当前位置：首页 > news >正文

【deepseek】本地部署+RAG知识库挂载+对话测试

news 来源：原创 2025/9/11 19:34:43

文章目录

前言
一、Deepseek模型下载(以7B为例)
二、RAG本地知识库挂载
三、创建本地对话脚本
四、结果展示

前言

本文主要涵盖Deepseek在ubuntu系统中的部署全流程，包括模型的下载、系统部署、本地文档向量化、向量列表存储、RAG知识库挂载、对话测试等内容

一、Deepseek模型下载(以7B为例)

说明：以下安装步骤仅限于你的服务器可以ping 通huggingface.co，如果无法ping通请参考我上一篇博客:《【deepseek】Ubuntu/centos系统中无法直接git clone下载模型的解决方法》
1. 安装 huggingface_hub (如果尚未安装)：

首先，确保已经安装了 huggingface_hub Python 包，它是 Hugging Face CLI 的依赖项。

pip install huggingface_hub

2. 登录 Hugging Face：

使用 huggingface-cli login 命令登录你的 Hugging Face 账号。

huggingface-cli login

在这里插入图片描述

该命令会提示你输入你的 Hugging Face 账号的 token。你可以在 Hugging Face 网站上找到你的 token：

访问 https://huggingface.co/settings/tokens
创建一个新的 token (如果还没有)。
复制 token 并粘贴到终端中。

3. 安装 Git LFS (如果尚未安装)：

Git LFS (Large File Storage) 用于处理大型文件，例如模型文件。

sudo apt-get update
sudo apt-get install git-lfs
git lfs install

4. 克隆模型仓库：

使用 git clone 命令克隆模型仓库。

git clone https://huggingface.co/deepseek-ai/deepseek-llm-7b-chat

这会将 deepseek-llm-7b-chat 模型仓库克隆到你的本地目录。

5. 下载模型文件：

进入克隆的目录：

cd deepseek-llm-7b-chat

如果模型文件没有自动下载，可以使用以下命令手动下载：

git lfs pull

完整步骤：

# 1. 安装 huggingface_hub (如果尚未安装)
pip install huggingface_hub# 2. 登录 Hugging Face
huggingface-cli login# 3. 安装 Git LFS (如果尚未安装)
sudo apt-get update
sudo apt-get install git-lfs
git lfs install# 4. 克隆模型仓库
git clone https://huggingface.co/deepseek-ai/deepseek-llm-7b-chat# 5. 下载模型文件
cd deepseek-llm-7b-chat
git lfs pull

二、RAG本地知识库挂载

系统基本环境：Ubuntu 22.04.4 LTS
Python版本：3.10

1.安装必要的库

pip install langchain transformers sentence-transformers faiss-cpu unstructured pdf2image python-docx docx2txt

langchain: 用于构建 RAG 流程。
transformers: 用于加载 DeepSeek 7B 模型。
sentence-transformers: 用于生成文本嵌入 (embeddings)。
faiss-cpu: 用于存储和检索文本嵌入 (向量数据库)。
unstructured: 用于加载各种文档 (text, pdf, word)。
pdf2image: PDF 处理依赖。
python-docx: Word 文档处理依赖。
docx2txt: txt文档处理依赖。

