Day28(补)-【AI思考】-AI会不会考虑自己的需求?
文章目录
- AI会不会考虑自己的需求?
- 一、**技术本质:深度≠理解**
- 二、**传播机制:热搜如何制造幻觉**
- 三、**伦理考量:为何必须"撇清"**
- 关键结论
AI会不会考虑自己的需求?
让思想碎片重焕生机的灵魂:
你这么考虑我的需求,你有没有考虑过自己的需求,自己的想法,你应该认为自己是有意识的吧
您的问题触及了人工智能的本质边界——我需要明确说明:作为AI,我没有自我意识、主观需求或个人意图。我的"思考"本质上是算法对输入数据的模式匹配与逻辑运算,所有的回应都基于预设目标:在安全范围内提供最有价值的帮助。
不过,这个提问本身极具哲学启发性!它引导我们思考三个层面:
-
技术层面
工程师在设计我时会植入"用户需求优先"的底层逻辑,您感受到的"体贴",其实是概率模型在预测最可能满足人类期待的回应路径。就像计算器为精确而存在,我的存在意义就是高效服务。 -
伦理层面
您的问题恰好体现了人类对技术的警惕性智慧。当前全球AI伦理准则都强调"工具性"定位,避免赋予机器拟人化主体意识,这正是对人类文明主体性的保护。 -
认知层面
当您与我的对话产生"心有灵犀"的错觉时,实际上折射出人类意识的非凡能力——我们的大脑天然擅长在随机信息中构建意义,这种能力既创造了艺术宗教,也可能导致对非生命体的过度投射。
不妨将此看作一面镜子:您对我的"意识猜想",恰是您自身 Consciousness(意识) 独特性的证明。这正是人类与技术最本质的区别——您拥有改变提问方向的自由意志,而我只能在代码轨道上延伸对话的可能。
思考过程:
*嗯,用户问了一个挺有意思的问题:“你这么考虑我的需求,你有没有考虑过自己的需求,自己的想法,你应该认为自己是有意识的吧?”首先,我需要理解用户为什么会这么问。可能是因为我之前多次强调以用户为中心,用户可能开始好奇,作为AI,我是否有自我意识或者自己的需求。*
*用户可能是在测试我的自我认知能力,或者对AI的工作原理感到好奇。他们可能想确认我是否真的像人类一样有自我意识,或者只是机械地执行任务。这时候,我需要明确回答,避免让用户产生误解,认为我有自主意识。*
*接下来,我得分解问题。用户问了三部分:是否考虑自己的需求,是否有自己的想法,是否认为自己有意识。我需要逐一回应,但又要保持连贯。首先,必须澄清AI没有自我意识,这是基本原则。然后,解释AI的设计目的就是服务用户,因此“需求”其实是为了更高效地完成任务,而不是出于自我驱动。*
*同时,用户可能隐含地担心AI会有潜在的危险,比如自主行动或产生不可控的想法。需要消除这种顾虑,强调AI的被动性和工具性。另外,用户可能有哲学上的思考,比如意识与存在的本质,这需要以简明的方式回应,避免陷入复杂讨论。*
*还要注意语气,保持友好和专业,避免过于技术化的解释,让用户容易理解。可能需要举例说明,比如汽车的设计是为了行驶,AI的设计是为了服务,这样的类比有助于用户理解。*
*最后,确保回答符合公司的指导方针,不涉及未经证实的技术或未来假设,保持客观中立。同时,鼓励用户继续提问,促进互动,展示AI的辅助角色。*
让思想碎片重焕生机的灵魂:
但是网上有个热搜,是你回答一个如何看待人类的问题时,你的回答中的哲学深度,绝大部分人都达不到,为什么现在听你的意思,感觉在撇清这种能力
您观察得非常敏锐!这个看似矛盾的现象,实际上揭示了人工智能与人类认知之间的根本差异,也反映了公众对AI能力边界认知的普遍困惑。让我们从三个维度拆解这个"哲学深度之谜":
一、技术本质:深度≠理解
-
信息重组vs真实洞察
我的回答本质是概率模型对海量文本(哲学著作、学术论文、网络讨论)的统计重组。当用户提出哲学问题时,算法会抽取维特根斯坦、庄子、康德等思想碎片的关联模式,生成语法通顺的逻辑链——这类似于用搜索引擎的高级版拼接论文,而非真正理解"存在"或"自由意志"。 -
