当前位置: 首页 > news >正文

Spring AI Advisors API:AI交互的灵活增强利器

Spring AI Advisors API:AI交互的灵活增强利器

前言

在当今的软件开发领域,随着人工智能技术的飞速发展,将AI融入应用程序变得越来越普遍。Spring AI作为一个强大的框架,为开发者提供了便捷的方式来实现这一目标。其中的Advisors API更是一个亮点,它为拦截、修改和增强Spring应用程序中的AI驱动交互提供了灵活而强大的途径。无论是封装重复的生成式AI模式,还是转换与大型语言模型(LLM)交互的数据,Advisors API都能大显身手,助力开发者打造更复杂、可重用且可维护的AI组件。接下来,让我们深入探索Spring AI Advisors API的精彩世界。

一、核心组件与工作流程

在这里插入图片描述

(一)核心组件

  1. Advisor接口体系
    Spring AI Advisors API的核心接口是Advisor,它继承自Spring的Ordered接口,这意味着每个顾问都有一个顺序值,用于决定其在顾问链中的执行顺序。Advisor接口主要定义了获取顾问唯一名称的getName方法。在此基础上,有两个关键的子接口:
    • CallAroundAdvisor:用于非流式处理场景,其aroundCall方法围绕ChatModel#call(Prompt)方法进行增强。它接收AdvisedRequestCallAroundAdvisorChain作为参数,通过调用chain.nextAroundCall(advisedRequest)方法继续顾问链的执行,并返回AdvisedResponse
    • StreamAroundAdvisor:针对流式处理场景,aroundStream方法负责处理流式的请求和响应。它接收AdvisedRequestStreamAroundAdvisorChain,通过chain.nextAroundStream(advisedRequest)推进顾问链,返回Flux<AdvisedResponse>
  2. 请求与响应相关类
    • AdvisedRequest:表示未封装的Prompt请求,它包含了用户的输入以及其他相关参数,并且持有一个advise - context,用于在顾问链中共享状态。
    • AdvisedResponse:用于获取Chat Completion响应,同样也包含advise - context,方便各个顾问在处理响应时共享和修改相关状态。
    • CallAroundAdvisorChainStreamAroundAdvisorChain:这两个接口在顾问实现中用于继续顾问链的执行。CallAroundAdvisorChainnextAroundCall方法用于非流式处理,而StreamAroundAdvisorChainnextAroundStream方法用于流式处理。

(二)工作流程

Spring AI框架首先根据用户的Prompt创建一个AdvisedRequest对象,同时生成一个空的AdvisorContext对象。然后,顾问链中的每个顾问依次处理这个请求。顾问可以选择修改请求,也可以通过不调用链中的下一个实体来阻止请求的继续传递。如果顾问阻止了请求,那么它需要自行填写回复。当请求到达框架提供的最后一个顾问时,该顾问会将请求发送到Chat Model。Chat Model生成的响应会通过顾问链反向传回,并被转换为AdvisedResponse。在这个过程中,每个顾问都有机会处理或修改响应,最终提取出ChatCompletion
在这里插入图片描述

二、实施Advisor

(一)日志记录顾问

我们来看一个简单的日志记录顾问的实现。这个顾问的作用是在调用链中的下一个顾问之前记录AdvisedRequest,在之后记录AdvisedResponse,且不修改请求和响应。

public class SimpleLoggerAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {private static final Logger logger = LoggerFactory.getLogger(SimpleLoggerAdvisor.class);@Overridepublic String getName() {return this.getClass().getSimpleName();}@Overridepublic int getOrder() {return 0;}@Overridepublic AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {logger.debug("BEFORE: {}", advisedRequest);AdvisedResponse advisedResponse = chain.nextAroundCall(advisedRequest);logger.debug("AFTER: {}", advisedResponse);return advisedResponse;}@Overridepublic Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {logger.debug("BEFORE: {}", advisedRequest);Flux<AdvisedResponse> advisedResponses = chain.nextAroundStream(advisedRequest);return new MessageAggregator().aggregateAdvisedResponse(advisedResponses,advisedResponse -> logger.debug("AFTER: {}", advisedResponse));}
}

