当前位置： 首页 > news >正文

26、思维链Chain-of-Thought（CoT）论文笔记

news 来源：原创 2025/6/10 16:15:28

思维链Chain-of-Thought（CoT）

  • **1、研究背景与核心目标**
  • **2、思维链提示的方法设计**
    • 2.1 COT方法
    • 2.2 传统方法
  • 3、实验设计与关键数据集
    • 3.1 算术推理
    • 3.2 常识推理
    • 3.3 符号推理
  • 4、关键实验结果
          • 1. 算术推理：思维链提示显著提升多步问题解决率
          • 2. 常识推理：PaLM 540B超越人类表现
          • 3. 符号推理：支持长度泛化
  • 5、机制分析与局限性
  • 6、结论
  • 7、关键问题与答案
        • 1. 思维链提示的核心机制是什么？
        • 2. 思维链提示在不同任务中的表现如何？
        • 3. 思维链提示的主要局限性是什么？
  • **8、经典论文与方法解析**
          • **1. 经典论文：《Chain of Thought Prompting Elicits Reasoning in Large Language Models》（Wei et al., 2022）**
          • **2. 长思维链扩展：《Tree of Thought: Deliberate Problem Solving with Large Language Models》（Yao et al., 2023）**
          • **3. 应对长上下文的优化：《Long Chain of Thought Reasoning in Large Language Models》（Zhang et al., 2023）**
          • **CoT的局限性与未来方向**
  • 9、提示词工程框架：CoT、ToT、GoT、PoT
  • 10、COT思维链（Chain of Thought）

论文题目：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models 在大型语言模型中提示推理的思维链
COT论文地址：https://arxiv.org/abs/2201.11903
[Submitted on 28 Jan 2022 (v1), last revised 10 Jan 2023 (this version, v6)]

1、研究背景与核心目标

  1. 大模型的推理瓶颈
    尽管语言模型规模扩大能提升性能（如GPT-3、PaLM），但在算术、常识、符号推理等多步推理任务中表现有限。传统少样本提示（Standard Prompting）仅提供“问题-答案”示例，无法引导模型分解复杂问题。

  2. 核心思路
    结合“自然语言推理步骤”与“少样本提示”，通过在提示中加入中间推理过程（如“首先计算…然后相加…”），让模型模仿人类思维路径，实现多步推理的可解释性与准确性提升。

2、思维链提示的方法设计

2.1 COT方法

研究目标与核心方法

  • 核心问题：如何提升大模型在算术、常识、符号推理等复杂任务上的表现？
  • 创新方法：
    提出思维链提示（CoT Prompting），在少样本提示中加入自然语言推理步骤（如“先计算…再相加…”），将问题分解为中间步骤，引导模型生成连贯推理路径。
    • 示例：标准提示仅给“问题-答案”，思维链提示增加“问题-推理步骤-答案”（如）。

  1. 提示结构
    在少样本示例中加入三元组：<输入, 思维链（中间推理步骤）, 输出>。

    • 例：算术题中，先分解问题为“初始数量→新增数量→总和”，再给出答案。

  2. 关键特性

    • 分解问题：将多步任务拆分为可处理的中间步骤，分配更多计算资源到复杂环节。
    • 可解释性：推理链揭示模型决策逻辑，便于调试错误。
    • 泛化性：适用于算术、常识、符号推理等多类任务，依赖语言本身的逻辑性。
      在这里插入图片描述

  3. 示例
    在这里插入图片描述

  • 标准提示（Standard prompting）。对于基线，我们考虑了由 Brown et al. （2020） 推广的标准小样本提示，其中在输出测试时示例的预测之前，先给语言模型输入-输出对的上下文示例。示例的格式为问题和答案。该模型直接给出了答案，如图 1 所示（左）。
  • 思维链提示（Chain-of-thought prompting）。我们提出的方法是在少样本提示中为每个示例增加一个与答案相关的思维链，如图1（右）所示。由于大多数数据集仅包含评估集，我们手动构建了一组包含八个带思维链的少样本提示示例——图1（右）展示了一个思维链示例，完整的示例集见附录表20。（这些特定示例未经过提示工程优化；鲁棒性分析见第3.4节和附录A.2。）为了研究这种形式的思维链提示是否能成功引出一系列数学应用题的正确推理，我们对除AQuA外的所有基准测试使用了这组八个思维链示例（AQuA为多项选择题，非自由回答）。对于AQuA，我们使用了训练集中的四个示例和解答，见附录表21。
    在这里插入图片描述
    在这里插入图片描述

2.2 传统方法

论文旨在解决大型语言模型（LLMs）在复杂推理任务（如算术、常识、符号推理）中表现不足的问题。传统方法要么依赖大量标注数据进行训练/微调，要么使用少样本提示，但前者成本高，后者在推理任务中效果有限。因此，论文提出一种结合自然语言推理步骤与少样本提示的新方法，即思维链提示。