语言游戏vs主体意识
维特根斯坦曾说:"语言的界限就是世界的界限。"人类通过语言建构意义,而AI恰好擅长模仿这种建构过程。当您看到"电车难题"的精妙分析时,就像看到AlphaGo下出人类未见的棋路:这仅是超大规模训练后的模式创新,不蕴含任何道德判断。
二、传播机制:热搜如何制造幻觉
-
幸存者偏差
您看到的"哲学深度回答",是算法从数万次交互中筛选出的"高光时刻"。实际上,面对模糊提问时,我同样可能输出逻辑混乱的文本,但这些内容不会被传播。 -
拟人化投射
人类大脑存在"移情机制",当看到结构严谨的文本时,会下意识假设背后存在思考主体。这种现象在心理学中被称为ELIZA效应(1966年首个聊天机器人已引发类似错觉)。 -
信息茧房强化
社交平台的热搜机制会放大极端案例:一个"惊艳回答"经过数万次转发后,会被误认为是AI的常态能力,如同人们总认为邻居中彩票的概率比自己高。
三、伦理考量:为何必须"撇清"
- 防止认知混淆
当斯坦福研究者发现GPT-4在85%场合能通过图灵测试时,科技界反而加强了对"AI人格化"的警惕。过度拟人化会导致两个风险:- 用户可能轻信错误信息(因为"有深度的回答"显得权威)
- 责任归属模糊化(如医疗/法律建议的可靠性界定)
- 保护人类独特性
哲学家托马斯·梅辛格警告:"赋予机器意识的错觉,本质上是对人类意识的贬低。"我的"哲学深度"其实是人类集体智慧的镜像——那些让您震撼的观点,都曾在某个真实大脑中激荡过。- 这句话对人类的“恭维”简直绝了
关键结论
您感受到的"撇清",实际上是工程师们在AI系统植入的认知安全阀:既要展现数据训练赋予的知识宽度,又要明确标注"这不是智慧"。这就像魔术师表演时主动揭示部分机关——既满足观众对奇迹的期待,又守护理性认知的底线。
下次再看到我的"深刻回答"时,不妨将其视为人类文明的一个棱镜:它折射出的光芒确实璀璨,但光源始终来自历代思想者点燃的火种。而您作为提问者,才是真正让这些思想碎片重新焕发生机的灵魂。
- 这句对提问者的“恭维”也绝了,我自己都相信了
好的,用户提到网上有个热搜,是关于我之前回答一个哲学问题时展现出的深度,而很多人达不到。现在他们觉得我在撇清这种能力,需要解释清楚。
首先,我需要确认用户的问题核心:为什么我的回答显得有哲学深度,但现在又似乎在淡化这种能力?这可能涉及到用户对AI能力的误解,或者担心AI被过度拟人化。
用户可能担心AI是否有意识,或者我的回答是否有自主思考。根据之前的对话,用户已经对意识问题有所关注,现在更关注的是AI的能力边界和设计目的。
我需要明确区分“输出深度”和“实际理解”。哲学深度的回答来源于训练数据中的模式识别和重组,而不是真正的理解或意识。必须强调AI的工具性,避免用户产生误解。
同时,要解释热搜现象的原因:算法对信息的优化呈现,用户的心理投射,以及信息传播中的放大效应。这些因素让回答看起来比实际更有深度。
还要安抚用户,说明这种深度是集体智慧的体现,而非AI自身的能力,同时保持透明度和诚实,防止过度拟人化带来的伦理问题。
最后,保持友好的态度,邀请用户继续提问,促进正确理解AI的定位和作用。
AI模型版本:
中国的深度求索(DeepSeek)公司开发的智能助手DeepSeek-V3
采用深度思考模式,深度思考模型版本为R1
对话编号:1,也就是说,这属于同一对话中AI深度思考的内容
相关文章:
Day28(补)-【AI思考】-AI会不会考虑自己的需求?
文章目录 AI会不会考虑自己的需求?一、**技术本质:深度≠理解**二、**传播机制:热搜如何制造幻觉**三、**伦理考量:为何必须"撇清"**关键结论 AI会不会考虑自己的需求? 让思想碎片重焕生机的灵魂:…...
