【模型对比】ChatGPT vs Kimi vs 文心一言那个更好用?数据详细解析,找出最适合你的AI辅助工具!
在这个人工智能迅猛发展的时代,AI聊天助手已经深入我们的工作与生活。你是否曾在选择使用ChatGPT、Kimi或是百度的文心一言时感到一头雾水?每款AI都有其独特的魅力与优势,那么,究竟哪一款AI聊天助手最适合你呢?本文将带你全面解析ChatGPT、Kimi与文心一言的技术内幕、性能对比以及实用指南,助你做出明智选择!
一、模型概述
1.1 ChatGPT简介
ChatGPT是由OpenAI开发的强大AI模型,自2015年成立以来,OpenAI一直致力于推动人工智能技术的发展。ChatGPT基于先进的Transformer架构,能够理解并生成多种语言的文本,仿佛一位博学多才的写作大师。无论是创意写作、技术咨询,还是日常对话,ChatGPT总能提供精准且有深度的回应。
🔍 技术亮点:
- 基于Transformer架构,具备强大的语义理解与生成能力。
- 支持多语言处理,适用于国际化场景。
- 持续迭代优化,从GPT-1到GPT-4,不断提升性能。
1.2 文心一言简介
文心一言是百度公司开发的国产AI应用,专为中文用户量身打造。随着百度从传统搜索引擎转型为智能科技公司,文心一言应运而生,旨在为中文用户提供更贴近生活的智能对话服务。它不仅能理解复杂的中文语境,还能生成富有文化底蕴的回应,宛如一位懂得中华文化的老友。
🔍 技术亮点:
- 专注于中文语境,深度理解中文文化与语言习惯。
- 结合百度大数据,提供最新的中文信息与知识。
- 支持多模态输入,包括文本、图片、音频等多种形式。
1.3 Kimi简介
Kimi大模型是国产AI项目,结合了国内技术积累和本土需求开发。它基于Transformer架构,针对中文和特定领域进行了深度优化,旨在为用户提供高效、智能的对话体验。Kimi在教育、医疗、企业文档分析等特定领域表现尤为出色,成为专业用户的得力助手。
🔍 技术亮点:
- 大约2000亿参数,具备强大的计算能力与智能。
- 支持长文本处理,适合复杂信息分析。
- 多模态支持,能够处理文本、图像、语音等多种输入。
二、模型评估
2.1 用户体验对比
用户体验是选择AI助手的关键因素之一。ChatGPT以其结构化、严谨的语言风格著称,适合需要精确信息的场景。而文心一言则以亲切、自然的对话风格赢得了大量中文用户的喜爱,仿佛与一位知心朋友在交流。Kimi则在专业领域展现出色,特别是在教育和医疗等特定领域,为用户提供高效的解决方案。
📊 用户反馈:
- ChatGPT:准确性高,适合技术性强的问题,但有时显得过于正式。
- 文心一言:对话自然流畅,适合日常交流,但在专业性问题上表现一般。
- Kimi:专业领域表现出色,适合需要深度分析与解答的用户,但在日常对话中略显生硬。
2.2 语言能力与生成质量
在语言处理和语义理解方面,ChatGPT展现了卓越的能力,能够生成逻辑清晰、内容丰富的文本。文心一言在处理中文时更具优势,尤其在文化和语言习惯上更贴近中文用户的需求。Kimi则在特定领域的语义理解和生成方面表现优异,能够提供专业且深入的回答。
🔍 实例对比:
-
技术问题解答:
- ChatGPT:能够提供详细的编程解决方案,附带代码示例。
- 文心一言:在技术问题上也表现不俗,但回答可能不及ChatGPT详细。
- Kimi:在特定技术领域(如医疗、教育)的问题上,回答更具专业性和深度。
-
文化对话:
- ChatGPT:对国际文化有深刻理解,但在本土文化细节上稍显欠缺。
- 文心一言:深谙中文文化,能够自然融入传统习俗和现代流行文化。
- Kimi:虽然能够处理文化对话,但主要聚焦于特定领域。
2.3 数据来源与可扩展性
数据是AI模型的核心驱动力。ChatGPT训练于大规模的公开语料库,具备强大的泛化能力,适用于各种应用场景。文心一言则更加注重中文数据的积累和优化,使其在处理中文语境下的问题时更加得心应手。Kimi则通过专注于特定领域的数据采集与训练,确保在专业应用场景中表现卓越。
📈 扩展性分析:
- ChatGPT:依托于开放的全球数据源,适应性强,能快速响应多变的用户需求。
- 文心一言:专注于中文语境,能够持续优化以适应中文用户的多样化需求。
