Flowith AI，解锁下一代「知识交易市场」
前言
最近几周自媒体号都在疯狂推Manus，看了几篇测评后，突然在某个时间节点，在特工的文章下，发现了很小众的Flowith。
被这段评论给心动到，于是先去注册了下账号。一翻探索过后，发现比我想象中要有趣的多，各种工作流、画布式布局、Oracle 模式、内建知识库等功能琳琅满目，应接不暇。每点击一个入口，进去都有可能是一个很新奇的新大陆。
紧接着，小编再去把官网的doc翻了一遍，继续挖掘到了很多很新奇的玩法。
一、🦄基础介绍
1、什么是flowith
先附上官方介绍文档：https://doc.flowith.io/cn
以及首页访问链接：https://flowith.net/invitation?code=TEODVL
Flowith，是一款华人开发的下一代生产力工具。它摒弃了传统的聊天式界面，基于二维画布设计，让用户能在同一空间中与多个AI模型同时交互，大幅度提升你在创意工作时的效率和心流体验。
官网里面有个「知识花园」的概览阐述的特别好，里面说到：
flowith 「Knowledge Garden」 知识花园，围绕**“让 AI 与您的知识自然互动”**这一核心理念进行打造。它结合了自动化知识整理、结构化管理和创作协同，能让你的信息资产真正活跃起来，成为可持续生长的“活知识”。它能够自动将你的文件、笔记和在线资源转化为 AI 可理解的最小知识单元（Seeds 知识种子）。
2、核心优势
下面先来简单初步地了解下，Flowith有哪些核心优势：
二维画布 —— 不同于传统聊天式 AI 工具，flowith 基于二维画布的交互，让你可以在一个画布中与多个 AI 模型同时交互，并进行内容生成，更适用于长内容生成、对比 AI 生成结果、调试 Prompt 等场景，让你在创造内容时大幅度提升效率、更容易地进入心流状态。
Oracle模式 —— Flowith Oracle 是官方自主打造的下一代 AI agent 系统，它可以帮助你完成多步骤、超复杂的任务和需求。支持自主规划、拆分和完成任务、无限的工具调用、和自我优化完善，比传统的 AutoGPT 等架构有着更成熟和稳定的表现。同时，利用 flowith 画布式的交互，Oracle 可以更好地为你呈现具体步骤和全面信息。
全链路知识管理 —— Flowith把知识管理，从生产端到消费端，完全地串联了起来。分为三个步骤：
- 知识库Knowledge Bases → 用Knowledge Bases 构建你的知识库数据；
- 知识花园Knowledge Garden → 将静态信息转化为“活知识”，自动把文件整理为 AI 可理解的知识单元；
- 知识市场Knowledge Market → 将整理过后的知识，发布到交易市场，可以开启付费订阅和售卖。
下面，我们就来聊聊，Flowith这一整个工具，各种有趣的入口，以及要怎么去更好地使用。
二、🐯Flowith功能拆解
1、构建你的第一个知识库
（1）创建知识库
刚进入页面，印入眼帘的是看起来非常清爽的首页，接近Notion和YourMind的UI风格。
接着，我们可以点击下方红色区域，来开始构建我们的第一个知识库。
紧接着，会有一个弹窗，这个弹窗是用来给你创建知识库的。我们来创建第一个知识库：
创建完成之后，就需要往我这个知识库上放东西，怎么放呢？具体看下面步骤👇🏻：
接着，我导入了一个文件进来，它会开始解析：
解析完成后，就种下了知识的种子🌱：
值得注意的是，在对知识库的内容进行解析时，有两种模式可以选择。分别是：
- AI 智能拆分：AI 智能分析内容并优化拆分逻辑，可过滤冗余信息并保持语义完整性，但处理时间较长；
- 快速拆分：按句子直接拆分，完整保留原文，处理速度快但不会做优化。
对于这两种模式的选择，主要看你对所上传内容熟悉度的把握。如果你觉得里面重复的内容不多，那么可以直接选择快速拆分。如果你觉得里面有很多重复的内容，那么就可以选择AI智能拆分。
（2）分享到外部
除此之外，你还可以将知识库，通过链接的形式，分享到外部。那外部的小伙伴，可以通过这个链接访问到你的内容。具体操作如下：
2、Chat模式
创建完知识库后，我们回到首页，去使用我们创建的内容。
在首页的聊天框，有一个 KNOWLEDGE BASE 的按钮，我们把这个按钮打开，然后选择我们创建过的知识库。就可以基于我们构建过的内容，来和 AI 开始对话。
对它提问问题，然后点击「开始」，它就会进入一张全新的画布里面去进行创作。
3、无限画布交互
比如我问它：
刚刚我上传两份报告，分别是：①全球AI应用趋势年度报告；②AI大模型市场现状及发展趋势。
接下来请你帮我分析下，在2025年，全球AI应用趋势，有可能是什么样的？
它在第一个分支里面，就开始给我生成了对应的内容：
紧接着，我又建了第二个分支，我问它：
当然，我也想知道，在2025年，大模型行业，整个市场的现状，有可能是什么样的？
它在第二个分支里面，就生成了我想要的一些内容：
用到这个功能的时候，属实是有一点小惊艳的🐯。从我传统的单线程创作，变成了多线程创作。在一个页面内，就可以同时对很多聊天的内容，进行对比和交互。
传统AI工具是线性的聊天界面，而Flowith提供的是一个无限延展的二维画布：
- 空间组织信息：可以自由拖拽、组织内容块
