当前位置：首页 > news >正文

【自然语言处理与大模型】LangChain大模型应用框架入门①

news 来源：原创 2025/7/13 0:25:41

单独为LangChain花大概五篇文章的内容，来和大家一起入门LangChain，这是第一篇重点放在，了解 LangChain 是什么、它的主要用途以及核心模块。了解 LangChain 的设计哲学：链式调用、模块化、可扩展性。安装并学习其中的一个组件：模型组件。

〇、快速安装

LangChain框架由下面这些库组成：

库名	描述
langchain-core	提供基础抽象和LangChain表达式 (LCEL)。
langchain-community	包含第三方集成。
合作伙伴库	例如 `langchain-openai`、`langchain-anthropic` 等，这些集成已经被进一步拆分为自己的轻量级库，仅依赖于 `langchain-core`。
langchain	组成应用程序认知架构的链、代理和检索策略。
LangGraph	通过将步骤建模为图中的边和节点，构建强大且有状态的多参与者应用程序。与LangChain无缝集成，但也可以单独使用。
LangServe	用于将LangChain链部署为REST API。
LangSmith	一个开发者平台，用于调试、测试、评估和监控LLM（语言模型）应用程序。

我们可以先下载langchain、langchain-core、langchain-openai即可完成本文中的代码。如果还有用到其他的，我们再去对应按照即可。

# 创建一个conda虚拟环境
conda create -n langchain python=3.10# 激活进入
conda activate langchain# 安装最有必要的几个包
pip install langchain langchain-core langchain-openai langchain_community

一、核心组件：模型

在 LangChain 中有三种主要类型的模型，它们分别是LLM、ChatModel和Text Embedding Model，我们一个个来学习。

（1） LLM

大语言模型LLM（Large Language Model），用于生成文本输出。LangChain 提供了统一接口来调用各种 LLM。这个模型的用途是来回答问题、生成文本、翻译、摘要等自然语言任务。支持HuggingFace 上的各种开源模型，也支持闭源的OpenAI 的 GPT 系列和Anthropic 的 Claude系列。

需求：使用modelscope下载qwen3-0.6b模型，然后封装成LangChain的LLM类进行使用。

首先我们使用modelscope的SDK来下载一下qwen3模型，cache_dir参数指定模型存放的位置。

# 下载Qwen3-0.6B模型
from modelscope import snapshot_download
model_dir = snapshot_download('Qwen/Qwen3-0.6B', cache_dir='./')

然后，用下面的代码进行调用

# 导入LangChain的LLM基类
from langchain.llms.base import LLM
# 导入Transformers库中的tokenizer和model类
from transformers import AutoTokenizer, AutoModelForCausalLM
# 导入PyTorch
import torch
# 导入类型提示中的ClassVar
from typing import ClassVar# 定义LocalQwen3类,继承自LLM
class LocalQwen3(LLM):# 初始化tokenizer,加载Qwen3-0.6B的tokenizertokenizer: ClassVar = AutoTokenizer.from_pretrained("Qwen/Qwen3-0.6B")# 初始化model,加载Qwen3-0.6B的模型model: ClassVar = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-0.6B")# 定义LLM类型属性@propertydef _llm_type(self):return "qwen3-0.6b"# 实现调用方法def _call(self, prompt, stop):# 将输入文本转换为模型输入格式inputs = self.tokenizer(prompt, return_tensors="pt").to(self.model.device)# 生成文本,最大新token数为100outputs = self.model.generate(**inputs, max_new_tokens=100)# 将输出解码为文本并返回return self.tokenizer.decode(outputs[0], skip_special_tokens=True)# 定义模型标识参数@propertydef _identifying_params(self):return {"name": "qwen3-0.6b"}# 主程序入口
if __name__ == "__main__":# 实例化LocalQwen3对象qwen3_local = LocalQwen3()# 调用模型进行推理response = qwen3_local.invoke("你好，Qwen3！")# 打印响应结果print(response)

