当前位置: 首页 > news >正文

北京大学DeepSeek提示词工程与落地场景(PDF无套路免费下载)

近年来,大模型技术飞速发展,但许多用户发现:即使使用同一款 AI 工具,效果也可能天差地别——有人能用 AI 快速生成精准方案,有人却只能得到笼统回答。这背后的关键差异,在于提示词工程的应用能力。

北京大学联合 DeepSeek 团队推出的《DeepSeek 提示词工程与落地场景》教程,正是为了解决这一痛点,通过系统化的方法论和丰富的案例,帮助用户解锁 AI 的真正潜力。

《DeepSeek 提示词工程与落地场景》PDF下载:https://pan.quark.cn/s/5fe658c73ecf

本文将深度解析这份教程的核心内容,揭示其在 AI 应用领域的独特价值。


一、教程全景:从底层逻辑到实战应用

这份教程以"实用主义"为核心,构建了"认知-方法-实践"的三层知识体系:

1. 认知层:为什么选择DeepSeek?

  • 推理能力突破:在数学、编程等复杂任务中,DeepSeek-R1 的准确率已接近 OpenAI o1,且思考过程可视化,让用户能清晰追踪 AI 的推理路径。

  • 普惠性优势:通过混合专家(MOE)架构和蒸馏技术,训练成本仅 5557 万元,API 价格是行业均价的 1/10,真正实现"平民化 AI"。

  • 国产化突围:将中美大模型代差从 3-5 年缩短至 3-5 个月,突破"卡脖子"技术瓶颈。

2. 方法层:如何高效使用DeepSeek?

  • 接入方式:网页端、APP、第三方平台(腾讯元宝、秘塔搜索等)及私有化部署,覆盖从个人到企业的全场景需求。

  • 提示词技巧:提出"真诚直接""通用公式""反向 PUA"等七大方法论,将专业对话转化为"说人话"。

  • 避坑指南:针对AI生成内容常见的"机械感强""逻辑跳跃"等问题,提供"去 AI 味儿"的专项解决方案。

3. 实践层:DeepSeek能做什么?

  • 覆盖 8 大核心场景:编程开发、数据分析、市场营销、教育辅导、医学诊断、电商运营等。

  • 提供 200+ 案例模板:从"5分钟生成PPT"到"病理鉴别诊断",每个案例均附带可复用的提示词公式。

教程的独特之处在于:它不仅是技术说明书,更是一份AI时代的沟通指南,教会用户如何用自然语言与机器高效协作。


二、核心突破:提示词工程的七大法则

1. 真诚是必杀技:从"角色扮演"到"需求直击"

传统提示词常要求AI扮演专家角色,但教程指出:直接说明真实意图更高效。例如:

  • 低效指令:"你现在是市场分析师,请撰写行业报告"

  • 高效指令:"帮我把这份数据包装成老板爱看的周报,他特别关注成本下降和竞品对比"

2. 万能公式:任务+目标+背景+限制

教程提炼出通用提示词结构,例如旅游规划需求:

我要为父母设计日本20日游,他们腿脚不便,
希望行程轻松且有文化体验,预算控制在人均2万。

通过明确"任务(旅游规划)""目标(轻松+文化)""背景(老年人)""限制(预算)",模型输出的攻略会细化到每日步行数控制和代步车租赁建议。

3. 反向PUA:让AI自我批判

通过要求AI"先列出10个反对理由""模拟老板视角挑刺",可显著提升方案严谨性。例如在活动策划中:

如果你是公司CEO,会如何批评这个促销方案?
请从成本、风险和可行性三方面提出质疑。

4. 语言降维:把专业术语翻译成"人话"

在学术或技术场景中,追加"说人话"指令,可将复杂概念转化为生活化比喻。如解释"波粒二象性":