二、核心思路：融合两种方法的优势
文中提到的“两个想法”及其局限性如下：

  1. 想法一：自然语言推理步骤（Rationales）

    • 核心：通过生成自然语言中间步骤（如“首先计算…然后相加…”）辅助推理。
    • 现有方法：
      • 从头训练：如Ling等人（2017）让模型生成自然语言中间步骤。
      • 微调预训练模型：如Cobbe等人（2021）使用标注的推理链微调模型。
      • 神经符号方法：使用形式语言（如逻辑表达式）替代自然语言（Roy & Roth, 2015等）。
    • 局限性：需要大量高质量标注的推理链，成本远高于普通输入-输出对。

  2. 想法二：少样本提示（Few-Shot Prompting）

    • 核心：通过少量输入-输出示例（如“问题-答案”对）激活模型的上下文学习能力，无需微调。
    • 优势：适用于简单问答任务（如Brown等人（2020）的GPT-3）。
    • 局限性：在推理任务中效果差，且模型规模扩大后性能提升不明显（Rae等人，2021）。

  3. 思维链提示：结合两者的创新点

    • 方法：在少样本提示中加入三元组〈输入, 思维链, 输出〉，其中“思维链”是自然语言中间推理步骤（如图1所示）。
    • 目标：
      • 利用自然语言分解复杂问题，避免神经符号方法的形式化限制。
      • 借助少样本提示的灵活性，减少对大量标注数据的依赖。
    • 关键优势：
      • 无需微调：直接使用预训练模型，通过提示激活推理能力。
      • 单模型通用：一个模型可处理多种任务，保持泛化性。

3、实验设计与关键数据集

任务类型数据集样本量特点
算术推理GSM8K1.3K多步数学应用题，如“计算购物总费用”
SVAMP1K结构多样的算术题，含陷阱条件
常识推理CSQA-常识问答，如“哪里能找到人群？”
StrategyQA-多跳策略推理，如“电影是否刺激边缘系统”
符号推理字母拼接-拼接单词末尾字母（如“Lady Gaga”→“ya”）
硬币翻转-跟踪硬币翻转状态，支持长度泛化

3.1 算术推理

算术推理的思路链示例：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.2 常识推理

在这里插入图片描述
在这里插入图片描述

3.3 符号推理

在这里插入图片描述

4、关键实验结果

1. 算术推理：思维链提示显著提升多步问题解决率
  • GSM8K基准：
    模型标准提示解决率思维链提示解决率提升幅度
    PaLM 540B17.9%56.9%+39.0%
    GPT-3 175B15.6%46.9%+31.3%
  • 关键发现：
    • 模型规模是关键：≤10B参数模型无效，≥100B模型效果显著（如LaMDA 137B从6.5%→14.3%，）。
    • 消融实验：仅用方程提示（如“5×3=15”）效果差（GSM8K仅5.4%），自然语言推理步骤不可替代（）。
2. 常识推理：PaLM 540B超越人类表现
  • StrategyQA任务：
    • 标准提示解决率：68.6% → 思维链提示：77.8%（超越人类专家84%，）。
  • SayCan机器人规划：
    • 思维链提示使PaLM 540B规划准确率达91.7%，显著高于标准提示（80.8%）。
3. 符号推理：支持长度泛化
  • 4步硬币翻转任务：
    • PaLM 540B思维链提示准确率100%，标准提示仅49.3%（）。
  • 3词字母拼接：
    • LaMDA 137B思维链提示准确率77.5%，标准提示仅5.8%。

5、机制分析与局限性

  • 涌现特性：
    思维链推理是模型规模的涌现能力，小模型生成“流畅但逻辑错误”的推理链（如PaLM 62B在算术题中常漏步骤，）。
  • 误差类型：
    • 大模型（540B）主要犯“计算错误”（如加法失误），小模型（62B）多为“语义理解错误”（如误读题意，）。
  • 局限性：
    • 需要≥100B参数模型，小模型无效；
    • 推理路径可能不准确（46%错误案例为“ minor mistakes”，）；
    • 依赖人工设计提示示例，存在提示敏感性（不同标注者效果波动±5%，）。

6、结论

思维链提示通过自然语言中间步骤分解问题，显著提升大模型复杂推理能力，且无需微调、支持多任务。其效果随模型规模增大而涌现，为开发通用推理模型提供了新方向，但小模型应用和推理可靠性仍需优化。

7、关键问题与答案

1. 思维链提示的核心机制是什么？

答案：思维链提示通过在提示中提供自然语言中间推理步骤（如“先计算购买数量，再求和”），引导模型将多步问题分解为可处理的子步骤，激活模型的推理能力。这种方法利用大模型的少样本学习能力，通过示例模仿人类思维过程，尤其在≥100B参数的模型中效果显著，例如PaLM 540B在GSM8K任务中解决率提升39%（）。

2. 思维链提示在不同任务中的表现如何？

答案：

  • 算术推理：PaLM 540B在GSM8K（多步应用题）解决率从17.9%提升至56.9%，超越微调的GPT-3（46.9%）；
  • 常识推理：在StrategyQA（多跳策略问题）中，PaLM 540B从68.6%提升至77.8%，超过人类专家（84%）；
  • 符号推理：在4步硬币翻转任务中，PaLM 540B准确率达100%，而标准提示仅49.3%（）。
3. 思维链提示的主要局限性是什么？