（2） Chat Model

ChatModel专门用于对话场景的模型，输入输出为消息对象（Message），支持多轮上下文理解。它的主要用途是构建聊天机器人、处理结构化对话历史。ChatModel的输入各种Message对象。更适合与用户进行多轮对话。

需求：使用modelscope下载qwen3-0.6b模型，然后封装成LangChain的ChatModel类进行使用。

用下面的代码来自定义Qwen3的ChatModel调用：

# 导入基础聊天模型类
from langchain.chat_models.base import BaseChatModel
# 导入消息类型
from langchain.schema import AIMessage, HumanMessage, SystemMessage
# 导入Transformers相关组件
from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig
# 导入PyTorch
import torch
# 导入类型提示
from typing import List, Any, Optional
# 导入聊天输出相关类
from langchain_core.outputs import ChatGeneration, ChatResult# 定义Qwen3聊天模型类
class ChatQwen3(BaseChatModel):# 默认模型路径model_name_or_path: str = "Qwen/Qwen3-0.6B"# tokenizer实例tokenizer: AutoTokenizer = None# 模型实例model: AutoModelForCausalLM = None# 设备类型device: str = "cuda"# 生成配置generation_config: GenerationConfig = None# 初始化方法def __init__(self, model_name_or_path: str = "Qwen/Qwen3-0.6B", device: str = "cuda", **kwargs):# 调用父类初始化super().__init__(**kwargs)# 设置模型路径self.model_name_or_path = model_name_or_path# 设置设备self.device = device# 加载tokenizerself.tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True)# 加载模型self.model = AutoModelForCausalLM.from_pretrained(model_name_or_path,device_map=device,trust_remote_code=True)# 加载生成配置self.generation_config = GenerationConfig.from_pretrained(model_name_or_path)# 定义模型类型属性@propertydef _llm_type(self):return "chat_qwen3"# 生成回复的方法def _generate(self, messages: List[Any], stop: Optional[List[str]] = None, **kwargs) -> ChatResult:# 将消息转换为提示文本prompt = self._convert_messages_to_prompt(messages)# 对输入进行编码inputs = self.tokenizer(prompt, return_tensors="pt").to(self.device)# 生成回复outputs = self.model.generate(**inputs, generation_config=self.generation_config, max_new_tokens=512)# 解码回复response = self.tokenizer.decode(outputs[0], skip_special_tokens=True)# 提取Assistant的回复部分if "Assistant:" in response:response = response.split("Assistant:")[-1].strip()# 创建AI消息对象message = AIMessage(content=response)# 创建聊天生成对象generation = ChatGeneration(message=message)# 返回聊天结果return ChatResult(generations=[generation])# 将消息列表转换为提示文本的方法def _convert_messages_to_prompt(self, messages):# 初始化提示文本prompt = ""# 遍历所有消息for msg in messages:# 处理人类消息if isinstance(msg, HumanMessage):prompt += f"User: {msg.content}\n"# 处理AI消息elif isinstance(msg, AIMessage):prompt += f"Assistant: {msg.content}\n"# 处理系统消息elif isinstance(msg, SystemMessage):prompt += f"System: {msg.content}\n"# 添加Assistant前缀prompt += "Assistant:"return prompt# 主程序入口
if __name__ == "__main__":# 初始化模型chat_qwen3 = ChatQwen3(model_name_or_path="/root/autodl-tmp/Qwen/Qwen3-0.6B")# 构建消息列表messages = [SystemMessage(content="你是一个有帮助的助手。"),HumanMessage(content="请介绍下你自己。")]# 调用模型生成回复response = chat_qwen3.invoke(messages)# 打印回复内容print(response.content)