- 多任务并行处理：在同一画布上同时进行多个不同的创作任务
- 思维可视化：直观展示思考过程和创意连接
这种画布式交互特别适合创意工作和复杂项目，让思维不再局限于一问一答的模式。
4、灵活切换对话模式和模型
继续，我们可以看到，最底下的聊天框，左上角有两个可以选择的椭圆形框。
这两个椭圆形框，分别应对的是对话模式和对话模型。Flowith支持对不同的对话，切换不同的模式，以及用不同的模型来回答。
（1）主要对话模式
主要对话模式，包含常规模式、联网搜索模式、图片/视频生成模式、提示词生成模式、比较模式、插件模式和Oracle模式。
它们的功能分别是：
| 对话模式 | 功能描述 |
|---|---|
| 常规模式 | 最常规的AI生成模式，外挂知识库。 |
| 联网搜索模式 | 让 AI 联网搜索，基于实时信息回答你的问题。 |
| 图片/视频生成模式 | 图片或视频生成 AI，通过最顶级的模型。 |
| 提示词生成模式 | 使用 AI 优化您的原始提示词。 |
| 比较模式 | 让多个顶级 AI 模型并行回复你的问题。 |
| 插件模式 | 为 AI 外挂外部插件和专业工具。 |
| Oracle模式 | 处理多步骤任务的 AI Agent 智能体。 ULTRA 模式能够处理更复杂、更长步骤的任务。 |
（2）支持的对话模型
除此之外，Flowith还支持对不同的对话，选择不同的模型。其中包含更先进的T2模型，以及比较常规的T1模型：
5、Oracle模式
（1）Oracle模式是什么？
接着上面提到的对话模式，其中里面有一个很值得探索的模式：Oracle模式。Flowith的Oracle是一个强大的AI Agent框架，它比OpenAI的o1模型上线还要早。具体具有的能力有：
| 功能特点 | 详细说明 |
|---|---|
| 自主任务规划 | 能够将复杂问题拆解为多个子任务并规划执行路径 |
| 工具调用能力 | 可以调用各种外部工具完成特定任务 |
| 自我优化 | 能够根据执行结果不断调整和改进解决方案 |
| 持续执行 | 遇到问题可以自主寻找解决方法继续执行 |
据相关介绍，Oracle能在10分钟内完成许多复杂任务，截至目前，已经解决了超过2000万次复杂问题。
（2）如何使用
那如何使用Oracle模式呢？首先，在最下面的聊天框，把模式修改成「Oracle模式」，修改完成之后，就进入到了当前画布的Oracle模式下。在这个模式下，我们可以引用任何一个节点的内容，或者上传文件和图片。之后基于引用的内容，来进行提问。如下图所示：
比如我问它：接下来我想要创作一篇文章，为高校老师上一堂 AI 应用课，你觉得大概应该包含哪些内容比较合适？然后Oracle模式，就会开始自主做任务规划，将多个复杂的问题拆解为多个子任务，并规划执行路径。同时，如果有需要调用其他外部工具，它自己也会进行思考，并自主调用合适的外部工具，来帮助你完成最终的任务。如下图所示：
Oracle模式的出现，从工具层面来讲， 帮助我们做了更多方法层面的思考，从某种意义上来说，减少了我们做决策的时间。
6、支持多种编辑器
继续，聊聊Flowith上，还有一个很好玩的功能：编辑器。小编探索着探索着，在画布的右下角，发现有四个小图标。如下图所示：
这四个图标的功能，分别对应：文本编辑器、实时聊天、图片编辑器和代码编辑器。也就是说，每点击一个，就会出现对应类型的编辑器，然后你就可以在这个编辑器上面，填充你想要填充的内容。如下图所示：
每一个编辑器的内容，都可以把你想写的内容，写到编辑器上。之后可以把编辑器上的内容，直接放到画布上。不过这里目前只有图片编辑器的内容可以添加到画布上，其他类型的编辑器，试了下貌似还不太行，静等官方后续支持。
讲到这里，关于Flowith AI的功能拆解，告一段落。算是有一点小惊喜在里面🐯
下面，我们继续来聊聊，Flowith另外一个很重要的概念，
三、🐱知识市场
在文章的第「一 2、」这部分，我们有聊到「①知识库Knowledge Bases → ②知识花园Knowledge Garden → ③知识市场Knowledge Market」这三个概念。
前面我们已经讲完了知识库和知识花园的内容，也就是对「Flowith功能拆解」的部分。
那接下来，我们来聊聊第三个概念：知识交易市场Knowledge Market。
1、交易市场解析
首先在首页，点击「发现更多」，进入交易市场。
进入到这个页面后，会发现有两个入口：Knowledge Market 和 Agent Community，也就是知识市场和智能体社区。
在Knowledge Market上，用户可以把自己在知识花园里面创建的内容，发布到知识市场下面。
那也就可以理解为：先有知识库，再有知识花园，最后有知识市场。
ahahhaa…写到这里感觉我很像是Flowith的PM，在写PRD的既视感。不过有可能解析的不对，写的有误欢迎轻喷🙊
Flowith的知识市场，很适合做垂类领域的知识，比如：计算机、法律、会计、环保、经济学、市场营销等等领域。用户构建完自己的内容之后，一方面是给自己创作使用，另一方面，整理完了之后，也可以直接发布出去，分享到外部，受益于更多人。
2、内容社区
从知识市场衍生出一个新的概念：内容社区。Flowith的知识市场，整体解析下来的链路大致是：①内容供给 → ②用户增长 → ③商业价值。