用大白话解释:光到底是粒子还是波?
举例说明不同实验中的表现差异。

5. 风格模仿:复制人类表达精髓

通过提供范文或指定模仿对象(如"仿照罗永浩的带货风格"),AI能快速掌握特定语言风格。教程中展示了如何用"笑死"句式触发DeepSeek的幽默模式,生成带吐槽性质的行业锐评。

6. 思维链激发:让AI"多想一想"

在提示词末尾添加:

请展示思考过程,并对结论进行三轮自我验证。

可使输出内容逻辑更严密,减少"幻觉"(错误答案)。

7. 去AI化:消除机械感

通过指令调整:

删除过渡词,使用短句,替换术语为日常词汇。

能将生硬的AI文本转化为自然口语,适用于公文写作、营销文案等场景。


三、落地实践:从职场到生活的全能助手

1. 专业场景提效:告别996的加班日常

  • 编程开发:生成带异常处理的Python代码,自动编写单元测试,将算法从O(n²)优化至O(n logn)。

  • 数据分析:自动识别销售数据中的增长机会与风险,生成带可视化图表的研究报告。

  • 市场营销:5分钟产出直播话术脚本,设计价格锚点和留人策略,转化率提升300%。

2. 教育与学术:AI导师的精准辅导

  • 论文辅助:从选题、文献综述到方法设计,全流程指导学术写作,提供符合Nature期刊格式的润色服务。

  • 教学创新:按布鲁姆认知分类生成分层习题,自动批改作业并给出解题思路。

  • 医学诊断:根据症状生成鉴别诊断列表,按ICD-11标准标注检查建议,辅助临床思维训练。

3. 商业创新:小微企业的智能外脑

  • 电商运营:自动生成详情页文案,通过"痛点爆破+实验对比+用户证言"构建信任链条。

  • 内容创作:融合平台热点基因,设计数据化分镜脚本,打造高完播率短视频。

  • 品牌策划:用"挑战-突破-新生"三幕剧结构撰写品牌故事,将产品功能升华为精神符号。

4. 生活服务:智能管家的贴心关怀

  • 家庭财务:根据收入支出定制预算方案,对比教育金定投与货币基金收益差异。

  • 健康管理:为健身小白设计每周运动计划,结合体质推荐低卡食谱。

  • 娱乐休闲:生成融合赛博朋克与敦煌元素的服装设计,策划家庭元宵灯谜活动。


四、教程优势:AI普惠时代的导航图

1. 系统化知识体系

  • 从技术原理(如MOE架构、强化学习)到应用技巧(提示词公式、避坑指南),构建完整学习路径。

  • 配套《人工智能通识教程》和B站视频资源,满足多维度学习需求。

2. 场景驱动设计

  • 200+案例覆盖主流行业,每个案例提供"需求分析-提示词设计-输出示例"全流程演示。

  • 区分个人用户与企业级应用,既有"5分钟PPT"的轻量工具,也有"病理诊断模型"的专业方案。

3. 批判性思维培养

  • 在肯定AI价值的同时,强调"人工验证"的重要性,提供幻觉识别与结果修正的方法。

  • 通过"反向PUA""多轮复盘"等技巧,引导用户与AI建立平等协作关系。

4. 本土化实践导向

  • 针对中文表达特点优化提示词策略,在公文写作、电商详情页等场景中展现母语优势。

  • 深入分析国内互联网生态(如微信、抖音),提供平台特调适配方案。


五、未来展望:人与AI的共生之道

教程以"人机智能共振"收尾,提出三个核心观点:

  1. AI不是替代者,而是放大器:通过提示词工程,普通人也能调用专家级思维模型。

  2. 技术伦理不可忽视:在医疗、法律等敏感领域,需建立人工审核机制,防范数据偏见与隐私风险。

  3. 持续进化是唯一出路:每月更新工具清单,掌握"AI驯化"技能,将成为未来核心竞争力。

DeepSeek的崛起,标志着AI技术从"拼参数"进入"拼应用"的新阶段。这份教程的价值,不仅在于教会用户使用工具,更在于重塑人机协作的思维方式——当我们学会用自然语言精准表达需求时,AI将真正成为触手可及的"全能助手"。

在这个技术平权的时代,每个人都可以是AI的主宰者。

相关文章:

北京大学DeepSeek提示词工程与落地场景(PDF无套路免费下载)

近年来,大模型技术飞速发展,但许多用户发现:即使使用同一款 AI 工具,效果也可能天差地别——有人能用 AI 快速生成精准方案,有人却只能得到笼统回答。这背后的关键差异,在于提示词工程的应用能力。 北京大…...