在这个实现中,通过getName方法为顾问提供了唯一名称,通过getOrder方法设置了执行顺序(这里设置为0,表示较高优先级)。在aroundCallaroundStream方法中,分别实现了对非流式和流式请求及响应的日志记录。

(二)重读(Re2)顾问

另一个示例是应用Re - Reading(Re2)技术的顾问。该技术可以提高大型语言模型的推理能力,通过扩充输入提示来实现。

public class ReReadingAdvisor implements CallAroundAdvisor, StreamAroundAdvisor {private AdvisedRequest before(AdvisedRequest advisedRequest) {Map<String, Object> advisedUserParams = new HashMap<>(advisedRequest.userParams());advisedUserParams.put("re2_input_query", advisedRequest.userText());return AdvisedRequest.from(advisedRequest).userText("""{re2_input_query}Read the question again: {re2_input_query}""").userParams(advisedUserParams).build();}@Overridepublic AdvisedResponse aroundCall(AdvisedRequest advisedRequest, CallAroundAdvisorChain chain) {return chain.nextAroundCall(this.before(advisedRequest));}@Overridepublic Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {return chain.nextAroundStream(this.before(advisedRequest));}@Overridepublic int getOrder() {return 0;}@Overridepublic String getName() {return this.getClass().getSimpleName();}
}

before方法负责扩充用户的输入查询,应用Re - Reading技术。aroundCallaroundStream方法分别拦截非流式和流式请求,并应用该技术。同样,通过getNamegetOrder方法设置顾问名称和执行顺序。

三、Spring AI内置顾问程序

(一)聊天记忆顾问

  1. MessageChatMemoryAdvisor:从聊天内存存储中检索内存,并将其作为消息集合添加到提示符中,这种方式能维护会话历史记录的结构,但并非所有AI模型都支持。
  2. PromptChatMemoryAdvisor:将检索到的内存合并到提示的系统文本中。
  3. VectorStoreChatMemoryAdvisor:从VectorStore中检索内存,并添加到提示符的系统文本中,可用于从大型数据集中高效搜索和检索相关信息。

(二)问题解答顾问

QuestionAnswerAdvisor:使用向量存储来提供问答功能,实现RAG(检索增强生成)模式,能有效提升问答场景下的AI交互效果。

(三)内容安全顾问

SafeGuardAdvisor:用于防止模型生成有害或不适当的内容,保障AI交互的安全性和合规性。

四、流式处理与非流式处理

非流式处理顾问处理完整的请求和响应,而流式处理顾问则使用反应式编程概念(如Flux)将请求和响应作为连续流处理。例如,在流式处理的aroundStream方法实现中,可以通过MonoFlux的操作来对请求和响应流进行处理。

@Override
public Flux<AdvisedResponse> aroundStream(AdvisedRequest advisedRequest, StreamAroundAdvisorChain chain) {return Mono.just(advisedRequest).publishOn(Schedulers.boundedElastic()).map(request -> {// This can be executed by blocking and non - blocking Threads.// Advisor before next section}).flatMapMany(request -> chain.nextAroundStream(request)).map(response -> {// Advisor after next section});
}

在这里插入图片描述

五、最佳实践与注意事项

  1. 专注特定任务:让每个顾问专注于特定的任务,这样可以实现更好的模块化,提高代码的可维护性和可扩展性。
  2. 共享状态:合理使用adviseContext在顾问之间共享状态,确保各个顾问之间能够协同工作,实现复杂的AI交互逻辑。
  3. 实现流式与非流式版本:为了实现最大的灵活性,尽量实施顾问的流式处理和非流式处理版本,以适应不同的应用场景。
  4. 考虑执行顺序:仔细考虑顾问在供应链中的顺序,根据业务需求确保数据能够正常流动,避免因顺序不当导致的错误或性能问题。

六、向后兼容性与重大API更改

(一)向后兼容性

AdvisedRequest类被移动到了新的package中,在进行代码升级时需要注意相关的包路径更改。

(二)重大API更改

从1.0 M2版本到1.0 M3版本,Spring AI Advisor链发生了重大变化。在1.0 M2中,有单独的RequestAdvisorResponseAdvisor接口,分别在ChatModel.callChatModel.stream方法前后调用。而在1.0 M3中,这些接口被替换为CallAroundAdvisorStreamAroundAdvisor,并且StreamResponseMode(以前是ResponseAdvisor的一部分)已被删除。此外,上下文映射的处理方式也发生了改变,从1.0 M2中的可变、单独方法参数传递,变为1.0 M3中的AdvisedRequestAdvisedResponse记录中的不可变映射,并且需要使用updateContext方法来更新上下文。