- Kimi:在特定领域内具备深度扩展能力,但在通用性方面略显不足。
三、详细对比列表
为了更直观地了解ChatGPT、Kimi与文心一言在各关键指标上的表现,以下提供详细对比列表:
指标 | Kimi大模型 | ChatGPT模型 | 文心一言 |
---|---|---|---|
技术背景 | 国产AI项目,结合国内技术积累和本土需求开发 | OpenAI开发,基于全球领先的GPT架构 | 百度开发,专为中文语境优化 |
模型研发 | 基于Transformer架构,针对中文和特定领域优化 | 完全基于Transformer,多次迭代升级(GPT-1至GPT-4) | 基于Transformer,专注于中文数据训练 |
参数规模 | 约2000亿参数 | GPT-3.5:1750亿参数,GPT-4以及更大参数规模 | 参数规模未公开,但是已经达到了数百亿 |
长文本处理能力 | 支持数百万字上下文输入,适合复杂信息分析 | 支持较长文本(约4096个token),适合常规长文本处理 | 支持200-500万字,优秀的中文长文本处理能力 |
多模态支持 | 支持文本、图像、语音等多种输入方式 | 支持文本和图像输入(DALL-E集成) | 主要支持文本、图片、音频 |
中文处理能力 | 专为中文用户设计,表现更自然 | 中文支持良好,但主要优化为英文 | 中文处理能力强,符合中文文化和语言习惯 |
应用场景 | 教育、医疗、企业文档分析等特定领域 | 日常对话、创意写作、编程辅助等广泛领域 | 日常交流、知识获取、客户服务等 |
用户活跃度 | 月活跃用户超过3600万 | 月活跃用户超过5000万 | 月活跃用户数据未公开,但预计已经突破1000万 |
更新频率 | 定期更新,快速迭代 | 定期更新,持续优化 | 定期更新,持续优化 |
外部信息搜索能力 | 积极搜索外部来源,提供最新信息 | 主要依赖自身知识库,需明确指示才能搜索外部信息 | 具备一定的外部信息搜索能力,可提供最新的中文内容 |
本地化优势 | 更适应中国市场语言习惯和用户需求 | 国际化支持,多语言适应性强 | 深度本地化,完全符合中国市场的需求和语言习惯 |
资源消耗与效率 | 优化算法,提高运行效率,适中资源消耗 | 高参数规模对应高算力需求,资源消耗较大 | 优化资源管理,确保高效运行 |
模型表现稳定性 | 在特定领域高效稳定,通用性稍弱 | 高通用性和稳定性,适应多种应用场景 | 在中文语境下表现稳定,适应性强 |
在这三个模型中,文心一言和kimi我们在国内是可以用到的。但是chatgpt是openAI研发的。所以想要使用需要采用一些魔力。如果想在国内使用ChatGPT,那我们只能用一站式AI工具。如下:
【CodeMoss】 >>> 集成13个种AI模型(GPT4、o1等)、提示词助手100+、支持Open API调用、自定义助手、文件上传等强大功能,助您提升工作效率!
>>> https://pc.aihao123.cn/index.html#/page/login?invite=1141439&fromChannel=1_Moss1209
结论:谁是你的最佳选择?
ChatGPT、Kimi与文心一言,各自拥有独特的优势与适用场景。
选择哪款AI助手,关键在于你的具体需求与使用场景。无论你是创意写作者、教育工作者,还是日常用户,都能在这三款AI中找到适合自己的那一款。未来,随着技术的不断进步,这些AI助手也将持续优化,带给我们更加智慧、高效的交互体验。
更多:AI文章
【OpenAI】(一)获取OpenAI API Key的多种方式全攻略:从入门到精通,再到详解教程!!
【VScode】(二)VSCode中的智能AI-GPT编程利器,全面揭秘ChatMoss & ChatGPT中文版
【CodeMoss】(三)集成13个种AI模型(GPT4、o1等)、支持Open API调用、自定义助手、文件上传等强大功能,助您提升工作效率! >>> - CodeMoss & ChatGPT-AI中文版
相关文章:
【模型对比】ChatGPT vs Kimi vs 文心一言那个更好用?数据详细解析,找出最适合你的AI辅助工具!