也就是说，当你有了很好的内容，但是又迫于没有流量时，可以把你的知识花园，打包并发布到平台上，售价由你自己定，最终盈利再根据平台平台的计算规则，获取到你应得的报酬。
那怎么发布自己的知识库呢？
**第一步：**点击去发布你在「知识库」创建的内容。
**第二步：**选择对应的「知识库」，填写名称、价格和知识库描述。
**第三步：**上传知识库的封面，以及博客的链接，这个封面最终会展示在交易市场上。
**第四步：**跑通第一个预设问题。
**第五步：**给你的用户，写一个简单的使用指南，告知他们，你这个知识库，是准备用来做什么的。
第六步：点击发布，然后把知识库发布到交易市场上，之后可以在知识市场上看到啦！
3、机制梳理
到这里，我们就梳理完成了「知识库 → 知识花园 → 知识市场」这三个概念。感受一下知识市场的交易模式还蛮快乐的。最后，我们来梳理下，Flowith的知识管理生态系统：
- 知识整理自动化 —— 将各种来源的信息自动转化为结构化知识
- 知识单元Seeds —— 将信息拆分为最小知识单元(Seeds)
- 智能关联网络 —— 自动建立知识点之间的联系
- 精准调用 —— 对话时自动调用相关知识，提高回复的准确性
- Knowledge Marketplace —— 支持在社区中分享和交易高质量的知识库
四、🐐使用场景与实际应用
文章的第四部分，我们来聊聊，Flowith一些很实用的场景。
1、内容创作与策划
在Flowith的画布上，可以同时进行：
- 主题发散与内容大纲生成
- 多角度内容创作
- 图像生成与排版建议
- 内容优化与校对
例如，我可以在左侧让DeepSeek-R1生成文章大纲，中间用GPT-4o撰写内容，右侧用另一个模型进行审核和改进建议，整个过程都在一个画布上完成，无需切换窗口。
2、复杂项目管理
使用Oracle模式和插件，可以轻松处理如下场景：市场调研与竞品分析、商业计划书撰写、产品发布策略规划、多维度数据分析与可视化。
比如使用Flowith来制作一个新产品的所有内容，把所有链路给串联起来。从内容规划、资料收集到排版设计，整个过程会非常高效且流畅。
3、创意发想与头脑风暴
Flowith的画布式交互，也很适合：多角度问题分析、创意构思与发散、项目创意可视化、团队协作创意激发。
五、🐅周边插件
文章的第五部分，来聊聊：flowith的周边插件。
1、强大的插件模式
在文章的「二 4、（1）」部分，我们聊到了flowith的7种对话模式。其中有一个模式是插件模式，在这个模式下，flowith能帮助你，去调用一些外部插件和专业工具，再结合你当前选择的大模型，最终去实现更强大的能力。
（1）主要插件类别
先来看下这个插件模式的具体位置👇🏻：
这里我怀疑研发开发的时候，漏了中文的翻译🐱
下面就依据上面的英文描述，来对插件模式下的所有插件类别，进行整体归类：
| 插件类型 | 功能描述 |
|---|---|
| online search | Conducts realtime searches and web crawlers with keywords using Google |
| generate image | Creates image based on descriptive prompt. |
| summarize and decide | Reasoning, Thinking, and summarize the information completed in other tasks, and provide a detailed informative text result. |
| search products | Search for physical products and selling information using Google Shopping Search. |
| search patents | Search for patents and invention information using Google Patents Search API |
| read website | Reads and retrieves the content of the specified website URL. |
| gen webpage | generate a fully functional webpage, web game, charts… and render it using codesanbox |
| search images | Searches for images related to the user’s query. |
| search google scholar | Searches for academic papers and scholarly documents using Google Scholar. |
| search websites | Searches for website links related to the user’s query using Google Search |
| search twitter | Searches for tweets on Twitter using specified keywords |