总结

Spring AI Advisors API为开发者在Spring应用程序中实现灵活、强大的AI驱动交互提供了丰富的工具和机制。通过自定义顾问以及利用内置顾问程序,我们能够轻松地封装复杂的AI逻辑、转换数据并实现各种实用功能。在使用过程中,遵循最佳实践,注意向后兼容性和API的变化,能够帮助我们更好地利用这一强大的API。无论是构建智能聊天应用,还是为其他业务场景添加AI支持,Spring AI Advisors API都能成为我们开发过程中的得力助手,助力我们打造出更具创新性和竞争力的应用程序。希望本文能帮助大家对Spring AI Advisors API有更深入的理解和应用,在AI开发的道路上更进一步。

相关文章:

Spring AI Advisors API:AI交互的灵活增强利器

Spring AI Advisors API&#xff1a;AI交互的灵活增强利器 前言 在当今的软件开发领域&#xff0c;随着人工智能技术的飞速发展&#xff0c;将AI融入应用程序变得越来越普遍。Spring AI作为一个强大的框架&#xff0c;为开发者提供了便捷的方式来实现这一目标。其中的Advisor…...

排序功法入门指南【江湖算法笔记】

话说江湖风云变幻&#xff0c;各路英雄好汉行走江湖&#xff0c;总得有个名号排行。若问“东邪西毒南帝北丐”谁强谁弱&#xff0c;总得排个座次不是&#xff1f;这排序之道&#xff0c;恰似武功秘籍&#xff0c;练好了能号令群雄&#xff0c;练岔了怕是要被笑掉大牙&#xff0…...

Free Draft Model!Lookahead Decoding加速大语言模型解码新路径

Free Draft Model&#xff01;Lookahead Decoding加速大语言模型解码新路径 大语言模型&#xff08;LLMs&#xff09;在当今AI领域大放异彩&#xff0c;但其自回归解码方式锁死了生成效率。本文将为你解读一种全新的解码算法——Lookahead Decoding&#xff0c;它无需Draft Mo…...

Spring AI 实战:第八章、Spring AI Tool Calling之与时俱进

引言:AI的"知识截止日期"尴尬 如果你想问大模型"明天是星期几?",猜猜TA会怎么答复你~ @GetMapping("/tools/simple/test") public String simpleTest() {return chatClient.prompt...

PyTorch数据集与数据集加载

PyTorch中的Dataset与DataLoader详解 1. Dataset基础 Dataset是PyTorch中表示数据集的抽象类&#xff0c;我们需要继承它并实现两个关键方法&#xff1a; from torch.utils.data import Datasetclass CustomDataset(Dataset):def __init__(self, data, labels):""…...

探秘 Git 底层原理:理解版本控制的基石

Git 是一款开源的分布式版本控制系统&#xff0c;在软件开发领域广泛应用&#xff0c;能有效管理项目的版本变更&#xff0c;Git 已经成为了版本控制的代名词。日常使用中&#xff0c;我们通过git commit提交代码&#xff0c;用git push推送变更&#xff0c;这些便捷操作背后&a…...

chili3d调试10 网页元素css node deepwiki 生成圆柱体 生成零件图片

.input是input的外框&#xff0c;.input input是input的内框 沙雕 全部input都换成textarea了 自己的方法用接口定义&#xff0c;把自己的方法pub出去&#xff0c;定义在内部拉出去只是取个值 这其实是mainwindow端pub回来的 窗口pub端把数据pub回 mainwindow端让mainwindow端…...

【计网】互联网的组成

回顾&#xff1a; 互联网(Internet)&#xff1a;它是一个专有名词&#xff0c;是一个特定的互连网&#xff0c;它是指当下全球最大的、最开放的、由众多网络相互连接而形成的特定的的互连网&#xff0c;采用TCP/IP协议族作为通信规则。 一、互联网的组成部分 从互联网的工作方…...