（3）Text Embedding Model

文本嵌入模型，是将文本转化为向量表示（embedding），用于语义相似度计算、聚类、检索等任务。它主要用在构建知识库语义搜索和计算两个句子之间的相似性上。

如果你有OpenAI的API的话，可以用下面的代码进行文本嵌入。

from langchain_openai import OpenAIEmbeddingsapi_key = "your-api-key-here"  # 请替换为你的OpenAI API密钥
base_url = "your-base-url-here"  # 请替换为你的base_urlembeddings = OpenAIEmbeddings(openai_api_key=api_key,openai_api_base=base_url
)text = "人工智能改变世界"
vector = embeddings.embed_query(text)
print(f"文本 '{text}' 的向量表示长度为：{len(vector)}")

但很多时候我们都使用开源的embedding模型来做词嵌入任务的。

需求：使用modelscope下载bert-base-chinese模型，然后封装成LangChain的Text Embedding Model类进行使用。

使用modelscope的SDK下载：

# 下载 embedding 模型
from modelscope import snapshot_download
model_dir = snapshot_download('tiansz/bert-base-chinese', cache_dir='./')

再代码里面继承Embeddings类，构建一个LangChain里面的Text Embedding Model来调用：

# 导入langchain中的Embeddings基类
from langchain.embeddings.base import Embeddings
# 导入transformers中的自动分词器和模型类
from transformers import AutoTokenizer, AutoModel
# 导入PyTorch
import torch# 定义一个使用本地BERT模型的词嵌入类,继承自Embeddings
class LocalBertEmbeddings(Embeddings):# 初始化函数,接收模型路径和设备参数def __init__(self, model_path: str, device: str = "cuda"):# 加载tokenizerself.tokenizer = AutoTokenizer.from_pretrained(model_path)# 加载模型并移至指定设备self.model = AutoModel.from_pretrained(model_path).to(device)# 保存设备信息self.device = device# 将多个文本转换为向量的函数def embed_documents(self, texts: list) -> list:# 对输入文本进行分词和编码inputs = self.tokenizer(texts, padding=True, truncation=True, max_length=512, return_tensors="pt").to(self.device)# 关闭梯度计算with torch.no_grad():# 使用模型进行前向传播outputs = self.model(**inputs)# 返回最后一层隐藏状态的平均值作为文本向量return outputs.last_hidden_state.mean(dim=1).cpu().numpy().tolist()# 将单个查询文本转换为向量的函数def embed_query(self, text: str) -> list:# 调用embed_documents并返回第一个结果return self.embed_documents([text])[0]# 主程序入口
if __name__ == "__main__":# 实例化LocalBertEmbeddings类local_bert = LocalBertEmbeddings(model_path="/root/autodl-tmp/tiansz/bert-base-chinese")# 定义测试文本text = "深度学习是人工智能的重要分支"# 获取文本的向量表示vector = local_bert.embed_query(text)# 打印向量长度print(f"文本 '{text}' 的向量长度为：{len(vector)}")print(vector)

【自然语言处理与大模型】LangChain大模型应用框架入门①

单独为LangChain花大概五篇文章的内容，来和大家一起入门LangChain，这是第一篇重点放在，了解 LangChain 是什么、它的主要用途以及核心模块。了解 LangChain 的设计哲学：链式调用、模块化、可扩展性。安装并学习其中的一个组件&…...

编程日记 2025/7/13 0:25:41

OpenJDK 1.8中-Xloggc参数下GC日志覆盖与追加模式深度解析

#作者：邓伟文章目录一、引言二、覆盖模式详解2.1 默认覆盖行为2.2 覆盖模式的适用场景三、追加模式（日志轮换）深度解析3.1 追加模式的实现：日志轮换配置3.2 日志轮换的底层逻辑3.3 追加模式（日志轮换）适…...

编程日记 2025/7/8 5:26:09

【Java面试笔记：进阶】28.谈谈你的GC调优思路?

在JVM的GC调优中，没有放之四海而皆准的方案，需要结合业务场景、硬件资源和GC特性进行系统性分析。 1.GC调优的基本思路 1.明确调优目标内存效率（Footprint）：减少JVM的内存占用（如边缘设备部署）。低延迟（Latency）：降低GC导致的停顿时间（如API网关要求99.9%请求延迟…...