| generate posters | Generates design and poster images based on detailed text prompts and infomation using the ideogram API. |
| generate voice assistant | Generate natural, context-aware, and conversational AI voice assistant. |
接着，我们来再用中文，进行详细介绍。具体如下表所示👇🏻：
| 插件类型 | 功能描述 | 主要应用场景 |
|---|---|---|
| 网络搜索 (Online Search) | 使用Google实时进行关键词搜索和网络爬取 | 信息收集、市场研究、竞品分析、最新动态了解 |
| 图像生成 (Generate Image) | 基于文字描述来创建各类图像 | 内容创作配图、产品设计、营销素材制作、创意可视化 |
| 总结与决策 (Summarize and Decide) | 对其他任务完成的信息进行推理、思考和总结 | 报告生成、项目总结、数据分析结论、决策辅助 |
| 产品搜索 (Search Products) | 使用Google购物搜索来查找实体产品和销售信息 | 产品调研、价格对比、市场分析、购买决策参考 |
| 专利搜索 (Search Patents) | 使用Google专利搜索API来查询专利和发明信息 | 创新研究、技术调研、知识产权分析、竞争情报收集 |
| 网站阅读 (Read Website) | 读取并获取指定网站URL的内容 | 网页内容分析、信息提取、文章研究、竞品网站调研 |
| 网页生成 (Gen Webpage) | 使用codesandbox来生成功能完整的网页、网页游戏、图表等 | 网页原型设计、交互演示、数据可视化、教育演示 |
| 图片搜索 (Search Images) | 搜索与用户查询相关的图片 | 视觉参考收集、设计灵感获取、视觉市场分析、内容创作辅助 |
| 谷歌学术搜索 (Search Google Scholar) | 使用Google Scholar来搜索学术论文和学术文档 | 学术研究、文献综述、知识更新、专业领域深入探索 |
| 网站搜索 (Search Websites) | 使用Google搜索来查找与用户查询相关的网站链接 | 资源收集、行业研究、参考资料整理、合作伙伴寻找 |
| 推特搜索 (Search Twitter) | 使用指定关键词在Twitter上搜索对应的tweets | 社交媒体监测、舆情分析、趋势追踪、实时信息获取 |
| 海报生成 (Generate Posters) | 使用ideogram API，且基于文本提示词和相关的信息，来生成设计图和海报 | 营销物料制作、活动宣传、社交媒体内容、品牌设计 |
| 语音助手生成 (Generate Voice Assistant) | 生成自然、上下文能感知的会话式AI语音助手 | 语音内容制作、演示材料、用户体验设计、多模态创作 |
上面我们大概梳理了下flowith的13款插件，知道了他们都是用来干嘛的。同时，在上面这张表中的最后一列，也列出了各种插件类型的主要应用场景。最后，我们来总结下插件模式的具体能力。
（3）插件功能总结
Flowith提供了丰富的插件生态系统，大幅度地扩展了平台的功能边界：
- 多样化工具插件：支持网页浏览、代码执行、数据分析、文件处理等功能
- API集成能力：可以连接第三方服务和数据源
- 自定义插件：允许开发者构建专属工具
- 工具组合调用：Oracle系统能够智能选择并组合使用多个插件来解决复杂问题
可以说，插件模式让Flowith从单纯的AI助手转变为功能较为全面的生产力中心，尤其是在结合了Oracle模式之后，可以更进一步地实现端到端的任务自动化。
2、浏览器插件：无处不在的Flowith
除了平台内的功能插件外，Flowith还提供了强大的浏览器扩展，让用户能在日常网页浏览中，随时调用Flowith的能力。具体插件地址👉🏻：Flowith Web Clipper。
浏览器主要提供以下两大能力：
- Web Clipper：直接把你想要放到知识花园的内容给放进来，通过粘贴文本或者导入文件的形式。
- Knowledge Garden：直接在插件里面，看到知识花园里的内容，方便快速浏览信息。
从某种意义上来讲，Flowith的浏览器插件更进一步提升了知识管理的连续性和便捷性。
六、🐌 对flowith的可能性探索
文章的最后一部分，来聊聊，对这款产品的整体优劣势分析，以及沉淀一些使用体验心得。
1、优劣势分析
先来分析，整个工具使用下来，整理下来的一些优劣势分析：
2、实际体验感受
再来聊聊，对整个产品的一些体验心得，以及未来的可能性思考：
- 以前刚用扣子的时候，会被扣子的各种功能给惊喜到。但用了
flowith之后，发现了比扣子更有趣的新大陆。 - 两款工具各有其不同的优点，给用户都带来了很良好的体验。
- flowith产品里的中英互译，感觉没有完全覆盖到，在切换到中文模式下，有些地方会还是英文模式，比如：有时候看的是中文，然后点了某个弹窗，出来突然变成英文。或许这一块未来研发团队会再进一步优化这里的逻辑。