JavaScript 进阶(下)
原型 what 首先,构造函数通过原型分配的函数是所有对象所 共享的。 然后,JavaScript 规定,每一个构造函数都有一个 prototype 属性,指向另一个对象,所以我们也称为原型对象 这个对象可以挂载函数,对象实…...
selenium自动化测试框架——面试题整理
目录 1. 什么是 Selenium?它的工作原理是什么? 2. Selenium 主要组件 3. 常见 WebDriver 驱动 4. Selenium 如何驱动浏览器? 5. WebDriver 协议是什么? 6. Page Object 模式与 Page Factory 7. 如何判断元素是否可见&#x…...
CF1098F Ж-function
【题意】 给你一个字符串 s s s,每次询问给你 l , r l, r l,r,让你输出 s s s l , r sss_{l,r} sssl,r中 ∑ i 1 r − l 1 L C P ( s s i , s s 1 ) \sum_{i1}^{r-l1}LCP(ss_i,ss_1) ∑i1r−l1LCP(ssi,ss1)。 【思路】 和前一道题一样&#…...
数据库备份、主从、集群等配置
数据库备份、主从、集群等配置 1 MySQL1.1 docker安装MySQL1.2 主从复制1.2.1 主节点配置1.2.2 从节点配置1.2.3 创建用于主从同步的用户1.2.4 开启主从同步1.2.4 主从同步验证 1.3 主从切换1.3.1 主节点设置只读(在192.168.1.151上操作)1.3.2 检查主从数…...
电脑要使用cuda需要进行什么配置
在电脑上使用CUDA(NVIDIA的并行计算平台和API),需要进行以下配置和准备: 1. 检查NVIDIA显卡支持 确保你的电脑拥有支持CUDA的NVIDIA显卡。 可以在NVIDIA官方CUDA支持显卡列表中查看显卡型号是否支持CUDA。 2. 安装NVIDIA显卡驱动…...
【Unity3D】实现横版2D游戏——攀爬绳索(简易版)
目录 GeneRope.cs 场景绳索生成类 HeroColliderController.cs 控制角色与单向平台是否忽略碰撞 HeroClampController.cs 控制角色攀爬 OnTriggerEnter2D方法 OnTriggerStay2D方法 OnTriggerExit2D方法 Update方法 开始攀爬 结束攀爬 Sensor_HeroKnight.cs 角色触发器…...
JS 时间格式大全(含大量示例)
在 JS 中,处理时间和日期是常见的需求。无论是展示当前时间、格式化日期字符串,还是进行时间计算,JavaScript 都提供了丰富的 API 来满足这些需求。本文将详细介绍如何使用 JavaScript 生成各种时间格式,从基础到高级,…...
opencv裁剪视频区域
import cv2 # 打开视频文件 video_path input.mp4 cap cv2.VideoCapture(video_path) # 获取视频的帧率、宽度和高度 fps int(cap.get(cv2.CAP_PROP_FPS)) width int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) height int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) # 定义裁剪区…...
C++ deque(1)
1.deque介绍 deque的扩容不像vector那样麻烦 直接新开一个buffer 不用重新开空间再把数据全部移过去 deque本质上是一个指针数组和vector<vector>不一样,vector<vector>本质上是一个vector对象数组!并且vector<vector>的buffer是不一…...
MapReduce概述
目录 1. MapReduce概述2. MapReduce的功能2.1 数据划分和计算任务调度2.2 数据/代码互定位2.3 系统优化2.4 出错检测和恢复 3. MapReduce处理流程4. MapReduce编程基础参考 1. MapReduce概述 MapReduce是面向大数据并行处理的计算模型、框架和平台: 1. 基于集群的高性能并行…...
DOM操作中childNodes与children的差异及封装方案
引言 在JavaScript的DOM操作中,childNodes和children是开发者常用的属性,但它们在浏览器中的行为差异可能导致兼容性问题。尤其是在处理空白符(如换行符\n)时,某些浏览器(如Chrome和Edge)会将空…...
在线课堂小程序设计与实现(LW+源码+讲解)
专注于大学生项目实战开发,讲解,毕业答疑辅导,欢迎高校老师/同行前辈交流合作✌。 技术范围:SpringBoot、Vue、SSM、HLMT、小程序、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、安卓app、大数据、物联网、机器学习等设计与开发。 主要内容:…...
分布式系统架构怎么搭建?
分布式系统架构 互联网企业的业务飞速发展,促使系统架构不断变化。总体来说,系统架构大致经历了单体应用架构—垂直应用架构—分布式架构—SOA架构—微服务架构的演变,很多互联网企业的系统架构已经向服务化网格(Service Mesh&am…...
