当前位置: 首页 > news >正文

LangChain, MCP Server, Qwen-Agent等测试及问题记录

LangChain LangGraph

参考官方文档:https://langchain-ai.github.io/langgraph/tutorials/introduction/

1. 这里使用Qwen系列模型进行测试

由于想测试通过LangGraph编排让大模型调用工具,所以首先查询支持Function Calling的大模型:

https://help.aliyun.com/zh/model-studio/qwen-function-calling

1.1

使用云服务商提供的大模型需要申请api key

https://bailian.console.aliyun.com/?apiKey=1#/api-key
可用的模型名称 https://help.aliyun.com/zh/model-studio/models#ced16cb6cdfsy

from langchain_community.chat_models.tongyi import ChatTongyi
llm = ChatTongyi(model="qwen-max")
llm_with_tools = llm.bind_tools(tools) 

1.2

本地部署使用vllm时调用工具失败

BadRequestError: Error code: 400 - {'object': 'error', 'message': '"auto" tool choice requires --enable-auto-tool-choice and --tool-call-parser to be set', 'type': 'BadRequestError', 'param': None, 'code': 400}

根据提示尝试修改启动参数,未解决问题

(LLM) root@42c2e682b768:/workspace# vllm serve /workspace/Qwen2.5/Qwen/Qwen2.5-7B-Instruct  --tensor-parallel-size 4 --enable-auto-tool-choice --tool-call-parser
INFO 04-17 08:40:29 [__init__.py:239] Automatically detected platform cuda.
usage: vllm serve [model_tag] [options]
vllm serve: error: argument --tool-call-parser: expected one argument
(LLM) root@42c2e682b768:/workspace# vllm serve /workspace/Qwen2.5/Qwen/Qwen2.5-7B-Instruct  --tensor-parallel-size 4 --enable-auto-tool-choice
INFO 04-17 08:42:08 [__init__.py:239] Automatically detected platform cuda.
Traceback (most recent call last):File "/opt/conda/envs/LLM/bin/vllm", line 8, in <module>sys.exit(main())File "/opt/conda/envs/LLM/lib/python3.10/site-packages/vllm/entrypoints/cli/main.py", line 48, in maincmds[args.subparser].validate(args)File "/opt/conda/envs/LLM/lib/python3.10/site-packages/vllm/entrypoints/cli/serve.py", line 30, in validatevalidate_parsed_serve_args(args)File "/opt/conda/envs/LLM/lib/python3.10/site-packages/vllm/entrypoints/openai/cli_args.py", line 284, in validate_parsed_serve_argsraise TypeError("Error: --enable-auto-tool-choice requires "
TypeError: Error: --enable-auto-tool-choice requires --tool-call-parser

本地部署使用OLLama

llm = ChatOpenAI(openai_api_base="http://127.0.0.1:11434/v1",  # Ollama 默认监听端口openai_api_key="ollama",                      # 可任意值,但不能为空model="llama3.3:latest",                              # 替换为你在 Ollama pull 的模型名字,如 qwen:7b、mistral、llama3 等temperature=0.7,verbose=True  # 打印模型返回内容
)

使用Ollama部署qwen2.5可以调用tool,需要显式指定用哪个tool,如果用多个tool会报错:

Cell In[25], line 110, in chatbot(state)106 message = llm_with_tools.invoke(state["messages"])107 # Because we will be interrupting during tool execution,108 # we disable parallel tool calling to avoid repeating any109 # tool invocations when we resume.
--> 110 assert len(message.tool_calls) <= 1111 return {"messages": [message]}AssertionError: 