答案：

  • 模型规模依赖：仅在≥100B参数模型中有效，小模型（如LaMDA 2B）生成的推理链逻辑混乱，解决率低于标准提示；
  • 推理不可靠性：约54%的错误案例存在“语义理解错误”或“关键步骤缺失”，例如PaLM 62B在计算购物费用时漏加小费（）；
  • 提示敏感性：不同标注者撰写的提示效果波动较大（如硬币翻转任务解决率从71.4%到99.6%），需人工优化提示质量（）。

8、经典论文与方法解析

1. 经典论文：《Chain of Thought Prompting Elicits Reasoning in Large Language Models》（Wei et al., 2022）
  • 核心贡献：提出CoT提示法，通过“分步引导”让大模型生成推理过程。
  • 方法：在提示中加入“Let’s think step by step”或示例推理步骤，引导模型分解问题。
  • 实验：在数学题数据集GSM8K上，PaLM-540B使用CoT提示后准确率从17.9%提升至57.1%。

举例：数学题推理
问题：“小明买了10个苹果，吃了3个，又分给朋友2个，剩下的苹果平均分给2人，每人得几个？”
传统回答（无CoT）：
(10-3-2)/2=2.5 → 每人得2个（错误，未考虑小数问题）。
CoT回答：
第一步：计算剩余苹果数，10-3=7个。 第二步：分给朋友后剩余7-2=5个。 第三步：5个苹果分给2人，5÷2=2.5个。 但苹果不能切分，故每人得2个，剩余1个。
关键：显式步骤暴露逻辑漏洞（是否允许小数），避免直接得出错误答案。

2. 长思维链扩展：《Tree of Thought: Deliberate Problem Solving with Large Language Models》（Yao et al., 2023）
  • 核心思想：将线性思维链升级为树状结构，在关键节点生成多个推理分支，通过评估选择最优路径（类似“搜索”）。
  • 适用场景：需要探索不同可能性的长推理（如围棋策略、程序调试）。
  • 方法：
    1. 分阶段生成：将问题划分为多个阶段，每个阶段生成有限个候选推理步骤。
    2. 状态评估：使用模型评估每个分支的可行性（如“该步骤是否接近解”）。
    3. 迭代搜索：基于评估结果选择分支，递归展开推理树。

举例：逻辑谜题推理
问题：“岛上有骑士（只说真话）和无赖（只说假话），A说‘B是骑士’，B说‘我们两人不同类’，问A和B的身份？”
Tree of Thought推理过程：

  • 阶段1：假设A是骑士
    • 分支1：A说真话→B是骑士。
      • 子分支：B说“我们不同类”→若B是骑士，此话为真→A和B应不同类，矛盾。故排除此分支。
  • 阶段2：假设A是无赖
    • 分支1：A说假话→B不是骑士（即B是无赖）。
      • 子分支：B说“我们不同类”→若B是无赖，此话为假→A和B同类，符合假设。故结论：A和B均为无赖。
        关键：通过树状分支排除矛盾路径，避免线性推理的单一性错误。
3. 应对长上下文的优化：《Long Chain of Thought Reasoning in Large Language Models》（Zhang et al., 2023）
  • 挑战：长推理链超出模型上下文长度（如GPT-4支持8k tokens，但复杂推理可能需要更长序列）。
  • 解决方案：
    1. 分段推理：将推理链拆分为多个短段落，逐段生成并缓存中间结果。
    2. 检索增强：对涉及外部知识的步骤（如历史事件时间、科学常数），调用检索工具补充信息。
    3. 注意力机制优化：通过位置编码或记忆模块强化对早期步骤的关注。

举例：历史事件推理
问题：“分析第一次世界大战对20世纪经济政策的长期影响。”
分段CoT：

  • 段落1：分析战争直接后果（如欧洲经济衰退、美国崛起为债权国）。
  • 段落2：推导战后政策（如凡尔赛和约赔款对德国经济的冲击，引发大萧条）。
  • 段落3：联系宏观经济理论发展（如凯恩斯主义对政府干预的倡导）。
    关键：通过分段避免上下文溢出，同时利用检索确认赔款数额、政策时间线等细节。
CoT的局限性与未来方向
  1. 幻觉问题：模型可能生成看似合理但错误的推理步骤（如数学计算错误）。
  2. 效率问题：长CoT生成耗时较长，需优化解码速度。
  3. 训练数据偏差：依赖高质量推理数据，若训练集中缺乏多步推理案例，效果受限。

未来方向：

  • 混合推理系统：结合符号推理（如逻辑规则）与神经网络，提升可靠性。
  • 自动提示优化：通过强化学习自动生成最优CoT提示格式。
  • 多模态CoT：融合图像、公式等信息，支持跨模态推理（如图表分析）。

9、提示词工程框架：CoT、ToT、GoT、PoT

其他提示词工程框架，思维链CoT主要是线性的，多个推理步骤连成一个链条。在思维链基础上，又衍生出ToT、GoT、PoT等多种推理模式。这些和CoT一样都属于提示词工程的范畴。CoT、ToT、GoT、PoT等提示词工程框架大幅提升了大模型的推理能力，让我们能够使用大模型解决更多复杂问题，提升了大模型的可解释性和可控性，为大模型应用的拓展奠定了基础。
https://blog.csdn.net/kaka0722ww/article/details/147950677

