大模型:LangChain技术讲解
玉成226
【大模型】langchain
一、什么是LangChain1、介绍LangChain是一个用于开发由大型语言模型提供支持的Python框架。它提供了一系列工具和组件,帮助我们将语言模型集成到自己的应用程序中。有了它之后,我们可以更轻松地实现对话系统、文本生成、文本分类、问答系统等功能。2、LangChain官网文档官网:https://python.langchain.com/docs/introduction/3、LangC
- 大语言模型原理与工程实践:网页数据
AI大模型应用之禅
计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
大语言模型原理与工程实践:网页数据1.背景介绍在当今信息爆炸的时代,网页数据成为了大数据的重要来源之一。网页数据不仅包含了丰富的文本信息,还包括了图像、视频、音频等多媒体内容。大语言模型(LargeLanguageModels,LLMs)作为自然语言处理(NLP)领域的前沿技术,能够从海量的网页数据中提取有价值的信息,进行文本生成、情感分析、问答系统等多种任务。大语言模型的成功离不开深度学习技术的
- 使用ModelScope实现高效句嵌入生成
dagGAIYD
python
技术背景介绍在自然语言处理(NLP)任务中,向量化文本(嵌入)是许多下游任务(如语义搜索、文本分类、问答系统等)的核心步骤之一。通过将文本转换为密集向量表示,我们可以在高维向量空间中构建更加高效的表示和检索算法。ModelScope是阿里云开源的一个模型和数据集管理平台,提供了大量预训练模型,涵盖了各种领域和任务。ModelScopeEmbeddings是一个与LangChain社区集成的工具类,
- 【限时免费使用】字节跳动 新中文AI——Trae:直接对标Cursor
查理零世
人工智能AIGCchatgptAI编程
话不多说点此进入https://www.trae.ai/Trae是字节跳动新推出的中文AI客户端IDE,可以理解为国产Cursor,但是现在是免费(目前知道的人不多)内置GPT-4o和Claude-3.5-sonnet它里面使用的不是垃圾的国产大模型,而是GPT-4o以及Claude-3.5-sonnet,代码准确率可以说是现在所有AI的天花板了。支持AI问答、代码自动补全、基于Agent的AI编
- 新能源行业必会基础知识---电力现货问答---第7问---何为电力辅助服务市场?和电力现货市场有什么关系?国外有哪些典型的电力辅助服务市场?
殷丿grd_志鹏
新能源新能源电力市场电力现货行业知识
新能源行业必会基础知识-----电力现货问答-----主目录-----持续更新https://blog.csdn.net/grd_java/article/details/142909208虽然这本书已经出来有几年了,现货市场已经产生了一定变化,但是原理还是相通的。还是推荐大家买来这本书进行阅读观看,最好作为随身携带的查阅工具书。什么是电力辅助服务市场?电力辅助服务市场与电力现货市场的关系是什么?