而使用
ChatTongyi可以绑定多个tool,同时使用。

1.3

详细的测试代码如下,加了工具后每次响应的时长会变长,本地检索文档,受限于RAG的能力,匹配效果不好,需要专门调优,使用免费的tavily_search 搜素结果基本可用,还有一些付费的search tool:
https://python.langchain.com/docs/integrations/tools/

from typing import Annotated
from typing import Literal
from typing_extensions import TypedDictfrom langchain_community.chat_models.tongyi import ChatTongyi
from langchain_community.document_loaders import UnstructuredURLLoaderfrom langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import ToolMessage, HumanMessage
from langchain_core.tools import InjectedToolCallId, tool
from langchain_openai import ChatOpenAI
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import StateGraph, START, END, MessagesState
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langgraph.types import Command, interrupttavily_search = TavilySearchResults(max_results=2)
tools = [tavily_search , retrieve_context, human_assistance]
tool_node = ToolNode(tools=tools)
llm = ChatTongyi(model="qwen-max")
# 替换为本地 vLLM + Qwen 模型
#llm = ChatOpenAI(
#    openai_api_base="http://localhost:8000/v1",
#    openai_api_key="EMPTY",  # vLLM 默认不验证
#    model_name="Qwen2.5-7B-Instruct",
#    temperature=0.7
#)
llm_with_tools = llm.bind_tools(tools) class State(TypedDict):messages: Annotated[list, add_messages]name: strbirthday: strdef chatbot(state: State):message = llm_with_tools.invoke(state["messages"])# Because we will be interrupting during tool execution,# we disable parallel tool calling to avoid repeating any# tool invocations when we resume.assert len(message.tool_calls) <= 1return {"messages": [message]}# Define the workflow with LangGraph
graph_builder = StateGraph(State)
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_node("tools", tool_node)graph_builder.add_conditional_edges("chatbot",tools_condition,
)
graph_builder.add_edge("tools", "chatbot")
graph_builder.add_edge(START, "chatbot")
memory = MemorySaver()graph = graph_builder.compile(checkpointer=memory)

MCP Server

参考官方文档:https://modelcontextprotocol.io/quickstart/server 写一个server.py和client.py
官方的例子需要用到Claude API这里就模拟了一下:

class MockContent:def __init__(self, type_, text=None, name=None, input_=None):self.type = type_self.text = textself.name = nameself.input = input_class MockResponse:def __init__(self):self.content = [MockContent(type_='text', text='这是助手的初始回答。'),MockContent(type_='tool_use', name='get_forecast', input_={'latitude': 40.7128, 'longitude': -74.0060}),MockContent(type_='tool_use', name='get_alerts', input_={'state': 'NY'}),MockContent(type_='text', text='星期一:\n气温: 25°C\n风速: 10 km/h 东北风\n天气预报: 晴朗\n---\n星期二:\n气温: 22°C\n风速: 8 km/h 西南风\n天气预报: 多云')]response = MockResponse()
for content in response.content:if content.type == 'text':final_text.append(content.text)assistant_message_content.append(content)elif content.type == 'tool_use':tool_name = content.nametool_args = content.input# Execute tool callresult = await self.session.call_tool(tool_name, tool_args)

上面只是测试了本地运行server.py client.py并交互,对于远程调用根据官方公告:

https://modelcontextprotocol.io/specification/2025-03-26/changelog

Replaced the previous HTTP+SSE transport with a more flexible Streamable HTTP transport (PR #206)

所以MCP本身功能还有待完善,有可能会做重大调整,再等等看。

相对于Langchain,MCP本身并没有提供更多新的功能,而且LangChain也对MCP进行了适配,所以二者并没有相关替代的关系 https://github.com/langchain-ai/langchain-mcp-adapters

langchain-mcp-adapters

参考github上面的readme实现server.py,修改一下client.py换用chatTongyi

cat client.py
import asyncio
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_clientfrom langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agentfrom langchain_openai import ChatOpenAIfrom langchain_community.chat_models.tongyi import ChatTongyiasync def main():#model = ChatOpenAI(model="gpt-4o")model = ChatTongyi(model="qwen2.5-72b-instruct") #qwen-max qwen2.5-72b-instructserver_params = StdioServerParameters(command="python",# 替换为 math_server.py 的完整路径args=["server.py"],)async with stdio_client(server_params) as (read, write):async with ClientSession(read, write) as session:await session.initialize()tools = await load_mcp_tools(session)agent = create_react_agent(model, tools)agent_response = await agent.ainvoke({"messages": "what's (3 + 5) x 12?"})print(agent_response)if __name__ == "__main__":asyncio.run(main())