编程日记 2025/7/13 0:06:30

C#中winform窗体如何捕获键盘按键事件

马工撰写的年入30万+C#上位机项目实战必备教程（点击下方链接即可访问文章目录） 1、《C#串口通信从入门到精通》 2、《C#与PLC通信从入门到精通》 3、《C# Modbus通信从入门到精通》 4、《C#Socket通信从入门到精通》 5、《C# MES通信从入门到精通》 6、《winform控件从入门…...

编程日记 2025/7/13 0:02:03

USB 网卡——RNDIS 控制消息流程

文章目录 RNDIS 控制消息流程控制写设备回复控制读注意事项RNDIS 控制消息流程 RNDIS 控制消息流程分为三步控制写（控制端点 0）设备回复（中断端点）控制读（控制端点 0）数据抓包如下控制写设备的控制通道是通过 USB 控制端点完成的。从主机到设备的控制消息作为 SE…...

编程日记 2025/7/12 23:59:39

【AI News | 20250429】每日AI进展

AI Repos 1、aci ACI.dev是一个开源基础设施层，旨在为AI智能体的工具使用提供支持。它通过统一的模型-上下文-协议（MCP）服务器或轻量级Python SDK，使智能体能够以感知意图的方式访问600多种工具，并具备多租户认证、细…...

编程日记 2025/7/13 0:20:03

JavaScript 中深拷贝浅拷贝的区别？如何实现一个深拷贝？

一、区别：像“复印文件” vs “创建副本文件” 1. 浅拷贝（Shallow Copy） 动作：只复制文件的第一页，其他页用“贴标签”指向原文件。结果： 修改第一层属性不影响原对象，但修改嵌套对象会同时改…...

编程日记 2025/7/12 23:45:06

＜四级词汇＞2025.4.29

compact---所有的人都拍他越拍越紧 ---紧凑的 impact 往里拍他 -- 碰撞会产生影响 --- 碰撞影响 influence -- 影响 flue -- 流感 influenza -- 流感 fluent --- fly enter 鸟儿流利飞进屋子 --- 流利的 fluently affluent --- 一再地生活的很流畅 -- 富裕的 …...

编程日记 2025/7/4 20:27:31

mmap核心原理和用途及其与内存映射段的关系

mmap 是 Linux/Unix 系统中的一个关键系统调用，全称是 Memory Map（内存映射）。它的核心功能是将文件、设备或匿名内存直接映射到进程的虚拟地址空间，从而实现高效的内存访问和操作。以下是其核心原理和用途的详细说明&#xff1…...

编程日记 2025/7/13 0:24:07

深入理解 Web Service：原理、组件与核心技术详解

目录前言1 Web Service 概述2 Web Service 的三大核心角色2.1 服务提供者（Service Provider）2.2 服务请求者（Service Consumer）2.3 服务注册中心（Service Registry） 3 Web Service 核心技术详解3.1 WSDL&a…...

编程日记 2025/7/4 5:33:01

【动态导通电阻】GaN功率器件中动态导通电阻退化的机制、表征及建模方法

2019年，浙江大学的Shu Yang等人在《IEEE Journal of Emerging and Selected Topics in Power Electronics》上发表了一篇关于GaN（氮化镓）功率器件动态导通电阻（Dynamic On-Resistance, RON）的研究论文。该文深入探讨了GaN功率器件中动态导通电阻退化的机制、表征方法、建模…...

编程日记 2025/7/12 23:50:33

AWS SQS 队列策略配置指南：常见错误与解决方案

在 AWS 云服务中，Simple Queue Service (SQS) 是一种完全托管的消息队列服务，广泛应用于分布式系统组件间的解耦。为了确保队列的安全访问，正确配置队列策略至关重要。本文将详细介绍 SQS 队列策略的配置方法，常见错误及其解决方案。 SQS 队列策略基础 SQS 队列策略是基于…...