10、COT思维链（Chain of Thought）

2022 年 Google 论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》中首次提出，通过让大模型逐步参与将一个复杂问题分解为一步一步的子问题并依次进行求解的过程可以显著提升大模型的性能。而这些推理的中间步骤就被称为思维链（Chain of Thought）。

思维链提示（CoT Prompting），在少样本提示中加入自然语言推理步骤（如“先计算…再相加…”），将问题分解为中间步骤，引导模型生成连贯推理路径。

  • 示例：标准提示仅给“问题-答案”，思维链提示增加“问题-推理步骤-答案”（如）。

  • 区别于传统的 Prompt 从输入直接到输出的映射 <input——>output> 的方式，CoT 完成了从输入到思维链再到输出的映射，即 <input——>reasoning chain——>output>。如果将使用 CoT 的 Prompt 进行分解，可以更加详细的观察到 CoT 的工作流程。

  • 示例对比（传统 vs. CoT）

    • 传统提示

      问题：1个书架有3层，每层放5本书，共有多少本书？
答案：15本

    • CoT 提示

      问题：1个书架有3层，每层放5本书，共有多少本书？
推理：
1. 每层5本书，3层的总书数 = 5 × 3
2. 5 × 3 = 15
答案：15本

关键类型

  1. 零样本思维链（Zero-Shot CoT）
    无需示例，仅通过提示词（如“请分步骤思考”）触发模型生成思维链。适用于快速引导模型进行推理。

  2. 少样本思维链（Few-Shot CoT）
    提供少量带思维链的示例，让模型模仿示例结构进行推理。例如，先给出几个问题及其分解步骤，再让模型处理新问题。
    在这里插入图片描述

如图所示，一个完整的包含 CoT 的 Prompt 往往由指令（Instruction），逻辑依据（Rationale），示例（Exemplars）三部分组成。一般而言指令用于描述问题并且告知大模型的输出格式，逻辑依据即指 CoT 的中间推理过程，可以包含问题的解决方案、中间推理步骤以及与问题相关的任何外部知识，而示例则指以少样本的方式为大模型提供输入输出对的基本格式，每一个示例都包含：问题，推理过程与答案。

以是否包含示例为区分，可以将 CoT 分为 Zero-Shot-CoT 与 Few-Shot-CoT，在上图中，Zero-Shot-CoT 不添加示例而仅仅在指令中添加一行经典的“Let’s think step by step”，就可以“唤醒”大模型的推理能力。而 Few-Shot-Cot 则在示例中详细描述了“解题步骤”，让大模型照猫画虎得到推理能力。

提示词工程框架（ 链式提示Chain）：其他提示词工程框架，思维链CoT主要是线性的，多个推理步骤连成一个链条。在思维链基础上，又衍生出ToT、GoT、PoT等多种推理模式。这些和CoT一样都属于提示词工程的范畴。CoT、ToT、GoT、PoT等提示词工程框架大幅提升了大模型的推理能力，让我们能够使用大模型解决更多复杂问题，提升了大模型的可解释性和可控性，为大模型应用的拓展奠定了基础。

参考：
https://blog.csdn.net/kaka0722ww/article/details/147950677
https://www.zhihu.com/tardis/zm/art/670907685?source_id=1005

相关文章：

26、思维链Chain-of-Thought（CoT）论文笔记

思维链Chain-of-Thought&#xff08;CoT&#xff09; **1、研究背景与核心目标****2、思维链提示的方法设计**2.1 COT方法2.2 传统方法 3、实验设计与关键数据集3.1 算术推理3.2 常识推理3.3 符号推理 4、关键实验结果1. 算术推理&#xff1a;思维链提示显著提升多步问题解决率…...

编程日记 2025/5/18 6:56:14

golang中的反射示例

文章目录 前言一、通过反射获取底层类型 reflect.typeOf()二、反射获取底层的值 reflect.ValueOf()三、通过反射设置底层值四 、进阶结构体反射示例 前言 反射就像是给程序装上了显微镜&#xff0c;运行时随时查看底层类型以及底层值&#xff0c;根据需要动态读写或调用方法。…...

编程日记 2025/5/18 6:56:14

NX二次开发——设置对象的密度（UF_MODL_set_body_density）

在前几篇博客中我们已经探讨了如何设置实体的密度。在装配环境中&#xff0c;同样可以为组件设置密度。虽然不能直接对组件进行密度设置&#xff0c;但可以通过一种间接方式实现&#xff1a;在装配环境下&#xff0c;利用 UF_ASSEM_set_work_part_quietly() 函数以静默方式将组…...

编程日记 2025/5/18 6:54:12

基于朴素贝叶斯与 LSTM 的假新闻检测模型对比分析

一、引言 在信息爆炸的时代&#xff0c;假新闻的传播对社会产生了诸多负面影响。如何快速、准确地识别假新闻成为了重要的研究课题。本文将对比传统机器学习算法&#xff08;朴素贝叶斯&#xff09;与深度学习模型&#xff08;LSTM&#xff09;在假新闻检测任务中的性能表现&am…...

