使用 LlamaIndex 构建智能文档查询系统
使用 LlamaIndex 构建智能文档查询系统
- 1. 环境准备
- 2. 初始化模型
- 3. 加载文档
- 4. 构建索引和查询引擎
- 5. 生成扩展查询
- 6. 主函数
- 7. 总结
在现代信息检索系统中，如何高效地从大量文档中提取出有用的信息是一个重要的挑战。本文将介绍如何使用 LlamaIndex 构建一个智能文档查询系统，通过多种查询优化技术来提高检索的准确性和效率。
1. 环境准备
首先，我们需要安装必要的 Python 库，并加载环境变量。
import logging
import osfrom dotenv import find_dotenv, load_dotenv
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, PromptTemplate, get_response_synthesizer
from llama_index.core.indices.query.query_transform.base import (StepDecomposeQueryTransform, HyDEQueryTransform
)
from llama_index.core.node_parser import (TokenTextSplitter, SentenceWindowNodeParser
)
from llama_index.core.postprocessor import MetadataReplacementPostProcessor
from llama_index.core.query_engine import (MultiStepQueryEngine, TransformQueryEngine
)
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.llms.openai import OpenAI# 读取本地 .env 文件
load_dotenv(find_dotenv())# 设置日志级别为 ERROR，避免 WARNING 信息干扰
logging.basicConfig(level=logging.ERROR)
2. 初始化模型
接下来，我们初始化 OpenAI 的 LLM 和 Embedding 模型。
# 初始化 OpenAI 模型
llm_client = OpenAI(model="gpt-4",api_base=os.environ["OPENAI_BASE_URL"],api_key=os.environ["OPENAI_API_KEY"],is_chat_model=True,seed=42,
)# 初始化 OpenAI Embedding 模型
embed_client = OpenAIEmbedding(model="text-embedding-3-large",api_base=os.environ["OPENAI_EMBED_BASE_URL"],api_key=os.environ["OPENAI_API_KEY"],
)
3. 加载文档
我们定义一个函数来加载指定目录下的文档。
# 加载文档
def load_documents(directory):print('=' * 50)print('📂 正在加载文档...')print('=' * 50 + '\n')documents = SimpleDirectoryReader(directory).load_data()print(f'✅ 文档加载完成。\n')return documents
4. 构建索引和查询引擎
我们使用不同的节点解析器来构建索引，并创建查询引擎。
# 构建索引并创建查询引擎
def build_index_and_query_engine(documents, embed_model, llm, node_parser, postprocessors=None):print(f"\n{'=' * 50}")print(f"🔍 正在使用 {node_parser.__class__.__name__} 方法进行测试...")print(f"{'=' * 50}\n")print("📑 正在处理文档...")nodes = node_parser.get_nodes_from_documents(documents)index = VectorStoreIndex(nodes, embed_model=embed_model)query_engine = index.as_query_engine(similarity_top_k=5,streaming=True,llm=llm,node_postprocessors=postprocessors if postprocessors else [])return query_engine, index
5. 生成扩展查询
为了增强查询的效果，我们使用 LLM 对原始查询进行扩展。
# 生成扩展查询
query_gen_str = """\
系统角色设定:
你是一个专业的问题改写助手。你的任务是将用户的原始问题扩充为一个更完整、更全面的问题。规则：
1. 将可能的歧义、相关概念和上下文信息整合到一个完整的问题中
2. 使用括号对歧义概念进行补充说明
3. 添加关键的限定词和修饰语
4. 确保改写后的问题清晰且语义完整
5. 对于模糊概念，在括号中列举主要可能性原始问题:
{query}请生成一个综合的改写问题，确保：
- 包含原始问题的核心意图
- 涵盖可能的歧义解释
- 使用清晰的逻辑关系词连接不同方面
- 必要时使用括号补充说明输出格式：
[综合改写] - 改写后的问题
"""
query_gen_prompt = PromptTemplate(query_gen_str)def generate_queries(query: str):response = llm_client.predict(query_gen_prompt, query=query)return response
6. 主函数
在主函数中，我们加载文档并测试不同的查询方法。