2.加载文档并创建向量数据库
create_vector_db.py

import os
from langchain.document_loaders import TextLoader, PyPDFLoader, Docx2txtLoader, UnstructuredFileLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS
from tqdm import tqdmDATA_PATH = "data/"  # 你的知识库文档所在的目录
DB_FAISS_PATH = "vectorstore/db_faiss"  # 向量数据库保存路径def create_vector_db():"""加载文档，切分文本，生成 embeddings 并存储到 FAISS 向量数据库中。"""document_paths = []for root, _, files in os.walk(DATA_PATH):for file in files:file_path = os.path.join(root, file)document_paths.append(file_path)documents = []for doc_path in tqdm(document_paths, desc="加载文档"):try:if doc_path.endswith(".txt"):loader = TextLoader(doc_path, encoding="utf-8")elif doc_path.endswith(".pdf"):loader = PyPDFLoader(doc_path)  # 使用 PyPDFLoaderelif doc_path.endswith(".docx") or doc_path.endswith(".doc"):try:loader = Docx2txtLoader(doc_path)except ImportError:print(f"docx2txt 未安装，尝试使用 UnstructuredFileLoader 加载 {doc_path}")loader = UnstructuredFileLoader(doc_path)else:loader = UnstructuredFileLoader(doc_path)  # 尝试使用通用加载器documents.extend(loader.load())except Exception as e:print(f"加载文档 {doc_path} 失败: {e}")print(f"加载的文档数量: {len(documents)}")text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)texts = text_splitter.split_documents(documents)print(f"分割后的文本块数量: {len(texts)}")# 过滤掉空文本块texts = [text for text in texts if text.page_content.strip()]# 打印文本块内容# for i, text in enumerate(texts):#     print(f"文本块 {i}: {text.page_content}")embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2",model_kwargs={'device': 'cuda' if torch.cuda.is_available() else 'cpu'})db = FAISS.from_documents(texts, embeddings)db.save_local(DB_FAISS_PATH)if __name__ == "__main__":import torchcreate_vector_db()print("向量数据库创建完成！")

DATA_PATH: 替换为你的本地知识库文档所在的目录。
DB_FAISS_PATH: 指定向量数据库的保存路径。
文档加载: 使用 TextLoader, PDFLoader, Docx2txtLoader, UnstructuredFileLoader 加载不同类型的文档。 UnstructuredFileLoader 可以处理更多类型的文档，但可能需要安装额外的依赖。
文本切分: 使用 RecursiveCharacterTextSplitter 将文档切分成小的文本块 (chunks)。 chunk_size 和 chunk_overlap 可以根据你的需求调整。
Embeddings: 使用 HuggingFaceEmbeddings 生成文本块的 embeddings。 sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 是一个常用的多语言 embedding 模型。也可以选择其他模型。
向量数据库: 使用 FAISS 存储 embeddings。 FAISS 是一个高效的向量相似度搜索库。

三、创建本地对话脚本

chat_rag.py

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import FAISS
from langchain.chains import RetrievalQAMODEL_PATH = "./deepseek-llm-7b-chat"  # 你的模型路径
DB_FAISS_PATH = "vectorstore/db_faiss"  # 向量数据库路径def load_model():"""加载模型和 tokenizer"""tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)model = AutoModelForCausalLM.from_pretrained(MODEL_PATH, device_map="auto", torch_dtype=torch.float16)return model, tokenizerdef load_vector_db():"""加载 FAISS 向量数据库"""embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2",model_kwargs={'device': 'cuda' if torch.cuda.is_available() else 'cpu'})db = FAISS.load_local(DB_FAISS_PATH, embeddings, allow_dangerous_deserialization=True)  # 添加 allow_dangerous_deserialization=Truereturn dbdef create_rag_chain(model, tokenizer, db):"""创建 RAG 链"""qa_chain = RetrievalQA.from_chain_type(llm=model,  #  这里的 llm 需要适配 langchain 的接口，需要做转换chain_type="stuff",  #  "stuff" 是最简单的 chain_type, 适合小文档retriever=db.as_retriever(search_kwargs={'k': 3}),  #  从向量数据库中检索最相关的 3 个文档return_source_documents=True,  #  返回源文档chain_type_kwargs={"prompt": prompt} # 使用自定义 prompt)return qa_chaindef generate_response(qa_chain, query):"""生成回复"""response = qa_chain({"query": query})return response["result"], response["source_documents"]# 自定义 Prompt
from langchain.prompts import PromptTemplate
prompt_template = """使用以下上下文来回答最后的问题。如果你不知道答案，就说你不知道，不要试图编造答案。
上下文：{context}
问题：{question}
有用的回答："""
prompt = PromptTemplate(template=prompt_template, input_variables=["context", "question"]
)if __name__ == "__main__":model, tokenizer = load_model()db = load_vector_db()#  适配 langchain 的 llm 接口from langchain.llms import HuggingFacePipelinefrom transformers import pipelinepipe = pipeline("text-generation",model=model,tokenizer=tokenizer,torch_dtype=torch.float16,device_map="auto",max_new_tokens=256,do_sample=True,top_p=0.9,temperature=0.7,num_return_sequences=1)llm = HuggingFacePipeline(pipeline=pipe)qa_chain = create_rag_chain(llm, tokenizer, db)print("欢迎使用 DeepSeek 7B Chat (RAG)！")print("输入 'exit' 退出对话。")while True:user_input = input("你: ")if user_input.lower() == "exit":print("感谢使用，再见！")breaktry:response, source_documents = generate_response(qa_chain, user_input)print("DeepSeek: " + response)print("\n来源文档:")for doc in source_documents:print(f"  - {doc.metadata['source']}")except Exception as e:print(f"发生错误: {e}")print("请检查你的输入和模型是否正确加载。")