在这个人工智能迅猛发展的时代,AI聊天助手已经深入我们的工作与生活。你是否曾在选择使用ChatGPT、Kimi或是百度的文心一言时感到一头雾水?每款AI都有其独特的魅力与优势,那么,究竟哪一款AI聊天助手最适合你呢?本文将带…...
利润表在Zebra BI 中的应用(一)
效果如图。本案例采用极简式对比 需要注意的是:如原始数据是一维的,则需要确保比较的各年份所含项目一致,缺失的也要占位,否则会出错! 2022% of Revenue(占收入%) DIVIDE( [值_2022], CALCULA…...
12.09 C++作业2
利用函数重载,实现对整形数组的冒泡排序,对浮点型数组的冒泡排序 #include <iostream>using namespace std;int maopao(int(&ra)[10]) {//求数组长度int len sizeof(ra)/sizeof(ra[0]);int i,j,t;for(int i0;i<len;i){cin >>ra[i];}…...
MongoDB性能监控工具
mongostat mongostat是MongoDB自带的监控工具,其可以提供数据库节点或者整个集群当前的状态视图。该功能的设计非常类似于Linux系统中的vmstat命令,可以呈现出实时的状态变化。不同的是,mongostat所监视的对象是数据库进程。mongostat常用于…...
如何防范顶级应用程序安全威胁
如今的网络攻击数量是五年前的两倍多。因此,掌握最新的应用程序安全威胁对于防止数据泄露、经济损失和声誉受损至关重要。您还需要实施强大的安全实践,以保护应用程序免受最常见和最危险的威胁。 顶级应用程序安全威胁......以及如何防范这些威胁 1. 注…...
Java版-图论-拓扑排序与有向无环图
拓扑排序 拓扑排序说明 对一个有向无环图(Directed Acyclic Graph简称DAG)G进行拓扑排序,是将G中所有顶点排成一个线性序列,使得图中任意一对顶点u和v,若边<u,v>∈E(G),则u在线性序列中出现在v之前。通常,这样的线性序列称为满足拓扑次序(Topological Order)的序列…...
汽车一键启动开关 、一键启动按键 、一键启动按钮
汽车一键启动按钮是智能汽车的重要部分,通常用于启动和关闭引擎。 具体功能: 启动引擎:在许多现代汽车中,一键启动按键取代了传统的钥匙启动方式。只需轻轻按下一键启动按钮,车辆电源即被接通,…...
SWIRL:有望成为2025年顶级AI搜索引擎
现在几乎每家公司都会有内部文档系统,如阿里的语雀、钉钉,字节的飞书,Confluence,印象笔记等等都可以提供给B端在局域网部署。因此,如果能把搜索功能做得高效,就能提高自家产品的竞争力。 想象一下…...
QT requested database does not belong to the calling thread.线程中查询数据报错
QT requested database does not belong to the calling thread.线程中查询数据报错 QString name "ttx"; QSqlQueryModel* sql_model; QString sql_comm QString("select * from dssb_moddve_loddt_tab where name%1").arg(name); sql_model->set…...
活着就好20241210
亲爱的朋友们,大家早上好!🌞 今天是10号,星期二,2024年12月的第十天,同时也是第50周的开始,农历甲辰[龙]年十一月初六日。在这晨光熹微的美好时刻,愿那温暖而明媚的阳光轻轻拂过你的…...
Flutter动画(二)内建隐式动画Widget
动画效果介绍中给出了选择动画的决策树: 使用动画框架不在我们讨论的话题内。flutter支持的动画包括隐式动画和显式动画。 隐式动画和显式动画 隐式动画和显示动画是两种不同的动画实现方式,它们的主要区别在于控制权和动画的重复性。 隐式动画&#…...
【人工智能基础08】卷积神经网络习题:卷积神经网络计算、图像填充、卷积的表达与设计
文章目录 1. 卷积核计算2. 卷积神经网络计算3. 卷积核关注的特征问题解答水平边缘检测与水平条纹检测45度条纹检测 4. 图像检测5. 卷积网络是特殊的全连接网络6. 输出矩阵的三种填充方法7. 卷积设计8.9 成像公式10. 卷积的计算次数11. 全连接层的计算 1. 卷积核计算 卷积操作过…...
前端-使用vue-cli脚手架创建项目
1.下载node:2.下载完检查是否安装成功 在cmd中输入:node --version或node -v 再在cmd中输入: npm -v npm默认的仓库地址是在国外,速度慢,所以设置淘宝镜像,速度就提升了,不设淘宝镜像也可以。 3.设置…...