- 知识交易市场里的「知识花园」，感觉还欠缺一些筛选。在知识花园太多的情况下，用户想要去找到自己的分类，要花的时间可能就会比较久一些。
- 有些比较小的交互，可能是悬浮hover上去的时候，会出现操作栏；但是离开的时候，操作栏并不会消失。
- ……
- 静待flowith团队完善更强大的功能😉
七、🦁 结束语
到这里，今天的文章讲解就接近尾声啦。最后来做个小小的结尾~
在上面的文章中，我们先引入了「知识库Bases→ 知识花园Garden → 知识交易市场Market」三个链路，来分别剖析了flowith的整个产品生态。
在此过程中，我们分别体验了flowith生产内容的整个过程：
正如Flowith创始人所说："Chatbot式AI将成为历史。"这个理念也在产品中得到了充分体现。
最后引用flowith官方首页写到的理念来做个结尾：潺潺流转，思如泉涌。写的真好~
我们下期见~🍻🍻🍻
🐣彩蛋One More Things
变更记录
写完的时候，意识到这篇文章已经历时了1个月。虽然创作过程比较长，但把一些产品链路捋清楚，还是蛮开心的~👻
其他
Zelina的个人说明书：https://pzfqk98jn1.feishu.cn/wiki/wikcnTijikVNdkWdBEKzQpiA6ie
相关文章：
Flowith AI，解锁下一代「知识交易市场」
前言 最近几周自媒体号都在疯狂推Manus，看了几篇测评后，突然在某个时间节点，在特工的文章下，发现了很小众的Flowith。 被这段评论给心动到，于是先去注册了下账号。一翻探索过后，发现比我想象中要有趣的多&…...
【AI实战】基于DeepSeek构建个性化AI对话代理：从提示词工程到完整实现
作为开发者，我们经常需要与AI进行各种交互。本文将详细介绍如何通过提示词工程(prompt engineering)构建个性化的AI对话代理，并使用DeepSeek的API实现完整解决方案。 一、个性化AI代理的核心要素 1.1 角色设定(Role Setting) 角色设定是构建个性化AI的…...
基于ueditor编辑器的功能开发之重写ueditor的查找和替换功能，支持滚动定位
百度编辑器的查找和替换无法随着页面滚动定位，找到searchreplace.js，重写里面的方法 效果展示： 20250421173735 思路： 找到查找和替换的输入框，发现id名分别为findtxt和findtxt1，分别绑定change事件&…...
分布式数据库TiDB：架构、核心特性与生产实践（分库分表）
在云计算与大数据时代，传统单机数据库面临三大挑战：海量数据存储、高并发访问和实时分析需求。MySQL分库分表方案复杂、NoSQL缺乏ACID支持、MPP数仓难以处理OLTP... 在这样的背景下，TiDB应运而生。作为一款开源的分布式NewSQL数据库ÿ…...
用自然语言指令构建机器学习可视化编程流程：InstructPipe 的创新探索
想要掌握如何将大模型的力量发挥到极致吗？叶梓老师带您深入了解 Llama Factory —— 一款革命性的大模型微调工具（限时免费）。 1小时实战课程，您将学习到如何轻松上手并有效利用 Llama Factory 来微调您的模型，以发挥其…...
利用WSL2的镜像功能访问Windows下的所有网卡
目录 引言 镜像功能 如何设置 自动代理 结语 引言 我通常用PC上的LAN口去连接开发板，但是在WSL2中要访问LAN口连接的开发板有点麻烦。WSL2默认的网络模式为NAT，如果要访问Windows中网口需要设置桥接，比较繁琐。今天尝试了一下Windows 1…...
AI助理iOS开发：Copilot for Xcode 下载与安装全指南
引言 借助 Copilot for Xcode 也有两年了，如今已经变成了日常开发中的“默契搭档”。它能根据上下文补全代码，快速生成常用逻辑，甚至有时候在我还在思考怎么写的时候，它就已经给出了不错的建议。特别是在写一些重复性较高的代码&…...
Hadoop+Spark 笔记 2025/4/21
定义 1. 大数据（Big Data） - 指传统数据处理工具难以处理的海量、高速、多样的数据集合，通常具备3V特性（Volume体量大、Velocity速度快、Variety多样性）。扩展后还包括Veracity（真实性）和Va…...
模拟车辆变道 python 可视化
目录 车头朝向一起变化 车头朝向不变化，矩形框 车头朝向一起变化 import cv2 import numpy as npdef world_to_pixel(world_x, world_y, img_w=800, img_h=800):scale_x = img_w / 120 # 横向范围：0~120米scale_y = img_h / 80 # 纵向范围：0~80米pixel_x = int(world_x …...
国产仪器进化论：“鲁般号”基于无人机的天线测试系统
2025年4月14日，成都玖锦科技有限公司正式发布了新品：“鲁般号会飞的系统”系列，这是玖锦科技首款基于无人机的天线方向图测试系统。 在“振兴民族产业，打造民族品牌”的征途中，“鲁般号”系列是继“墨子”、“孔明”、…...