SSH密码更改

Windows User目录下的.ssh/config,全部删除 linux 在主用户文件夹,ctrlh显示隐藏文件。删除.shh文件夹内所有文件。...

蓝桥备赛(四)- 数组(下)

一 、 字符数组 1.1 介绍 数组的元素如果是字符类型 , 这种数组就是字符数组 , 字符数组可以是一维数组 , 可以是二维数组 (多维数组)。 接下来主要讨论一维的字符数组 : char arr1[5] //一维数组 char arr2[3][5] // 二维数组 C语言 中…...

基金 word-->pdf图片模糊的解决方法

1. 首先需要Adobe或福昕等pdf阅读器。 2. word中 [文件]--[打印],其中打印机选择pdf阅读器,例如此处我选择福昕阅读器。 3. 选择 [打印机属性]--[编辑]--[图像],将所有的采样、压缩均设置为 关闭。点击[另存为],保存为 基金报告…...

身为小兵,如何提升不可替代性?

之前聊过,研发、PIE、PE、可靠性等岗位,主要是对物的工作, 这类岗位,如何提升不可替代性? 我的经验是,学会识别创造性工作or重复性工作。 尽可能地做创造性工作,推重复性工作。 销售、采购、HR等岗位,主要是对人的工作, 这类岗位,如何提升不可替代性? 我的思考…...

easyExcel使用案例有代码

easyExcel 入门,完成web的excel文件创建和导出 easyExcel官网 EasyExcel 的主要特点如下: 1、高性能:EasyExcel 采用了异步导入导出的方式,并且底层使用 NIO 技术实现,使得其在导入导出大数据量时的性能非常高效。 2、易于使…...

linux服务器更新jar包脚本

【需求】Java每次发布新的版本都需要先kill掉原来的服务,然后再启动新的包 有了这个脚本只需要把包替换掉,服务会自动kill 以8184 为例 完整的脚本如下 #!/bin/bash# 检查端口 8184 是否被占用 PORT8184 PID$(lsof -t -i:$PORT)if [ -n "$PID…...

Tomcat 乱码问题彻底解决

1. 终端乱码问题 找到 tomcat 安装目录下的 conf —> logging.properties .修改ConsoleHandler.endcoding GBK (如果在idea中设置了UTF-8字符集,这里就不需要修改) 2. CMD命令窗口设置编码 参考:WIN10的cmd查看编码方式&…...

dify绑定飞书多维表格

dify 绑定飞书和绑定 notion 有差不多的过程,都需要套一层应用的壳子,而没有直接可以访问飞书文档的 API。本文记录如何在dify工具中使用新增多条记录工具。 创建飞书应用 在飞书开放平台创建一个应用,个人用户创建企业自建应用。 自定义应…...

深入浅出:插入排序算法完全解析

1. 什么是插入排序? 插入排序(Insertion Sort)是一种简单的排序算法,其基本思想与我们整理扑克牌的方式非常相似。我们将扑克牌从第二张开始依次与前面已排序的牌进行比较,将其插入到合适的位置,直到所有牌…...

MySQL--DQL、DML、DDL、DCL概念与区别

在SQL中,根据功能和操作对象的不同,通常将语文分为四大类:DQL(数据查询语言)、DML(数据操作语言)、DDL(数据定义语言)、DCL(数据控制语言) 一、D…...