功能篇:JAVA实现自定义注解
在Java中创建自定义注解可以通过使用interface关键字来完成。自定义注解可以包含元素(即参数),并且你可以指定这些元素的默认值、保留策略以及应用的目标。以下是实现自定义注解的基本步骤和示例代码。 ### 自定义注解的组成部分 1. **元素…...
调度系统:Temporal 在大数据领域的局限分析
在大数据领域的任务管理中,Temporal 和 Apache Airflow 各有优劣。要选择更适合的工具,需根据具体需求(如任务复杂性、依赖管理、分布式能力等)权衡。 以下是两者的比较及 Temporal 在大数据领域的局限分析: Tempora…...
保姆级教学 uniapp绘制二维码海报并保存至相册,真机正常展示图片二维码
一、获取二维码 uni.request({url: https://api.weixin.qq.com/wxa/getwxacode?access_token${getStorage("token")},responseType: "arraybuffer",method: "POST",data: {path: "/pages/index/index"},success(res) {// 转换为 Uint…...
不是“我应该做什么”,而是“我想做什么”
1. 识别内心的渴望 首先,我们需要识别自己真正的愿望和激情所在。这可能需要一些时间和自我反思。问自己:在没有任何外界压力的情况下,我真正想做的是什么?是赚钱、生活、旅行、追星,还是其他什么?识别这些…...
【openwrt】openwrt-21.02 基于IP地址使用ipset实现策略路由操作说明
openwrt版本信息 DISTRIB_ID=OpenWrt DISTRIB_RELEASE=21.02-SNAPSHOT DISTRIB_REVISION=r0-6bf6af1d5 DISTRIB_TARGET=mediatek/mt7981 DISTRIB_ARCH=aarch64_cortex-a53 DISTRIB_DESCRIPTION=OpenWrt 21.02-SNAPSHOT r0-6bf6af1d5 DISTRIB_TAINTS=no-all busybox override …...
Linux内核Kernel启动过程
一、内核启动的基本流程 1. 启动加载程序 (Bootloader) 启动加载程序(如GRUB、LILO、syslinux等)负责将内核映像从存储设备加载到内存中,并准备好内核启动所需的环境。 加载内核映像:启动加载程序将压缩的内核映像(如…...
苍穹外卖复习(持续更新)
文章目录 苍穹外卖复习Day01Day02(新增员工) 苍穹外卖复习 Day01 Day02(新增员工)...
子网划分实例
看到有人问这个问题: 想了一下,这是一个子网划分的问题: 处理方法如图: 这是一个子网划分的问题 设备1用三层交换机,端口设置为路由模式,设备2和设备3为傻瓜交换机模式 设备2和设备3下挂设备都是26为掩码&…...
二进制部署Prometheus+grafana+alertmanager+node_exporter
Prometheus 是一个开源的监控和告警工具包,旨在提供高可靠性和可扩展性。它最初由 SoundCloud 开发,现已成为云原生计算基金会(CNCF)的一部分。以下是 Prometheus 的一些关键特性和概念: 1. **时间序列数据库**&#…...
数据结构——图(遍历,最小生成树,最短路径)
目录 一.图的基本概念 二.图的存储结构 1.邻接矩阵 2.邻接表 三.图的遍历 1.图的广度优先遍历 2.图的深度优先遍历 四.最小生成树 1.Kruskal算法 2.Prim算法 五.最短路径 1.单源最短路径--Dijkstra算法 2.单源最短路径--Bellman-Ford算法 3.多源最短路径--Floyd-…...
Android APK打包流程
文章目录 前言1. 资源打包(通过 AAPT)2. 处理 AIDL 文件3. Java 源代码编译4. Dex 转换5. APK 打包6. APK 签名7. APK 对齐总结 前言 Android APK 打包过程包括多个关键步骤,每个环节都提供了不同的操作机会。开发者可以在这些步骤中进行自定…...
《Liunx系统》之基础操作命令
目录 简介 1. 文件和目录操作 1.1 查看当前目录 1.2 列出目录内容 1.3 切换目录 1.4 创建目录 1.5 删除目录 1.6 创建文件 1.7 删除文件 2. 文件内容操作 2.1 查看文件内容 2.2 搜索文件内容 2.3 复制文件 2.4 移动文件 3. 系统信息和进程管理 3.1 查看系统信息…...
linux 编译、交叉编译 opencv+ffmpeg 为动态库
文章目录 x86 编译先编译 ffmpeg再编译 opencv验证 opencv 的安装是否链接了 ffmpeg 交叉编译(目标系统 armv8 即 arrch64)准备交叉编译工具链(arm 版 gcc、g)先编译 ffmpeg再编译 opencv验证 opencv 的安装是否链接了 ffmpeg 参考…...