- 字节跳动发布全新 AI 编程工具 Trae,近屿智能培养 AIGC 专业人才
OJAC近屿智能
人工智能AIGC近屿智能ai
字节跳动于1月19日正式亮相其全新的AI编程工具——Trae,该工具由字节跳动新加坡公司SPRING(SG)PTE.LTD.提供服务,专为专业开发者设计,旨在通过AI技术优化开发流程,提高开发效率。Trae具备强大的功能集,包括AI问答、智能代码补全、基于Agent的编程模式以及端到端代码自动生成。它整合了GPT-4o和Claude-3.5-Sonnet等顶级AI模型,支持多模态输入,能够迅速响应
- 构建基于PDF文档的问答系统:使用Python和LangChain实现高效文档处理与信息检索
m0_57781768
pythonpdflangchain
构建基于PDF文档的问答系统:使用Python和LangChain实现高效文档处理与信息检索引言在现代信息化社会中,PDF文件是保存和传播重要信息的常用格式。这些文件中往往包含丰富的非结构化数据,如企业报告、研究论文和政府文件等。然而,由于其格式和内容的复杂性,直接使用传统的文本处理工具处理PDF文件存在一定困难。为了解决这一问题,本文将详细介绍如何利用Python和LangChain库,构建一个
- 使用LangChain构建基于RAG技术的智能问答系统:深入解析与实战指南
m0_57781768
langchain
使用LangChain构建基于RAG技术的智能问答系统:深入解析与实战指南近年来,随着大语言模型(LLMs)的迅猛发展,基于LLM的复杂问答系统(Q&AChatbot)逐渐成为人工智能领域的热门应用之一。这类应用程序可以基于特定的文本信息源回答用户提出的问题,在实际应用中非常有价值。而实现这些强大功能的核心技术之一,便是检索增强生成(RetrievalAugmentedGeneration,RAG
- 全面掌握 LangChain:从核心链条构建到动态任务分配的实战指南
大模型铲屎官
现代大模型技术与应用langchainpython大模型LLM
系列文章目录01-玩转LangChain:从模型调用到Prompt模板与输出解析的完整指南02-玩转LangChainMemory模块:四种记忆类型详解及应用场景全覆盖03-全面掌握LangChain:从核心链条构建到动态任务分配的实战指南04-玩转LangChain:从文档加载到高效问答系统构建的全程实战文章目录系列文章目录前言一、LangChain的核心链简介1.1单任务的Prompt模型结合
- 大语言模型原理基础与前沿 指令生成
AI大模型应用之禅
计算机软件编程原理与应用实践javapythonjavascriptkotlingolang架构人工智能
大语言模型、指令生成、Transformer、BERT、GPT、LLaMA、Fine-tuning、PromptEngineering1.背景介绍近年来,大语言模型(LargeLanguageModels,LLMs)在自然语言处理领域取得了令人瞩目的成就。从文本生成、翻译到问答和代码编写,LLMs展现出强大的能力,深刻地改变了我们与语言交互的方式。指令生成作为LLMs应用的重要方向之一,旨在通过明
- 玩转 LangChain:从文档加载到高效问答系统构建的全程实战
大模型铲屎官
现代大模型技术与应用langchainpython人工智能nlpAI文档加载问答系统构建
系列文章目录01-玩转LangChain:从模型调用到Prompt模板与输出解析的完整指南02-玩转LangChainMemory模块:四种记忆类型详解及应用场景全覆盖03-全面掌握LangChain:从核心链条构建到动态任务分配的实战指南04-玩转LangChain:从文档加载到高效问答系统构建的全程实战文章目录系列文章目录前言一、LangChain环境搭建与初始配置1.1安装依赖1.2环境变量
- 使用RAG-Chroma与OpenAI构建高效问答系统
srudfktuffk
人工智能python
在AI驱动的应用场景中,检索增强生成(Retrieval-AugmentedGeneration,RAG)是一种强大的技术,可以提升问答系统的精度和效能。在这篇文章中,我们将深入探讨如何使用Chroma与OpenAI结合,构建一个基于RAG的问答系统。技术背景介绍RAG是一种结合信息检索(IR)和自然语言生成(NLG)的技术。它通过先检索与问题相关的信息,然后生成答案,提高了问答系统的准确性和相关