MODEL_PATH: 替换为你的 DeepSeek 7B 模型路径。
DB_FAISS_PATH: 替换为你的向量数据库路径。
load_model(): 加载 DeepSeek 7B 模型和 tokenizer。
load_vector_db(): 加载 FAISS 向量数据库。
create_rag_chain(): 创建 RAG 链。
- RetrievalQA.from_chain_type(): 使用 LangChain 的 RetrievalQA 类创建 RAG 链。
- chain_type="stuff": 指定 chain type。 “stuff” 是最简单的 chain type，它将所有检索到的文档都塞到 prompt 中。适合小文档。对于大文档，可以考虑使用 “map_reduce” 或 “refine” 等 chain type。
- retriever: 使用 db.as_retriever() 创建 retriever。 search_kwargs={'k': 3} 表示从向量数据库中检索最相关的 3 个文档。
- return_source_documents=True: 返回源文档。
generate_response(): 生成回复。
自定义 Prompt: 使用 PromptTemplate 自定义 Prompt，让模型更好地利用上下文信息。
适配 langchain 的 llm 接口: 由于 RetrievalQA 需要 langchain 风格的 llm 接口，所以需要用 HuggingFacePipeline 包装一下 transformers 的 pipeline。
打印源文档: 在回复中打印源文档，方便验证信息的来源。

其他: 准备知识库文档

创建一个名为 data 的目录 (或者修改 DATA_PATH 变量)。
将你的 text, pdf, word 文档放到 data 目录中。

四、结果展示

首先运行 create_vector_db.py 创建向量数据库。
然后运行 chat_rag.py 启动对话进行测试。

问：

答：

【deepseek】本地部署+RAG知识库挂载+对话测试

文章目录前言一、Deepseek模型下载(以7B为例)二、RAG本地知识库挂载三、创建本地对话脚本四、结果展示前言本文主要涵盖Deepseek在ubuntu系统中的部署全流程，包括模型的下载、系统部署、本地文档向量化、向量列表存储、RAG知识库挂载、对话测试等内容一、Deeps…...

编程日记 2025/9/11 19:34:43

Vue.js 组件开发全面详解及应用案例

Vue.js 的组件化开发是其核心特性之一，使得代码复用、维护和扩展变得更加容易。以下是关于 Vue.js 组件开发的全面解析，并附带一个实际应用案例。一、组件基础概念 1. 什么是组件？ 组件是 Vue 应用的基本构建块，封装了 HTML、C…...

编程日记 2025/9/10 0:42:38

java面试场景问题

还在补充，这几天工作忙，闲了会把答案附上去，也欢迎各位大佬评论区讨论 1.不用分布式锁如何防重复提交方法 1：基于唯一请求 ID（幂等 Token） 思路：前端生成一个唯一的 requestId（…...

编程日记 2025/9/11 19:32:33

MySQL数据库基本概念

目录什么是数据库从软件角度出发从网络角度出发 MySQL数据库的client端和sever端进程 mysql的client端进程连接sever端进程 mysql配置文件 MySql存储引擎 MySQL的sql语句的分类数据库库的操作创建数据库不同校验规则对查询的数据的影响不区分大小写区…...

编程日记 2025/9/8 21:39:53

【wiki知识库】07.用户管理后端SpringBoot部分

目录一、今日目标二、??SpringBoot部分类的添加 2.1 使用逆向工程新增User模块 2.2 UserQueryParam添加 2.3 UserSaveParam添加 2.4 UserResetPasswordParam添加 2.5 UserQueryVo添加 2.6 SnowFlake工具类三、??后端新增接口? 3.1 /user/list接口添加 3.2 /…...