大模型会自动调用math_tool去完成计算,可以修改client.py中的messages验证一下,当问题是普通问题时并不会调用math_tool

Qwen-Agent

参考官方文档:

https://github.com/QwenLM/Qwen-Agent/blob/main/README_CN.md

有如下说明:
Qwen-Agent支持接入阿里云DashScope服务提供的Qwen模型服务,也支持通过OpenAI API方式接入开源的Qwen模型服务。

所以该工具只适合Qwen系列模型

总结

当前目标是想做一个支持对接多种开源大模型,可调用工具的Agent,考虑到兼容MCP协议,所以这里选择使用langchain-mcp-adapters

相关文章:

LangChain, MCP Server, Qwen-Agent等测试及问题记录

LangChain LangGraph 参考官方文档&#xff1a;https://langchain-ai.github.io/langgraph/tutorials/introduction/ 1. 这里使用Qwen系列模型进行测试 由于想测试通过LangGraph编排让大模型调用工具&#xff0c;所以首先查询支持Function Calling的大模型: https://help.a…...

学习设计模式《一》——简单工厂

一、基础概念 1.1、接口 简单的说&#xff1a;接口是【用来实现类的行为定义、约束类的行为】&#xff08;即&#xff1a;定义可以做什么&#xff09;&#xff1b;接口可以包含【实例方法】、【属性】、【事件】、【索引器】或这四种成员类型的任意组合。 接口的优点&#xff1…...

51单片机实验三:数码管动态显示

目录 一、实验环境与实验器材 二、实验内容及实验步骤 1. 数码管动态扫描0-5 2. 利用余辉效应使单片机数码管“同时显示”0-5。 3. B站小仿真&#xff08;动态原理显示hello&#xff09; 一、实验环境与实验器材 环境&#xff1a;Keli&#xff0c;STC-ISP烧写软件,Proteus…...

[TriCore][TC3XX][用户手册] - 16.中断控制器 - IR

关键词&#xff1a; TC3XX 用户手册&#xff1b;TC3XX Interrupt Router&#xff1b;TC397 用户手册&#xff1b;TC397 中断控制器&#xff1b; 简介&#xff1a; 本篇为英飞凌 TC3XX 用户手册第 16 章翻译 - Interrupt Router (IR) 手册适用于 TC3XX&#xff08;包括 TC397…...

Python语言基础教程(上)4.0

✨博客主页&#xff1a; https://blog.csdn.net/m0_63815035?typeblog &#x1f497;《博客内容》&#xff1a;.NET、Java.测试开发、Python、Android、Go、Node、Android前端小程序等相关领域知识 &#x1f4e2;博客专栏&#xff1a; https://blog.csdn.net/m0_63815035/cat…...

快速入门smolagents

官方教程地址&#xff1a;Agents - Guided tour 1. 安装 pip install smolagents[litellm] 或者 uv add smolagents[litellm] 2. 配置api key 这里我用的火山的api&#xff0c;注意如果是使用的火山或阿里云的这种服务商的api&#xff0c;model_id这里要以"openai/&qu…...

第 3 期:逆过程建模与神经网络的作用(Reverse Process)

一、从正向扩散到逆向去噪&#xff1a;生成的本质 在上期中我们讲到&#xff0c;正向扩散是一个逐步加入噪声的过程&#xff0c;从原始图像 x_0到接近高斯分布的 x_T​&#xff1a; 而我们真正关心的&#xff0c;是从纯噪声中逐步还原原图的过程&#xff0c;也就是逆过程&…...

RAG-概述

RAG 概述 RAG&#xff08;Retrieval Augmented Generation, 检索增强生成&#xff09;是一种技术框架&#xff0c;其核心在于当 LLM 面对解答问题或创作文本任务时&#xff0c;首先会在大规模文档库中搜索并筛选出与任务紧密相关的素材&#xff0c;继而依据这些素材精准指导后续…...

Python 中的数据类型有哪些

Python 中的数据类型有哪些&#xff1f; Python 是一种动态类型语言&#xff0c;支持多种内置数据类型&#xff0c;并且可以自定义数据类型。以下是 Python 中常见和重要的数据类型&#xff1a; 一、基本数据类型 整数&#xff08;int&#xff09; 表示整数&#xff0c;没有小…...