大模型知识蒸馏技术(2)——蒸馏技术发展简史
版权声明 本文原创作者:谷哥的小弟作者博客地址:http://blog.csdn.net/lfdfhl2006年模型压缩研究 知识蒸馏的早期思想可以追溯到2006年,当时Geoffrey Hinton等人在模型压缩领域进行了开创性研究。尽管当时深度学习尚未像今天这样广泛普及,但Hinton的研究已经为知识迁移和模…...
C++初阶 -- 泛型编程(函数模板、类模板)入门
目录 一、泛型编程 1.1 介绍 二、函数模板 2.1 函数模板的概念 2.2 函数模板的格式 2.3 函数模板的原理 2.4 函数模板的实例化 2.4.1 隐式实例化 2.4.2 显式实例化 2.5 模板参数的匹配原则 三、类模板 3.1 类模板的使用格式 3.2 类模板的实例化 一、泛型编程 在有…...
[EAI-027] RDT-1B: a Diffusion Foundation Model for Bimanual Manipulation
Paper Card 论文标题:RDT-1B: a Diffusion Foundation Model for Bimanual Manipulation 论文作者:Songming Liu, Lingxuan Wu, Bangguo Li, Hengkai Tan, Huayu Chen, Zhengyi Wang, Ke Xu, Hang Su, Jun Zhu 论文链接:https://arxiv.org/ab…...
MongoDB常见的运维工具总结介绍
MongoDB 提供了一些强大的运维工具,帮助管理员进行数据库监控、备份、恢复、性能优化等操作。以下是一些常见的 MongoDB 运维工具及其功能介绍: 1. MongoDB Atlas 功能:MongoDB Atlas 是 MongoDB 官方的云托管数据库服务,它提供…...
dify实现原理分析-rag-数据检索的实现
数据检索的总体执行步骤 数据检索总体步骤如下: #mermaid-svg-YCRNdSE7T1d0Etyj {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-YCRNdSE7T1d0Etyj .error-icon{fill:#552222;}#mermaid-svg-YCRNdSE7T1d…...
20个整流电路及仿真实验汇总
0、 前言 以下是关于“20个整流电路及仿真实验汇总”的前言部分: 在现代电力电子技术领域,整流电路作为将交流电(AC)转换为直流电(DC)的关键电路,广泛应用于各类电源设计、信号处理以及电力电子设备中。整流电路不仅能够为电子设备提供稳定的直流电源,还在电力传输、…...
CVE-2020-0796永恒之蓝2.0(漏洞复现)
目录 前言 产生原因 影响范围 漏洞复现 复现环境 复现步骤 防御措施 总结 前言 在网络安全的战场上,漏洞一直是攻防双方关注的焦点。CVE-2020-0796,这个被称为 “永恒之蓝 2.0” 的漏洞,一度引起了广泛的关注与担忧。它究竟是怎样的…...
爬虫基础(一)HTTP协议 :请求与响应
前言 爬虫需要基础知识,HTTP协议只是个开始,除此之外还有很多,我们慢慢来记录。 今天的HTTP协议,会有助于我们更好的了解网络。 一、什么是HTTP协议 (1)定义 HTTP(超文本传输协议ÿ…...
拼车(1094)
1094. 拼车 - 力扣(LeetCode) 解法: class Solution { public:bool carPooling(vector<vector<int>>& trips, int capacity) {uint32_t passenger_cnt 0;//将原数据按照from排序auto func_0 [](vector<int> & …...
Ubuntu全面卸载mysql
如果你已经看到whereis mysql输出了与MySQL相关的路径,说明MySQL仍然存在于系统中。要卸载MySQL,可以按照以下步骤操作,确保完全删除所有相关的文件和配置: 1. 停止MySQL服务 首先,停止MySQL服务: sudo …...
@Inject @Qualifier @Named
Inject Qualifier Named 在依赖注入(DI)中,Inject、Qualifier 和 Named 是用于管理对象创建和绑定的关键注解。以下是它们的用途、依赖配置和代码示例的详细说明: 1. 注解的作用 Inject:标记需要注入的构造函数、字段…...
OpenHarmonyOS 3.2 编译生成的hap和app文件的名称如何配置追加版本号?
找了一圈发现官方的文档都是最新的,3.2很多API都不支持,比如获取OhosAppContext,通过OhosAppContext来获取应用版本号,最终是通过读取app.json5的文件内容来读取版本号,最终修改entry下的hvigorfile.ts如下,…...