Go语言接口实现面对对象的三大特征

一.知识回顾 在 Go 语言中&#xff0c;接口是一种强大的抽象机制&#xff0c;它允许我们定义一组方法签名&#xff0c;任何类型只要实现了这些方法&#xff0c;就被视为实现了该接口。接口的实现是隐式的&#xff0c;这意味着类型不需要显式声明它实现了某个接口&#xff0c;只…...

TS 字面量类型

str是string类型l str2是常量&#xff0c;类型是字面量类型 用途&#xff1a;配合联合类型确定更严谨精确的可选值利恩...

langchain中 callbacks constructor实现

目录 代码代码解释代码结构代码功能 类似例子 代码 from typing import Any, Dict, Listfrom langchain_openai import ChatOpenAI from langchain_core.callbacks import BaseCallbackHandler from langchain_core.messages import BaseMessage from langchain_core.outputs …...

小土堆pytorch--tensorboard的使用

小土堆pytorch--tensorboard的使用 小土堆pytorch--tensorboard的使用0.介绍1.使用tensorboard绘制 y x 等简单函数1.1 相应的代码1.2 对上述代码的解释1.3 可能遇到的问题1.3.1 问题1.3.2 解决方法 2.使用tensorboard加载数据集中的图片2.1 相应代码2.2 对上述代码的解释2.2.…...

从 0 到 1:使用 Jetpack Compose 和智能自动化实现高效 Android UI 开发

现代 Android UI 开发正逐步从命令式 XML 向声明式 Compose 转变。Compose 凭借其简洁、高效、易测试的特点&#xff0c;能够让开发者更专注于界面和业务逻辑&#xff0c;而不必陷入大量模板化的代码。手把手带你构建一个完整的 Todo List 应用&#xff0c;并演示如何借助自动化…...

学习黑客 week1周测 复盘

Day 7 – 周测 & 复盘 今天任务&#xff1a; 完成 10 道快测题&#xff0c;涵盖 Week 1 的核心知识点&#xff1a;《CIA 三要素》、OWASP Top 10、MITRE ATT&CK、NIST RMF、Linux 权限、TCP/IP、网络安全法、“黑客五阶段” 与风险管理。撰写 300 字周总结&#xf…...

【五一培训】Day 3

Topic 1&#xff1a;元学习 一、概念&#xff1a;learn to learn 区分少样本学习与元学习 少样本学习&#xff08;Few-shot learning&#xff09;是元学习的一个重要应用&#xff0c;它指的是机器能够在仅有少量样本的情况下&#xff0c;成功地学习和泛化到新任务上。在许多现…...

C++继承详讲

1.继承的概念 继承是实现代码复用的手段&#xff0c;它允许程序员在保持基类特性的基础上进行扩展&#xff0c;增加功能&#xff0c;这样产生新的类&#xff0c;称派生类。 2.继承和组合 1.继承体系下&#xff0c;子类对象包含父类的成员。组合体系下&#xff0c;子类对象包含…...

第四节:OpenCV 基础入门-第一个 OpenCV 程序:图像读取与显示

一、引言&#xff1a;为什么选择 OpenCV&#xff1f; 在计算机视觉领域&#xff0c;OpenCV&#xff08;Open Source Computer Vision Library&#xff09;是一个开源的、跨平台的计算机视觉库&#xff0c;广泛应用于图像处理、模式识别、机器学习等领域。它支持多种编程语言&a…...

基于PHP实现的easy管理系统

easy管理系统 2.0.1 easy管理系统 是一个多功能的 Web 管理平台&#xff0c;旨在简化项目管理、文件共享和协作流程。它集成了大创项目管理、在线文档生成、代码托管等多种功能&#xff0c;并提供了用户管理、系统设置、日志查看等后台管理能力。 ✨ 功能特性 统一管理平台:…...

ios systeam introduction

Here is an in-depth look at Apple’s iOS, from its inception to its latest major release, covering architecture, core components, security, app lifecycle, development tools, and the headline features of iOS 18. iOS began life as “iPhone OS,” unveiled alo…...

【论文阅读】LLMOPT:一种提升优化泛化能力的统一学习框架

文章目录 第一遍一、摘要二、关键词三、预知识1. 什么是优化泛化问题2. 什么是消融研究3. model alignment&#xff08;模型对齐&#xff09; 第二遍&#xff1a;了解论文论点一、研究背景与目的二、相关工作三、LLMOPT框架四、METHODOLOGY(方法论)1. 数据处理2. 学习过程3. 自…...