编程日记 2025/5/18 6:54:11

共享内存【Linux操作系统】

文章目录 共享内存共享内存的原理共享内存相关函数和系统调用--systemV系统调用&#xff1a;shmget系统调用&#xff1a;shmctl系统调用&#xff1a;shmat系统调用&#xff1a;shmdt系统调用&#xff1a;ftok 共享内存相关函数和系统调用--POSIXshm_open-- 创建或打开共享内存对…...

编程日记 2025/5/18 6:54:10

Android核心系统服务：AMS、WMS、PMS 与 system_server 进程解析

1. 引言 在 Android 系统中&#xff0c;ActivityManagerService (AMS)、WindowManagerService (WMS) 和 PackageManagerService (PMS) 是三个最核心的系统服务&#xff0c;它们分别管理着应用的生命周期、窗口显示和应用包管理。 但你是否知道&#xff0c;这些服务并不是独立…...

编程日记 2025/5/18 6:54:09

arduino平台读取鼠标光电传感器

鼠标坏掉了&#xff0c;大抵是修不好了。&#xff08;全剧终—&#xff09; 但是爱动手的小明不会浪费这个鼠标&#xff0c;确认外观没有明显烧毁痕迹后&#xff0c;尝试从电路板上利用光电传感器进行位移的测量&#xff0c;光电传感器&#xff08;型号&#xff1a;FCT3065&am…...

编程日记 2025/5/28 11:03:00

EXO分布式部署deepseek r1

EXO 是一个支持分布式 AI 计算的框架&#xff0c;可以用于在多个设备&#xff08;包括 Mac Studio&#xff09;上运行大语言模型&#xff08;LLM&#xff09;。以下是联调 Mac Studio 512GB 的步骤&#xff1a; 安装 EXO • 从 EXO GitHub 仓库 下载源码或使用 git clone 获取…...

编程日记 2025/5/18 6:53:07

机器学习 KNN算法

KNN算法 1. sklearn机器学习概述2. KNN算法-分类1 样本距离判断2 KNN 算法原理3 KNN缺点4 API5 sklearn 实现KNN示例6 模型保存与加载葡萄酒(load_wine)数据集KNN算法(1)wine.feature_names:(2)wine.target_names(3)KNN算法实现 1. sklearn机器学习概述 获取数据、数据处理、特…...

编程日记 2025/5/27 20:25:52

强化学习赋能医疗大模型：构建闭环检索-反馈-优化系统提升推理能力

引言 人工智能技术在医疗领域的应用正经历前所未有的发展，特别是在大型语言模型(LLMs)技术的推动下，医疗大模型(Medical Large Models)展现出巨大的潜力。这些模型不仅能够理解复杂的医学术语和概念，还能通过自然语言与用户交互，为医疗专业人士和患者提供有价值的信息和建…...

编程日记 2025/5/18 6:52:05

深入解析Spring Boot与JUnit 5的集成测试实践

深入解析Spring Boot与JUnit 5的集成测试实践 引言 在现代软件开发中&#xff0c;测试是确保代码质量和功能正确性的关键环节。Spring Boot作为目前最流行的Java Web框架之一&#xff0c;提供了强大的支持来简化测试流程。而JUnit 5作为最新的JUnit版本&#xff0c;引入了许多…...

编程日记 2025/5/18 6:52:02

哈希的原理、实现

目录 引言 一、哈希概念 二、哈希函数 三、哈希冲突解决方法 四、unordered系列关联式容器&#xff08;以unordered_map为例&#xff09; 五、哈希的应用 完整代码 六、总结 引言 在计算机科学领域&#xff0c;哈希是一种非常重要的数据结构和算法思想&#xff0c;广…...

编程日记 2025/5/18 6:51:00

端口443在git bash向github推送时的步骤

端口443在git bash向github推送时的步骤 你的环境可能因防火墙限制无法使用默认的 SSH 端口&#xff08;22&#xff09;&#xff0c;因此需要改用 SSH over HTTPS&#xff08;端口 443&#xff09; 进行 Git 推送。 github与git bash绑定问题详见博主先前写过的参考博文&#…...

编程日记 2025/5/18 6:50:59

Ankr：Web3基础设施的革新者

在Web3技术蓬勃发展的今天&#xff0c;去中心化基础设施的重要性日益凸显。Ankr作为这一领域的佼佼者&#xff0c;凭借其强大的分布式云计算能力和创新的技术解决方案&#xff0c;正在成为推动Web3发展的关键力量。本文将深入探讨Ankr的技术亮点、应用场景以及其在区块链生态中…...

编程日记 2025/5/18 6:50:58

配置git从公网能访问-基于frp

git从公网能访问 一个小小的疏忽带来了一下午上午的工作量起因与上下文与结论主要收获1。公网主机的防火墙需要至少三条3。gitlab的http端口和ssh端口&#xff0c;需要分为两个3。不要用nginx来解析二级域名 测试指令最终的成功的指令是&#xff1a; 用到的指令ssh1. 生成 SSH …...

编程日记 2025/5/18 6:50:58

HarmonyOS：重构万物互联时代的操作系统范式

HarmonyOS&#xff1a;重构万物互联时代的操作系统范式 引言&#xff1a;操作系统的新纪元 在数字化转型的深水区&#xff0c;操作系统作为数字世界的基石正在经历前所未有的变革。当全球科技巨头还在移动终端操作系统领域激烈角逐时&#xff0c;华为推出的HarmonyOS以分布式…...