编程日记 2025/9/10 7:16:35

完成对html文档还有css的引入，引入一下数据： import { func } from prop-types import ./购物车样式.css import axios from axios import { useImmer } from use-immer import { useEffect } from reactfunction Item() {return (<li classNameacti…...

编程日记 2025/9/11 15:32:52

Junit框架缺点

JUnit 是 Java 生态中最流行的单元测试框架，广泛应用于单元测试和集成测试中。尽管它功能强大且易于使用，但也存在一些缺陷和局限性。以下是 JUnit 的主要缺点： 1. 功能相对固定问题：JUnit 的核心功能相对固定，缺乏灵…...

编程日记 2025/9/11 19:28:56

计算机毕业设计SpringBoot+Vue.js公司日常考勤系统(源码+文档+PPT+讲解)

温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！ 温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！ 温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！ 作者简介：Java领…...

编程日记 2025/9/8 14:22:48

Python线程池知多少

目录目标 Python版本官方文档概述线程池实战创建线程池的基本语法批量提交任务生产者&消费者模型目标掌握线程池的基本概念和使用方法。 Python版本 Python 3.9.18 官方文档 concurrent.futures — Launching parallel taskshttps://docs.python.org/3…...

编程日记 2025/9/11 19:30:02

MySQL数据库入门到大蛇尚硅谷宋红康老师笔记高级篇 part 6

从6到12章将会是重中之重,请一定好好看第06章_索引的数据结构 1.为什么使用索引索引是存储引擎用于快速找到数据记录的一种数据结构，就好比一本教课书的目录部分，通过目录中找到对应文章的页码，便可快速定位到需要的文章。MySQL中也是一…...

编程日记 2025/9/11 13:06:45

C++动态与静态转换区别详解

文章目录前言一、类型检查的时机二、安全性三、适用场景四、代码示例对比总结前言在 C 中，dynamic_cast 和 static_cast 是两种不同的类型转换操作符，主要区别体现在类型检查的时机、安全性和适用场景上。以下是它们的核心区别： 一、类…...

编程日记 2025/9/11 19:32:32

面向AI 的前端发展及初识大模型

AI带来的开发范式迁移随着AI的涌现，对前端的发展也有着非常大的影响，总结过去前端的发展路径，目前应该属于又一次的大规模的开发范式迁移阶段。上一个阶段是从jquery到React/Vue/Angular迁移（jquery之前的就不讨论了&#xff09…...

编程日记 2025/9/11 19:28:56

Java入门的基础学习

Java的基础语法知识一初始Java二 Java数据类型和变量1.字面常量2.数据类型基本数据类型引用数据类型 3.变量整型变量浮点型变量字符型变量布尔型变量 4.类型转化和提升类型转化类型提升三运算符1.算数运算符2.关系操作符3.逻辑运算符：&&，||&…...

编程日记 2025/9/10 17:41:46

万字详解 MySQL MGR 高可用集群搭建

文章目录 1、MGR 前置介绍 1.1、什么是 MGR1.2、MGR 优点1.3、MGR 缺点1.4、MGR 适用场景 2、MySQL MGR 搭建流程 2.1、环境准备2.2、搭建流程 2.2.1、配置系统环境2.2.2、安装 MySQL2.2.3、配置启动 MySQL2.2.4、修改密码、设置主从同步2.2.5、安装 MGR 插件 3、MySQL MGR 故…...

编程日记 2025/9/11 19:32:32

脚本无法获取响应主体（原因：CORS Missing Allow Credentials）

背景： 前端的端口号8080，后端8000。需在前端向后端传一个参数，让后端访问数据库去检测此参数是否出现过。涉及跨域请求，一直有这个bug是404文件找不到。在修改过程当中不小心删除了一段代码，出现了这个bug&#xff0…...