【设计原则】里氏替换原则(LSP):构建稳健继承体系的黄金法则

深入理解里氏替换原则(LSP)及其在C#中的实践 一、什么是里氏替换原则?二、为什么需要LSP?三、经典违反案例:矩形与正方形问题四、正确的设计实践方案1:通过接口分离方案2:使用抽象类 五、LSP的关…...

SQL的select语句完整的执行顺序

SQL的SELECT语句的执行顺序可以用"做菜流程"来类比理解。虽然我们写SQL时按SELECT…FROM…WHERE…顺序写,但数据库执行顺序完全不同。以下是通俗易懂的讲解(附流程图和示例): 🔧 执行顺序流程图&#xff1a…...

【Vue3】浅谈setup语法糖

Vue3 的 setup 语法糖是通过 <script setup> 标签启用的特性&#xff0c;它是对 Composition API 的进一步封装&#xff0c;旨在简化组件的声明式写法&#xff0c;同时保留 Composition API 的逻辑组织能力。以下是其核心概念和原理分析&#xff1a; 一、<script setu…...

算法-二叉树篇27-把二叉搜索树转换为累加树

把二叉搜索树转换为累加树 力扣题目链接 题目描述 给出二叉 搜索 树的根节点&#xff0c;该树的节点值各不相同&#xff0c;请你将其转换为累加树&#xff08;Greater Sum Tree&#xff09;&#xff0c;使每个节点 node 的新值等于原树中大于或等于 node.val 的值之和。 提…...

FPGA开发,使用Deepseek V3还是R1(3):系统级与RTL级

以下都是Deepseek生成的答案 FPGA开发&#xff0c;使用Deepseek V3还是R1&#xff08;1&#xff09;&#xff1a;应用场景 FPGA开发&#xff0c;使用Deepseek V3还是R1&#xff08;2&#xff09;&#xff1a;V3和R1的区别 FPGA开发&#xff0c;使用Deepseek V3还是R1&#x…...

《国密算法开发实战:从合规落地到性能优化》

前言 随着信息技术的飞速发展,信息安全已成为全球关注的焦点。在数字化时代,数据的保密性、完整性和可用性直接关系到国家、企业和个人的利益。为了保障信息安全,密码技术作为核心支撑,发挥着至关重要的作用。国密算法,即国家密码算法,是我国自主设计和推广的一系列密码…...

DeepSeek开源周Day5压轴登场:3FS与Smallpond,能否终结AI数据瓶颈之争?

2025年2月28日&#xff0c;DeepSeek开源周迎来了第五天&#xff0c;也是本次活动的收官之日。自2月24日启动以来&#xff0c;DeepSeek团队以每天一个开源项目的节奏&#xff0c;陆续向全球开发者展示了他们在人工智能基础设施领域的最新成果。今天&#xff0c;他们发布了Fire-F…...

Linux:进程替换

目录 进程程序替换 替换原理 进程替换相关函数 环境变量与进程替换函数 命令行解释器(my_xshell) 进程程序替换 上一篇进程控制讲到&#xff0c;父进程创建子进程就是为了让子进程去做一些另外的事情&#xff0c;但是不管怎么说&#xff0c;子进程的部分代码也还是父进程…...

CSS 日常开发常用属性总结

文章目录 CSS 日常开发常用属性总结一、 常用 CSS 属性1、布局相关&#xff08;1&#xff09;display&#xff1a;&#xff08;2&#xff09;position&#xff1a;&#xff08;3&#xff09;float&#xff1a;&#xff08;4&#xff09;clear&#xff1a; 2、尺寸与溢出&#x…...

Python 绘制迷宫游戏,自带最优解路线

1、需要安装pygame 2、上下左右移动&#xff0c;空格实现物体所在位置到终点的路线&#xff0c;会有虚线绘制。 import pygame import random import math# 迷宫单元格类 class Cell:def __init__(self, x, y):self.x xself.y yself.walls {top: True, right: True, botto…...