Robust Univariate Mean Estimation算法简介
Robust Univariate Mean Estimation 是一种统计算法,主要用于在单变量场景中估计样本的均值,同时对异常值(outliers)具有鲁棒性。传统的均值估计使用样本的算术平均值,但它对异常值高度敏感。为了缓解这个问题…...
区块链智能合约( solidity) 安全编程
引言:本文由天玄链开源开发者提供,欢迎报名公益天玄链训练营 https://blockchain.163.com/trainingCamp 一、重入和竞态 重入和竞态在solidity 编程安全中会多次提及,历史上也造成了重大的损失。 1.1 问题分析 竞态的描述不严格…...
断点续传【授权访问】
本文介绍如何使用STS以及签名URL临时授权访问OSS资源。 授权方式 OSS支持多种授权方式进行客户端授权,以下提供了三种不同授权方式的简要说明,并提供了使用相应授权方式实现简单上传的代码示例,您可以根据使用场景对认证和授权的要求&#…...
中华国际游艇会出席第六届地博会助世界酒中国菜地理标志走向全球
中华国际游艇会积极参与第六届知交会暨地博会,助力世界酒中国菜地理标志产品走向全球 第六届粤港澳大湾区知识产权交易博览会暨国际地理标志产品交易博览会于2024年12月9日至11日在中新广州知识城盛大举行。此次盛会汇聚了众多行业精英和企业代表,共同探…...
Python爬虫——HTML中Xpath定位
Xpath是一种路径查询语言。利用一个路径表达式从html文档中找到我们需要的数据位置,进而将其写入到本地或者数据库中。 学习Xpath爬虫,我们首先学习一下python中lxml库 关于库 lxml 终端下载Xpath需要用到的模块 pip install lxml 关于HTML 超文本标…...
Ubuntu防火墙管理(六)——ARP防火墙过滤防御自定义系统服务
起因 在ubuntu24.04中检查arp表,输出异常 arp -a? (10.162.242.142) 位于 74:3a:20:b9:e8:02 [ether] 在 wlp2s0 ? (10.162.0.1) 位于 在 wlp2s0 ubuntu环境中,这是否表示ARP攻击,本地网关为10.162.0.1,可用arptables防御吗&a…...
Halcon_数据类型_ROI_仿射变换_投影变换
文章目录 算子快捷键一、Halcon数据类型Iconic (图标)Control (控制)Tuple (数组) 二、ROI(区域)1.代码创建ROI2.手动创建ROI 三、图形预处理1.图像的变换与矫正平移 -hom_mat2d_translate旋转缩放-HomMat2D:输入的仿射…...
java+ssm+mysql高校学籍管理系统
项目介绍: 使用javassmmysql开发的高校学籍管理系统,系统包含超级管理员,系统管理员、教师、学生角色,功能如下: 超级管理员:管理员管理(可以新增管理员);专业管理&…...
多表设计-一对多一对多-外键
一.多表设计概述: 二.一对多: 1.需求: 根据 页面原型 及 需求文档,完成部门及员工模块的表结构设计 -->部门和员工就是一对多,因为一个部门下会有多个员工,但一个员工只归属一个部门 2.页面原型&…...
Scala的正则表达式(1)
package hfd //正则表达式的应用场景 //1.查找 findAllin //2.验证 matches //3.替换//验证用户名十分合法 //规则: //1.长度在6-12之间 //2.不能数字开头 //3.只能包含数字,大小写字母,下划线 object Test36 {def main(args: Array[String])…...
uniapp扭蛋机组件
做了一个uniapp的扭蛋机组件,可以前往下载地址下载 仅测试了vue2、3、h5页面微信小程序,理论支持全平台 使用方法简单,具有待机动效、抽奖中动效、掉落奖品动效,可以替换奖品图片,足以满足大部分抽奖页面需求。 示例图…...
并发背后的技术与原理
一个Java Web项目能够同时支持多个用户请求,而不会导致数据混乱,这主要得益于Java平台的多线程处理机制、Web容器的请求处理模型以及良好的编程实践。 Java的多线程处理: Java是一种支持多线程的编程语言。在Java Web应用中,每个用…...