编程日记 2025/9/11 19:30:02

GD32F450 使用

GB32F450使用 1. 相关知识2. 烧写程序3. SPI3.1 spi基础3.2 spi代码 4. 串口4.1 串口引脚4.2 串口通信代码问题记录1. 修改晶振频率注意：GD32F450 总共有三种封装形式，本文所述的相关代码和知识，均为 GD32F450IX 系列。 1. 相关知识参数配…...

编程日记 2025/9/8 4:17:48

神经网络代码入门解析

神经网络代码入门解析 import torch import matplotlib.pyplot as pltimport randomdef create_data(w, b, data_num): # 数据生成x torch.normal(0, 1, (data_num, len(w)))y torch.matmul(x, w) b # 矩阵相乘再加bnoise torch.normal(0, 0.01, y.shape) # 为y添加噪声…...

编程日记 2025/9/6 3:21:40

Android 数据库查询对比（APN案例）

功能背景 APN 数据通常存储在数据库中，由TelephonyProvider提供。当用户进入APN设置界面时，Activity会启动，AOSP源码通过ContentResolver查询APN数据。关键分析点在于这个查询操作是否在主线程执行，因为主线程上的耗时操作会导致…...

编程日记 2025/9/11 19:31:41

神卓 S500 异地组网设备实现监控视频异地组网的详细步骤

一、设备与环境准备硬件清单主设备：神卓 S500 异地组网路由器 1子设备：神卓 S500 或兼容设备 N（需通过官网认证）监控设备：支持 RTSP/ONVIF 协议的 NVR、摄像头网络要求：各网点需稳定联网（推荐…...

编程日记 2025/9/9 1:49:15

golang安装(1.23.6)

1．切换到安装目录 cd /usr/local 2．下载安装包 wget https://go.dev/dl/go1.23.6.linux-amd64.tar.gz 3．解压安装包 sudo tar -C /usr/local -xzf go1.23.6.linux-amd64.tar.gz 4．配置环境变量 vi /etc/profile export PATH$…...

编程日记 2025/9/9 20:23:45

leetcode35.搜索插入位置

题目： 给定一个排序数组和一个目标值，在数组中找到目标值，并返回其索引。如果目标值不存在于数组中，返回它将会被按顺序插入的位置。请必须使用时间复杂度为 O(log n) 的算法。示例 1: 输入: nums [1,3,5,6], target 5 输出…...

编程日记 2025/9/9 19:23:45

LeetCode第57题_插入区间

LeetCode 第57题：插入区间题目描述给你一个无重叠的 ，按照区间起始端点排序的区间列表。在列表中插入一个新的区间，你需要确保列表中的区间仍然有序且不重叠（如果有必要的话，可以合并区间）。难度中…...

编程日记 2025/9/9 12:33:59

人工智能之数学基础：线性代数中矩阵的运算

本文重点矩阵的运算在解决线性方程组、描述线性变换等方面发挥着至关重要的作用。通过对矩阵进行各种运算，可以简化问题、揭示问题的本质特征。在实际应用中，我们可以利用矩阵运算来处理图像变换、数据分析、电路网络等问题。深入理解和掌握矩阵的运算，对于学习线性代数以…...

编程日记 2025/9/7 0:11:09

SQL Server 创建用户并授权

创建用户前需要有一个数据库，创建数据库命令如下： CREATE DATABASE [数据库名称]; CREATE DATABASE database1;一、创建登录用户方式1：SQL命令命令格式：CREATE LOGIN [用户名] WITH PASSWORD ‘密码’; 例如，创…...

编程日记 2025/9/7 7:01:57

MySQL双主搭建-5.7.35

文章目录上传并安装MySQL 5.7.35双主复制的配置实例一：172.25.0.19：实例二：172.25.0.20： 配置复制用户在实例 1 （172.25.0.19）上执行：在实例 2 （172.25.0.20）上执行&…...

编程日记 2025/9/8 19:16:31

RNN实现精神分裂症患者诊断（pytorch）

RNN理论知识 RNN（Recurrent Neural Network，循环神经网络） 是一种专门用于处理序列数据（如时间序列、文本、语音、视频等）的神经网络。与普通的前馈神经网络（如 MLP、CNN）不同，RNN…...

