人工智能AI在汽车设计领域的应用探索
我是穿拖鞋的汉子，魔都中坚持长期主义的汽车电子工程师。
老规矩，分享一段喜欢的文字，避免自己成为高知识低文化的工程师：
简单，单纯，喜欢独处，独来独往，不易合同频过着接地气的生活，除了生存温饱问题之外，没有什么过多的欲望，表面看起来很高冷，内心热情，如果你身边有这样灵性的人，一定要好好珍惜他们眼中有神有光，干净，给人感觉很舒服，有超强的感知能力有形的无形的感知力很强，能感知人的内心变化喜欢独处，好静，清静，享受孤独，不打扰别人不喜欢被别人打扰，在自己人世界里做着自己喜欢的事。
时间不知不觉中，来到新的一年。2024结束，2025开始新的忙碌。成年人的我也不知道去哪里渡自己的灵魂，独自敲击一些文字算是对这段时间做一个记录。
一、汽车设计人工智能AI基础技术
自动驾驶技术是汽车人工智能领域的重要应用之一。它基于传感器融合、高精度地图、定位技术、路径规划与控制等技术，使汽车能够在没有人类驾驶员干预的情况下自动行驶。自动驾驶技术通常根据SAE标准分为不同的级别，从L1级的辅助驾驶到L5级的完全自动驾驶。
1、 场景技术——数字孪生
车企全要素的数字孪生与流程数智化确实是汽车设计AIGC场景实现的重要基础。这两者的结合为汽车设计带来了前所未有的变革，使得设计过程更加高效、精准和智能化。
数字孪生技术为汽车设计AIGC的实现提供了坚实的数据基础。这一技术通过数字化手段对物理系统进行全面、准确、实时的映射，构建出一个与真实世界高度相似的虚拟模型。这个虚拟模型不仅能够反映物理系统的物理参数，如车辆状态、性能和安全性，还能够捕捉和表达各种非物理参数，如用户体验、需求和偏好等。这使得设计师能够在虚拟环境中对汽车进行全面、深入的分析和优化，而无需依赖实际的物理原型。
在汽车设计AIGC场景中，数字孪生技术的应用尤为关键。通过数字孪生技术，设计师可以创建出汽车的数字原型，并在这个原型上进行各种设计尝试和优化。AIGC技术则能够利用这些数字原型和相关的数据，生成出创新、符合用户需求的设计方案。这种结合不仅提高了设计效率，还大大缩短了设计周期，使得汽车产品能够更快地推向市场。
此外，数字孪生技术还能够实现汽车全生命周期的监控、预测和优化。这意味着从设计、制造到运行维护的每一个环节，都可以通过数字孪生技术进行精准的模拟和预测，从而进一步提高汽车的质量和性能。
正如智能驾驶正在实现“用车人”的数字孪生一样，汽车设计AIGC也在逐步实现“造车人”的数字孪生。这意味着设计师和工程师可以通过数字孪生技术，将自己的设计理念、经验和技能转化为数字化的知识和模型，从而更加高效地进行汽车设计。这种数字化的转变将使得汽车设计更加智能化、个性化和可持续化。
实例化：数字孪生作为AIGC的数据基座
1、多维数据融合架构
-> 物理参数层：整合CAD/CAE数据流（如特斯拉Cybertruck的30TB级仿真数据集）
-> 行为参数层：捕捉用户交互数据（如蔚来NOMI记录的500万+小时语音交互日志）
-> 环境参数层：构建高精动态环境模型（如Waymo的4D雷达点云重建技术）
-> 认知参数层：通过NLP解析10万+用户评论形成设计需求图谱
2、实时反馈闭环
-> 宝马iFACTORY通过5G+边缘计算实现每秒10万+数据点的实时回传
-> 数字孪生体与物理样机的误差率控制在0.05mm以内（保时捷Taycan开发数据）
-> AI设计系统每小时接收3000+次仿真测试反馈，形成动态优化流
3、知识沉淀机制
-> 一汽NKL VEHAITM模型内嵌20万+工程设计规则
-> 通过对抗生成网络（GAN）创建10万+种极端工况虚拟测试场景
-> 专家决策路径被编码为可调用的参数化策略（如上汽大众焊装工艺知识图谱）
