当前位置：首页 > news >正文

从零开始完成“大模型在牙科诊所青少年拉新系统中RAG与ReACT功能实现”的路线图

news 来源：原创 2025/6/28 16:50:09

项目核心目标： 构建一个智能系统，利用大型语言模型（LLM）、检索增强生成（RAG）和推理与行动（ReACT）技术，通过七个专门的知识向量库，为牙科诊所精准吸引青少年客户，并提供个性化、合规的互动和服务。

面向学生： 本路线图假设学生具备一定的Python编程基础，对机器学习和自然语言处理有初步了解。

项目实施路线图

阶段零：准备与基础知识学习 (预计时间：1-2周)

理论学习与理解：
- 大型语言模型 (LLM)： 学习LLM的基本原理、能力（如文本生成、理解）。了解Grok 3 API的特点（如果文档可用）或通用LLM API的使用方式。
- 检索增强生成 (RAG)： 深入理解RAG的原理，为什么它能减少幻觉、提高答案的相关性和时效性。
- ReACT 框架： 学习ReACT的核心思想 (Thought, Function Call, Observation, Answer)，理解它如何让LLM具备规划、调用工具和执行复杂任务的能力。
- 向量数据库与嵌入 (Embeddings)：
  - 学习什么是词嵌入/句子嵌入 (Sentence Embeddings)。
  - 了解Sentence-BERT和DistilBERT这类嵌入模型的原理和适用场景。
  - 学习向量数据库的基本概念 (如Faiss、Pinecone)，如何进行相似性搜索。
- 牙科领域基础知识（概览）： 初步了解青少年口腔健康、正畸等基本概念，以便更好地理解数据。
工具与环境准备：
- 编程环境： Python (Anaconda或Miniconda推荐), Jupyter Notebook或VS Code。
- 核心库安装：
  - transformers (Hugging Face库，用于嵌入模型)
  - faiss-cpu (或 faiss-gpu 如果有NVIDIA GPU) 或注册Pinecone账户。
  - openai (如果使用OpenAI API，或者未来Grok 3 API的Python客户端)。
  - langchain 或 llama-index (这些框架可以极大简化RAG和ReACT的实现)。
  - 数据处理库：pandas, numpy, PyPDF2 (处理PDF), requests (API调用)。
- API密钥获取：
  - 获取xAI Grok 3 API的访问权限（或选用其他可用的LLM API，如OpenAI GPT系列作为学习替代）。
- 开发计划与版本控制：
  - 使用Git进行版本控制，创建GitHub/GitLab等仓库。
  - 制定初步的项目计划和任务分解。

阶段一：数据层 - 向量知识库构建 (预计时间：4-6周)

此阶段的目标是构建和填充描述中的七个向量知识库。每个库的构建流程类似：

数据收集与获取策略：
- 口腔科论文向量库：
  - 来源：PubMed, Google Scholar, Semantic Scholar等学术数据库。考虑使用API批量下载，或手动收集重点论文。
  - 格式：PDF, TXT。
- 口腔专利向量库：
  - 来源：国家知识产权局、Google Patents等。
  - 格式：PDF, XML, TXT。
- 口腔教材向量库：
  - 来源：联系行业协会、购买电子版教材、扫描实体书（注意版权）。
  - 格式：PDF, DOCX。
- 患者反馈向量库：
  - 来源：模拟数据或与诊所合作获取脱敏数据（API对接）。
  - 格式：CSV, JSON, TXT。
  - 重点： 数据脱敏和加密是首要任务，严格遵守隐私法规。
- 行业法规向量库：
  - 来源：政府官网、行业协会网站。
  - 格式：PDF, HTML, DOCX。
- 社交媒体趋势向量库：
  - 来源：通过社交媒体平台API (如Twitter, TikTok, B站 – 注意API政策和限制) 或使用爬虫工具（遵守robots.txt，注意法律风险）。
  - 格式：JSON, CSV。
- 竞品分析向量库：
  - 来源：公开的竞品营销材料、行业报告、新闻。
  - 格式：PDF, DOCX, HTML。
数据预处理与清洗：
- 文本提取： 从PDF、DOCX等格式中提取纯文本。
- 数据清洗： 去除无关字符、HTML标签、格式错误等。
- 文本分块 (Chunking)： 将长文本（如论文、教材章节）分割成更小的、有意义的块。这对于RAG的检索效果至关重要。块的大小需要实验确定（例如，200-500个词）。
嵌入生成：
- 选择嵌入模型：
  - 论文、教材：Sentence-BERT (或其变体，如all-mpnet-base-v2)。
  - 社交、反馈：DistilBERT (更轻量，适合短文本和速度要求高的场景)。
- 生成嵌入向量： 对每个文本块使用选定的模型生成向量表示。
- 元数据关联： 为每个向量关联元数据，如 doc_id, 来源, 日期, 关键词, 原始文本块等。格式：{doc_id, embedding, metadata}。
向量存储与索引：
- 选择向量数据库：
  - Faiss： 本地化、高性能，适合有一定技术能力的学生。需要自己管理索引的保存和加载。
  - Pinecone： 云服务，易于上手，管理方便，但可能有费用。
- 创建索引： 在选定的数据库中为每个知识库创建一个独立的索引（或集合）。
- 数据注入： 将生成的嵌入向量及其元数据存入相应的索引中。
更新机制设计（初步）：
- 为每个向量库规划更新流程，考虑其更新频率。
- 编写脚本框架，用于未来自动化处理新增数据（下载、预处理、嵌入、存储）。