梯度下降,共轭梯度,牛顿法,拟牛顿法的收敛速度对比

一、收敛速度理论对比 方法收敛速度&#xff08;一般非线性函数&#xff09;收敛速度&#xff08;二次凸函数&#xff09;局部收敛性&#xff08;接近极小点时&#xff09;收敛阶梯度下降&#xff08;GD&#xff09;线性收敛&#xff08;Linear&#xff09;线性收敛&#xff0…...

深入浅出目标检测:从入门到YOLOv3,揭开计算机视觉的“火眼金睛”

目录 揭开目标检测的神秘面纱 什么是目标检测&#xff1f;为什么它如此重要&#xff1f;定义&#xff1a;图像分类、目标检测、目标跟踪、实例分割的区别与联系应用场景讲解目标检测的输出&#xff1a;边界框 (Bounding Box) 和类别 (Class)目标检测在AI领域的地位和发展趋势&…...

Odoo:免费开源的轧制品行业管理软件

Odoo免费开源的轧制品行业管理软件能够帮助建材、电线电缆、金属、造纸包装以及纺织品行业提高韧性和盈利能力&#xff0c;构筑美好未来。 文 &#xff5c; 开源智造&#xff08;OSCG&#xff09;Odoo金牌服务 提高供应链韧性&#xff0c;赋能可持续发展 如今&#xff0c;金属…...

51单片机实验六:通用型1602液晶操作方法

目录 一、实验环境与实验器材 二、实验内容及实验步骤 1. 目标&#xff1a;用C语言编程&#xff0c;实现在1602液晶的第一行显示“I LOVE MCU!”&#xff0c;在第二行显示WWW.TXMCU.COM。 2.目标&#xff1a;用C语言编程&#xff0c;实现第一行从右侧移入“Hello everyone!”…...

原型模式详解及c++代码实现(以自动驾驶感知场景为例)

模式定义 原型模式&#xff08;Prototype Pattern&#xff09;是一种创建型设计模式&#xff0c;通过克隆已有对象来创建新对象&#xff0c;避免重复执行昂贵的初始化操作。该模式特别适用于需要高效创建相似对象的场景&#xff0c;是自动驾驶感知系统中处理大量重复数据结构的…...

datasheet数据手册-阅读方法

DataSheet Datasheet&#xff08;数据手册&#xff09;&#xff1a;电子元器件或者芯片的数据手册&#xff0c;一般由厂家编写&#xff0c;格式一般为PDF&#xff0c;内容为电子分立元器件或者芯片的各项参数&#xff0c;电性参数&#xff0c;物理参数&#xff0c;甚至制造材料…...

C言雅韵集:野指针

嘿&#xff0c;各位技术潮人&#xff01;好久不见甚是想念。生活就像一场奇妙冒险&#xff0c;而编程就是那把超酷的万能钥匙。此刻&#xff0c;阳光洒在键盘上&#xff0c;灵感在指尖跳跃&#xff0c;让我们抛开一切束缚&#xff0c;给平淡日子加点料&#xff0c;注入满满的pa…...

2 celery环境搭建

1. 安装 Celery 及依赖 1.1 安装 Celery 使用 pip 安装 Celery&#xff08;推荐 Python 3.7 环境&#xff09;&#xff1a; pip install celery1.2 选择并安装 Broker Celery 需要一个消息中间件&#xff08;Broker&#xff09;来传递任务。以下是两种常用 Broker 的安装方…...

alertManager部署安装、告警规则配置详解及告警消息推送

​ java接受告警请求RestController RequestMapping("/alert") Slf4j public class TestApi {private static final DateTimeFormatter FORMATTER DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss");RequestMappingpublic void sendTemplate(HttpServl…...

day45——非递减数列(LeetCode-665)

题目描述 给你一个长度为 n 的整数数组 nums &#xff0c;请你判断在 最多 改变 1 个元素的情况下&#xff0c;该数组能否变成一个非递减数列。 我们是这样定义一个非递减数列的&#xff1a; 对于数组中任意的 i (0 < i < n-2)&#xff0c;总满足 nums[i] < nums[i …...