- Grape-RAG
disgare
AIai
Grape-RAG传统RAG的局限性图的优点用知识图谱来呈现数据关系GraphRAG传统RAG的局限性经典的RAG架构以向量数据库(VectorDB)为核心来检索语义相似性上下文,让大语言模型(LLM)不需要重新训练就能够获取最新的知识,其工作流如下图所示:这一架构目前广泛应用于各类AI业务场景中,例如问答机器人、智能客服、私域知识库检索等等。虽然RAG通过知识增强一定程度上缓解了LLM幻觉问题,
- Transformer架构原理详解:编码器(Encoder)和解码器(Decoder)
AI大模型应用之禅
AI大模型与大数据javapythonjavascriptkotlingolang架构人工智能
Transformer,编码器,解码器,自注意力机制,多头注意力,位置编码,序列到序列,自然语言处理1.背景介绍近年来,深度学习在自然语言处理(NLP)领域取得了显著进展,其中Transformer架构扮演着至关重要的角色。自2017年谷歌发布了基于Transformer的机器翻译模型BERT以来,Transformer及其变体在各种NLP任务上取得了突破性的成果,例如文本分类、问答系统、文本摘要
- 通用数字人系统--引领智能交互新时代
人工智能python
通用数字人系统:引领智能交互新时代项目地址:https://github.com/HansonJames/general_digital_human_system核心特点高性能实现视频帧率稳定30FPS+,支持1080P高清输出音视频延迟控制在200ms以内对话响应时间5秒以内支持横向扩展,满足高并发需求智能交互基于GPT的自然语言理解实时知识库检索与问答表情与语音情感同步多语言及方言支持快速上手
- 科技早报|OpenAI的人工智能模型销售收入超过微软类似业务;荣耀中国区CMO辟谣将采用麒麟芯片 | 最新快讯
最新科技快讯
科技人工智能microsoft
科大讯飞新模型在测试集结果中超越GPT-4Turbo6月27日,科大讯飞发布讯飞星火大模型V4.0。与此前的版本相比,新模型在文本生成、语言理解、知识问答、逻辑推理、数学能力、代码能力、多模态能力等七大能力上都有提升。例如,讯飞星火可以根据用户的语言描述,结合空间和常识推断描述对象所在的位置。而在图文识别上,讯飞星火大模型V4.0能力也进一步升级,在科研、金融、医疗、司法、办公等场景的应用效果已领
- 构建一个针对SQL数据的问答系统
safHTEAHE
sqloracle数据库python
在如今的数据驱动时代,能够从结构化数据中提取信息并进行自然语言问答的能力是极其重要的。在这篇文章中,我们将探索如何使用大型语言模型(LLM)创建一个问答系统来查询SQL数据库中的表格数据。我们将通过对比链条和代理的实现来理解不同的建模策略。技术背景介绍结构化数据与非结构化数据的查询截然不同。对于结构化数据,我们往往通过创建和执行SQL查询来获取答案。通过这个指南,我们将展示如何使用链条和代理来开发
- BUUCTF gyctf_2020_borrowstack
Bengd0u
第一个read的只能溢出0x10字节,也就是刚好覆盖返回地址,如果要ROP地方肯定不够所以栈迁移到bank,在那里ROP之前没遇到过这样的题,怎么迁过去我苦思冥想,最终还是看了wp,,用两个leave来控制rsp和rbp寄存器,太妙了leave是个伪代码,,分解开就是movrsp,rbppoprbp如果把栈构造成这样‘A’*0x60bank_addrleave_addr那么就有两次leavemov
- “一起学 HarmonyOS”第二弹获奖名单来啦~
harmonyos
亲爱的小伙伴们,感谢参与“一起学HarmonyOS”第二弹技术问答活动,本次活动的获奖名单来啦~获奖名单学习宣传奖获奖用户完成项李游LeoLevel0Swift社区Level0奖品:技术书籍1本社区白银电子勋章「挑战者」学习萌新奖获奖用户完成项完美的荒野_sQfjyLevel1木槿Level1求醉的灌汤包Level1不开心的扁豆_cll5hnLevel1苦闷的伤疤Level1时尚的小摩托_kgMU
- 企业如何打造高效智能问答系统?一文详解架构与实现!