流程是促进数据在AIGC中发挥作用的工具载体， 也是汽车开发AI Agent实现的基础。 流程数智化就是通过数字化的手段对业务流程进行实时、 在线的管理。 汽车本身是一个复杂的装备系统， 其开发过程涉及多个专业领域， 需要上下游部门之间的高度协同， 而传统的管理方式往往因为沟通不畅、 信息传递不及时而导致开发效率低下、 质量问题频发。 流程的数智化恰恰解决了这一问题。
通过数智化平台， 不同部门、 不同专业领域的人员可以实时共享数据、 交流信息， 这不仅提高了协同开发的效率， 同时关键数据的实时监控也确保了开发过程中的问题能够被及时发现、 解决， 从而提高了最终产品的质量。
2、 模型技术——AI模型
通用语言大模型通过使用上百亿个参数和庞大的语料库进行训练， 使得大模型可以理解并生成更自然、更丰富的文本内容， 在通用领域具备了知识推理能力， 初步实现了“人的孪生”。
然而， 通用语言大模型也存在一些潜在的问题和挑战， 在严肃的专业产品领域应用还存在很多问题：
汽车设计过程涉及文本数据、 图像数据、 音频数据等多模态的设计交互及数据处理， 通用语言大模型虽具备强大的通用AI能力， 但在特定的应用场景中的仍有缺陷， 尤其是在汽车设计这种专业性强、 流程复杂且生成质量要求高的专业领域， 需要更加细分的AI技术对通用语言大模型进行能力补足， 主要涉及以下技术：
1、自然语言处理（NLP）技术
作用：NLP技术是AIGC在汽车制造领域的重要工具，它能够实现与设计人员、工程师、操作员之间的有效沟通。
应用：
-> 语义理解：解析和理解人员输入的文本信息，确保沟通的准确性。
->对话系统：构建交互式对话平台，便于人员查询信息、发出指令等。
->文本生成：自动生成技术文档、操作手册、维修指南等，减轻人工编写负担，确保信息的一致性和准确性。
优势：提高沟通效率，减少误解和错误，确保信息的准确性和一致性。
2、计算机视觉（CV）技术
作用：CV技术主要用于识别、分析和理解图像、视频数据，有助于汽车制造的可视化、生产监控和质量检测。
应用：
-> 图像识别：监控焊接质量、检测涂装缺陷、识别装配过程中的零部件等，确保生产质量和效率。
-> 视频分析：通过视频数据实时分析生产线状态，发现潜在问题并及时处理。
优势：提高生产监控的准确性和效率，降低质量风险。
3、机器学习（ML）与深度学习（DL）
作用：ML和DL技术侧重于对未知的、以数据科学为代表的相关场景进行实时分析和预测。
应用：
-> 实时分析：分析生产数据，生成工艺参数推荐、故障诊断报告、设备预测性维修建议等。
-> 工艺指导与优化：根据分析结果进行实时工艺指导，优化生产流程。
-> 生产计划调整：根据实时生产状态动态调整生产计划，优化资源分配。
优势：提高生产效率和资源利用率，降低故障率和维修成本。
4、语音技术
作用：语音识别与合成技术用于人机交互与信息传递，提升工作效率与用户体验。
应用：
-> 语音识别：将口头指令或对话转化为文字，用于车间语音指令操作、客服语音工单录入等场景。
-> 语音合成：将文本信息转化为自然流畅的语音输出，用于智能助手播报设计更改通知、生产线状态更新、维修指导等。
优势：提高人机交互的便捷性和效率，提升用户体验和工作效率。
三、知识技术——知识图谱
在汽车工业智能化转型进程中，专业知识的数字化重构是核心挑战。传统专业知识载体（公式集、工程手册、设计规范等）存在离散化、非结构化等特征，亟需通过知识工程实现向机器可理解形态的转化。本文提出基于"知识图谱+大模型"的双引擎驱动方案，构建汽车专业知识的认知计算基础设施。
将汽车专业知识转换为机器能够识别的格式，知识图谱确实是一个高效且强大的工具。以下是将汽车专业知识通过知识图谱进行转换，并与大模型结合以提升AIGC系统生成内容专业性的具体步骤：
1. 专业知识收集与预处理
收集资料：首先，广泛收集包含汽车专业知识的各种资料，如公式、定理、图表、技术文档等。