阶段二：核心RAG功能实现 (预计时间：3-4周)

单一向量库RAG实现：
- 查询模块：
  - 接收用户查询。
  - 使用与建库时相同的嵌入模型将查询文本转换为查询向量。
  - 在指定的向量库中执行相似性搜索 (e.g., Faiss index.search 或 Pinecone query)，检索top-k相关的文本块。
- 上下文构建： 将检索到的文本块组合成上下文信息。
- Prompt工程： 设计有效的Prompt模板，将用户原始查询和检索到的上下文信息整合，引导LLM生成基于上下文的回答。
  - 例如：“基于以下信息：\n{context}\n请回答问题：{query}”
- LLM调用： 调用Grok 3 API (或替代API)，发送构建好的Prompt，获取生成结果。
- 初步测试： 对每个向量库进行单独的RAG测试，验证检索效果和生成质量。
查询路由器 (Query Router) 实现：
- 目标： 根据用户查询的语义，决定查询应该路由到一个或多个相关的向量库。
- 实现方式（可选）：
  - 基于关键词/规则： 简单的规则判断。
  - 基于LLM的分类： 使用LLM本身判断查询属于哪个领域（对应哪个向量库）。训练一个小型分类模型或使用零样本/少样本分类。
  - 语义相似度路由： 将查询与各向量库的“描述性查询”或“代表性文档摘要”进行语义相似度匹配，选择最相似的库。
- 集成： 将查询路由器集成到RAG流程中，使得系统可以动态选择知识来源。
跨库检索与结果整合（如果路由器允许多库查询）：
- 如果查询路由器决定查询多个向量库，需要分别进行检索。
- 设计策略整合来自不同库的检索结果（如按相关性排序、去重等）。

阶段三：核心ReACT功能实现 (预计时间：4-5周)

理解ReACT循环： 深入理解Thought -> Function Call -> Observation -> Answer 的每一步。
工具 (Function Call) 定义与实现：
- 核心工具：向量库查询函数。
  - 为每个向量库（或通过查询路由器）封装一个函数，该函数接收查询字符串作为参数，返回检索到的信息 (Observation)。
  - 例如：search_oral_papers(query_text)，search_patient_feedback(query_text)。
- 其他潜在工具：
  - 外部API调用（如天气、日历等，根据实际需求）。
  - 数据库查询（如果结构化数据也需要）。
  - 计算器等。
ReACT Agent Prompt工程：
- 这是ReACT实现的核心和难点。需要设计一个“元Prompt”或“系统Prompt”，引导LLM执行ReACT循环。
- Prompt需包含：
  - 任务描述。
  - 可用工具的列表和描述（包括函数名、参数、功能）。
  - 输出格式要求（严格指定Thought, Function Call, Observation, Answer的输出格式，通常是JSON或特定文本结构，以便程序解析）。
  - 示例（Few-shot prompting通常效果更好）。
- 示例ReACT思考流程（简化版）：
  用户问：“青少年牙齿矫正一般需要多少钱？”
  LLM (在ReACT框架下):
  - Thought: 用户在问矫正费用。我需要查找患者反馈中关于费用的信息，可能还需要结合一些科普教材中的一般性描述。
  - Function Call: search_patient_feedback(query_text="牙齿矫正费用") 和 search_oral_textbooks(query_text="青少年正畸费用范围")
  - (系统执行函数调用，获取结果)
  - Observation: (从search_patient_feedback返回) “记录A: 13岁，隐形矫正，花费3万元；记录B: 15岁，金属托槽，花费1.5万元…” (从search_oral_textbooks返回) “青少年正畸费用因材料、难度、地区而异，一般在1万-5万元不等。”
  - Thought: 综合信息，费用范围较大，与材料和具体情况有关。我可以给出一个范围，并建议咨询。
  - Answer: “青少年牙齿矫正的费用根据选择的矫正器类型（如金属、陶瓷、隐形）、牙齿畸形程度和地区等因素有所不同，大致范围可能在1万元到5万元之间。例如，一些患者反馈显示隐形矫正费用约3万元，金属矫正约1.5万元。建议您带孩子到诊所进行面诊，医生会根据具体情况给出详细的费用方案。”
ReACT循环控制器：
- 编写Python代码来管理ReACT的迭代过程：
  1. 将用户输入和初始ReACT Prompt发送给LLM。
  2. 解析LLM的输出，提取Thought和Function Call。
  3. 如果存在Function Call：
    - 执行对应的Python函数。
    - 获取函数返回值 (Observation)。
    - 将Observation反馈给LLM，让其继续下一步思考或直接给出Answer。
  4. 如果LLM直接给出Answer，则输出给用户。
  5. 设置最大迭代次数等停止条件，防止无限循环。
Langchain/Llama-Index 加速：
- 强烈建议学生研究并使用Langchain的Agents或Llama-index的Query Engines/Routers，它们内置了ReACT（或其他类似）的实现逻辑，可以大大减少手写循环控制器的复杂性。