# 主函数
def main():# 加载文档documents = load_documents('./docs/md')# 定义问题和节点解析器question = '张伟是哪个部门的'node_parsers = [TokenTextSplitter(chunk_size=1024, chunk_overlap=20),# SentenceSplitter(chunk_size=512, chunk_overlap=50),# SentenceWindowNodeParser.from_defaults(# window_size=3,# window_metadata_key="window",# original_text_metadata_key="original_text"# ),# SemanticSplitterNodeParser(# buffer_size=1,# breakpoint_percentile_threshold=95,# embed_model=embed_client# ),# MarkdownNodeParser()]# 遍历不同的节点解析器进行测试for parser in node_parsers:if isinstance(parser, SentenceWindowNodeParser):postprocessors = [MetadataReplacementPostProcessor(target_metadata_key="window")]else:postprocessors = Nonequery_engine, index = build_index_and_query_engine(documents, embed_client, llm_client, parser, postprocessors)# 方法一：使用大模型扩充用户问题print("\n🔍 原始问题:")print(f" {question}")expanded_query = generate_queries(question)print("\n📝 扩展查询:")print(f" {expanded_query}\n")expanded_response = query_engine.query(expanded_query)print("💭 AI回答:")print("-" * 40)expanded_response.print_response_stream()print("\n")# 显示参考文档print("\n📚 参考依据:")print("-" * 40)for i, node in enumerate(expanded_response.source_nodes, 1):print(f"\n文档片段 {i}:")print(f"相关度得分: {node.score:.4f}")print("-" * 30)print(node.text)# 方法二：将单一查询改写为多步骤查询step_decompose_transform = StepDecomposeQueryTransform(verbose=True, llm=llm_client)response_synthesizer = get_response_synthesizer(llm=llm_client, callback_manager=query_engine.callback_manager,verbose=True)multi_step_query_engine = MultiStepQueryEngine(query_engine=query_engine,query_transform=step_decompose_transform,response_synthesizer=response_synthesizer,index_summary="公司人员信息",)print(f"❓ 用户问题: {question}\n")print("🤖 AI正在进行多步查询...")multi_step_response = multi_step_query_engine.query(question)print("\n📚 参考依据:")print("-" * 40)for i, node in enumerate(multi_step_response.source_nodes, 1):print(f"\n文档片段 {i}:")print("-" * 30)print(node.text)# 方法三：用假设文档来增强检索（HyDE）hyde = HyDEQueryTransform(include_original=True, llm=llm_client)hyde_query_engine = TransformQueryEngine(query_engine=query_engine,query_transform=hyde)print(f"❓ 用户问题: {question}\n")print("🤖 AI正在通过 HyDE 分析...")hyde_response = hyde_query_engine.query(question)print("\n💭 AI回答:")print("-" * 40)hyde_response.print_response_stream()# 显示参考文档print("\n📚 参考依据:")print("-" * 40)for i, node in enumerate(hyde_response.source_nodes, 1):print(f"\n文档片段 {i}:")print("-" * 30)print(node.text)# 显示生成的假设文档query_bundle = hyde(question)hyde_doc = query_bundle.embedding_strs[0]print(f"🤖 AI生成的假想文档:\n{hyde_doc}\n")if __name__ == "__main__":main()
7. 总结
通过本文的介绍，我们学习了如何使用 LlamaIndex 构建一个智能文档查询系统。我们探讨了如何加载文档、构建索引、生成扩展查询以及使用多种查询优化技术来提高检索的准确性和效率。希望本文能帮助你更好地理解和应用 LlamaIndex 在实际项目中的使用。
相关文章：
使用 LlamaIndex 构建智能文档查询系统
使用 LlamaIndex 构建智能文档查询系统 1. 环境准备2. 初始化模型3. 加载文档4. 构建索引和查询引擎5. 生成扩展查询6. 主函数7. 总结 在现代信息检索系统中，如何高效地从大量文档中提取出有用的信息是一个重要的挑战。本文将介绍如何使用 LlamaIndex 构建一个智能文…...
C++——继承
目录 前言 1. 继承的概念和定义 1.1 继承的概念 1.2 继承的定义 1.2.1 定义格式 1.2.2 继承基类成员访问方式的变化 1.3 继承类模板 2. 基类和派生类之间的转换 3. 继承中的作用域 3.1 隐藏规则 3.2 考察继承作用域相关选择题 4. 派生类的默认成员函数 4.1 4个常…...