了解Java集合的概念和体系:Collection<T>、Collections与Stream的使用

学习目标 本文知识是对集合层级的介绍&#xff0c;应用开发中实际使用的是他们的子级&#xff0c;感兴趣的小伙伴或者想深入了解有关Java集合知识的朋友可以选择阅读&#xff01; Stream的方法使用使用部分代码块内大多有两种实现方式&#xff0c;是为了更好的理解方法底层的代…...

扫描局域网可用端口

site: https://mengplus.top #SiliconFlow : 在Linux系统&#xff0c;你可以使用一个简单的Bash脚本来扫描局域网中可用的端口。这个脚本可以使用nmap工具来实现。nmap是一个强大的网络扫描工具&#xff0c;可以用来探测网络中的主机和端口。 以下是一个简单的Bash脚本&#…...

算法分析 —— 《栈》

文章目录 删除字符串中的所有相邻重复项题目描述&#xff1a;代码实现&#xff1a;代码解析&#xff1a; 比较含退格的字符串题目描述&#xff1a;代码实现&#xff1a;代码解析&#xff1a; [基本计算器 II](https://leetcode.cn/problems/remove-all-adjacent-duplicates-in-…...

693. 交替位二进制数

交替位二进制数 题目描述尝试做法推荐做法 题目描述 给定一个正整数&#xff0c;检查它的二进制表示是否总是 0、1 交替出现&#xff1a;换句话说&#xff0c;就是二进制表示中相邻两位的数字永不相同。 示例 1&#xff1a; 输入&#xff1a;n 5 输出&#xff1a;true 解释…...

uniapp中使用leaferui使用Canvas绘制复杂异形表格的实现方法

需求&#xff1a; 如下图&#xff0c;要实现左图的样式&#xff0c;先实现框架&#xff0c;文字到时候 往里填就行了&#xff0c;原来的解决方案是想用css,html来实现&#xff0c;发现实现起来蛮麻烦的。我也没找到合适的实现方法&#xff0c;最后换使用canvas来实现&#xff…...

Java 反射(Reflection)的原理和应用

反射&#xff08;Reflection&#xff09;是 Java 语言的一项强大功能&#xff0c;它允许程序在运行时动态地获取类的信息&#xff0c;并且可以操作这些信息&#xff0c;如创建对象、调用方法、访问字段等。反射机制的核心在于 Java 的 类加载机制 和 动态类型检查&#xff0c;使…...

Linux top 常用参数记录

top命令经常用来监控linux的系统状况&#xff0c;能实时显示系统中各个进程、线程的资源占用情况&#xff0c;是常用的性能分析工具。 一些常用参数记录 top的使用方式 top [-d number] | top [-bnp] # 5s 更新一次 top -d 5# 进行2次top命令的输出结果 top -n 2# 查看进程的…...

hive之LEAD 函数详解

1. 函数概述 LEAD 是 Hive 中的窗口函数&#xff0c;用于获取当前行之后指定偏移量处的行的值。常用于分析时间序列数据、计算相邻记录的差异或预测趋势。 2. 语法 LEAD(column, offset, default) OVER ([PARTITION BY partition_column] [ORDER BY order_column [ASC|DESC]…...

Element Plus中el-tree点击的节点字体变色加粗

el-tree标签设置 <el-tree class"tree":data"treeData":default-expand-all"true":highlight-current"true"node-click"onTreeNodeClick"><!-- 自定义节点内容&#xff0c;点击的节点字体变色加粗 --><!-- 动…...

.gitignore 设置后不见效的解决方法中,方案一就可以了

遇到的问题&#xff1a;你的 .gitignore 文件中包含了 unpackage/ 目录&#xff0c;但它不起作用的原因可能有以下几个&#xff1a; 1. 文件或目录已经被 Git 跟踪 .gitignore 只能忽略 未被 Git 追踪 的文件或目录。如果 unpackage/ 目录已经被提交到 Git 版本库中&#xff…...

git提交管理

git提交管理 scoop install nodejs # windows npm install --save-dev commitlint/config-conventional commitlint/cli # non-windows npm install --save-dev commitlint/{cli,config-conventional} # windows将commitlint.config.js修改为utf8编码, 默认utf16编码 echo &qu…...