Linux学习笔记协议篇（六）：SPI FLASH设备驱动
目录 一、设备树解析 二、SPI设备驱动代码分析 1、spi_nor_probe 2、spi_nor_scan （1）协议配置 （2）初始化Flash参数(核心步骤) （3）MTD子系统集成 （3）配置 SPI 通信参数 spi…...
Spring Boot 核心模块全解析：12 个模块详解及作用说明
在当今的微服务与云原生时代，Spring Boot 已成为构建现代 Java 应用的事实标准。它通过“约定优于配置”的理念，大大降低了 Spring 应用的开发门槛，帮助开发者快速启动和部署独立的、生产级别的项目。 本篇文章将系统梳理 Spring Boot 框架中…...
【无人机】无人机方向的设置，PX4飞控方向，QGC中设置飞控的方向/旋转角度。PX4使用手册飞行控制器/传感器方向
目录 #1、基本概念：计算方向 #2、详细步骤：设置方向 #3、微调 默认情况下，飞行控制器（和外部指南针，如果有）应放置在框架顶部朝上，方向应使箭头指向飞机前部。 如果板或外部指南针安装在任何…...
【Spring Boot基础】MyBatis的基础操作：日志、增删查改、列名和属性名匹配 -- 注解实现
MyBatis的基础操作 1.打印日志2. 参数传递2.1不传参2.2 固定参数 3. 增(Insert)3.1 用对象接参3.2 用param注解接收参数3.3 返回主键 4. 删(Delete)4.1 用Integer接参4.2 用对象接参 5. 改(Update)6. 查(Select)6.1 查6.2 拼接SQL语句6.3 列名和属性名匹配6.3.1 起别名 as6.3.2…...
泰迪智能科技大模型应用平台功能特色优势
1.平台概述 大模型应用平台是一款专为高校在大模型应用场景下的教学和科研需求设计的知识库问答系统。平台具备便捷性，支持上传常见格式的数据文件，如txt、doc、pdf、md等，并提供简洁明了的操作配置界面，使用户能够轻松搭建和训练…...
【NLP 69、KG - BERT】
人们总是在无能为力的时候喜欢说顺其自然 —— 25.4.21 一、KG-BERT：基于BERT的知识图谱补全模型 1.模型结构与设计 Ⅰ、核心思想： 将知识图谱中的三元组（头实体-关系-尾实体）转化为文本序列，利用BERT的上下文理解能…...
Spring解决循环依赖
Spring 通过 三级缓存机制 解决循环依赖问题，其核心思想是 提前暴露未完全初始化的 Bean，允许依赖方在 Bean 完全初始化前引用其早期版本。以下是详细解析： 一、三级缓存机制 Spring 在单例 Bean 的创建过程中维护了三级缓存，用于…...
深入解析 Spring 中的 @Value 注解（含源码级剖析 + 自定义实现）
深入解析 Spring 中的 Value 注解（含源码级剖析 自定义实现） 在 Spring 开发中，我们经常使用 Value 注解将配置文件中的值注入到 Bean 的属性中。本文将深入探讨 Value 的使用方式、默认值支持、底层原理以及自定义实现方式。 一、Value 的…...
【Flink SQL实战】 UTC 时区格式的 ISO 时间转东八区时间
文章目录 一、原始数据格式二、解决方案三、其他要求 在实际开发中，我们常常会遇到此类情况：数据源里的时间格式是类似 2025-04-21T09:23:16.025Z 这种带 TimeZone 标识的 ISO 8601 格式，而我们需要在 Flink SQL 中将其转换成北京时间显示。 …...
【论文阅读23】-地下水预测-TCN-LSTM-Attention（2024-11）
这篇论文主要围绕利用深度学习模型检测地下水位异常以识别地震前兆展开。 [1] Chen X, Yang L, Liao X, et al. Groundwater level prediction and earthquake precursor anomaly analysis based on TCN-LSTM-attention network[J]. IEEE Access, 2024, 12: 176696-176718. 期刊…...
/proc/sys/vm/下各参数含义
/proc/sys/vm/下各参数含义 admin_reserve_kbytes如何计算最小有效预留？ compact_memorycompaction_proactivenesscompact_unevictable_alloweddirty_background_bytesdirty_background_ratiodirty_bytesdirty_expire_centisecsdirty_ratiodirtytime_expire_seconds…...
算法分析与设计——动态规划复习题（待更新
检测题： 组合优化问题的目标函数通常不包括以下哪种形式？ A. 需最小化的代价函数 B. 需最大化的回报函数 C. 需满足的硬约束条件 D. 需最小化的能量函数 答案：C 关于约束条件的说法，以下哪项是正确的？ A. 硬约束可以通…...