01：C语言的本质
C语言的本质 1、ARM架构与汇编2、局部变量初始化与空间分配2.1、局部变量的初始化2.1、局部变量数组初始化 3、全局变量/静态变量初始化化与空间分配4、堆空间5、函数 1、ARM架构与汇编 ARM简要架构如下：CPU，ARM(能读能写)，Flash（…...
Jmeter进阶篇（32）Jmeter 在 MySQL 数据库压测中的应用
一、引言 在当今数字化时代，数据库性能的优化对于企业的发展至关重要。随着业务量的不断增长，数据库需要承受越来越大的压力。MySQL作为一种广泛使用的开源数据库，其性能和稳定性备受关注。为了确保数据库在高负载情况下能够正常运行，进行压测是必不可少的环节。Jmeter作为…...
TCPDump参数详解及示例
TCPDump参数详解及示例 TCPDump参数详解TCPDump -G的示例TCPDump -i any -s 2048 -G 600 -p udp -Z root -n -X -tt -w %Y_%m%d_%H%M_%S.pcap &的含义TCPDump是一款强大的网络数据包截获分析工具，可以将网络中传送的数据包的完全截获下来提供分析。它支持针对网络层、协议…...
Protocol Buffer
1、什么是 Protocol Buffers？ Protocol Buffers （protobuf） 是一种序列化结构化数据的方法，由 Google 开发。它们提供了一种与语言无关、与平台无关且可扩展的机制，用于高效序列化结构化数据。 Protocol Buffers 中的…...
高等数学学习笔记 ☞ 连续与间断
1. 连续 1. 点连续定义： 设函数在点的某邻域内有定义，取附近的点，对应的函数值分别和， 令，当时，若，则称函数在点处连续。 记作。 此式为增量形式。 又知，则可改写为：。 …...
【three.js】Shader着色器
原始着色器材质RawShaderMaterial 两种着色器材质的 RawShaderMaterial 和 ShaderMaterial 的区别和用法 区别： ShaderMaterial 会自动将一些初始化着色器的参数添加到代码中（内置 attributes 和 uniforms） RawShaderMaterial 则什么都不会添…...
在 macOS 中，设置自动将文件夹排在最前
文章目录 1、第一步访达设置2、第二步排序方式 需要两步设置 1、第一步访达设置 按名称排序的窗口中 2、第二步排序方式 选择名称...
创建并配置华为云虚拟私有云
目录 私有云 创建虚拟私有云 私有云 私有云是一种云计算模式，它将云服务部署在企业或组织内部的私有基础设施上，仅供该企业或组织内部使用，不对外提供服务.私有云的主要特点包括： 私密性：私有云的资源（如…...
Spark是什么？Flink和Spark区别
Spark是什么？Flink和Spark区别 一、Spark二、Spark和Flink区别三、总结 一、Spark Apache Spark 是一个开源的大数据处理框架，主要用于大规模数据处理和分析。它支持多种数据处理模式，包括批处理、流处理、SQL 查询、机器学习和图处理等。 核…...
代码随想录 day 25
第七章 回溯算法 part04 491.递增子序列 本题和大家刚做过的 90.子集II 非常像，但又很不一样，很容易掉坑里。 https://programmercarl.com/0491.%E9%80%92%E5%A2%9E%E5%AD%90%E5%BA%8F%E5%88%97.html 视频讲解：https://www.bilibili.com/…...
数据仓库中的指标体系模型介绍
数据仓库中的指标体系介绍 文章目录 数据仓库中的指标体系介绍前言什么是指标体系指标体系设计有哪些模型?1. 指标分层模型2. 维度模型3. 指标树模型4. KPI（关键绩效指标）模型5. 主题域模型6.平衡计分卡（BSC）模型7.数据指标框架模…...
xr-frame 通过shader去除视频背景色，加载透明视频
目录 前言 实现思路 获取 XR 框架系统： 注册自定义效果 创建效果对象 渲染通道配置 着色器代码 顶点着色器 片元着色器（颜色分量g达到条件的片元将被透透明） effect-removeBlack 完整代码 wxml中使用 前言 实现了一个用于注册自定…...
论文解读 | NeurIPS'24 IRCAN：通过识别和重新加权上下文感知神经元来减轻大语言模型生成中的知识冲突...
点击蓝字 关注我们 AI TIME欢迎每一位AI爱好者的加入！ 点击 阅读原文 观看作者讲解回放！ 作者简介 史丹，天津大学博士生 内容简介 大语言模型（LLM）经过海量数据训练后编码了丰富的世界知识。最近的研究表明，…...