LeetCode19.删除链表的倒数第N个节点

题目 给你一个链表&#xff0c;删除链表的倒数第 n 个结点&#xff0c;并且返回链表的头结点。请用一次扫描实现 示例 1&#xff1a; 输入&#xff1a;head [1,2,3,4,5], n 2 输出&#xff1a;[1,2,3,5]示例 2&#xff1a; 输入&#xff1a;head [1], n 1 输出&#xff…...

Kafka系列之:计算kafka集群topic占的存储大小

Kafka系列之:计算kafka集群topic占的存储大小 topic存储数据格式统计topic存储大小定时统计topic存储大小topic存储数据格式 单位是字节大小 size_bytes{directory="/data/datum/kafka/optics-all" } 782336计算topic存储大小脚本逻辑是: 计算指定目录或文件的大小…...

Logisim数字逻辑实训——计数器设计与应用

4位递增计数器 六进制计数器 十进制计数器 六十进制计数器 二十四进制计数器 计时器...

安卓手机如何改ip地址教程

对于安卓手机用户而言&#xff0c;ip修改用在电商、跨境电商、游戏搬砖、社交软件这些需要开多个账号的项目。因为多个设备或账号又不能在同一ip网络下&#xff0c;所以修改手机的IP地址防检测成为一个必要的操作。以下是在安卓手机上更改IP地址的多种方法及详细步骤&#xff0…...

论文阅读--Orient Anything

通过渲染3D模型来学习不同方向下物体的外观&#xff0c;并从单张和自由视角的图像中估计物体方向 1. 数据生成&#xff1a;基于 3D 渲染构建大规模方向标注数据集 - 数据来源&#xff1a; 使用 Objaverse 数据库中的高质量 3D 模型&#xff0c;进行筛选和预处理。 - 筛选规范…...

ASP.NET MVC 实现增删改查(CRUD)操作的完整示例

提供一个完整的 ASP.NET MVC 实现增删改查&#xff08;CRUD&#xff09;操作的示例。该示例使用 SQL Server 数据库&#xff0c;以一个简单的 Product 实体为例。 步骤 1&#xff1a;创建 ASP.NET MVC 项目 首先&#xff0c;在 Visual Studio 中创建一个新的 ASP.NET MVC 项目…...

ASP.NET常见安全漏洞及修复方式

Microsoft IIS 版本信息泄露 查看网页返回的 Header 信息&#xff0c;默认会包含 IIS&#xff0c;ASP.NET 版本信息&#xff1a; 隐藏 Server 标头 编辑 web.config 文件&#xff0c;在 system.webServer 节点中配置 requestFiltering 来移除Server标头&#xff1a; <sec…...

文件系统的npu和内核的npu有什么区别

我在编译rk3588的内核和文件系统时候&#xff0c;发现都编译到rknpu这个文件&#xff0c;那么文件系统的npu和内核的npu有什么根本的区别吗&#xff1f; 我可以理解为&#xff0c;文件系统下是应用程序&#xff0c;内核下是驱动程序。 功能定位 内核中的 NPU 源码 核心功能&am…...

RUI桌面TV版最新版免费下载-安卓电视版使用教程

在智能电视的使用中&#xff0c;拥有一款好用的桌面应用能极大提升体验&#xff0c;RUI桌面TV版就是这样一款实用的工具。下面为大家带来它的免费下载及安卓电视版使用教程。 一、下载步骤 首先确保你的安卓电视已连接网络。打开电视自带的应用商店&#xff0c;在搜索栏输入“…...

android的配置检查 查看安卓设备配置

Android系统属性配置与内存管理指南 在Android开发过程中&#xff0c;了解系统属性配置和内存管理机制对应用性能优化至关重要。本文将介绍如何通过adb命令查询和修改系统属性&#xff0c;以及如何合理管理应用内存。 一、adb命令查询当前堆内存信息 1. 查询所有配置 adb s…...

RHCE的简单配置

一&#xff1a;配置qq第三方客户端验证 1.安装第三方邮件客户端软件 2.mail程序登录验证qq账号 3.在qq客户端程序&#xff08;如浏览器中进入邮箱登录QQ邮箱->设置->账户&#xff09;中通过设置开启imap/smtp服 务提供第三方程序账号的授权码 4.因为需要 QQ 邮箱的 S…...