【EasyPan】项目常见问题解答（自用持续更新中…）
EasyPan 网盘项目介绍 一、项目概述 EasyPan 是一个基于 Vue3 SpringBoot 的网盘系统，支持文件存储、在线预览、分享协作及后台管理，技术栈涵盖主流前后端框架及中间件（MySQL、Redis、FFmpeg）。 二、核心功能模块 用户认证 注册…...
基于Java的不固定长度字符集在指定宽度和自适应模型下图片绘制生成实战
目录 前言 一、需求介绍 1、指定宽度生成 2、指定列自适应生成 二、Java生成实现 1、公共方法 2、指定宽度生成 3、指定列自适应生成 三、总结 前言 在当今数字化与信息化飞速发展的时代，图像的生成与处理技术正日益成为众多领域关注的焦点。从创意设计到数…...
电子电器架构 ---软件定义汽车的电子/电气（E/E）架构
我是穿拖鞋的汉子，魔都中坚持长期主义的汽车电子工程师。 老规矩，分享一段喜欢的文字，避免自己成为高知识低文化的工程师： 周末洗了一个澡，换了一身衣服，出了门却不知道去哪儿，不知道去找谁，漫无目的走着，大概这就是成年人最深的孤独吧! 旧人不知我近况，新人不知我过…...
Stable Diffusion 制作角色三视图
对于漫画创作，DPM 2M Karras和UniPC是高效且稳定的首选采样方法，结合Karras噪声调度可显著提升画面质量。若需进一步优化，可参考具体场景调整步数并辅以ControlNet等工具。避免使用随机性强的采样器（如Euler a）&#x…...
C++--负载均衡在线OJ
这是本人写的第二个项目，相比第一个代码量更少一些，但是此项目涉及linux中的内容更多，同样是干货满满，实现了 类似 leetcode 的题⽬列表在线编程功能，地址仓库：xwy/C学习项目 1. 所用技术与开发环境 C11和…...
【数字图像处理】彩色图像处理（1）
研究彩色图像处理的原因 1：利用颜色信息，可以简化目标物的区分，以及从场景中提取出目标物 2：人眼对颜色非常敏感，可以分辨出来几千种颜色色调和亮度，却只能分别出几十种灰度 彩色图像分类 伪彩色图像处理&…...
【Easylive】consumes = MediaType.MULTIPART_FORM_DATA_VALUE 与 @RequestPart
【Easylive】项目常见问题解答（自用&持续更新中…） 汇总版 consumes MediaType.MULTIPART_FORM_DATA_VALUE 的作用 1. 定义请求的数据格式 • 作用：告诉 Feign 和 HTTP 客户端，这个接口 接收的是 multipart/form-data 格式的…...
【python】copy deepcopy 赋值= 对比
上结论 写法是否独立是否安全修改copy() （用于一维列表）✅ 是独立副本✅ 安全deepcopy() （多层结构时用）✅ 是完全副本✅ 安全直接赋值（）❌ 是引用❌ 改一个会影响另一个 一、.copy() 和 deepcopy() 有什…...
环形缓冲区容量耗尽解决方案
以下是针对环形缓冲区在时间窗口统计场景中容量耗尽问题的解决方案设计及优劣分析，结合搜索结果中的技术原理和工程实践： 一、核心问题定位 当环形缓冲区容量耗尽时，新数据覆盖旧数据会导致： 时间窗口统计失真：无法准…...
蓝桥杯 17.发现环
发现环 原题目链接 题目描述 小明的实验室有 N 台电脑，编号 1 ⋯ N。 原本这 N 台电脑之间有 N−1 条数据链接相连，恰好构成一个树形网络。 在树形网络上，任意两台电脑之间有唯一的路径相连。 不过在最近一次维护网络时，管理…...
数据库服务器架构
ORM ORM（Object Relational Mapping）：对象与关系数据之间的映射 映射关系表： 类（class）—— 数据库的表（table） 对象（object）——记录（record…...
Netty前置基础知识之BIO、NIO以及AIO理论详细解析和实战案例
前言 Netty是什么？ Netty 是一个基于 Java 的 高性能异步事件驱动网络应用框架，主要用于快速开发可维护的协议服务器和客户端。它简化了网络编程的复杂性，特别适合构建需要处理海量并发连接、低延迟和高吞吐量的分布式系统。 1)Netty 是…...
职坐标IT培训：人工智能职业跃迁路径
随着人工智能时代全面来临，职业发展格局正经历颠覆性重构。政策端，《新一代人工智能发展规划》与《生成式AI服务管理办法》双轨并行，既为行业注入动能，也划定了技术应用的合规边界。在此背景下，从业者需构建覆盖基础理…...
Redis 的单线程模型对微服务意味着什么？需要注意哪些潜在瓶颈？
Redis 的单线程模型是其高性能的关键因素之一，但这在微服务场景下既是优势，也可能带来潜在的瓶颈。理解这一点有助于我们在微服务架构中更好的使用Redis。 Redis 单线程模型的核心： 命令处理是单线程的: Redis 使用了一个主线程来接收客户端…...