Kraft模式安装Kafka（含常规、容器两种安装方式）
一、#创作灵感# 公司使用Kafka的软件项目较多，故写技术笔记巩固知识要点 二、软件环境 - Kafka 3.9.0 官方下载地址：Kafka 3.9.0 - Docker Desktop 4.37 容器图形化工具 官方下载地址：Docker Desktop 4.37 特别说明 - Docker Desktop…...
旷视科技C++面试题及参考答案
在 Linux 系统下常用的命令有哪些？ 在 Linux 系统中有许多常用命令。首先是文件和目录操作相关的命令。“ls” 命令用于列出目录的内容，它有很多选项，比如 “ls -l” 可以以长格式显示文件和目录的详细信息，包括文件权限、所有者、大小、修改时间等；“ls -a” 则会显示所有…...
)
IWOA-GRU和GRU时间序列预测(改进的鲸鱼算法优化门控循环单元)
时序预测 | MATLAB实现IWOA-GRU和GRU时间序列预测(改进的鲸鱼算法优化门控循环单元) 目录 时序预测 | MATLAB实现IWOA-GRU和GRU时间序列预测(改进的鲸鱼算法优化门控循环单元)预测效果基本介绍模型描述程序设计参考资料 预测效果 基本介绍 MATLAB实现IWOA-GRU和GRU时间序列预测…...
edeg插件/扩展推荐:助力生活工作
WeTab 此插件在我看来有2个作用 1.改变edeg的主页布局和样式,使其更加精简,无广告 2.提供付费webtab Ai(底层是chatGpt) 沉浸式翻译 此插件可翻译网页的内容 假设我们浏览github 翻译前 翻译后 Better Ruler 可以对网页的距离进行测量 适合写前端的小伙伴 用法示例:...
TPS和QPS的区别
TPS全称（Transactions Per Second）QPS全称（Queries Per Second）它们都是衡量系统性能的指标，都是表示单位时间内处理的事务或者查询的数量 TPS 定义：TPS指的是系统每秒可以处理的事务数量，一个…...
鸿蒙HarmonyOS开发：拨打电话、短信服务、网络搜索、蜂窝数据、SIM卡管理、observer订阅管理
文章目录 一、call模块（拨打电话）1、使用makeCall拨打电话2、获取当前通话状态3、判断是否存在通话4、检查当前设备是否具备语音通话能力 二、sms模块（短信服务）1、创建短信2、发送短信 三、radio模块（网络搜索&#x…...
如何处理 JavaScript 中的函数防抖问题？
在 JavaScript 中，函数防抖（Debouncing）是一种控制函数执行频率的技术，通常用于处理用户输入事件（例如键盘输入、滚动事件等）。防抖的核心思想是：在连续触发某个事件时，只有在事件停…...
sql server期末复习
表操作 创建create 删除drop 修改alter 数据操作 查询 select from <tableName> 插入 insert into <tableName> values 修改 update <tableName> set 删除 delete from <tableName> 授权与收回对数据的操作权限 授予 grant <权…...
初学STM32 --- 外部SRAM
目录 SRAM简介 SRAM特性: XM8A51216 功能框图 8080并口读时序编辑 8080并口写时序 SRAM 读写操作步骤 FSMC介绍 FSMC时序介绍 FSMC控制器对内核地址映射编辑 FSMC HAL库相关驱动 SRAM驱动步骤 SRAM简介 静态随机存取存储器（Static Random-Access Memory&am…...
XXX公司面试真题
一、一面问题 1.线程池的主要参数 核心线程数最大线程数空闲线程存活时间存活时间单位任务队列线程工厂拒绝策略允许核心线程超时 2. 线程的状态 新建状态就绪状态运行状态阻塞状态死亡状态 补充：线程阻塞的原因 线程调用sleep()方法进入睡眠状态 线程得到一个…...
MySQL 01 02 章——数据库概述与MySQL安装篇
一、数据库概述 （1）为什么要使用数据库 数据库可以实现持久化，什么是持久化：数据持久化意味着将内存中的数据保存到硬盘上加以“固化”持久化的主要作用是：将内存中的数据存储在关系型数据库中，当然也可以…...