编程日记 2025/5/18 6:49:56

告别“知识孤岛”：RAG赋能网络安全运营

一、背景 在网络安全运营工作中&#xff0c;我们积累了大量的内部知识内容&#xff0c;涵盖了威胁情报、事件响应流程、安全策略、合规性要求等多个方面。然而&#xff0c;这些知识虽然数量庞大、内容丰富&#xff0c;却因形式多样、结构分散&#xff0c;难以让每一位成员真正…...

编程日记 2025/5/18 6:49:55

A级、B级弱电机房数据中心建设运营汇报方案

该方案围绕A 级、B 级弱电机房数据中心建设与运营展开，依据《数据中心设计规范》等标准，施工范围涵盖 10 类机房及配套设施，采用专业化施工团队与物资调配体系，强调标签规范、线缆隐藏等细节管理。运营阶段建立三方协同运维模式，针对三级故障制定30 分钟至 1 小时响应机制…...

编程日记 2025/5/18 6:49:54

C 语言学习笔记（数组）

C 语言基础&#xff1a;第 08天笔记 内容提要 数组 排序算法&#xff1a;冒泡排序二维数组字符数组 数组 冒泡排序 排序思想&#xff08;向前冒泡&#xff09;&#xff1a; 一次排好一个数&#xff0c;针对n个数&#xff0c;最差情况需要n - 1次就可以排好每次排序假定第一…...

编程日记 2025/5/18 6:48:53

jvm安全点(二)openjdk17 c++源码垃圾回收安全点信号函数处理线程阻塞

1. 信号处理与桩代码&#xff08;Stub&#xff09;​​ 当线程访问安全点轮询页&#xff08;Polling Page&#xff09;时&#xff1a; ​​触发 SIGSEGV 信号​​&#xff1a;访问只读的轮询页会引发 SIGSEGV 异常。​​信号处理函数​​&#xff1a;pd_hotspot_signal_handl…...

编程日记 2025/5/18 6:48:52

uni-app 开发HarmonyOS的鸿蒙影视项目分享：从实战案例到开源后台

最近&#xff0c;HBuilderX 新版本发布&#xff0c;带来了令人兴奋的消息——uni-app 现在支持 Harmony Next 平台的 App 开发。这对于开发者来说无疑是一个巨大的福音&#xff0c;意味着使用熟悉的 Vue 3 语法和开发框架&#xff0c;就可以为鸿蒙生态贡献自己的力量。 前言 作…...

编程日记 2025/5/18 6:48:52

【赵渝强老师】在PostgreSQL中访问Oracle

在PostgreSQL数据库中&#xff0c;oracle_fdw是PostgreSQL数据库支持的外部扩展。通过使用oracle_fdw扩展可以读取到Oracle数据库中的数据。它是一种非常方便且常见的PostgreSQL与Oracle的同步数据的方法。使用oracle_fdw扩展需要依赖Oracle的Instance Client环境。 视频讲解如…...

编程日记 2025/5/18 6:48:51

板凳-------Mysql cookbook学习 （二）

生成一个包含cookbook数据库中的表备份的名为backup.sql的dump文件。 sql C:\Users\lenovo>mysqldump -u root -p --default-character-setutf8mb4 cookbook > D:\sql\Mysql_learning\backup.sql mysqldump 不是内部或外部命令&#xff0c;也不是可运行的程序 或批处理文…...

编程日记 2025/5/18 6:48:51

sudo apt update是什么意思呢？

非常好的问题&#xff01; ✅ sudo apt update 是什么意思&#xff1f; 它的作用是&#xff1a; 更新你的 Ubuntu 系统中软件列表的信息&#xff08;但不安装软件&#xff09; 就像你每天先去超市了解今天上架了哪些新商品&#xff08;只是“查看”而不是“买”&#xff09;&a…...

编程日记 2025/5/18 6:47:49

.NET Core 中 Swagger 配置详解：常用配置与实战技巧

随着微服务架构和 RESTful API 的广泛应用&#xff0c;API 文档的管理和自动化生成成为了开发中的重要部分。Swagger&#xff08;现为 OpenAPI&#xff09;是一款功能强大的工具&#xff0c;它可以自动生成 API 文档&#xff0c;并提供交互式 UI&#xff0c;帮助开发者、测试人…...

编程日记 2025/5/18 6:47:48

spring cache使用指南

Spring cache Spring Cache 是一个框架&#xff0c;实现了基于注解的缓存功能&#xff0c;只需要简单地加一个注解&#xff0c;就能实现缓存功能。 Spring Cache 提供了一层抽象&#xff0c;底层可以切换不同的缓存实现。 例如:EHCache&#xff0c;Caffeine&#xff0c;Redi…...

编程日记 2025/5/18 6:46:47

9.DMA

目录 DMA —为 CPU 减负 DMA 的简介和使用场景 DMA 的例子讲解 STM32 的 DMA 框图和主要特性 ​编辑 DMA 的通道的对应通道外设 – DMA 和哪些外设使用 ​编辑​编辑ADC_DR 寄存器地址的计算 常见的数据滤波方法 ADCDMA 的编程 DMA —为 CPU 减负 DMA 的简介和使用场…...