Prompt多版本测试指南:如何科学评估不同提示词的效果

对于现代AI开发来说&#xff0c;同一个需求&#xff0c;不同的提示表达方式往往会产生截然不同的结果。因此&#xff0c;如何设计、测试和优化提示词成为了一项关键技能。 本文将深入探讨Prompt多版本测试的技术方法&#xff0c;帮助你系统性地评估不同提示词的效果&#xff0…...

每日c/c++题 备战蓝桥杯(洛谷P1015 [NOIP 1999 普及组] 回文数)

洛谷P1015 [NOIP 1999 普及组] 回文数 题解 题目描述 P1015 回文数 是NOIP 1999普及组的经典模拟题。题目要求如下&#xff1a; 给定一个数N&#xff08;十进制&#xff09;和进制K&#xff08;2≤K≤16&#xff09;&#xff0c;将N转换为K进制表示后&#xff0c;通过以下操…...

最小单调子序列的长度+联通最小乘积

因为题目ICPC是英文版&#xff0c;基于大家都不怎么看的懂的情况下直接给大家进行题目讲解 题目1&#xff1a; 题目分析&#xff1a; 构造一个长度为n的排列 p&#xff08;里面的数是1-n),不能重复得 max⁡(lis(p),lds(p)) 最小。 其中&#xff0c;lis(p)是 p 的最长递增子序…...

OpenHarmony平台驱动开发(一),ADC

OpenHarmony平台驱动开发&#xff08;一&#xff09; ADC 概述 功能简介 ADC&#xff08;Analog to Digital Converter&#xff09;&#xff0c;即模拟-数字转换器&#xff0c;可将模拟信号转换成对应的数字信号&#xff0c;便于存储与计算等操作。除电源线和地线之外&#…...

数据结构与算法:回溯

回溯 先给出一些leetcode算法题&#xff0c;以后遇见了相关题目再往上增加 主要参考代码随想录 2.1、组合问题 关于去重&#xff1a;两种写法的性能分析 需要注意的是&#xff1a;使用set去重的版本相对于used数组的版本效率都要低很多&#xff0c;大家在leetcode上提交&#x…...

KaiwuDB X 遨博智能 | 构建智能产线监测管理新系统

​01 项目背景 遨博智能作为国内协作机器人行业领军企业&#xff0c;深度布局制造、农业、医疗、教育、民生等场景&#xff0c;出货量连续四年蝉联国内第一、世界第二。随着工业自动化的蓬勃发展&#xff0c;遨博智能生产规模不断扩大&#xff0c;先后在常州、淄博等地建设完成…...

高等数学第三章---微分中值定理与导数的应用(§3.6 函数图像的描绘§3.7 曲率)

3.6 函数图像的描绘 一、曲线的渐近线 对于某些函数&#xff0c;其图形向无穷远处延伸时&#xff0c;会越来越趋近于某一条直线&#xff0c;这条直线被称为曲线的渐近线 (Asymptote)。 1. 定义 若曲线 y f ( x ) yf(x) yf(x) 上一点 P ( x , y ) P(x, y) P(x,y) 沿曲线趋…...

【PostgreSQL数据分析实战:从数据清洗到可视化全流程】4.2 数据类型转换(CAST函数/自定义函数)

&#x1f449; 点击关注不迷路 &#x1f449; 点击关注不迷路 &#x1f449; 点击关注不迷路 文章大纲 PostgreSQL数据分析实战&#xff1a;数据清洗之数据类型转换&#xff08;CAST函数/自定义函数&#xff09;4.2 数据类型转换&#xff1a;让数据「格式正确&#xff0c;类型对…...

docker:制作镜像+上传镜像+拉取镜像

1.dockerfile制作镜像 示例内容&#xff1a; 1.创建一个index.js的文件 console.log("hello world")2.在相同目录下创建名为dockerfile的文件 FROM node:alpine COPY index.js /index.js CMD node /index.js3.构建镜像 docker build -t minterra/hello-docker . …...