[读书日志]8051软核处理器设计实战（基于FPGA）第四篇：verilog语法特性
第一篇https://blog.csdn.net/m0_74021449/article/details/144796689 第二篇https://blog.csdn.net/m0_74021449/article/details/144813103 第三篇https://blog.csdn.net/m0_74021449/article/details/144834117 4.verilog硬件描述语言基础 这部分主要讲述verilog基础语法…...
大模型高效推理综述
大模型高效推理综述 1 Introduction2 Preliminaries2.1 transformer架构的LLM2.2 大模型推理过程2.3 推理效率分析 3 TAXONOMY(分类)4.数据级别优化4.1输入压缩4.1.1 提示词裁剪（prompt pruning）4.1.2 提示词总结（prompt summary）…...
HTML5实现好看的博客网站、通用大作业网页模板源码
HTML5实现好看的博客网站、通用大作业网页模板源码 前言一、设计来源1.1 主界面1.2 列表界面1.3 文章界面 二、效果和源码2.1 动态效果2.2 源代码 源码下载结束语 HTML5实现好看的博客网站、通用大作业网页模板源码，博客网站源码，HTML模板源码࿰…...
在Microsoft Windows上安装MySQL
MySQL仅适用于Microsoft Windows 64位操作系统，在Microsoft Windows上安装MySQL有不同的方法：MSI、包含您解压缩的所有必要文件的标准二进制版本（打包为压缩文件）以及自己编译MySQL源文件。 注意：MySQL8.4服务器需要在…...
adaface人脸特征提取之ncnn推理
目录 1. 背景2. 准备工作2.1 ncnn库下载2.2 adaface模型下载2.3 模型转换 3. 代码实现4. 模型量化 1. 背景 最近项目要求Android端使用adaface做人脸特征提取，最终选择ncnn作为推理框架 2. 准备工作 2.1 ncnn库下载 https://github.com/Tencent/ncnn/tree/maste…...
iOS 逆向学习 - iOS Security Features：硬件与软件多重防护体系
iOS 逆向学习 - iOS Security Features：硬件与软件多重防护体系 iOS 安全特性全面解析：构筑多层次防御体系一、iOS 的硬件安全特性1. Secure Enclave（安全隔区）2. Hardware Root of Trust（硬件信任根）3. De…...
纯前端实现将pdf转为图片（插件pdfjs）
需求来源 预览简历功能在移动端，由于用了一层iframe把这个功能嵌套在了app端，再用一个iframe来预览，只有ios能看到，安卓就不支持，查了很多资料和插件，原理基本上都是用iframe实现的。最终转换思路…...
stm32HAL库使LED闪烁
PC13引脚为开漏接法 生成代码时设置为out put open drain gpio out put level 设置为high 1表示熄灭 我们将pa9引脚连接为推挽接法 生成代码时设置为 out put push pull Gpio out put level 设置为low 0 表示熄灭 代码使其亮起再延时0.5秒再熄灭再延时0.5秒...
《数据结构》期末考试测试题【中】
《数据结构》期末考试测试题【中】 21.循环队列队空的判断条件为？22. 单链表的存储密度比1？23.单链表的那些操作的效率受链表长度的影响？24.顺序表中某元素的地址为？25.m叉树第K层的结点数为？26. 在双向循环链表某节点…...
【Vue3项目实战系列一】—— 全局样式处理，导入view-ui-plus组件库，定制个性主题
😉 你好呀，我是爱编程的Sherry，很高兴在这里遇见你！我是一名拥有十多年开发经验的前端工程师。这一路走来，面对困难时也曾感到迷茫，凭借不懈的努力和坚持，重新找到了前进的方向。我的人生格言是…...
ChatGPT 主流模型GPT-4/GPT-4o mini的参数规模是多大？
微软论文又把 OpenAI 的机密泄露了？？在论文中明晃晃写着： o1-preview 约 300B；o1-mini 约 100BGPT-4o 约 200B；GPT-4o-mini 约 8BClaude 3.5 Sonnet 2024-10-22 版本约 175B微软自己的 Phi-3-7B，这个不用约…...
初学stm32 --- RTC实时时钟
目录 RTC简介 常用的RTC方案 STM32 F1 RTC框图介绍 后备寄存器和RTC寄存器特性（F1） F1 RTC相关寄存器介绍 RCC_APB1ENR寄存器编辑 PWR_CR寄存器 RCC_BDCR寄存器 RTC_CRL寄存器 RTC_CRH寄存器 RTC_PRLH寄存器 RTC_PRLL寄存器 RTC_CNTH寄存器 …...