阶段四：具体系统功能实现 (基于RAG与ReACT) (预计时间：6-8周)

逐一实现方案中描述的六大功能。每个功能都将利用已构建的RAG和ReACT框架。

精准人群画像生成与个性化推荐：
- ReACT流程细化：
  - Thought: 分析用户输入（或已有用户数据），确定需要哪些信息来构建画像和推荐内容。
  - Function Call: 调用患者反馈库 (历史行为、偏好)、社交媒体库 (兴趣点)、教材库 (相关科普知识)。
  - Observation: 获取用户画像标签、兴趣点、可推荐的科普内容。
  - Answer: 生成个性化营销文案（如抖音脚本、小红书帖子）。
- 实现：
  - RAG检索：Faiss/Pinecone语义搜索。
  - 生成：Grok 3 API。
  - 数据源：患者反馈、社交媒体趋势、口腔教材、外部社交平台数据。
智能内容生成与投放优化：
- ReACT流程细化：
  - Thought: 需要生成吸引人的内容（视频脚本、图文），并选择最佳投放渠道和时间。
  - Function Call: 调用论文库 (最新技术)、专利库 (创新点)、竞品分析库 (成功案例)、社交媒体趋势库 (流行元素)。
  - Observation: 获取技术信息、专利特点、竞品策略、流行趋势。
  - Answer: 生成具体内容脚本，并给出投放渠道/时间建议。
- 实现：
  - RAG检索：结合实时投放效果反馈进行优化。
  - 生成：Grok 3 API。
  - 数据源：论文、专利、竞品分析、历史投放数据、社交媒体趋势。
青少年友好型智能交互：
- ReACT流程细化：
  - Thought: 用户咨询问题，需要用青少年喜欢的方式回答，可能需要多模态。
  - Function Call: 调用社交媒体趋势库 (网络用语、梗)、患者反馈库 (常见问答模式、高分对话)、教材库 (准确知识)。
  - Observation: 获取流行语、有效沟通方式、专业知识。
  - Answer: 生成幽默、易懂、准确的回复。若条件允许，可构思AR效果的触发（此部分可能超出LLM直接生成范围，但LLM可以建议何时使用）。
- 实现：
  - RAG检索：可加入情感识别模型结果调整语气。
  - 生成：Grok 3 API。
  - 数据源：社交媒体、患者反馈、口腔教材。
智能活动策划与执行：
- ReACT流程细化：
  - Thought: 需要策划有吸引力的线下/线上活动。
  - Function Call: 调用论文库 (活动主题灵感)、患者反馈库 (用户偏好)、竞品分析库 (活动形式参考)。
  - Observation: 获取活动主题、用户兴趣点、成功活动案例。
  - Answer: 生成多套活动方案，包括主题、形式、目标人群、初步预算考量。
- 实现：
  - RAG检索：可结合风险预警模型评估方案可行性。
  - 生成：Grok 3 API。
  - 数据源：论文、患者反馈、竞品分析、内部资源数据。
数据驱动的持续优化：
- ReACT流程细化：
  - Thought: 分析营销活动效果（如转化率低），找出原因并提出优化建议。
  - Function Call: 调用患者反馈库 (投诉、建议、满意度)、行业法规库 (检查合规性)、竞品分析库 (对比策略)。
  - Observation: 获取用户不满点、合规风险点、竞品优秀策略。
  - Answer: 生成优化建议报告（如调整文案、更换渠道、优化产品点）。
- 实现：
  - RAG检索：构建反馈闭环。
  - 生成：Grok 3 API 用于分析和建议。
  - 数据源：患者反馈、行业法规、竞品分析、营销活动执行数据。
合规安全保障：
- ReACT流程细化：
  - Thought: 生成的内容或进行的操作是否符合行业法规和数据隐私要求？
  - Function Call: 调用行业法规向量库 (敏感词、规定条例)、患者反馈向量库 (用户授权情况)。
  - Observation: 获取相关法规条款、敏感词列表、用户授权状态。
  - Answer: 判断合规性，或对生成内容进行调整以符合规定，过滤敏感词。
- 实现：
  - RAG检索：实时监控和校验。
  - 生成：Grok 3 API生成，并结合后处理规则进行过滤。
  - 数据源：行业法规、患者反馈（授权记录）。