编程日记 2025/7/12 23:48:02

【后端】【Docker】 Docker 动态代理取消代理完整脚本合集(Ubuntu)

🚀 Docker 动态代理 & 取消代理完整脚本合集(Ubuntu) 一、动态设置 Docker 代理脚本支持自定义输入代理地址和端口！ 📄 脚本内容（保存为 set_docker_proxy.sh） #!/bin/bash# 读取用户输入 read -p "请输入…...

编程日记 2025/7/13 0:04:00

Java基础学习内容大纲

Java基础学习内容大纲第一阶段：建立编程思想 Java概述：如何快速学习Java技术、Java历史、Java特点、Sublime、Java运行机制、JDK、转义字符、Java开发规范、Java API 变量：数据类型、变量基本使用、数据类型转换运算符：运算符介绍、算数运算符、关系运算符、…...

编程日记 2025/7/12 23:36:27

[USACO08DEC] Hay For Sale S Java

import java.util.*;public class Main {public static void main(String[] args) {Scanner sc new Scanner(System.in);int c sc.nextInt(); // 背包容量int h sc.nextInt(); // 物品数量int[] v new int[h 1];for (int i 1; i < h; i) v[i] sc.nextInt();int[] dp …...

编程日记 2025/7/13 0:11:03

碰到的 MRCPv2 串线以及解决思路

最近碰到了一个朋友的 MRCPv2 串线，表现大约是： fs1 和 fs2 同时发到 mrcp server 的同一个 rtp 端口目前尚不清楚 mrcp server 是否能避免这种情况（其实是有思路的，接收到 rtp 包时检查网络地址和网络端口跟 sip 协商的是否一…...

编程日记 2025/7/12 23:44:27

AI正当时，国内AI HR领先厂商易路如何从“单点突破”到“全面融合”

所谓AI HR‌，是指将人工智能（AI）技术（如机器学习、自然语言处理、大数据分析等）应用于人力资源管理的各个环节，以提升效率、优化决策并改善员工体验。典型场景有： 在招聘、考勤、薪酬计算等重复…...

编程日记 2025/7/13 0:05:46

MCP 哪家强？深度分析 Cline、Cursor、Trae、Coze 四大平台

想象一下：你只需一句话，AI就能自动抓取GitHub issue、生成代码、调试UI，甚至帮你写博客发到Substack！这不是科幻，而是**Model Context Protocol (MCP)**的现实。MCP作为AI与工具交互的“通用语言”，自2024年…...

编程日记 2025/7/13 0:06:30

【最新 MCP 战神手册 09】利用资源和提示增强上下文

文章目录 1. 开始啦！2. 第一部分：通过资源解锁应用数据3. 第二部分：用提示引导 AI4. 第三部分：高效上下文管理策略1. 开始啦！在上一章中，我们深入探讨了 MCP 工具——这些组件使得 AI 模型能够执行各种操作。然而，操作很少在真空中发生。为了让 AI 智能地行动，它需要…...

编程日记 2025/7/13 0:08:50

解决vue3 路由query传参刷新后数据丢失的问题

前言：在页面刷新的时候，路由query数据会被清空，网上很多方法说query传参可以实现，反正我是没有实现思路：将数据保存到本地，通过 “ ？” 进行判断是否有数据，页面销毁的时候删除本地…...

编程日记 2025/7/4 20:00:20

VUE篇之树形特殊篇

根节点是level:1, level3及其子节点有关联，但是和level2和他下面的子节点没有关联思路：采用守护风琴效果，遍历出level1和level2级节点，后面level3的节点，采用树形结构进行关联 <template><div :class"…...