Qt之屏幕录制设计（十六）
Qt开发 系列文章 - screencap（十六） 目录 前言 一、实现原理 二、实现方式 1.创建录屏窗口 2.录屏窗口类定义 3.自建容器对象定义 4.用户使用 5.效果演示 总结 前言 利用Qt实现屏幕录制设计，可以通过使用Qt自带的类QScreen、QPixma…...
25年1月更新。Windows 上搭建 Python 开发环境：Python + PyCharm 安装全攻略（文中有安装包不用官网下载）
引言 随着 Python 在数据科学、Web 开发、自动化脚本等多个领域的广泛应用，越来越多的开发者选择它作为首选编程语言。而 PyCharm 作为一个功能强大的集成开发环境（IDE），为 Python 开发者提供了极大的便利。本文将详细介绍如何在 …...
CTF杂项——[LitCTF 2024]涐贪恋和伱、甾―⑺dé毎兮毎秒
得到一张图片 有两种方式可以得到flag 第一种：LSB 第二种：zsteg...
从零开始手写缓存之如何实现固定缓存大小
cache 发展之路 1、HashMap或者ConcurrentHashMap public class CustomerService {private HashMap<String,String> hashMap new HashMap<>();private CustomerMapper customerMapper;public String getCustomer(String name){String customer hashMap.get(nam…...
Kubernetes——part4-1 Kubernetes集群 服务暴露 Nginx Ingress Controller
Kubernetes集群 服务暴露 Nginx Ingress Controller 一、ingress控制器 1.1 ingress控制器作用 （类似于slb，做代理服务） ingress controller可以为kubernetes 集群外用户访问Kubernetes集群内部pod提供代理服务。 提供全局访问代理访问流程…...
前端小案例——520表白信封
前言：我们在学习完了HTML和CSS之后，就会想着使用这两个东西去做一些小案例，不过又没有什么好的案例让我们去练手，本篇文章就提供里一个案例——520表白信封 ✨✨✨这里是秋刀鱼不做梦的BLOG ✨✨✨想要了解更多内容可以访问我的主…...
《机器学习》——线性回归模型
文章目录 线性回归模型简介一元线性回归模型多元线性回归模型误差项分析一元线性模型实例完整代码 多元线性模型实例完整代码 线性回归模型简介 线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。 相关关系&…...
测试用例颗粒度说明
当我们在编写测试用例时，总是会遇到一个问题：如何确定测试用例的颗粒度？测试用例过于粗糙，可能无法全面覆盖系统的细节；而颗粒度过细，又会导致测试重复、冗余。掌握合适的颗粒度，不仅可以提高测…...
Kali 离线安装 ipmitool 笔记
在Kali Linux上离线安装 ipmitool 的步骤如下： 一、获取 ipmitool 的安装包和依赖 由于是离线安装，您需要先在一台可以联网的机器上下载 ipmitool 及其所有依赖包。 方法一：使用 apt 下载包 在联网的机器上，运行以下命令以准备…...
基于word2vec的文本大数据分析
基于word2vec的文本大数据分析 效果： 一、简介 Word2Vec是一种词向量表示方法，是在自然语言处理领域（NLP）的神经网络模型，是一种无监督学习，包含两种模型架构：CBOW模型与Skip-Gram模型。 常用于：相似度计算、词类聚类、文本分类、句子和文档表示、搜索引擎优化、情…...
BGP基础配置实验
一、实验拓补 二、实验要求及分析 实验要求： 1，R1为AS 100区域；R2、R3、R4为AS 200区域且属于OSPF协议；R5为AS 300区域； 2，每个设备上都有环回，且通过环回可以使设备互通； 实验分…...
Maven核心与单元测试
目录 一. Maven概述二. IDEA集成Maven2.1 创建Maven项目2.2 Maven坐标2.3 导入Maven项目 三. 依赖管理四. Maven的生命周期五. 单元测试5.1 快速入门5.2 断言5.3 常见注解5.4 依赖范围 六. Maven常见问题 \quad 一. Maven概述 \quad \quad 二. IDEA集成Maven \quad 2.1 创建Mav…...