阶段五：系统集成、测试与部署 (预计时间：3-4周)

用户界面 (UI) 开发 (可选，简化版)：
- 开发一个简单的Web界面（如使用Streamlit或Flask）或命令行界面，方便用户与系统交互。
系统集成：
- 将所有模块（数据层、RAG、ReACT、各项功能、UI）整合起来。
全面测试：
- 单元测试： 测试每个独立函数和模块。
- 集成测试： 测试模块间的协作，特别是RAG与ReACT的流畅性。
- 功能测试： 针对六大核心功能进行场景测试。
- 性能测试： 测试系统的响应时间、并发处理能力。
- 安全测试： 重点测试数据脱敏、权限控制、合规性过滤。
- 鲁棒性测试： 测试异常输入、API故障等情况下的系统表现。
部署方案设计：
- 向量数据库： Faiss本地部署或Pinecone云端。
- LLM API： Grok 3 API是云服务。
- 应用服务： 考虑Docker容器化部署。
- 本地化部署考虑： 对于RAG中的敏感数据处理部分，可以考虑在本地环境中运行，以增强数据安全。
文档编写：
- 用户手册、开发文档、API文档（如果需要）。

阶段六：监控、维护与迭代 (长期)

数据更新与维护：
- 实施阶段一规划的自动化数据更新脚本。
- 定期检查数据质量和向量库的健康状况。
性能监控：
- 监控查询速度、LLM API调用成功率、系统资源使用情况。
- 监控用户反馈和满意度。
模型与策略优化：
- 根据“数据驱动的持续优化”功能收集到的反馈，调整Prompt、优化RAG检索策略、甚至微调嵌入模型（如果需要且有能力）。
- 定期评估ReACT流程的有效性，优化工具选择和思考链。
合规性审计：
- 定期检查系统是否依然符合最新的行业法规和隐私标准。

关键挑战与注意事项：

Prompt Engineering： ReACT的成功极度依赖高质量的Prompt设计。
数据质量： 向量库的质量直接影响RAG的效果。
成本控制： LLM API调用和向量数据库（如Pinecone）可能会产生费用。
合规性与隐私： 处理患者数据必须万分小心，严格遵守法规。
评估指标： 如何有效评估RAG的检索准确率、ReACT的决策质量、最终答案的有用性。
迭代速度： 这是一个复杂的系统，采用敏捷开发，小步快跑，持续迭代。

从零开始完成“大模型在牙科诊所青少年拉新系统中RAG与ReACT功能实现”的路线图

项目核心目标： 构建一个智能系统，利用大型语言模型（LLM）、检索增强生成（RAG）和推理与行动（ReACT）技术，通过七个专门的知识向量库，为牙科诊所精准吸引青少年客…...

编程日记 2025/6/28 16:50:09

c# 倒序方法

在C#中，有几种方法可以对List进行倒序排列： 1. 使用List的Reverse()方法（原地反转） List<int> numbers new List<int> { 1, 2, 3, 4, 5 };numbers.Reverse(); // 直接修改原列表// 结果：5, 4, 3, 2, 1 …...

编程日记 2025/6/29 0:36:01

【！！！！终极 Java 中间件实战课：从 0 到 1 构建亿级流量电商系统全链路解决方案！！！！保姆级教程---超细】

终极 Java 中间件实战课：电商系统架构实战教程电商系统架构实战教程1. 系统架构设计1.1 系统模块划分1.2 技术选型 2. 环境搭建2.1 开发环境准备2.2 基础设施部署 3. 用户服务开发3.1 创建Maven项目3.2 创建用户服务模块3.3 配置文件3.4 实体类与数据库设计3.5 DAO…...