日语学习-日语知识点小记-构建基础-JLPT-N4阶段(7):(1)ながら 一边。。一边 (2)。。。し。。。し。。 又……又……

日语学习-日语知识点小记-构建基础-JLPT-N4阶段&#xff08;7&#xff09;&#xff1a;&#xff08;1&#xff09;ながら 一边。。一边 &#xff08;2&#xff09;。。。し。。。し。。 又……又…… 1、前言&#xff08;1&#xff09;情况说明&#xff08;2&#xff09;工程师…...

【 图像梯度处理,图像边缘检测】图像处理(OpenCv)-part6

13 图像梯度处理 13.1 图像梯度 边缘提取是图像处理中的一个重要任务&#xff0c;其目的是检测图像中灰度值发生显著变化的区域&#xff0c;这些区域通常对应于图像中的物体边界、纹理变化或深度变化等。边缘提取的原理可以分为以下几个关键步骤&#xff1a; 1. 边缘的定义和…...

一本通 2063:【例1.4】牛吃牧草 1005:地球人口承载力估计

Topic&#xff1a; Ideas&#xff1a; 为什么把这两道题放在一起呢&#xff1f;就是因为这两道题很类似&#xff0c;都是很简单的数学题&#xff0c;只要你会列出数学等式&#xff0c;你就学会这道题了&#xff01; 下面把计算过程展示给大家 Code&#xff1a; //2025/04/18…...

下载HBuilder X,使用uniapp编写微信小程序

到官网下载HBuilder X 地址&#xff1a;HBuilderX-高效极客技巧 下载完成后解压 打开解压后的文件夹找到HBuilderX.exe 打开显示更多&#xff0c;发送到桌面快捷方式 到桌面上启动HBuilderX.exe启动应用 在工具点击插件安装 选择安装Vue3编译器 点击新建创建Vue3项目 编写项目…...

4.18---缓存相关问题(操作原子性,击穿,穿透,雪崩,redis优势)

为什么要用redis做一层缓存&#xff0c;相比直接查mysql有什么优势&#xff1f; 首先介绍Mysql自带缓存机制的问题&#xff1a; MySQL 的缓存机制存在一些限制和问题,它自身带的缓存功能Query Cache只能缓存完全相同的查询语句&#xff0c;对于稍有不同的查询语句&#xff0c…...

前端:uniapp中uni.pageScrollTo方法与元素的overflow-y:auto之间的关联

在uniapp中&#xff0c;uni.pageScrollTo方法与元素的overflow-y:auto属性之间存在以下关联和差异&#xff1a; 一、功能定位差异 ‌uni.pageScrollTo‌ 属于‌页面级滚动控制‌&#xff0c;作用于整个页面容器‌34。要求页面内容高度必须超过屏幕高度&#xff0c;且由根元素下…...

获取不到AndroidManifest中的meta-data

现象描述 最近在项目中接入穿山甲广告的sdk&#xff0c;快速实现了核心功能验证。接下来就准备规范代码正式使用&#xff0c;却掉了一个坑&#xff0c;略做记录。 穿山甲sdk提供了一个appid的参数&#xff0c;不同渠道包是不同的&#xff0c;所以将其配入了gradle的productFl…...

Python学习之Matplotlib

Python学习之Matplotlib Matplotlib是一个Python的2D绘图库,它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形.通过Matplotlib,开发者可以仅需要几行代码,便可以生成饼图,直方图,功率谱,条形图,错误图,散点图等 1.1 图形的基本构成 一个完整的图,包括figure,a…...

Motion Tracks:少样本模仿学习中人-机器人之间迁移的统一表征

25年1月来自Cornell和Stanford的论文“MOTION TRACKS: A Unified Representation for Human-Robot Transfer in Few-Shot Imitation Learning”。 教会机器人自主完成日常任务仍然是一项挑战。模仿学习 (IL) 是一种强大的方法&#xff0c;它通过演示向机器人灌输技能&#xff…...