功城师
大语言模型自然语言处理LLM人工智能智能问答RAGAgent
随着人工智能技术的不断发展,智能问答系统成为越来越多企业提升客户服务、知识管理与内部沟通的关键工具。今天我们将深入解析一套智能问答系统的设计思路与技术架构,帮助大家更好地理解如何利用这一系统在实际场景中高效运作。一、智能问答系统的整体架构这套智能问答系统分为前台、AI服务和后台三个核心部分,每个部分承担着不同的职责,分别负责用户交互、问题处理与数据支持。通过这种模块化的设计,整个系统的工作流程得以
- Spring4.1新特性——Spring MVC增强
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- mysql 性能查询优化
annan211
javasql优化mysql应用服务器
1 时间到底花在哪了?
mysql在执行查询的时候需要执行一系列的子任务,这些子任务包含了整个查询周期最重要的阶段,这其中包含了大量为了
检索数据列到存储引擎的调用以及调用后的数据处理,包括排序、分组等。在完成这些任务的时候,查询需要在不同的地方
花费时间,包括网络、cpu计算、生成统计信息和执行计划、锁等待等。尤其是向底层存储引擎检索数据的调用操作。这些调用需要在内存操
- windows系统配置
cherishLC
windows
删除Hiberfil.sys :使用命令powercfg -h off 关闭休眠功能即可:
http://jingyan.baidu.com/article/f3ad7d0fc0992e09c2345b51.html
类似的还有pagefile.sys
msconfig 配置启动项
shutdown 定时关机
ipconfig 查看网络配置
ipconfig /flushdns
- 人体的排毒时间
Array_06
工作
========================
|| 人体的排毒时间是什么时候?||
========================
转载于:
http://zhidao.baidu.com/link?url=ibaGlicVslAQhVdWWVevU4TMjhiKaNBWCpZ1NS6igCQ78EkNJZFsEjCjl3T5EdXU9SaPg04bh8MbY1bR
- ZooKeeper
cugfy
zookeeper
Zookeeper是一个高性能,分布式的,开源分布式应用协调服务。它提供了简单原始的功能,分布式应用可以基于它实现更高级的服务,比如同步, 配置管理,集群管理,名空间。它被设计为易于编程,使用文件系统目录树作为数据模型。服务端跑在java上,提供java和C的客户端API。 Zookeeper是Google的Chubby一个开源的实现,是高有效和可靠的协同工作系统,Zookeeper能够用来lea
- 网络爬虫的乱码处理
随意而生
爬虫网络
下边简单总结下关于网络爬虫的乱码处理。注意,这里不仅是中文乱码,还包括一些如日文、韩文 、俄文、藏文之类的乱码处理,因为他们的解决方式 是一致的,故在此统一说明。 网络爬虫,有两种选择,一是选择nutch、hetriex,二是自写爬虫,两者在处理乱码时,原理是一致的,但前者处理乱码时,要看懂源码后进行修改才可以,所以要废劲一些;而后者更自由方便,可以在编码处理
- Xcode常用快捷键
张亚雄
xcode
一、总结的常用命令:
隐藏xcode command+h
退出xcode command+q
关闭窗口 command+w
关闭所有窗口 command+option+w
关闭当前
- mongoDB索引操作
adminjun
mongodb索引
一、索引基础: MongoDB的索引几乎与传统的关系型数据库一模一样,这其中也包括一些基本的优化技巧。下面是创建索引的命令: > db.test.ensureIndex({"username":1}) 可以通过下面的名称查看索引是否已经成功建立: &nbs
- 成都软件园实习那些话
aijuans
成都 软件园 实习
无聊之中,翻了一下日志,发现上一篇经历是很久以前的事了,悔过~~
断断续续离开了学校快一年了,习惯了那里一天天的幼稚、成长的环境,到这里有点与世隔绝的感觉。不过还好,那是刚到这里时的想法,现在感觉在这挺好,不管怎么样,最要感谢的还是老师能给这么好的一次催化成长的机会,在这里确实看到了好多好多能想到或想不到的东西。
都说在外面和学校相比最明显的差距就是与人相处比较困难,因为在外面每个人都
- Linux下FTP服务器安装及配置
ayaoxinchao
linuxFTP服务器vsftp
检测是否安装了FTP
[root@localhost ~]# rpm -q vsftpd
如果未安装:package vsftpd is not installed 安装了则显示:vsftpd-2.0.5-28.el5累死的版本信息
安装FTP
运行yum install vsftpd命令,如[root@localhost ~]# yum install vsf
- 使用mongo-java-driver获取文档id和查找文档