编程日记 2025/6/28 1:39:30

HarmonyOs开发之———使用HTTP访问网络资源

谢谢关注！！ 前言：上一篇文章主要介绍HarmonyOs开发之———Video组件的使用:HarmonyOs开发之———Video组件的使用_华为 video标签查看-CSDN博客 HarmonyOS 网络开发入门：使用 HTTP 访问网络资源 HarmonyOS 作为新一代智能终端…...

编程日记 2025/6/29 0:29:30

Java Queue 接口实现

Date: 2025.05.14 20:46:38 author: lijianzhan Java中的Queue接口是位于java.util包中，它是一个用于表示队列的接口。队列是一种先进先出（First-In-First-Out, 简称为FIFO）的数据结构，其中元素被添加到队列的尾部，并从…...

编程日记 2025/6/28 22:53:06

【IDEA】注释配置

1. IDEA注释调整，去掉默认在第一列显示修改为如下： 2. IDEA中修改代码中的注释颜色...

编程日记 2025/6/28 23:45:49

day25 python异常处理

目录 Python 的异常处理机制核心概念常见的异常处理结构 try-except try-except-else 常见异常类型 SyntaxError（语法错误） NameError（名称错误） TypeError（类型错误） ValueError（值…...

编程日记 2025/6/28 22:53:17

【测试】BUG

目录 1、描述BUG的要素： 2、BUG的级别 3、BUG的状态的流转 4、与开发产⽣争执怎么办（⾼频考题） 什么是BUG？？？ 程序与规格说明之间的不匹配才是错误 1、描述BUG的要素： 问题出现的版本、问…...

编程日记 2025/6/28 2:00:39

Java面向对象三大特性深度解析

Java面向对象三大特性封装继承多态深度解析前言一、封装：数据隐藏与访问控制的艺术1.1 封装的本质与作用1.2 封装的实现方式1.2.1 属性私有化与方法公开化1.2.2 封装的访问修饰符二、继承：代码复用与类型扩展的核心机制2.1 继承的定义与语法2.2 继承的…...

编程日记 2025/6/29 0:58:23

C 语言学习笔记（8）

内容提要数组数组的概念一维数组数组数组的概念什么是数组数组是相同类型，有序数据的集和数组的特征数组中的数据被称之为数组的元素（所谓的元素，其实就是数组的每一个匿名的变量空间），是同构。数组中的…...

编程日记 2025/6/28 13:10:32

Screen Mirroring App：轻松实现手机与电视的无缝投屏

Screen Mirroring App 是一款由2kit consulting发行的电视投屏软件，专为用户提供便捷的投屏解决方案。它支持将手机和平板屏幕上的内容实时投射到大电视上，无论是观看影视作品、玩游戏、浏览照片还是阅读电子书，都能提供清晰、稳定的画质和流…...

编程日记 2025/6/29 1:13:13

html js 原生实现web组件、web公共组件、template模版插槽

在现代浏览器中，通过 class 继承 HTMLElement 可以轻松创建原生 Web Components（自定义元素），并能享受与普通 HTML 元素同等的语义和性能优势。下面将从核心概念、生命周期方法、Shadow DOM、表单关联、自定义属性、以及与 Vue 3 …...

编程日记 2025/6/28 23:51:24

【爬虫】DrissionPage-2

之前的三个对象是4.0版本，看到的是网上大佬们网上的文章，因为看到官网更新了4.1，我觉得有必要了解一下：文档地址：💥 4.1 功能介绍 | DrissionPage官网点击链接看官网就行，下面一样的。 4.1 的…...

编程日记 2025/6/28 23:31:54

鸿蒙OSUniApp 制作个人信息编辑界面与头像上传功能#三方框架 #Uniapp

UniApp 制作个人信息编辑界面与头像上传功能前言最近在做一个社交类小程序时，遇到了需要实现用户资料编辑和头像上传的需求。这个功能看似简单，但要做好用户体验和兼容多端，还是有不少细节需要处理。经过一番摸索，总结出了一套…...

编程日记 2025/6/28 22:53:07

系统漏洞扫描服务：维护网络安全的关键与服务原理？

系统漏洞扫描服务是维护网络安全的关键措施，能够迅速发现系统中的潜在风险，有效预防可能的风险和损失。面对网络攻击手段的日益复杂化，这一服务的重要性日益显著。服务原理系统漏洞扫描服务犹如一名恪尽职守的安全守护者。它运用各类扫描…...

编程日记 2025/6/28 23:48:41

[原创](现代C++ Builder 12指南): 在界面开发中, 如何利用C++高级特性“折叠表达式“?.