DeepSeek八大组合软件,效率加倍

DeepSeek王炸组合&#xff1a;开启2025年高效工作与创意新时代 在科技飞速发展的2025年&#xff0c;人工智能和各类工具的融合正不断重塑我们的工作与生活方式。DeepSeek作为一款强大的工具&#xff0c;与众多应用组成的王炸组合&#xff0c;展现出了令人瞩目的能力。今天&…...

TCP和UDP比较

以下是 TCP&#xff08;传输控制协议&#xff09; 和 UDP&#xff08;用户数据报协议&#xff09; 的详细对比&#xff0c;涵盖核心特性、应用场景及技术差异&#xff1a; 1. 核心特性对比 特性TCPUDP连接方式面向连接&#xff08;需三次握手建立连接&#xff09;无连接&#…...

【实战篇】【深度解析DeepSeek:从机器学习到深度学习的全场景落地指南】

一、机器学习模型:DeepSeek的降维打击 1.1 监督学习与无监督学习的"左右互搏" 监督学习就像学霸刷题——给标注数据(参考答案)训练模型。DeepSeek在信贷风控场景中,用逻辑回归模型分析百万级用户数据,通过特征工程挖掘出"凌晨3点频繁申请贷款"这类魔…...

Postgresql高可用之Pacemaker+Corosync

简介 Pacemaker 是 ClusterLabs 开源高可用性集群堆栈的资源管理器。它协调配置、启动、监控和跨所有集群节点恢复相互关联的服务。在这套高可用架构用会用到Pacemaker、Corosync以下是对其功能作用的说明。 Corosync &#xff1a;主要负责 集群通信和成员管理&#xff0c;它用…...

智能成绩表

智能成绩表 真题目录: 点击去查看 E 卷 100分题型 题目描述 小明来到学校当老师,需要将学生按考试总分或单科分数进行排名,你能帮帮他吗? 输入描述 第 1 行输入两个整数,学生人数 n 和科目数量 m。 0 < n < 1000 < m < 10第 2 行输入 m 个科目名称,彼此之…...

制作安装win10系统U盘详细步骤

https://www.microsoft.com/zh-cn/software-download/windows10 ①微软官方链接&#xff0c;下载工具 ②下载之后&#xff0c;点击鼠标右键用管理员身份运行 ③等待几分钟 ④出现许可条款点击接受 ⑤点击为另一台电脑安装介质&#xff0c;然后下一步 ⑥根据需要选择版本。 体系…...

【RAG】Embeding 和 Rerank学习笔记

Q: 现在主流Embeding模型架构 在RAG&#xff08;Retrieval-Augmented Generation&#xff09;系统中&#xff0c;嵌入模型&#xff08;Embedding Model&#xff09; 是检索阶段的核心组件&#xff0c;负责将查询&#xff08;Query&#xff09;和文档&#xff08;Document&#…...

华为 Open Gauss 数据库在 Spring Boot 中使用 Flyway

db-migration&#xff1a;Flyway、Liquibase 扩展支持达梦&#xff08;DM&#xff09;、南大通用&#xff08;GBase 8s&#xff09;、OpenGauss 等国产数据库。部分数据库直接支持 Flowable 工作流。 开源代码仓库 Github&#xff1a;https://github.com/mengweijin/db-migrat…...

B/B+树与mysql索引

数据结构操作网站&#xff1a;https://www.cs.usfca.edu/~galles/visualization/Algorithms.html B树 算法平均最差空间O(n)O(n)搜索O(log n)O(log n)插入O(log n)O(log n)删除O(log n)O(log n) B树 算法平均最差空间O(n)O(n)搜索O(log n)O(log n)插入O(log n)O(log n)删除O(…...