【Spring Boot】MyBatis入门:连接Mysql数据库、测试单元、连接的常见错误

MyBatis入门 1.什么是MyBatis&#xff1f;2.准备工作2.1.创建项目2.2.MySQL数据准备2.3.创建对应的实体类 3.写配置文件和获取数据3.1写配置文件3.2 持久层代码 4.单元测试5.连接数据库时常见的错误5.1 url 配置错误5.2 MySQL账号密码错误5.3 找不到数据库5.4 表错误5.3 云服务…...

【AI插件开发】Notepad++ AI插件开发实践:支持配置界面

一、引用 此前的系列文章已基本完成了Notepad的AI插件的功能开发&#xff0c;但是此前使用的配置为JSON配置文件&#xff0c;不支持界面配置。 本章在此基础上集成支持配置界面&#xff0c;这样不需要手工修改配置文件&#xff0c;直接在界面上操作&#xff0c;方便快捷。 注…...

《Spring Boot 测试框架指南:@SpringBootTest与Mockito的最佳实践》

大家好呀&#xff01;&#x1f44b; 今天我要和大家聊聊Spring Boot测试的那些事儿。作为一名Java开发者&#xff0c;写代码很重要&#xff0c;但写测试同样重要&#xff01;&#x1f4af; 想象一下&#xff0c;你建了一座漂亮的房子&#x1f3e0;&#xff0c;但如果没有质量检…...

《数据结构初阶》【时间复杂度 + 空间复杂度】

《数据结构初阶》【时间复杂度 空间复杂度】 前言&#xff1a;-----------------------------------------1. 什么是数据结构&#xff1f;2. 什么是算法&#xff1f; -----------------------------------------算法的时间复杂度和空间复杂度1. 为什么要引入时间复杂度和空间复…...

【深度学习—李宏毅教程笔记】Self-attention

目录 一、Self-attention 的引入 1、多样化的输入形式 2、典型的下游任务下游任务 3、传统“全连接 窗口”方法的局限 4、Self‑Attention 的引入 二、Self-attention 的架构 1、Self-attention层的框图表示 2、Self-attention 层的矩阵运算过程 三、Multi-head Self…...

PHP腾讯云人脸核身获取Access Token

参考腾讯云官方文档&#xff1a; 人脸核身 获取 Access Token_腾讯云 public function getAccessToken(){$data [appId > , //WBappid,https://cloud.tencent.com/document/product/1007/49634secret > ,grant_type > client_credential, //授权类型version > 1…...

pytorch基本操作2

torch.clamp 主要用于对张量中的元素进行截断&#xff08;clamping&#xff09;&#xff0c;将其限制在一个指定的区间范围内。 函数定义 torch.clamp(input, minNone, maxNone) → Tensor 参数说明 input 类型&#xff1a;Tensor 需要进行截断操作的输入张…...

Linux服务器配置Anaconda环境、Pytorch库(图文并茂的教程)

引言&#xff1a;为了方便后续新进组的 师弟/师妹 使用课题组的服务器&#xff0c;特此编文&#xff08;ps&#xff1a;我导从教至今四年&#xff0c;还未招师妹&#xff09; ✅ NLP 研 2 选手的学习笔记 笔者简介&#xff1a;Wang Linyong&#xff0c;NPU&#xff0c;2023级&a…...

idea 许可证过期

今天打开IDEA写代码突然提示&#xff1a;Your idea evaluation has expired. Your session will be limited to 30 minutes 评估已过期&#xff0c;您的会话将限制为 30 分钟。也就是说可以使用&#xff0c;但30min就会自动关闭 1 下载 ide-eval-resetter-2.1.6.zip https…...

Git常用命令分类汇总

Git常用命令分类汇总 一、基础操作 初始化仓库git init添加文件到暂存区git add file_name # 添加单个文件 git add . # 添加所有修改提交更改git commit -m "提交描述"查看仓库状态git status二、分支管理 创建/切换分支git branch branch_name …...

归并排序:数据排序的高效之道

&#x1f9d1; 博主简介&#xff1a;CSDN博客专家&#xff0c;历代文学网&#xff08;PC端可以访问&#xff1a;https://literature.sinhy.com/#/literature?__c1000&#xff0c;移动端可微信小程序搜索“历代文学”&#xff09;总架构师&#xff0c;15年工作经验&#xff0c;…...