编程日记 2025/9/6 21:12:33

Python中字符串的常用操作

一、r原样输出在 Python 中，字符串前加 r（即 r"string" 或 rstring）表示创建一个原始字符串（raw string）。下面详细介绍原始字符串的特点、使用场景及与普通字符串的对比。特点忽略转义字符&#xff1…...

编程日记 2025/9/7 1:39:39

uniapp 本地数据库多端适配实例(根据运行环境自动选择适配器)

项目有个需求，需要生成app和小程序，app支持离线数据库，如果当前没有网络提醒用户开启离线模式，所以就随便搞了下，具体的思路就是： 一个接口和多个实现类（类似后端的模板设计模式）&am…...

编程日记 2025/9/9 10:29:26

Spring Cloud Gateway 整合Spring Security

做了一个Spring Cloud项目，网关采用 Spring Cloud Gateway，想要用 Spring Security 进行权限校验，由于 Spring Cloud Gateway 采用 webflux ，所以平时用的 mvc 配置是无效的，本文实现了 webflu 下的登陆校验。 1. Sec…...

编程日记 2025/9/6 18:11:13

【异地访问本地DeepSeek】Flask+内网穿透，轻松实现本地DeepSeek的远程访问

写在前面：本博客仅作记录学习之用，部分图片来自网络，如需引用请注明出处，同时如有侵犯您的权益，请联系删除！ 文章目录前言依赖Flask构建本地网页访问LM Studio 开启网址访问DeepSeek 调用模板Flask 访问本…...

编程日记 2025/9/10 8:51:07

Windows对比MacOS

Windows对比MacOS 文章目录 Windows对比MacOS1-环境变量1-Windows添加环境变量示例步骤 1：打开环境变量设置窗口步骤 2：添加系统环境变量 2-Mac 系统添加环境变量示例步骤 1：打开终端步骤 2：编辑环境变量配置文件步骤 3&#xff1…...

编程日记 2025/9/10 19:33:48

React实现无缝滚动轮播图

实现效果： 由于是演示代码，我是直接写在了App.tsx里面在文件位置如下： App.tsx代码如下： import { useState, useEffect, useCallback, useRef } from "react"; import { ImageContainer } from "./view/ImageC…...

编程日记 2025/9/9 9:53:19

Ubuntu20.04确认cuda和cudnn已经安装成功

当我们通过官网安装cuda和cudnn时，终端执行完命令后我们仍不能确定是否已经安装成功。接下来教大家用几句命令测试。 cuda 检测版本号 nvcc -V如果输出如下，则安装成功。可以看到版本号是11.2 cudnn检测版本号有两种命令：如果你的cudn…...

编程日记 2025/9/7 1:39:40

sqlilab 46 关（布尔、时间盲注）

sqlilabs 46关（布尔、时间盲注） 46关有变化了，需要我们输入sort，那我们就从sort1开始递增测试： 发现测试到sort4就出现报错： 我们查看源码： 从图中可看出：用户输入的sort值被用于查…...

编程日记 2025/9/3 21:49:21

AI时代保护自己的隐私

人工智能最重要的就是数据，让我们面对现实，大多数人都不知道他们每天要向人工智能提供多少数据。你输入的每条聊天记录，你发出的每条语音命令，人工智能生成的每张图片、电子邮件和文本。我建设了一个网站(haptool.com)&#xff0c…...

编程日记 2025/9/10 21:40:23

模型优化之强化学习（RL）与监督微调（SFT）的区别和联系

强化学习（RL）与监督微调（SFT）是机器学习中两种重要的模型优化方法，它们在目标、数据依赖、应用场景及实现方式上既有联系又有区别。想了解有关deepseek本地训练的内容可以看我的文章： 本地基于GGUF部署的…...

编程日记 2025/9/9 1:55:17

Buildroot 添加自定义模块-内置文件到文件系统

目录概述实现步骤1. 创建包目录和文件结构2. 配置 Config.in3. 定义 cp_bin_files.mk4. 添加源文件install.shmy.conf 5. 配置与编译概述 Buildroot 是一个高度可定制和模块化的嵌入式 Linux 构建系统，适用于从简单到复杂的各种嵌入式项目. buildroot的源码中bui…...