预处理：对这些资料进行预处理，包括去噪、格式统一、内容分类等，以便于后续处理。
2. 自然语言处理与文字识别
自然语言处理：利用NLP技术，将自然语言文本转化为计算机可识别的结构化信息。这包括分词、词性标注、命名实体识别等步骤。
文字识别：对于图表、公式等图像信息，采用OCR（光学字符识别）技术，将其转化为文本信息。
3. 知识抽取与图谱构建
知识抽取：结合NLP技术和大模型的语言理解能力，从预处理后的资料中抽取实体、属性和关系。实体可以是汽车部件、技术术语等，属性可以是部件的特性、参数等，关系可以是部件之间的连接关系、功能关系等。
图谱构建：将抽取到的实体、属性和关系构建成知识图谱。知识图谱以图的形式表示知识，节点表示实体或属性，边表示关系。
4. 图谱优化与丰富
关联性建立：在图谱构建过程中，需要确保实体和关系之间的关联性，形成完整的知识网络。
语义丰富：利用大模型的语言理解能力，对图谱中的实体和关系进行语义上的丰富和细化，提高图谱的准确性和完整性。
5. 大模型融合训练
模型选择：选择适合汽车专业知识处理的大模型，如预训练的Transformer模型等。
融合训练：将知识图谱与大模型进行融合训练。在训练过程中，大模型通过学习图谱中的知识，提高其在汽车专业领域内的生成能力。同时，大模型的语言理解能力也可以反过来优化图谱的构建过程。
6. AIGC系统生成内容优化
内容生成：在AIGC系统中，利用融合训练后的大模型进行内容生成。由于大模型已经学习了汽车专业知识，因此生成的内容将更具专业性和逻辑性。
内容校验：在内容生成后，利用知识图谱对生成的内容进行校验，确保内容的准确性和一致性。
通过以上步骤，我们可以将汽车专业知识有效地转换为机器能够识别的格式，并利用知识图谱和大模型提升AIGC系统生成内容的专业性和逻辑性。这不仅有助于提高汽车设计领域的自动化和智能化水平，还可以为相关领域的研究和发展提供有力支持。
汽车专业知识的结构化转型本质上是构建行业"数字基因库"的过程。通过知识图谱与大模型的深度融合，我们不仅实现了专业知识的机器可理解化，更创造了知识自主进化的新范式。未来，随着AutoKG节点数突破10亿级，汽车研发将进入"知识涌现"的新纪元——90%的工程决策由系统自主生成，人类工程师的角色将转型为"知识策展人"与"价值判断者"。这种变革正在重塑汽车工业的竞争法则：企业的核心竞争力不再取决于厂房设备的规模，而是其知识图谱的完备性（如特斯拉Dojo系统积累的300亿英里数据）与知识迭代速度（如NKL VEHAITM的分钟级更新能力）。
搁笔分享完毕！
愿你我相信时间的力量
做一个长期主义者
相关文章：
人工智能AI在汽车设计领域的应用探索
我是穿拖鞋的汉子，魔都中坚持长期主义的汽车电子工程师。 老规矩，分享一段喜欢的文字，避免自己成为高知识低文化的工程师： 简单，单纯，喜欢独处，独来独往，不易合同频过着接地气的生活…...
Linux mkdir 命令
Linux mkdir（英文全拼：make directory）命令用于创建目录。 语法 mkdir [-p] dirName 参数说明： -p 确保目录名称存在，不存在的就建一个。 实例 在工作目录下，建立一个名为 runoob 的子目录 : mkdir …...
gin框架学习笔记
初始gin package mainimport "github.com/gin-gonic/gin"type Response struct {Code int json:"code"Msg string json:"msg"Data any json:"data" }func index(c *gin.Context) {c.JSON(200, Response{Code: 0,Msg: "1…...