Redis 有序集合（Sorted Set）
Redis 有序集合（Sorted Set） 以下从基础命令、内部编码和使用场景三个维度对 Redis 有序集合进行详细解析： 一、基础命令 命令时间复杂度命令含义zadd key score member [score member …] O ( k l o g ( n ) ) O(klog(n)) O(klog(n))&…...
和结构体(Struct)的嵌套用法)
C语言中联合体(Union)和结构体(Struct)的嵌套用法
联合体和结构体是C语言中两种重要的复合数据类型，它们可以相互嵌套使用，为复杂数据的表示提供了灵活的方式。 1. 联合体(Union)基础 联合体是一种特殊的数据类型，允许在相同的内存位置存储不同的数据类型。联合体的所有成员共享同一块内存空…...
Rust: 从内存地址信息看内存布局
内存布局其实有几个：address（地址）、size（大小）、alignment（对齐位数，2 的自然数次幂，2，4，8…）。 今天主要从address来看内存的布局。 下面以Str…...
分类算法中one-vs-rest策略和one-vs-one 策略的区别是什么？
LGBMClassifier 参数中，常使用objective: 这个参数定义了模型的目标函数。 而对于多分类问题，通常使用 multiclass 或者 multiclassova。multiclass 表示 one-vs-rest 策略，而 multiclassova 则是 one-vs-one 策略。 在机器学习领域&#x…...
新能源汽车充电桩运营模式的发展与优化路径探析
摘要：以民用新能源汽车充电桩为研究对象，在分析政府主导型、电网企业主导型及汽车厂商主导型三种运营模式特点的基础上，结合我国新能源汽车发展现状，提出汽车厂商与电网企业协同共建的联盟模式。通过构建涵盖政府补贴、建设成本与…...
【前端样式】用 aspect-ratio 实现等比容器：视频封面与图片占位的终极解决方案
在网页开发中，处理视频封面、图片卡片等需要固定比例的容器一直是前端工程师的必修课。本文将以 aspect-ratio 属性为核心，深入探讨如何优雅实现等比容器，并通过完整代码示例和常见问题解析，助你彻底掌握这一现代布局利器。 目录…...
redis常用的五种数据类型
redis常用的五种数据类型 文档 redis单机安装redis数据类型-位图bitmap 说明 官网操作命令指南页面：https://redis.io/docs/latest/commands/?nameget&groupstring 常用命令 keys *：查看所有键exists k1 k2：键存在个数type k1&…...
Cribl 利用表向event 中插入相应的字段-example-02
Working with Lookups – Example 2 Let’s assume we have the following lookup file, and given both the fields impact and priority in an event, we would like to add a corresponding ingestion-time field called severity. cisco_sourcefire_severity.csv im…...
SystemWeaver详解：从入门到精通的深度实战指南
SystemWeaver详解：从入门到精通的深度实战指南 文章目录 SystemWeaver详解：从入门到精通的深度实战指南一、SystemWeaver环境搭建与基础配置1.1 多平台安装全流程 二、新手必学的十大核心操作2.1 项目创建全流程2.2 建模工具箱深度解析 三、需求工程与系…...
归一化对C4.5决策树无效的数学原理与实证分析
一、引言 在机器学习的预处理流程中，归一化（Normalization）常被视作提升模型性能的"银弹"。然而，这一经验法则在决策树算法中却遭遇挑战——尤其对基于信息增益比的C4.5算法，归一化操作几乎不产生任何效果。…...
# 05_Elastic Stack 从入门到实践（五）
05_Elastic Stack 从入门到实践（五） 一、Elasticsearch集群之分布式文档（文档的写操作、搜索操作） 1、文档的写操作 1）新建、索引和删除请求都是写(write)操作，它们必须在主分片上成功完成才能复制到相关的复制分片上。 2）下面我们罗列在主分片和复制分片上成功新建、…...
n8n 中文系列教程_05.如何在本机部署/安装 n8n（详细图文教程）
n8n 是一款强大的开源工作流自动化工具，可帮助你连接各类应用与服务，实现自动化任务。如果你想快速体验 n8n 的功能，本机部署是最简单的方式。本教程将手把手指导你在 Windows 或 MacOS 上通过 Docker 轻松安装和运行 n8n，无需服务…...
Spark,从0开始配置Spark的local模式
1.启动虚拟机 2.通过finalshell连接虚拟机，并上传安装文件到 /opt/software下 3.解压spark安装文件到/opt/module下 tar -zxvf spark-3.3.1-bin-hadoop3.tgz -C /opt/module/ 4.重命名，把解压后的文件夹改成spark-local。因为后续我们还会使用其他的配置…...
策略模式：优雅应对多变的业务需求
一、策略模式基础概念 策略模式（Strategy Pattern） 是一种行为型设计模式，它通过定义一系列可互换的算法族，并将每个算法封装成独立的策略类，使得算法可以独立于使用它的客户端变化。策略模式的核心思想是 “将算法的…...