[序言] 在现代C++编程中, 现代C++引入的折叠表达式(Fold Expressions)是一项极具价值的特性, 它为模板编程带来了更高的灵活性和简洁性. 折叠表达式允许在参数包上执行简洁的折叠操作, 从而减少冗余代码, 提升代码的可读性与维护性. 在界面开发领域, 特别是使用C++ Builder 12进…...

编程日记 2025/6/29 0:41:56

KUKA机器人中断编程3—暂停功能的编程

在KUKA机器人的使用过程中，对于调试一个项目，当遇到特殊情况时需要暂停机器人，等异常情况处理完成后再继续机器人的程序运行。wait for指令是等待一个输入信号指令，没有输入信号，机器人一直等待。在一定程度上程序也不…...

编程日记 2025/6/28 23:33:36

【LeetCode 热题 100】反转链表 / 回文链表 / 有序链表转换二叉搜索树 / LRU 缓存

⭐️个人主页：小羊 ⭐️所属专栏：LeetCode 热题 100 很荣幸您能阅读我的文章，诚请评论指点，欢迎欢迎 ~ 目录相交链表反转链表回文链表环形链表环形链表 II合并两个有序链表两数相加删除链表的倒数第 N 个结点两两交换链表中的…...

编程日记 2025/6/28 6:50:40

Seata源码—1.Seata分布式事务的模式简介

大纲 1.Seata分布式事务框架简介 2.Seata AT模式实现分布式事务的机制 3.Seata AT模式下的写隔离机制 4.Seata AT模式下的读隔离机制 5.官网示例说明Seata AT模式的工作机制 6.Seata TCC模式的介绍以及与AT模式区别 7.Seata Saga模式的介绍 8.单服务多个库的分布式事务…...

编程日记 2025/6/28 22:53:09

牛客——签到题

分析我拿到题就去看了示例，可以发现，并非是让难度最小，或者难度系数出现次数最多的成为签到题的难度。那我就有点懵了。。。。。。但仔细观察题目本身的特定条件和目标，即在满足选择 m 道题的前提下，尽可能多地选择…...

编程日记 2025/6/29 0:53:08

【idea】调试篇 idea调试技巧合集

前言：之前博主写过一篇idea技巧合集的文章，由于技巧过于多了，文章很庞大，所以特地将调试相关的技巧单独成章, 调试和我们日常开发是息息相关的，用好调试可以事半功倍文章目录 1. idea调试异步线程2. idea调试stream流…...

编程日记 2025/6/28 23:30:56

k8s监控方案实践补充（一）：部署Metrics Server实现kubectl top和HPA支持

k8s监控方案实践补充（一）：部署Metrics Server实现kubectl top和HPA支持文章目录 k8s监控方案实践补充（一）：部署Metrics Server实现kubectl top和HPA支持一、Metrics Server简介二、Metrics Server实战部署…...

编程日记 2025/6/28 23:46:44

直流电机风速仪

在处理直流电机风速仪的 ADC 读取问题时，下面为你详细介绍实现方法。硬件连接风速仪的输出通常是模拟信号，所以需要把它连接到微控制器的 ADC 输入引脚。比如，在 Arduino 上可以连接到 A0 - A5 这类模拟输入引脚。 ADC 读取原理风速仪…...

编程日记 2025/6/28 22:53:10

dify 连接不上ollama An error occurred during credentials validation:

三大报错 An error occurred during credentials validation: HTTPConnectionPool(hosthost.docker.internal, port11434): Max retries exceeded with url: /api/chat (Caused by NameResolutionError("<urllib3.connection.HTTPConnection object at 0x7f26fc3c00b0&…...

编程日记 2025/6/29 0:38:11

19、云端工业物联网生态组件 - 工厂能效与预测维护 - /数据与物联网组件/cloud-iiot-factory-analysis

76个工业组件库示例汇总云端工业物联网生态组件 - 工厂能效与预测维护 (模拟) 概述这是一个交互式的 Web 组件，旨在模拟一个云端工业物联网 (IIoT) 平台的核心界面，专注于工厂层面的能效分析和基于传感器数据的预测性维护概念。用户可以监控模拟的设…...

编程日记 2025/6/28 22:54:06

python打卡day25

python的异常处理机制知识点回顾： 异常处理机制debug过程中的各类报错try-except机制try-except-else-finally机制在即将进入深度学习专题学习前，我们最后差缺补漏，把一些常见且重要的知识点给他们补上，加深对代码和流程的理解。…...

编程日记 2025/6/29 0:36:08

Jmeter变量传递介绍

文章目录一、Jmeter变量类型及作用域二、变量传递方式1. 用户定义变量（User Defined Variables）2. CSV 数据文件（CSV Data Set Config）3.正则表达式提取器4.后置处理器（Post Processor)4.1BeanShell/JSR223 后置处理器…...