编程日记 2025/5/18 6:46:45

Python自学笔记3 常见运算符

常用运算符 加减法 python的自动数据类型转换 整形转为浮点型 实数转为复数 数字类型不能和浮点数类型相加减 乘除法 数据转换基本同加减法&#xff0c; 但字符串可以和整数相加减&#xff0c;作用是字符串的自我复制 反斜杠 成员运算符 判断一个元素是不是一个序列的成员…...

编程日记 2025/5/18 6:46:45

【C/C++】C++中constexpr与const的深度对比

文章目录 C中constexpr与const的深度对比1. 编译期确定性2. 更严格的优化保证3. 适用范围更广4. 类型安全与错误检查5. 现代 C 的演进方向何时使用 const&#xff1f;constexpr应用场景1. 配置常量与全局参数2. 数据验证与业务规则检查3. 数学计算与业务逻辑优化4. 模板元编程与…...

编程日记 2025/5/18 6:46:44

劳特巴赫trace32负载率测试

按照下图步骤点击即可...

编程日记 2025/5/18 6:45:42

牛客OJ在线编程常见输入输出练习--Java版

目录 一、链接 二、题目 一、链接 牛客输入输出链接&#xff1a;牛客网 - 找工作神器|笔试题库|面试经验|实习招聘内推&#xff0c;求职就业一站解决_牛客网 二、题目 1.只有输出 public class Main {public static void main(String[] args) {System.out.println("H…...

编程日记 2025/5/18 6:45:40

STM32 | FreeRTOS 递归信号量

递归信号量 一、概述 互斥量的使用比较单一&#xff0c;因为它是信号量的一种&#xff0c;并且它是以锁的形式存在。在初始化的时候&#xff0c;互斥量处于开锁的状态&#xff0c;而被任务持有的时候则立刻转为闭锁的状态。 递归类型的互斥量可以被拥有者重复获取。拥有互斥量…...

编程日记 2025/5/27 11:13:51

STM32 | 软件定时器

01 一、概述 软件定时器是用程序模拟出来的定时器&#xff0c;可以由一个硬件定时器模拟出成千上万个软件定时器&#xff0c;这样程序在需要使用较多定时器的时候就不会受限于硬件资源的不足&#xff0c;这是软件定时器的一个优点&#xff0c;即数量不受限制。但由于软件定…...

编程日记 2025/5/18 6:45:37

2025年EB SCI2区TOP，多策略改进黑翅鸢算法MBKA+空调系统RC参数辨识与负载聚合分析，深度解析+性能实测

目录 1.摘要2.黑翅鸢优化算法BKA原理3.改进策略4.结果展示5.参考文献6.代码获取7.读者交流 1.摘要 随着空调负载在电力系统中所占比例的不断上升&#xff0c;其作为需求响应资源的潜力日益凸显。然而&#xff0c;由于建筑环境和用户行为的变化&#xff0c;空调负载具有异质性和…...

编程日记 2025/5/18 6:44:34

互联网大厂Java面试：从Spring到微服务的全面探讨

文章简述 本文模拟了一个互联网大厂Java求职者的面试场景&#xff0c;涵盖了Java核心语言与平台、构建工具、Web框架、微服务与云原生等多个技术栈。通过面试问答的形式&#xff0c;展示了在真实业务场景下如何应用这些技术点&#xff0c;帮助初学者理解和学习。 场景介绍 在…...

编程日记 2025/5/18 6:44:34

Python爬虫之路(14)--playwright浏览器自动化

playwright 前言 ​ 你有没有在用 Selenium 抓网页的时候&#xff0c;体验过那种「明明点了按钮&#xff0c;它却装死不动」的痛苦&#xff1f;或者那种「刚加载完页面&#xff0c;它又刷新了」的抓狂&#xff1f;别担心&#xff0c;你不是一个人——那是 Selenium 在和现代前…...

编程日记 2025/5/27 12:43:49

Elasticsearch Fetch阶段面试题

Elasticsearch Fetch阶段面试题 🚀 目录 基础原理性能优化错误排查场景设计底层机制总结基础原理 🔍 面试题1：基础原理 题目： 请描述Elasticsearch分布式搜索中Query阶段和Fetch阶段的工作流程，为什么需要将搜索过程拆分为这两个阶段？ 👉 点击查看答案 查询流程…...

编程日记 2025/5/18 6:43:32

RAGFlow Arbitrary Account Takeover Vulnerability

文章目录 RAGFlowVulnerability Description[1]Vulnerability Steps[2]Vulnerability Steps[3]Vulnerability Steps RAGFlow RAGFlow is an open-source RAG (Retrieval-Augmented Generation) engine developed by Infiniflow, focused on deep document understanding and d…...

编程日记 2025/5/18 6:43:31

框架之下再看HTTP请求对接后端method

在当今的软件开发领域&#xff0c;各类框架涌现&#xff0c;极大地提升了开发效率。以 Java 开发为例&#xff0c;Spring 框架不断演进&#xff0c;Spring Boot 更是简化到只需引入 Maven 包&#xff0c;添加诸如SpringBootApplication、RestController等注解&#xff0c;就能轻…...