BigBird2012
driver
注:本文所有代码都使用的mongo-java-driver实现。
在MongoDB中,一个集合(collection)在概念上就类似我们SQL数据库中的表(Table),这个集合包含了一系列文档(document)。一个DBObject对象表示我们想添加到集合(collection)中的一个文档(document),MongoDB会自动为我们创建的每个文档添加一个id,这个id在
- JSONObject以及json串
bijian1013
jsonJSONObject
一.JAR包简介
要使程序可以运行必须引入JSON-lib包,JSON-lib包同时依赖于以下的JAR包:
1.commons-lang-2.0.jar
2.commons-beanutils-1.7.0.jar
3.commons-collections-3.1.jar
&n
- [Zookeeper学习笔记之三]Zookeeper实例创建和会话建立的异步特性
bit1129
zookeeper
为了说明问题,看个简单的代码,
import org.apache.zookeeper.*;
import java.io.IOException;
import java.util.concurrent.CountDownLatch;
import java.util.concurrent.ThreadLocal
- 【Scala十二】Scala核心六:Trait
bit1129
scala
Traits are a fundamental unit of code reuse in Scala. A trait encapsulates method and field definitions, which can then be reused by mixing them into classes. Unlike class inheritance, in which each c
- weblogic version 10.3破解
ronin47
weblogic
版本:WebLogic Server 10.3
说明:%DOMAIN_HOME%:指WebLogic Server 域(Domain)目录
例如我的做测试的域的根目录 DOMAIN_HOME=D:/Weblogic/Middleware/user_projects/domains/base_domain
1.为了保证操作安全,备份%DOMAIN_HOME%/security/Defa
- 求第n个斐波那契数
BrokenDreams
今天看到群友发的一个问题:写一个小程序打印第n个斐波那契数。
自己试了下,搞了好久。。。基础要加强了。
&nbs
- 读《研磨设计模式》-代码笔记-访问者模式-Visitor
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.util.ArrayList;
import java.util.List;
interface IVisitor {
//第二次分派,Visitor调用Element
void visitConcret
- MatConvNet的excise 3改为网络配置文件形式
cherishLC
matlab
MatConvNet为vlFeat作者写的matlab下的卷积神经网络工具包,可以使用GPU。
主页:
http://www.vlfeat.org/matconvnet/
教程:
http://www.robots.ox.ac.uk/~vgg/practicals/cnn/index.html
注意:需要下载新版的MatConvNet替换掉教程中工具包中的matconvnet:
http
- ZK Timeout再讨论
chenchao051
zookeepertimeouthbase
http://crazyjvm.iteye.com/blog/1693757 文中提到相关超时问题,但是又出现了一个问题,我把min和max都设置成了180000,但是仍然出现了以下的异常信息:
Client session timed out, have not heard from server in 154339ms for sessionid 0x13a3f7732340003
- CASE WHEN 用法介绍
daizj
sqlgroup bycase when
CASE WHEN 用法介绍
1. CASE WHEN 表达式有两种形式
--简单Case函数
CASE sex
WHEN '1' THEN '男'
WHEN '2' THEN '女'
ELSE '其他' END
--Case搜索函数
CASE
WHEN sex = '1' THEN
- PHP技巧汇总:提高PHP性能的53个技巧
dcj3sjt126com
PHP