编程日记 2025/6/28 22:53:18

机器学习 Day16 聚类算法，数据降维

聚类算法 1.简介 1.1 聚类概念无监督学习：聚类是一种无监督学习算法，不需要预先标记的训练数据相似性分组：根据样本之间的相似性自动将样本归到不同类别相似度度量：常用欧式距离作为相似度计算方法 1.2 聚类vs分类聚类&…...

编程日记 2025/6/28 23:10:42

白日梦：一个方便快捷的将故事制作成视频的工具

我有故事，但我想把它制作成视频，有没有什么好用的工具可以使用呢？如果你也被类似的问题困扰，那么今天分享的这个工具将会解决这个问题。从需求来看，我们希望的是纯文本的故事输入，完整的故事视频输出&#…...

编程日记 2025/6/28 23:20:04

ultralytics中tasks.py---parse_model函数解析

一、根据scale获取对应的深度、宽度和最大通道数具体例如yaml文件内容如下： depth=0.33,那么重复的模块例如C2f原本重复次数是3，6，6，3，那么T对应的模型重复次数就是三分之一即1，1，2，1次。这个在后面定义的： width=0.25，max_channels=1024 原本c2=64,但经过make_div…...

编程日记 2025/6/28 23:12:56

Codeforces Round 1003 (Div. 4)

A. Skibidus and Amog’u 题目大意给你一个字符串，把末尾的us换成i 解题思路删掉最后两个加上“i”即可代码实现 #include <bits/stdc.h>using i64 long long;int main() {std::ios::sync_with_stdio(false);std::cin.tie(0);std::cout.tie(0);int …...

编程日记 2025/6/28 23:47:56

基于RFSOC ZU28DR+DSP 6U VPX处理板

板卡概述基于RFSOC ZU28DRDSP 6U VPX处理板，是一款基于6U VPX总线架构的高速信号处理平台，数模混合信号处理卡，采用 Xilinx ZYNQ UltraScale RFSoC ZU28DR和TI DSP TMS320C6678组合设计，两者之间通过4x 5G SRIO互联。本板卡可实…...

编程日记 2025/6/28 23:43:07

C# 通过脚本实现接口

以前C#脚本用的委托注入模式，今天在AI提示下，尝试用脚本直接实现接口，然后C#可以动态或指定新类型创建接口实现对象。从代码角度看，稍显复杂，但脚本方面显得更简洁和有条理。引用包需要Microsoft.CodeAnalysis、Micro…...

编程日记 2025/6/29 0:03:21

代码随想录算法训练营Day58

力扣695.岛屿的最大面积【medium】力扣827.最大人工岛【hard】一、力扣695.岛屿的最大面积【medium】题目链接：力扣695.岛屿的最大面积视频链接：代码随想录 1、思路和岛屿数量那道题很像，只是递归这边要多一个怎么计算面积&#xff0c…...

编程日记 2025/6/29 0:19:23

若依框架页面

1.页面地址若依管理系统 2.账号和密码管理员账号admin 密码admin123 运维账号yuwei 密码123456 自己搭建的地址方便大家学习，不要攻击哦，谢谢啊...

编程日记 2025/6/29 0:20:45

redis 缓存穿透，缓存击穿，缓存雪崩

一：什么是缓存 （1）计算机：cpu、内存、磁盘，cpu任何需要的数据都要从内容中读入数据放入cpu,从cup内部添加一个缓存 （2）web开发的每个阶段都可以添加缓存 （3）缓存优缺点&a…...

编程日记 2025/6/29 0:20:39

ORACLE查看归档是否打开

一、使用V$DATABASE视图 SELECT log_mode FROM v$database; 结果说明： ARCHIVELOG - 数据库处于归档模式 NOARCHIVELOG - 数据库处于非归档模式二、使用v$instance视图 SELECT archiver FROM v$instance; 结果说明： STARTED - 归档进程已启动(归档模…...

编程日记 2025/6/28 22:53:11

Python环境管理工具深度指南：pip、Poetry、uv、Conda

Python环境管理工具深度指南：pip、Poetry、uv、Conda Python开发中，环境管理和依赖管理是不可避开的重要话题。合理地管理项目的Python环境（尤其是虚拟环境）有助于隔离不同项目的依赖，避免版本冲突，并确保…...

编程日记 2025/6/28 22:53:13

高等数学第七章---微分方程（§7.4-§7.5可降阶的高阶微分方程、二阶线性微分方程）

7.4 可降阶的高阶微分方程某些类型的高阶微分方程可以通过适当的变量代换，将其阶数降低，从而化为阶数较低的方程进行求解。一、 y ( n ) f ( x ) y^{(n)}f(x) y(n)f(x) 型方程特征：方程的左端是 y y y 的 n n n 阶导数，右…...