什么是预训练语言模型下游任务？
问题：Word2Vec模型是预训练模型吗？ 由于训练的特性，word2Vec模型一定是与训练模型。给定一个词先使用独热编码然后使用预训练好的Q矩阵得到这个词的词向量。这里指的是词向量本身就是预训练的语言模型。 什么是下游任务？ 在自然…...
cursor 弹出在签出前，请清理仓库工作树 窗口
问题出现的背景：是因为我有两台电脑开发，提交后，另一个电脑的代码是旧的，这个时候我想拉取最新的代码，就会出现如下弹窗，因为这个代码暂存区有记录或者工作区有代码的修改，所以有冲突࿰…...
Ubuntu2204下使用NVIDIA GeForce RTX 4090进行DeepSeek-R1-Distill-Llama-8B模型微调
Ubuntu2204下使用NVIDIA GeForce RTX 4090进行DeepSeek-R1-Distill-Llama-8B模型微调 环境准备创建Python微调环境准备数据集准备模型文件 模型微调模型预测原始模型预测微调模型预测 使用unsloth，可以方便地对大模型进行微调。以微调DeepSeek-R1-Distill-Llama-8B为…...
Ubuntu20.04安装Redis
目录 切换到root用户 使用 apt install redis 安装redis 修改配置文件 编辑 重新启动服务器 使用Redis客户端连接服务器 切换到root用户 如果没有切换到root用户的，切换到root用户。 使用 apt install redis 安装redis 遇到y/n直接y即可。 redis安装好之…...
【Word2Vec】Skip-gram 的直观理解（深入浅出）
01 什么是skip-gram 一句话来说就是，给定中心词，然后预测其周围的词： 02 模型结构 对于skip-gram来说，输入是一个[1 x V]维的ont-hot向量，其中V为词表大小，值为1的那一项就表示我们的中心词。经过一个[V x…...
MQ 笔记
什么是消息队列？ 消息队列（Message Queue, MQ）是一种用于在分布式系统中传递消息的中间件技术。 它允许应用程序通过发送和接收消息进行异步通信。 消息队列的核心思想是解耦生产者和消费者，生产者将消息发送到队列中ÿ…...
leetcode第216题组合总和Ⅲ
原题出于leetcode第216题https://leetcode.cn/problems/combination-sum-iii/description/题目为： 找出所有相加之和为 n 的 k 个数的组合，且满足下列条件： 只使用数字1到9 每个数字 最多使用一次 返回 所有可能的有效组合的列表 。该列表…...
【零基础C语言】第四节 数组
【零基础C语言系列】 【零基础C语言】第一节 C语言概述【数制进制码制】-CSDN博客 【零基础C语言】第二节 数据类型、运算符、表达式-CSDN博客 【零基础C语言】第三节 控制结构-CSDN博客 一、一维数组...
20250225-代码笔记03-class CVRPModel AND other class
文章目录 前言一、class CVRPModel(nn.Module):__init__(self, **model_params)函数功能函数代码 二、class CVRPModel(nn.Module):pre_forward(self, reset_state)函数功能函数代码 三、class CVRPModel(nn.Module):forward(self, state)函数功能函数代码 四、def _get_encodi…...
京准电钟快讯：NTP时钟同步服务在智造行业应用
京准电钟快讯：NTP时钟同步服务在智造行业应用 京准电钟快讯：NTP时钟同步服务在智造行业应用 一、NTP技术概述 基本原理 NTP（Network Time Protocol）是一种用于同步计算机系统时间的网络协议，通过分层时钟源ÿ…...
【Qt】详细介绍如何在Visual Studio Code中编译、运行Qt项目
Visual Studio Code一只用的顺手，写Qt的时候也能用VS Code开发就方便多了。 理论上也不算困难，毕竟Qt项目其实就是CMake（QMake的情况这里就暂不考虑了）项目，VS Code在编译、运行CMake项目还是比较成熟的。 这里笔者打…...
jsherp importItemExcel接口存在SQL注入
一、漏洞简介 很多人说管伊佳ERP（原名：华夏ERP，英文名：jshERP）是目前人气领先的国产ERP系统虽然目前只有进销存财务生产的功能，但后面将会推出ERP的全部功能，有兴趣请帮点一下 二、漏洞影响 …...