心智模式与企业瓶颈突破

“是环境限制了你&#xff0c;还是你的心智模式&#xff1f;” 当企业发展遇到瓶颈&#xff0c;我们习惯于找外部原因&#xff1a;经济不好、竞争加剧、资源不够、市场环境变化快 可现实是&#xff0c;在同样的市场环境下&#xff0c;总有企业逆势增长&#xff0c;而有些企业只…...

介绍微信小程序中页面的生命周期函数和组件的生命周期函数

1.1 页面生命周期函数 这些函数主要用于管理页面的显示和隐藏。 onLoad(options): 页面加载时触发&#xff0c;options 是页面路由参数&#xff0c;可以在这里初始化数据。每当用户进入该页面时都会调用这个函数。 onShow(): 页面显示时触发。每当页面从后台切换到前台时都会…...

网络运维学习笔记(DeepSeek优化版)009网工初级(HCIA-Datacom与CCNA-EI)路由理论基础与静态路由

文章目录 路由理论基础核心概念路由表六要素路由选路原则加表规则选路优先级 协议与参数常见协议号路由协议优先级对比 网络架构基础AS&#xff08;autonomous system&#xff0c;自治系统&#xff09;路由分类 静态路由(static routing)实验拓扑思科配置示例华为配置示例 典型…...

基于微信小程序的疫情互助平台(源码+lw+部署文档+讲解),源码可白嫖!

摘要 时代在飞速进步&#xff0c;每个行业都在努力发展现在先进技术&#xff0c;通过这些先进的技术来提高自己的水平和优势&#xff0c;从2019年底新型冠状肺炎疫情的爆发以来&#xff0c;使很多工作的管理工作难度再上一层楼。为了在疫情期间能更好的维护信息管理&#xff0…...

【SRC实战】小游戏漏洞强制挑战

小游戏业务分析: 1、挑战成功加分&#xff0c;失败减分&#xff0c;存在段位机制&#xff0c;段位影响榜单排名 2、随机推荐挑战对象&#xff0c;随着等级升高不再推荐低等级玩家 3、玩家等级需要培养&#xff0c;培养需要道具&#xff0c;道具需要看广告/完成任务/付费 4、…...

阿里云轻量级服务器通过宝塔安装PgVector要点

设置环境变量&#xff1a; export PG_HOME/www/server/pgsql export LD_LIBRARY_PATH$LD_LIBRARY_PATH:/www/server/pgsql/lib export PG_CONFIG/www/server/pgsql/bin/pg_config export PGDATA/www/server/pgsql/data PATH$PATH:$HOME/.local/bin:$HOME/bin:$PG_HOME/bin ali…...

安装 Windows Docker Desktop - WSL问题

一、关联文章: 1、Docker Desktop 安装使用教程 2、家庭版 Windows 安装 Docker 没有 Hyper-V 问题 3、打开 Windows Docker Desktop 出现 Docker Engine Stopped 问题 二、问题解析 打开 Docker Desktop 出现问题,如下: Docker Desktop - WSL update failed An error o…...

基于SpringBoot和PostGIS的省域“地理难抵点(最纵深处)”检索及可视化实践

目录 前言 1、研究背景 2、研究意义 一、研究目标 1、“地理难抵点”的概念 二、“难抵点”空间检索实现 1、数据获取与处理 2、计算流程 3、难抵点计算 4、WebGIS可视化 三、成果展示 1、华东地区 2、华南地区 3、华中地区 4、华北地区 5、西北地区 6、西南地…...

神经网络之RNN和LSTM(基于pytorch-api)

1.RNN 1.1简介 RNN用于处理序列数据。在传统的神经网络模型中&#xff0c;是从输入层到隐含层再到输出层&#xff0c;层与层之间是全连接的&#xff0c;每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题却无能无力。例如&#xff0c;你要预测句子的下一个单词是…...