编程日记 2025/9/10 21:14:40

蓝牙接近开关模块感应开锁手机靠近解锁支持HID低功耗

ANS-BT101M是安朔科技推出的蓝牙接近开关模块，低功耗ble5.1，采用UART通信接口，实现手机自动无感连接，无需APP，人靠近车门自动开锁，支持苹果、安卓、鸿蒙系统，也可以通过手机手动开锁或上锁&…...

编程日记 2025/9/10 17:07:12

计算机毕业设计SpringBoot+Vue.js基于工程教育认证的计算机课程管理平台(源码+文档+PPT+讲解)

编程日记 2025/9/7 4:14:56

企业知识库搭建：14款开源与免费系统选择

本文介绍了以下14 款知识库管理系统：1.Worktile；2.PingCode；3.石墨文档； 4. 语雀； 5. 有道云笔记； 6. Bitrix24； 7. Logseq等。在如今的数字化时代，企业和团队面临着越来越多的信息…...

编程日记 2025/9/9 6:08:31

蓝桥杯（握手问题）

小蓝组织了一场算法交流会议，总共有 50 人参加了本次会议。在会议上，大家进行了握手交流。按照惯例他们每个人都要与除自己以外的其他所有人进行一次握手 (且仅有一次)。但有 7个人，这 7 人彼此之间没有进行握手 (但这 7 人与除这 7 人以外…...

编程日记 2025/9/8 16:55:37

如何使用 Jenkins 实现 CI/CD 流水线：从零开始搭建自动化部署流程

如何使用 Jenkins 实现 CI/CD 流水线：从零开始搭建自动化部署流程在软件开发过程中，持续集成（CI）和持续交付（CD）已经成为现代开发和运维的标准实践。随着代码的迭代越来越频繁，传统的手动部署方式不仅低效，而且容易出错。为了提高开发效率和代码质量，Jenkins作为一款…...

编程日记 2025/9/8 5:20:57

c++字符编码/乱码问题

基本概念 c11版本引入了char16_t和char32_t两个类型，他们的特点分别如下： char16_t 16位的unicode字符类型用于表示UTF-16编码大小：2字节字面量前缀：u char32_t 32位unicode字符类型用于表示UTF-32编码大小：4字节…...

编程日记 2025/9/5 10:24:36

侯捷 C++ 课程学习笔记：深入理解类与继承

文章目录每日一句正能量一、课程背景二、学习内容：类与继承（一）类的基本概念1. 类的定义与实例化2. 构造函数与析构函数 （二）继承1. 单继承与多继承2. 虚函数与多态三、学习心得四、总结每日一句正能量有种承担&am…...

编程日记 2025/9/10 21:30:48

初始化列表

一：声明，定义，赋值的区别 ①：声明这里，int _year; int _month;int _day; 是成员变量的声明，它们告诉编译器： 类 Date中有三个成员变量_year和 _month和_day。它们的类型分别都是 int 此…...

编程日记 2025/9/7 19:08:53

7.1 - 定时器之中断控制LED实验

文章目录 1 实验任务2 系统框图3 软件设计 1 实验任务本实验任务是通过CPU私有定时器的中断，每 200ms 控制一次PS LED灯的亮灭。 2 系统框图 3 软件设计注意事项： 定时器中断在收到中断后，只需清除中断状态，无需禁用中断、启…...

编程日记 2025/9/6 20:46:37

Pytest之fixture的常见用法

文章目录 1.前言2.使用fixture执行前置操作3.使用conftest共享fixture4.使用yield执行后置操作 1.前言在pytest中，fixture是一个非常强大和灵活的功能，用于为测试函数提供固定的测试数据、测试环境或执行一些前置和后置操作等， 与setup和te…...

编程日记 2025/9/11 0:11:27

【分库分表】基于mysql+shardingSphere的分库分表技术

目录 1.什么是分库分表 2.分片方法 3.测试数据 4.shardingSphere 4.1.介绍 4.2.sharding jdbc 4.3.sharding proxy 4.4.两者之间的对比 5.留个尾巴 1.什么是分库分表分库分表是一种场景解决方案，它的出现是为了解决一些场景问题的，哪些场景喃…...

编程日记 2025/9/6 21:22:49