HarmonyOS(63) ArkUI 自定义占位组件NodeContainer
NodeContainer 1、前言2、NodeContainer和NodeController3、示例代码3.1、创建@Builder3.2、 创建NodeController3.3、 使用NodeCtroller4、NodeContainer的作用5、FrameNode简介6、BuilderNode简介7、参考资料1、前言 在HarmonyOS(62) ArkUI @Reusable组件复用原理讲了组件复…...
机器学习实战学习笔记:前言与准备
个人学习介绍 该专栏作为《机器学习实战(原书第三版)》的读书笔记,涉及对书本内容的理解和书本内容原有的示例和部分原文。略懂一点点python语法编程环境选用python 3.12.1 ,IDE为 DataSpell (主要)&#…...
Linux应用开发————多线程的互斥与同步——同步
同步和互斥 互斥:是指某一资源同时只允许一个访问者对其进行访问,具有唯一性和排它性。但互斥无法限制访问者对资源的访问顺序,即访问是无序的。 同步:是指在互斥的基础上(大多数情况),通过其它机制实现访问者对资源的有序访问。 条件变量机制…...
【人工智能】深度解剖利用人工智能MSA模型
目录 情感分析的应用一、概述二、研究背景三、主要贡献四、模型结构和代码五、数据集介绍六、性能展示七、复现过程 情感分析的应用 近年来社交媒体的空前发展以及配备高质量摄像头的智能手机的出现,我们见证了多模态数据的爆炸性增长,如电影、短视频等…...
Java 环境配置 + IntelliJ IDEA 使用指南
文章目录 一、Java 程序的运行必须经过3 个步骤:编写、编译、运行(1)Java 和 JavaScript 的区别(2)JDK、JRE、JVM 的关系(3)是否需要 Maven? 二、软件下载2.1、JDK下载与安装 —— 是…...
兴业周报|楼市新政效果显著~单周成交破5亿~
香山清琴山庄丙19号(独栋别墅) 稀缺房源:标的物为京城少有的独栋别墅,在连续的 “限墅令” 及相关容积L限制政策下,市场上独栋别墅的新增供应不断减少。 环境优美:香山清琴山庄依山而筑,错落有…...
学习笔记063——通过使用 aspose-words 将 Word 转 PDF 时,遇到的字体改变以及乱码问题
文章目录 1、问题描述:2、解决方法: 1、问题描述: Java项目中,有个需要将word转pdf的需求。本人通过使用aspose-words来转换的。在Windows中,转换是完全正常的。但是当部署到服务器时,会出现转换生成的pdf…...
人工智能导论学习笔记
目录 一、概要 二、人工智能基础知识 智能 人工智能 人工智能三要素 人工智能发展历程 人工智能的三次浪潮 人工智能行业发展现状 人工智能技术水平现状 人工智能技术层级 人工智能应用开发周期 机器学习的流程 一、概要 《人工智能导论(通识版)》张大斌 田恒义 许…...
FCOS: Fully Convolutional One-Stage Object Detection——全卷积一阶段目标检测
FCOS(Fully Convolutional One-Stage Object Detector)是一种全卷积的单阶段目标检测器,旨在通过消除锚点(anchor)的使用,简化目标检测的流程。以下是FCOS的主要特点和组成部分: 1. 无锚点设计…...
《Java核心技术I》映射条目的原子更新
映射条目的原子更新 ConcurrentHashMap只有部分原子更新。 JavaAPI提供了一些新方法,例如:compute方法可以提供一个键和一个计算新值的函数。 map.compute(word,(k,v)->v null ? 1 : v1) 注释:ConcurrentHashMap中不允许有null值。很…...
微信小程序介绍-以及写项目流程(重要)
前言:本篇文章介绍微信小程序以及项目介绍: 文章介绍:介绍了微信小程序常用的指令、组件、api。tips:最好按照官方文档来进行学习,大致可以我的目录来学习,对于写项目是没有问题的 微信小程序官方文档https…...
241207-通过Docker部署Wiki.JS并设置ElasticSearch进行中文搜索
A. 最终效果 B. 配置文件 version: "3" services:wiki:image: ghcr.io/requarks/wiki:2container_name: wikijsports:- "3000:3000"volumes:- /home/lgk/Projects/WikiJS/config:/configenvironment:- DB_TYPEpostgres- DB_HOSTdatabase- DB_PORT5432- DB…...