Node.js, Bun, Deno 比较概述
以下是 Node.js、Bun 和 Deno 的对比分析 概览 对比维度Node.jsDenoBun首次发布200920202022创始人Ryan DahlRyan Dahl（Node.js 原作者）Jarred Sumner运行时引擎V8（Chrome）V8（Chrome）JavaScriptCore&#…...
大白话跨域问题怎么破，解决方法有啥？
大白话跨域问题怎么破，解决方法有啥？ 啥是跨域问题 咱先说说啥是跨域。你可以把每个网站想象成一个独立的小房子，每个房子都有自己的地址（也就是域名）。正常情况下，一个房子里的东西只能在这个房子里用&a…...
DeepSeek R1满血+火山引擎详细教程
DeepSeek R1满血火山引擎详细教程 一、安装Cherry Studio。 Cherry Studio AI 是一款强大的多模型 AI 助手,支持 iOS、macOS 和 Windows 平台。可以快速切换多个先进的 LLM 模型,提升工作学习效率。下载地址 https://cherry-ai.com/ 认准官网，无强制注册。 这…...
Pytorch中的ebmedding到底怎么理解？
在 PyTorch 中，nn.Embedding 是一个用于处理离散符号映射到连续向量空间的模块。它通常用于自然语言处理（NLP）任务（如词嵌入）、处理分类特征，或任何需要将离散索引转换为密集向量的场景。 核心理解 功能&am…...
【JAVA面试题】什么是面向对象？谈谈你对面向对象的理解。
【JAVA面试题】什么是面向对象？谈谈你对面向对象的理解 在 Java 面试中，面向对象 是一个高频考点。它不仅是一种编程思想，更是现代软件开发的核心方法论。本文将从 面向对象的概念、与面向过程的对比、以及 面向对象的三大特性（封…...
【C】链式二叉树算法题1 -- 单值二叉树
leetcode链接https://leetcode.cn/problems/univalued-binary-tree/description/ 1 题目描述 如果二叉树每个节点都具有相同的值，那么该二叉树就是单值二叉树。只有给定的树是单值二叉树时，才返回 true；否则返回 false。 示例 1࿱…...
基于单片机的GPS定位系统设计
1 系统硬件 1.1单片机模块 单片机的种类和型号可以说是有成百上千种，很多大的公司和企业都生产开发自己的单片机芯片，并且广泛应用于各种产品。Intel、 philips、 摩托罗拉、凌阳、宏晶等等种类繁多。大体上可以分为51系列单片机和非51系列单片机。 其…...
[React]Render Props、自定义Hooks和Context API优化详解
关于React中的Render Props、自定义Hooks和Context API优化的详解。我需要根据我搜索到的资料来综合回答这三个部分。首先，我需要分别理解每个概念的定义、用途以及优化方法。 首先看Render Props。根据Render Props是一种通过传递函数作为prop来共享组件间逻辑的技…...
关于大型语言模型的结构修剪
本文介绍了一种名为 **LLM-Pruner** 的方法，用于对大型语言模型（LLMs）进行结构化剪枝，以减少模型大小和计算需求，同时保留其多任务解决和语言生成能力。LLM-Pruner 通过依赖检测和重要性估计实现高效剪枝，并…...
【语法】C++中string类中的两个问题及解答
贴主在学习string类时遇到过两个困扰我的问题，今天拿出来给大家分享一下我是如何解决的 一、扩容时capacity的增长问题 在string的capacity()接口中，调用的是这个string对象的容量(可以存多少个有效字符)，而size()是调用的string对象现在有…...
 命令提示符格式修改(PS1))
Linux(centOS) 命令提示符格式修改(PS1)
1. 命令提示符的组成 命令提示符（PS1）通常由以下部分组成： 部分示例说明[ 和 ][...]提示符的开头和结尾，用于视觉分隔。用户名root 或 tianjiajie当前登录的用户。root 是超级用户，普通用户可能是其他名称。分隔用户…...