编程日记 2025/7/4 20:00:14

Qwen多模态系列论文

From:https://www.big-yellow-j.top/posts/2025/04/28/QwenVL.html 本文主要介绍Qwen-vl系列模型包括：Qwen2-vl、Qwen2.5-vl Qwen2-vl http://arxiv.org/abs/2409.12191 模型结构： Qwen2-vl主要的改进点在于：1、使用动态分辨率&#xff08…...

编程日记 2025/7/4 20:00:11

Astro大屏中关于数据流转的数据接入与数据中心之间的逻辑关系梳理

在 Astro 大屏中，「数据接入」与「数据中心」是紧密关联的一对模块，分别承担“数据从哪来”和“数据怎么管”的职责。为了更形象地帮助初学者理解，我可以用“自来水系统”的比喻来解释整个原理与操作逻辑： 🏠 形象比喻…...

编程日记 2025/7/9 8:22:13

【今日三题】小红的ABC(找规律) / 不相邻取数(多状态dp) / 空调遥控(排序+二分/滑动窗口)

⭐️个人主页：小羊 ⭐️所属专栏：每日两三题很荣幸您能阅读我的文章，诚请评论指点，欢迎欢迎 ~ 目录小红的ABC(找规律)不相邻取数(多状态dp)空调遥控(排序二分/滑动窗口) 小红的ABC(找规律) 小红的ABC 找最短回文串&#xff…...

编程日记 2025/7/4 20:00:01

双重差分模型学习笔记（理论）

【DID最全总结】90分钟带你速通双重差分！_哔哩哔哩_bilibili 一、DID的基本原理 （一） 单重差分 1. Cross-Section Comparison 截面数据只有某个时间点事件发生后的数据 D1 事件发生后 D0 事件发生前 2. Befor-After Vomparison 时间序列…...

编程日记 2025/7/10 13:50:13

企业级私有化部署，内部聊天软件

如何在激烈的市场竞争中脱颖而出，提升工作效率、降低运营成本，同时保障信息安全，成为众多企业管理者亟待解决的问题。而BeeWorks 企业级私有化部署的内部聊天软件，无疑是为这一难题提供了一把金钥匙。 BeeWorks覆盖即时通讯&#…...

编程日记 2025/7/8 9:00:05

HCIA-Datacom 高阶：VLAN、VLANIF 与静态路由综合实验

拓扑图解读从拓扑图中可以看到，存在三层交换机 LSW3、普通交换机 LSW4、路由器 R2 以及 PC1 - PC4。LSW4 连接了三个不同 VLAN 的 PC（PC1 属于 VLAN 10、PC2 属于 VLAN 20、PC3 属于 VLAN 30 ），并通过 Ethernet 0/0/1 端口以 tr…...

编程日记 2025/7/12 6:46:17

Android ndk 编译opencv后部分接口std::ndk1与项目std::1不匹配

1、opencv-4.11预编译命令（在opencv4.5.0之后兼容免费features2d做特征匹配），NDK版本选用的android-ndk-r23c-linux.zip cmake -G Ninja \ -DCMAKE_TOOLCHAIN_FILE/home/who/Downloads/NDK/android-ndk-r23c/build/cmake/android.toolchain.…...

编程日记 2025/7/4 20:27:22

SQL命令一：SQL 基础操作与建表约束

目录引言一、SQL 基础命令 （一）数据库相关操作 （二）表格相关操作 （三）MySQL 常用数据类型二、增删改查（CRUD）操作 （一）增加数据 （二&a…...

编程日记 2025/7/4 20:27:19

颜色分类，不靠“调色盘”：双指针 VS 计数排序的正面PK

颜色分类，不靠“调色盘”：双指针 VS 计数排序的正面PK 在算法圈混得久了，总有一些题目是面试官的心头好，刷题人绕不过的“鬼门关”。“颜色分类”（LeetCode 75）就是其中之一，看似小儿科&#xf…...