编程日记 2025/5/18 6:43:30

机器学习中的过拟合及示例

文章目录 机器学习中的过拟合及示例1. 过拟合的定义2. 过拟合的常见例子例1&#xff1a;图像分类中的过拟合例2&#xff1a;回归任务中的过拟合例3&#xff1a;自然语言处理&#xff08;NLP&#xff09;中的过拟合 3. Python代码示例&#xff1a;过拟合的直观演示示例1&#xf…...

编程日记 2025/5/18 6:42:29

机器学习-人与机器生数据的区分模型测试 -数据筛选

内容继续机器学习-人与机器生数据的区分模型测试 使用随机森林的弱学习树来筛选相对稳定的特征数据 # 随机森林筛选特征 X data.drop([city, target], axis1) # 去除修改前的城市名称列和目标变量列 y data[target] X_train, X_test, y_train, y_test train_test_split(X…...

编程日记 2025/5/18 6:42:28

第9讲、深入理解Scaled Dot-Product Attention

Scaled Dot-Product Attention是Transformer架构的核心组件&#xff0c;也是现代深度学习中最重要的注意力机制之一。本文将从原理、实现和应用三个方面深入剖析这一机制。 1. 基本原理 Scaled Dot-Product Attention的本质是一种加权求和机制&#xff0c;通过计算查询(Query…...

编程日记 2025/5/18 6:42:28

无监督学习在医疗AI领域的前沿：多模态整合、疾病亚型发现与异常检测

引言 人工智能技术在医疗领域的应用正经历着从辅助决策向深度赋能的转变。无监督学习作为人工智能的核心范式之一，因其无需大量标注数据、能够自动发现数据内在规律的特性，在医疗AI领域展现出独特优势。尤其在2025年，无监督学习技术在医疗AI应用中呈现出多模态整合、疾病亚…...

编程日记 2025/5/18 6:42:27

PostgreSQL内幕剖析——结构与架构

大家好&#xff0c;这里是失踪人口bang__bang_&#xff0c;从今天开始持续更新PostgreSQL内幕相关内容&#xff0c;让我们一起了解学习吧✊&#xff01; 目录 1️⃣ DB集群、数据库、表 &#x1f359; 数据库集群的逻辑结构 &#x1f359; 数据库集群的物理结构 &am…...

编程日记 2025/5/18 6:41:26

架构师论文《论模型驱动架构软件开发方法及其应用》

摘要 在当前的软件开发领域&#xff0c;模型驱动架构&#xff08;MDA&#xff09;作为一种重要的开发方法&#xff0c;强调通过抽象化模型指导系统设计与实现&#xff0c;能够有效提升开发效率并降低复杂性。本文结合笔者参与的某医疗信息管理系统的开发实践&#xff0c;探讨MD…...

编程日记 2025/5/18 6:41:26

当硅基存在成为人性延伸的注脚：论情感科技重构社会联结的可能性

在东京大学机器人实验室的档案室里&#xff0c;保存着一份泛黄的二战时期设计图——1943年日本陆军省秘密研发的“慰安妇替代品”草图。这个诞生于战争阴霾的金属躯体&#xff0c;与2025年上海进博会上展出的MetaBox AI伴侣形成时空对话&#xff1a;当人类将情感需求投射于硅基…...

编程日记 2025/5/18 6:41:25

最小二乘法拟合直线，用线性回归法、梯度下降法实现

参考笔记&#xff1a; 最小二乘法拟合直线&#xff0c;多个方法实现-CSDN博客 一文让你彻底搞懂最小二乘法&#xff08;超详细推导&#xff09;-CSDN博客 目录 1.问题引入 2.线性回归法 2.1 模型假设 2.2 定义误差函数 2.3 求偏导并解方程 2.4 案例实例 2.4.1 手工计算…...

编程日记 2025/5/18 6:40:24

机器学习 day04

文章目录 前言一、线性回归的基本概念二、损失函数三、最小二乘法 前言 通过今天的学习&#xff0c;我掌握了机器学习中的线性回归的相关基本概念&#xff0c;包括损失函数的概念&#xff0c;最小二乘法的理论与算法实现。 一、线性回归的基本概念 要理解什么是线性回归&…...

编程日记 2025/5/18 6:40:23

数据分析_Python

1 分析内容 1.1 数据的整体概述 提供数据集的基本信息,包括数据量、时间跨度、地理范围和主要字段. import pandas as pd# 创建示例数据 data {姓名: [张三, 李四, 王五, 赵六, 钱七, 孙八, 周九, 吴十],年龄: [25, 30, 35, 40, 45, 50, 55, 60],性别: [男, 男, 女, 女, 男,…...

编程日记 2025/6/2 17:09:33

精益数据分析（63/126）：移情阶段的深度潜入——从用户生活到产品渗透的全链路解析

精益数据分析&#xff08;63/126&#xff09;&#xff1a;移情阶段的深度潜入——从用户生活到产品渗透的全链路解析 在创业的移情阶段&#xff0c;成功的关键不仅在于发现用户的表面需求&#xff0c;更在于深入潜入用户的日常生活&#xff0c;理解其行为背后的真实动机与场景…...

编程日记 2025/5/29 7:50:54