QwenVL 2.5-本地安装编译布署全教程
开篇 DeepSeek开源后我国又开源了一个震撼大模型，QwenVL2.5，这是一个多模态的模形，它可以认图、识图、更能作图，还能读懂video。 Qwen2.5-VL 的主要特点如下所示： 感知更丰富的世界：Qwen2.5-VL 不仅擅长识别常见物体，如花、鸟、鱼和昆虫，还能够分析图像中的文本、图表…...
Hutool - JWT：轻松玩转 JSON Web Token
各位开发者朋友们，在现代的前后端分离开发模式里，身份验证和授权可是至关重要的环节。JSON Web Token（JWT）作为一种轻量级的身份验证和授权机制，在很多项目中都得到了广泛应用。它可以在客户端和服务器之间安全地传输信…...
2024年第十五届蓝桥杯大赛软件赛省赛Python大学A组真题解析《更新中》
文章目录 试题A: 拼正方形(本题总分：5 分)解析答案试题B: 召唤数学精灵(本题总分：5 分)解析答案试题C: 数字诗意解析答案试题D:回文数组试题A: 拼正方形(本题总分：5 分) 【问题描述】 小蓝正在玩拼图游戏，他有7385137888721 个2 2 的方块和10470245 个1 1 的方块，他需…...
【2025年2月28日稳定版】小米路由器4C刷机Immortalwrt 23.05.4系统搭载mentohust 0.3.1插件全记录
小米路由器4C刷机Immortalwrt系统搭载mentohust插件全记录 首先将路由器按住后面的reset，用一个针插进去然后等待5s左右，松开，即可重置路由器。 然后要用物理网线物理连接路由器Lan口和电脑，并将路由器WAN口连接至网口。确保电脑…...
W3C标准和ES规范之一文通
W3C标准和ES规范之一文通 以下是关于W3C标准和ES规范的透彻解析，通过结构化对比和生活化类比帮助理解和记忆： 一、核心概念对比（总览） 维度W3C标准ES规范（ECMAScript）定位Web技术的建筑蓝图JavaScript的语…...
Linux：应用层协议
协议是一种 "约定". socket api的接口, 在读写数据时, 都是按 "字符串" 的方式来发送接收的. 如果我们要传输一些"结构化的数据" 怎么办呢? 无论我们采用什么方案, 只要保证, 一端发送时构造的数据, 在另一端能够正确的进行解析, 就是ok的. 这种…...
深度学习五大模型：CNN、Transformer、BERT、RNN、GAN详细解析
# 深度学习五虎将：当CNN遇见Transformer的奇幻漂流 ## 序章：AI江湖的兵器谱排行 2012年，多伦多大学的厨房里，Hinton的学生们用GPU煎了个"AlexNet"荷包蛋，从此开启了深度学习的热兵器时代。如今五大模型各显…...
微服务组件详解——sentinel
1.启动sentinel： 下载jar sentinel-dashboard-1.8.0.jar 使用以下命令直接运行 jar 包（JDK 版本必须≥ 1.8）： java -Dserver.port9999 -jar D:\sentinel-dashboard-1.8.0.jar 控制台访问地址：http://localhost:9999…...
波导阵列天线 学习笔记11双极化全金属垂直公共馈电平板波导槽阵列天线
摘要： 本communicaition提出了一种双极化全金属垂直公共馈电平板波导槽阵列天线。最初提出了一种公共馈电的单层槽平板波导来实现双极化阵列。此设计消除了传统背腔公共馈电的复杂腔体边缘的必要性，提供了一种更简单的天线结构。在2x2子阵列种发展了宽十…...
swift 开发效率提升工具
安装github copliot for xcode github/CopilotForXcode brew install --cask github-copilot-for-xcode安装swiftformat for xcode brew install swiftformatXcode Swift File代码格式化-SwiftFormat...
3-5 WPS JS宏 工作表的移动与复制学习笔记
************************************************************************************************************** 点击进入 -我要自学网-国内领先的专业视频教程学习网站 *******************************************************************************************…...
Centos7部署k8s（单master节点安装）
单master节点部署k8s集群(Centos) 一、安装前准备 1、修改主机名 按照资源准备修改即可 # master01 hostnamectl set-hostname master01 ; bash # node1 hostnamectl set-hostname node1 ; bash # node2 hostnamectl set-hostname node2 ; bash2、修改hosts文件 以下命令所…...