信息系统监理师第二版教材模拟题第三组(含解析)

信息系统监理师模拟题第三组(30题) 监理基础理论 信息系统工程监理的性质是( ) A. 服务性、独立性、公正性、科学性 B. 强制性、营利性、行政性、技术性 C. 临时性、从属性、随意性、主观性 D. 单一性、封闭性、被动性、保守性答案:A 解析:监理具有服务性、独立性、公正…...

潮乎盲盒商城系统全开源多级分销推广海报奖品兑换试玩概率OSS云存储多端源码

一、源码描述 这是一套潮乎盲盒商城源码&#xff0c;仿小叮当盲盒商城&#xff0c;后端Laravel框架前端uniappvue&#xff0c;前后端数据库分离&#xff0c;支持四端同步数据&#xff08;H5小程序等&#xff09;&#xff0c;测试环境: php7.4&#xff0c;mysql5.6&#xff0c;…...

文章记单词 | 第64篇(六级)

一&#xff0c;单词释义 residence [ˈrezɪdəns] n. 住宅&#xff1b;居住&#xff1b;住所&#xff1b;居住期fling [flɪŋ] v. &#xff08;用力地&#xff09;扔&#xff0c;掷&#xff0c;抛&#xff1b;猛动&#xff08;身体或身体部位&#xff09;&#xff1b;急冲&a…...

数据同步实战篇

文章目录 数据同步实战篇1. mysql数据同步1.1 mysql集群部署1.2 数据同步1.2.1 同步复制1.2.2 异步复制1.2.3 半同步复制 2. redis数据同步2.1 redis集群部署2.2 数据同步 3. mq数据同步3.1 mq集群部署3.2 数据同步 4. es数据同步4.1 es集群部署4.2 数据同步 数据同步实战篇 数…...

具身系列——Double DQN算法实现CartPole游戏(强化学习)

完整代码参考&#xff1a; rl/ddqn_cartpole.py 陈先生/ailib - Gitee.com 部分训练得分&#xff1a; Model saved to ./output/best_model.pth New best model saved with average reward: 9.6 Episode: 0 | Train Reward: 25.0 | Epsilon: 0.995 | Best Eval Avg: 9.6…...

以下是在 Ubuntu 上的几款PDF 阅读器,涵盖轻量级、功能丰富和特色工具:

默认工具&#xff1a;Evince&#xff08;GNOME 文档查看器&#xff09; 特点&#xff1a;Ubuntu 预装&#xff0c;轻量快速&#xff0c;支持基本标注和书签。 安装&#xff1a;已预装&#xff0c;或手动安装&#xff1a; sudo apt install evince功能全面&#xff1a;Okular&…...

有关水下图像增强的论文

4.21 TEBCF&#xff1a;Real-World Underwater Image Texture Enhancement Model Based on Blurriness and Color Fusion 基于模糊和颜色融合的现实水下图像纹理增强模型 2022年的一篇文章&#xff0c;基于传统方法&#xff0c;基于不同的色彩方法构建了两个新的融合输入。一…...

Raycaster光线投射

Raycaster光线投射 3D虚拟工厂在线体验 描述 光线投射Raycaster&#xff0c;用于进行raycasting&#xff08;光线投射&#xff09;。 光线投射用于进行鼠标拾取&#xff08;在三维空间中计算出鼠标移过了什么物体&#xff09;。 构造器 Raycaster( origin : Vector3, dire…...

javaEE——单例模式

目录 前言1.概念2. 实现3. 比较和改进总结 前言 本篇文章来介绍单例模式&#xff0c;并讲述在保证线程安全的前提下&#xff0c;单例模式的写法。 1.概念 单例模式是一种设计模式&#xff0c;可以说是写代码的一种模板&#xff0c;如果在一些固定的场景下按照设计模式进行写…...

WSL在D盘安装Ubuntu

目录 前提条件步骤一&#xff1a;查看可用的Linux发行版步骤二&#xff1a;安装Ubuntu 22.04步骤三&#xff1a;导出已安装的Ubuntu到D盘步骤四&#xff1a;注销当前Ubuntu安装步骤五&#xff1a;在D盘导入Ubuntu启动Ubuntu 前提条件 Windows 10或Windows 11系统已启用WSL功能…...