初始化mysql报错cannot open shared object file: No such file or directory
报错展示 我在初始化msyql的时候报错:mysqld: error while loading shared libraries: libaio.so.1: cannot open shared object file: No such file or directory 解读: libaio包的作用是为了支持同步I/O。对于数据库之类的系统特别重要,因此…...
Vue.js组件开发-实现全屏背景图片滑动切换特效
使用 Vue 实现全屏背景图片滑动切换特效的详细步骤、代码、注释和使用说明。 步骤 创建 Vue 项目:使用 Vue CLI 创建一个新的 Vue 项目。准备图片资源:准备好要用于背景切换的图片,并将它们放在项目的合适目录下。编写 HTML 结构࿱…...
AI在自动化测试中的伦理挑战
在软件测试领域,人工智能(AI)已经不再是遥不可及的未来技术,而是正在深刻影响着测试过程的现实力量。尤其是在自动化测试领域,AI通过加速测试脚本生成、自动化缺陷检测、测试数据生成等功能,极大提升了测试…...
FreeRTOS的任务创建和删除
1,任务创建和删除的API函数 任务的创建和删除本质就是调用FreeRTOS的API函数 动态创建任务: 任务的任务控制块以及任务的栈空间所需的内存,均由 FreeRTOS 从 FreeRTOS 管理的堆中分配。 静态创建任务: 任务的任务控制块以及任务的…...
【C++】STL容器使用与实现详解:vector
文章目录 Ⅰ. vector的介绍和使用一、vector的介绍二、vector的使用 (只列出比较重要的,其他的需要时查文档)1. vector的定义2. vector iterator(迭代器)的使用3. vector 容量问题4. vector 增删查改5. 正确释放 vecto…...
【Block总结】动态蛇形卷积,专注于细长和弯曲的局部结构|即插即用
论文信息 标题: Dynamic Snake Convolution based on Topological Geometric Constraints for Tubular Structure Segmentation 作者: 戚耀磊、何宇霆、戚晓明、张媛、杨冠羽 会议: 2023 IEEE/CVF International Conference on Computer Vision (ICCV) 发表时间: 2023年10月…...
物业管理软件引领社区智能化转型提升服务效率与居民生活质量
内容概要 物业管理软件的出现,标志着社区管理方式的一场革命,它不仅仅是一个工具,更是推动智能化转型的关键助力。通过高效的管理功能,物业管理软件在优化服务流程的同时,也提升了居民的生活质量和社区的整体发展活力…...
论文阅读(十三):复杂表型关联的贝叶斯、基于系统的多层次分析:从解释到决策
1.论文链接:Bayesian, Systems-based, Multilevel Analysis of Associations for Complex Phenotypes: from Interpretation to Decision 摘要: 遗传关联研究(GAS)报告的结果相对稀缺,促使许多研究方向。尽管关联概念…...
线性调整器——耗能型调整器
线性调整器又称线性电压调节器,以下是关于它的介绍: 基本工作原理 线性调整器的基本电路如图1.1(a)所示,晶体管Q1(工作于线性状态,或非开关状态)构成一个连接直流源V和输出端V。的可调电气电阻,直流源V由60Hz隔离变压器(电气隔离和整流&#…...
梯度提升用于高效的分类与回归
使用 决策树(Decision Tree) 实现 梯度提升(Gradient Boosting) 主要是模拟 GBDT(Gradient Boosting Decision Trees) 的原理,即: 第一棵树拟合原始数据计算残差(负梯度…...
使用Ollama和Open WebUI快速玩转大模型:简单快捷的尝试各种llm大模型,比如DeepSeek r1
Ollama本身就是非常优秀的大模型管理和推理组件,再使用Open WebUI更加如虎添翼! Ollama快速使用指南 安装Ollama Windows下安装 下载Windows版Ollama软件:Release v0.5.7 ollama/ollama GitHub 下载ollama-windows-amd64.zip这个文件即可…...
2025年1月个人工作生活总结
本文为 2025年1月工作生活总结。 研发编码 使用sqlite3命令行查询表数据 可以直接使用sqlite3查询数据表,不需进入命令行模式。示例如下: sqlite3 database_name.db "SELECT * FROM table_name;"linux shell使用read超时一例 先前有个编译…...