Tomcat
1.Tomcat是什么？ Tomcat 是一个开源的、轻量级的 Servlet 容器，也被称为 Web 服务器，由 Apache 软件基金会的 Jakarta 项目开发，在 Java Web 开发领域应用广泛。 1）Servlet 容器：Servlet 是 Java 语言编写…...
)
基于SpringBoot+Vue的电影订票及评论网站的设计与实现(源码+SQL脚本+LW+部署讲解等)
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：…...
地基简识Spring MVC 组件
Spring MVC 是一个基于 MVC 设计模式的框架，其核心组件协同工作以处理 HTTP 请求并生成响应。以下是各组件的详细说明及其协作流程： 一、核心组件 DispatcherServlet（前端控制器） 作用：接收所有请求并协调其他…...
如何通过Python网络爬虫技术应对复杂的反爬机制？
要使用Python网络爬虫技术绕过复杂的反爬虫机制，可以采取以下几种策略： 设置User-Agent：通过设置不同的User-Agent，模拟正常用户的浏览器访问，避免被网站识别为爬虫。可以使用fake_useragent库来随机生成User-Agent。…...
深入浅出：Spring AI 集成 DeepSeek 构建智能应用
Spring AI 作为 Java 生态中备受瞩目的 AI 应用开发框架，凭借其简洁的 API 设计和强大的功能，为开发者提供了构建智能应用的强大工具。与此同时，DeepSeek 作为领先的 AI 模型服务提供商，在自然语言处理、计算机视觉等领域展现了卓…...
Node.js二：第一个Node.js应用
精心整理了最新的面试资料和简历模板，有需要的可以自行获取 点击前往百度网盘获取 点击前往夸克网盘获取 创建的时候我们需要用到VS code编写代码 我们先了解下 Node.js 应用是由哪几部分组成的： 1.引入 required 模块：我们可以使用 requi…...
【HarmonyOS Next】鸿蒙状态管理装饰器V1和V2混用方案
【HarmonyOS Next】鸿蒙状态管理装饰器V1和V2混用方案 一、V1和V2为什么需要混用 自从api7开始，一直到api10。V1的实际使用中，开发人员发现Observed和ObjectLink 监听实现多层级嵌套对象的更新的方案，太过于臃肿。当需要监听处理更新的多层…...
【技海登峰】Kafka漫谈系列（三）详解Kafka的数据结构与存储机制
【技海登峰】Kafka漫谈系列（三）详解Kafka的数据结构与存储机制 Kafka 使用消息日志（Log）机制来持久化保存数据，我们知道Kafka实际是以Partition分区为单位进行负载均衡和资源分配，每个Partition又由多个Replica副本组成，副本之间分布于不同的Broker上来保证高可用，因此…...
PyCharm接入本地部署DeepSeek 实现AI编程！【支持windows与linux】
今天尝试在pycharm上接入了本地部署的deepseek，实现了AI编程，体验还是很棒的。下面详细叙述整个安装过程。 本次搭建的框架组合是 DeepSeek-r1:1.5b/7b Pycharm专业版或者社区版 Proxy AI（CodeGPT） 首先了解不同版本的deepsee…...
腾讯云扩容记录
腾讯云扩容： sudo yum install -y cloud-utils-growpart 安装扩容工具 sudo file -s /dev/vda1 有数据 sudo LC_ALLen_US.UTF-8 growpart /dev/vda 1 sudo resize2fs /dev/vda1 df -Th 完毕 以下是对执行的命令的详细解释以及背后的原理： 1. 安装 cloud…...
计算机毕业设计Hadoop+Spark+DeepSeek-R1大模型音乐推荐系统 音乐数据分析 音乐可视化 音乐爬虫 知识图谱 大数据毕业设计
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…...
本地部署大语言模型-DeepSeek
DeepSeek 是国内顶尖 AI 团队「深度求索」开发的多模态大模型，具备数学推理、代码生成等深度能力，堪称"AI界的六边形战士"。 Hostease AMD 9950X/96G/3.84T NVMe/1G/5IP/RTX4090 GPU服务器提供多种计费模式。 DeepSeek-R1-32B配置 配置项 规…...