编程日记 2025/6/28 1:47:58

Jmeter对服务端进行压测快速上手

安装下载安装jmeter的之前必须先装有JDK 官网下载地址：https://archive.apache.org/dist/jmeter/binaries/ jmeter3.0的对应jdk1.7，jmeter4.0对应jdk1.8以上，否者启用jmeter也会报错配置配置环境变量在系统变量PATH上加上: %JMET…...

编程日记 2025/6/28 22:54:15

【嵌入模型与向量数据库】

目录一、什么是向量？ 二、为什么需要向量数据库？ 三、向量数据库的特点四、常见的向量数据库产品 FAISS 支持的索引类型 vs 相似度五、常见向量相似度方法对比六、应该用哪种七、向量数据库的核心逻辑 🔍 示例任务：…...

编程日记 2025/6/28 22:53:12

鸿蒙OSUniApp 开发实时聊天页面的最佳实践与实现#三方框架 #Uniapp

使用 UniApp 开发实时聊天页面的最佳实践与实现在移动应用开发领域，实时聊天功能已经成为许多应用不可或缺的组成部分。本文将深入探讨如何使用 UniApp 框架开发一个功能完善的实时聊天页面，从布局设计到核心逻辑实现，带领大家一步步打造专…...

编程日记 2025/6/29 0:03:57

React构建组件

React构建组件 React 组件构建方式详解 React 组件的构建方式随着版本迭代不断演进，目前主要有函数组件和类组件两种核心模式，并衍生出多种高级组件设计模式。以下是完整的构建方式指南： 文章目录 React构建组件React 组件构建方式详解…...

编程日记 2025/6/29 0:23:47

auto.js面试题及答案

以下是常见的 Auto.js 面试题及参考答案，涵盖基础知识、脚本编写、运行机制、权限、安全等方面，适合开发岗位的技术面试准备： 一、基础类问题什么是 Auto.js？它的主要用途是什么？ 答案： Auto.js 是一个…...

编程日记 2025/6/28 22:53:14

OPC UA + ABP vNext 企业级实战：高可用数据采集框架指南

🚀📊 OPC UA ABP vNext 企业级实战：高可用数据采集框架指南 🚀 📑 目录 🚀📊 OPC UA ABP vNext 企业级实战：高可用数据采集框架指南 🚀一、前言 🎯二、系统…...

编程日记 2025/6/28 22:54:44

【springcloud学习(dalston.sr1)】Ribbon负载均衡（七）

该系列项目整体介绍及源代码请参照前面写的一篇文章【springcloud学习(dalston.sr1)】项目整体介绍（含源代码）（一） （一）Ribbon 负载均衡的理解 ribbon是一种客户端的负载均衡。类似于比如我们在火车站窗口…...

编程日记 2025/6/28 22:53:15

编程题 03-树1 树的同构【PAT】

文章目录题目输入格式输出格式输入样例1（对应图一）输出样例1输入样例2（对应图二）输出样例2 题解解题思路完整代码编程练习题目集目录题目给定两棵树 T 1 T_1 T1 和 T 2 T_2 T2 。如果 T 1 T_1 T1 可以通过若干次左右…...

编程日记 2025/6/29 0:56:02

团结引擎开源车模 Sample 发布：光照渲染优化动态交互全面体验升级

光照、材质与交互效果的精细控制，通常意味着复杂的技术挑战，但借助 Shader Graph 14.1.0(已内置在团结引擎官方 1.5.0 版本中)，这一切都变得简单易用。通过最新团结引擎官方车模 Sample，开发者能切身感受到全新光照优化与编辑功能…...

编程日记 2025/6/28 23:06:54

Chrome安装最新vue-devtool插件

本vue-devtool版本是官方的 v7.6.8版本，兼容性好、功能齐全且稳定。操作步骤： 方法一： 打开谷歌浏览器 --> 右上角三个点 --> 扩展程序 --> 管理扩展程序 --> 加载已解压的扩展程序， 然后选择解压后的文件夹即可。…...

编程日记 2025/6/29 1:20:25

鸿蒙OSUniApp打造多功能图表展示组件 #三方框架 #Uniapp

使用UniApp打造多功能图表展示组件在当前移动应用开发领域，数据可视化已成为不可或缺的一部分。无论是展示销售数据、用户增长趋势还是其他业务指标，一个优秀的图表组件都能有效提升用户体验。UniApp作为一款跨平台开发框架，如何在其中实现…...

编程日记 2025/6/29 1:06:46

相关文章：