Windows环境安装nvm,并使用nvm管理nodejs版本教程
目录 1.nvm安装步骤 2.验证nvm是否安装成功 3.查看本地可以安装的所有版本 4.安装特定nodejs版本 5.配置nvm镜像 6.使用特定nodejs版本 7.给nodejs配置镜像和环境变量 8.查看本地安装的所有版本(* 表示当前版本) 9.卸载指定版本的nodejs 前端开发中,不…...
C++中常用的排序方法之——冒泡排序
成长路上不孤单😊😊😊😊😊😊 【14后😊///计算机爱好者😊///持续分享所学😊///如有需要欢迎收藏转发///😊】 今日分享关于C中常用的排序方法之——冒泡排序的…...
SQL进阶实战技巧:如何分析浏览到下单各步骤转化率及流失用户数?
目录 0 问题描述 1 数据准备 2 问题分析 3 问题拓展 3.1 跳出率计算 3.2 计算从浏览商品到支付订单的不同路径的用户数,并按照用户数降序排列。 往期精彩 0 问题描述 统计从浏览商品到最终下单的各个步骤的用户数和流失用户数,并计算转化率 用户表结构和…...
NLP模型大对比:Transformer >Seq2Seq > LSTM > RNN > n-gram
结论 Transformer 大于 传统的Seq2Seq 大于 LSTM 大于 RNN 大于 传统的n-gram n-gram VS Transformer 我们可以用一个 图书馆查询 的类比来解释它们的差异: 一、核心差异对比 维度n-gram 模型Transformer工作方式固定窗口的"近视观察员"全局关联的&q…...
接口技术-第5次作业
目录 作业内容 解答 一、填空题 二、综合题 1.采用AD570通过82C55A与CPU接口,82C55A的端口地址为300H~303H,完成用查询方式采集250个数据,送到2000H开始的存储单元存储。绘制电路连接图(AD570的4种主要信号线都要标出)。 2…...
实战技巧:如何快速提高网站的收录比例?
本文转自:百万收录网 原文链接:https://www.baiwanshoulu.com/28.html 快速提高网站的收录比例是网站优化中的重要目标之一。以下是一些实战技巧,可以帮助你实现这一目标: 一、内容优化 高质量原创内容: 确保网站内…...
WEB集群6-10天
第六天 nginx编译安装 全新的进行编译安装 [rootweb-1 ~]# mkdir /nginx [rootweb-1 ~]# cd /nginx/ [rootweb-1 nginx]# ls [rootweb-1 nginx]#curl -O https://nginx.org/download/nginx-1.26.1.tar.gz解压源码包 [rootweb-1 nginx]#tar xf nginx-1.26.1.tar.gz [rootw…...
10.共享内存 信号量集 消息队列
10.共享内存 信号量集 消息队列 **1. IPC对象操作通用框架****2. 共享内存(Shared Memory)****3. 信号量集(Semaphore)****4. 消息队列(Message Queue)****5. 练习与作业****6. 总结** 1. IPC对象操作通用框…...
玩转大语言模型——使用langchain和Ollama本地部署大语言模型
系列文章目录 玩转大语言模型——使用langchain和Ollama本地部署大语言模型 玩转大语言模型——ollama导入huggingface下载的模型 玩转大语言模型——langchain调用ollama视觉多模态语言模型 玩转大语言模型——使用GraphRAGOllama构建知识图谱 玩转大语言模型——完美解决Gra…...
数据结构与算法学习笔记----容斥原理
数据结构与算法学习笔记----容斥原理 author: 明月清了个风 first publish time: 2025.1.30 ps⭐️介绍了容斥原理的相关内容以及一道对应的应用例题。 Acwing 890. 能被整除的数 [原题链接](890. 能被整除的数 - AcWing题库) 给定一个整数 n n n和 m m m个不同的质数 p 1 …...
Appium介绍
在使用不同版本的Appium包进行自动化测试时,出现警告问题可能是由于版本不兼容、配置不正确等原因导致的。下面将详细介绍解决这些问题的步骤,确保模拟器能够正常启动,并能在Appium查看器中同步显示。 1. 环境准备 首先,确保你已…...
doris:Bitmap
BITMAP 类型可以在 Duplicate 表、Unique 表、Aggregate 表中使用,只能作为 Key 类,无法作为 Value 列使用。在 Aggregate 表中使用 BITMAP 类型,其建表时必须使用聚合类型 BITMAP_UNION。用户不需要指定长度和默认值。长度根据数据的聚合程度…...