PHP技巧汇总:提高PHP性能的53个技巧 用单引号代替双引号来包含字符串,这样做会更快一些。因为PHP会在双引号包围的字符串中搜寻变量, 单引号则不会,注意:只有echo能这么做,它是一种可以把多个字符串当作参数的函数译注: PHP手册中说echo是语言结构,不是真正的函数,故把函数加上了双引号)。 1、如果能将类的方法定义成static,就尽量定义成static,它的速度会提升将近4倍
- Yii框架中CGridView的使用方法以及详细示例
dcj3sjt126com
yii
CGridView显示一个数据项的列表中的一个表。
表中的每一行代表一个数据项的数据,和一个列通常代表一个属性的物品(一些列可能对应于复杂的表达式的属性或静态文本)。 CGridView既支持排序和分页的数据项。排序和分页可以在AJAX模式或正常的页面请求。使用CGridView的一个好处是,当用户浏览器禁用JavaScript,排序和分页自动退化普通页面请求和仍然正常运行。
实例代码如下:
- Maven项目打包成可执行Jar文件
dyy_gusi
assembly
Maven项目打包成可执行Jar文件
在使用Maven完成项目以后,如果是需要打包成可执行的Jar文件,我们通过eclipse的导出很麻烦,还得指定入口文件的位置,还得说明依赖的jar包,既然都使用Maven了,很重要的一个目的就是让这些繁琐的操作简单。我们可以通过插件完成这项工作,使用assembly插件。具体使用方式如下:
1、在项目中加入插件的依赖:
<plugin>
- php常见错误
geeksun
PHP
1. kevent() reported that connect() failed (61: Connection refused) while connecting to upstream, client: 127.0.0.1, server: localhost, request: "GET / HTTP/1.1", upstream: "fastc
- 修改linux的用户名
hongtoushizi
linuxchange password
Change Linux Username
更改Linux用户名,需要修改4个系统的文件:
/etc/passwd
/etc/shadow
/etc/group
/etc/gshadow
古老/传统的方法是使用vi去直接修改,但是这有安全隐患(具体可自己搜一下),所以后来改成使用这些命令去代替:
vipw
vipw -s
vigr
vigr -s
具体的操作顺
- 第五章 常用Lua开发库1-redis、mysql、http客户端
jinnianshilongnian
nginxlua
对于开发来说需要有好的生态开发库来辅助我们快速开发,而Lua中也有大多数我们需要的第三方开发库如Redis、Memcached、Mysql、Http客户端、JSON、模板引擎等。
一些常见的Lua库可以在github上搜索,https://github.com/search?utf8=%E2%9C%93&q=lua+resty。
Redis客户端
lua-resty-r
- zkClient 监控机制实现
liyonghui160com
zkClient 监控机制实现
直接使用zk的api实现业务功能比较繁琐。因为要处理session loss,session expire等异常,在发生这些异常后进行重连。又因为ZK的watcher是一次性的,如果要基于wather实现发布/订阅模式,还要自己包装一下,将一次性订阅包装成持久订阅。另外如果要使用抽象级别更高的功能,比如分布式锁,leader选举
- 在Mysql 众多表中查找一个表名或者字段名的 SQL 语句
pda158
mysql
在Mysql 众多表中查找一个表名或者字段名的 SQL 语句:
方法一:SELECT table_name, column_name from information_schema.columns WHERE column_name LIKE 'Name';
方法二:SELECT column_name from information_schema.colum
- 程序员对英语的依赖
Smile.zeng
英语程序猿
1、程序员最基本的技能,至少要能写得出代码,当我们还在为建立类的时候思考用什么单词发牢骚的时候,英语与别人的差距就直接表现出来咯。
2、程序员最起码能认识开发工具里的英语单词,不然怎么知道使用这些开发工具。
3、进阶一点,就是能读懂别人的代码,有利于我们学习人家的思路和技术。
4、写的程序至少能有一定的可读性,至少要人别人能懂吧...
以上一些问题,充分说明了英语对程序猿的重要性。骚年
- Oracle学习笔记(8) 使用PLSQL编写触发器
vipbooks
oraclesql编程活动Access
时间过得真快啊,转眼就到了Oracle学习笔记的最后个章节了,通过前面七章的学习大家应该对Oracle编程有了一定了了解了吧,这东东如果一段时间不用很快就会忘记了,所以我会把自己学习过的东西做好详细的笔记,用到的时候可以随时查找,马上上手!希望这些笔记能对大家有些帮助!
这是第八章的学习笔记,学习完第七章的子程序和包之后