编程日记 2025/7/9 14:32:01

Shopify网上商店GraphQL Admin接口查询实战

目录一、Shopify网上商店二、个人商店配置接口权限三、PostMan调用接口测试四、通过Java服务调用接口一、Shopify网上商店 Shopify是由Tobi Ltke创办的加拿大电子商务软件开发商，总部位于加拿大首都渥太华，已从一家在咖啡店办公的 5人团队&…...

编程日记 2025/7/4 20:27:15

Laravel基础

Laravel 基础 01.Laravel入门和安装 Composer安装Laravel步骤要使用 Composer 安装 Laravel，请按照以下步骤操作： 确保已经安装了 Composer。如果还没有安装，请访问 https://getcomposer.org/download/ 下载并安装。打开命令行或终端。…...

编程日记 2025/7/4 20:27:12

【Leetcode 每日一题 - 补卡】2302. 统计得分小于 K 的子数组数目

问题背景一个数组的分数定义为数组之和乘以数组的长度。比方说， [ 1 , 2 , 3 , 4 , 5 ] [1, 2, 3, 4, 5] [1,2,3,4,5] 的分数为 ( 1 2 3 4 5 ) 5 75 (1 2 3 4 5) \times 5 75 (12345)575。给你一个正整数数组 n u m s nums nums 和一个整数 k…...

编程日记 2025/7/4 14:39:39

力扣——206.反转链表倒序输出链表

206. 反转链表 - 力扣（LeetCode） 思路（迭代） 设三个指针，前后两个指针都为空，当前指针为输入的头指针开始循环——判断条件为当前节点不为空先给下一个节点赋值为——当前节点的下一个改变当前节点的…...

编程日记 2025/7/8 7:59:12

Arthas在Java程序监控和分析中的应用

Arthas在Java程序监控和分析中的应用在互联网大厂Java求职者的面试中，经常会被问到关于使用Arthas来监控和分析Java程序的相关问题。本文通过一个故事场景来展示这些问题的实际解决方案。第一轮提问面试官：马架构，欢迎来到我们公司的面…...

编程日记 2025/7/4 20:27:06

第13讲：图形尺寸与分辨率设置——适配论文版面，打造专业图稿！

目录 📌 为什么这一讲重要？ 🎯 一、先认识几个关键词 ✍️ 二、ggsave() 是导出图的标准方法 📐 三、尺寸设置技巧：对齐目标期刊 🔍 找到目标期刊的图形栏宽 📦 四、多个图组合导出（与 patchwork 搭配） 🧪 五、使用 Cairo / ragg 导出高质量图 🎁 六…...

编程日记 2025/7/10 15:26:40

Docker与Vmware网络模式的对别

前言在使用了很久的VMware和Docker后，分别独立配置过他们的网络，但是每次配置一方时，总感觉和另一方有点不一样，但是也没有来得及总结。刚好最近有时间可以总结一下。重点： 1、VMware的桥接模式和Docker的桥接模式完…...

编程日记 2025/7/9 1:24:45

大模型在肾癌诊疗全流程中的应用研究报告

目录一、引言 1.1 研究背景与意义 1.2 研究目的与方法 1.3 国内外研究现状二、大模型预测肾癌术前情况 2.1 基于影像组学的肾癌良恶性及分级预测 2.1.1 MRI 影像组学模型预测肾透明细胞癌分级 2.1.2 CT 影像深度学习模型鉴别肾肿物良恶性及侵袭性 2.2 大模型对手术风…...

编程日记 2025/7/9 16:09:50

Springboot使用登录拦截器LoginInteceptor来做登录认证

创建拦截器LoginInteceptor类 interceptors/LoginInteceptor.java package org.example.interceptors;import jakarta.servlet.http.HttpServletRequest; import jakarta.servlet.http.HttpServletResponse; import org.example.utils.JwtUtil; import org.springframework.s…...

编程日记 2025/7/4 20:27:02

〇、快速安装

一、核心组件：模型

（1） LLM

（2） Chat Model

（3）Text Embedding Model

相关文章：