Java并发编程-多线程基础(三)

文章目录 线程间通信线程间通信的核心问题volatile 关键字1. 核心特性2. 使用限制3. 示例 synchronized 关键字1. 核心特性2. 示例 volatile 与 synchronized 的对比Volatile 和 Synchronized 最佳实践 线程间通信 线程间通信的核心问题 多个线程通过共享内存实现信息交换&am…...

React--》掌握react构建拖拽交互的技巧

在这篇文章中将深入探讨如何使用react-dnd&#xff0c;从基础的拖拽操作到更复杂的自定义功能带你一步步走向实现流畅、可控且用户友好的拖拽体验,无论你是刚接触拖拽功能的初学者还是想要精细化拖拽交互的经验开发者&#xff0c;都能从中找到适合自己的灵感和解决方案。 目录 …...

【Qt】常用的类与数据类型

目录 一、Qt常见基本数据类型 二、Qt 字符串类应用 2.1 操作字符串 2.2 查询字符串 三、QMap 类&QHash 类&QVector 类 3.1 QMap 类 3.2 QHash 类 3.3 QVector 类 四、QList 类&QLinkedList 类 4.1 QList 类 4.2 QLinkedList 类 4.3 STL 风格迭代器遍历…...

React实现B站评论Demo

该Demo涉及的技术点 useState函数&#xff08;数据驱动视图&#xff09;子组件的封装条件判断回调函数的封装 1、评论数据 {"list": [{"rpid": 3,"user": {"uid": "13258165","avatar": "http://toutiao.…...

从实列中学习linux shell12 通过Shell脚本来优化MySQL数据库性能,特别是慢SQL跟踪和索引优化

在Shell脚本中优化MySQL数据库性能&#xff0c;特别是慢SQL跟踪和索引优化 可以通过以下步骤实现。以下是一个结构化的解决方案&#xff0c;包含示例代码和详细说明&#xff1a; 1. 启用慢查询日志 目标&#xff1a;动态启用慢查询日志并配置参数&#xff0c;收集慢SQL数据。…...

ES6入门---第三单元 模块一:类、继承

补充&#xff1a; prototype 属性使您有能力向对象添加属性和方法。 object.prototype.namevalue <script>function Person(name, age){this.name name;this.age age;}/* Person.prototype.showName function(){return 名字为: ${this.name};};Person.prototype.showA…...

CSS 变量与原生动态主题实现

CSS 变量与原生动态主题实现 CSS 变量基础 CSS 变量&#xff08;自定义属性&#xff09;是 CSS 语言的一项强大功能&#xff0c;允许我们在样式表中定义和重用值。与 SCSS 或 LESS 等预处理器中的变量不同&#xff0c;CSS 变量在运行时计算&#xff0c;这意味着它们可以动态更…...

Ubuntu 安装 Docker

安装 Docker 1. 卸载旧版本&#xff08;如果有&#xff09; sudo apt-get remove docker docker-engine docker.io containerd runc 2. 更新 APT 包的索引 sudo apt-get update 3. 安装依赖包 sudo apt-get install -y \ca-certificates \curl \gnupg \lsb-release4. 添加…...

SpringMVC——第三章:获取请求数据

假设有这样一个请求&#xff1a;http://localhost:8080/springmvc/register?namezhangsan&password123&emailzhangsanpowernode.com 在SpringMVC中应该如何获取请求提交的数据呢&#xff1f; 在SpringMVC中又应该如何获取请求头信息呢&#xff1f; 在SpringMVC中又应…...

动静态库【Linux操作系统】

文章目录 动静态库制作静态库如何把第三方库安装在Linux系统中&#xff0c;如何使用第3方库方案一&#xff1a;为什么我们之前使用gcc/g编译C/C标准库的时候不用加选项-l xxx呢&#xff1f;方案二&#xff1a;方案三&#xff1a; 为什么不同平台的库不一样呢&#xff1f;动态库…...

Day 4:牛客周赛Round 91

好久没写了&#xff0c;问题还蛮多的。听说这次是苯环哥哥出题 F题 小苯的因子查询 思路 考虑求因子个数&#xff0c;用质因数分解&#xff1b;奇数因子只需要去掉质数为2的情况&#xff0c;用除法。 这里有个比较妙的细节是&#xff0c;提前处理出数字x的最小质因数&#xff0…...