当前位置：首页 > news >正文

FastGPT 源码：基于 LLM 实现 Rerank （含Prompt）

news 来源：原创 2025/9/4 14:34:49

文章目录

- 基于 LLM 实现 Rerank
- - 函数定义
  - 预期输出
  - 实现说明
  - 使用建议
  - 完整 Prompt

基于 LLM 实现 Rerank

下边通过设计 Prompt 让 LLM 实现重排序的功能。

函数定义

class LLMReranker:def __init__(self, llm_client):self.llm = llm_clientdef rerank(self, query: str, documents: list[dict]) -> list[dict]:# 构建 promptprompt = self._build_rerank_prompt(query, documents)# 调用 LLMresponse = self.llm.chat.completions.create(model="gpt-3.5-turbo",temperature=0,  # 降低随机性messages=[{"role": "system", "content": """你是一个专业的搜索结果重排序专家。
你的任务是:
1. 评估每个文档与用户查询的相关性
2. 给出0-1之间的相关性分数
3. 解释评分理由
4. 按相关性从高到低排序评分标准:
- 0.8-1.0: 完全相关,直接回答问题
- 0.6-0.8: 高度相关,包含大部分所需信息
- 0.4-0.6: 部分相关,包含一些相关信息
- 0.0-0.4: 基本不相关请以JSON格式返回结果。"""},{"role": "user", "content": prompt}])# 解析响应try:results = eval(response.choices[0].message.content)return resultsexcept:return []def _build_rerank_prompt(self, query: str, documents: list[dict]) -> str:prompt = f"""请对以下文档进行重排序:用户查询: {query}待排序文档:
"""for i, doc in enumerate(documents, 1):prompt += f"""
文档{i}:
ID: {doc['id']}
内容: {doc['text']}
"""prompt += """
请以如下JSON格式返回重排序结果:
[{"id": "文档ID","score": 相关性分数,"reason": "评分理由"},...
]
"""return prompt# 使用示例
def main():# 初始化查询和文档query = "Python如何处理JSON数据?"documents = [{"id": "doc1","text": "Python提供了json模块来处理JSON数据。使用json.loads()可以将JSON字符串转换为Python对象，使用json.dumps()可以将Python对象转换为JSON字符串。",},{"id": "doc2", "text": "在Python中，字典(dict)是一种常用的数据结构，它的格式与JSON非常相似。你可以使用字典来存储键值对数据。",},{"id": "doc3","text": "Python是一种面向对象的编程语言，支持类和对象的概念。你可以创建自定义类来组织数据和行为。",}]# 初始化 LLM client (这里以 OpenAI 为例)from openai import OpenAIclient = OpenAI()# 执行重排序reranker = LLMReranker(client)results = reranker.rerank(query, documents)# 打印结果print("\n查询:", query)print("\n重排序结果:")for i, result in enumerate(results, 1):print(f"\n{i}. 文档ID: {result['id']}")print(f"   相关性分数: {result['score']}")print(f"   评分理由: {result['reason']}")

预期输出

[{"id": "doc1","score": 0.95,"reason": "文档直接回答了如何处理JSON数据的问题,提供了具体的json模块使用方法(loads和dumps函数),信息完整且准确。"},{"id": "doc2","score": 0.65,"reason": "文档提到了Python字典与JSON的关系,对理解JSON处理有帮助,但没有直接说明处理方法。"},{"id": "doc3","score": 0.2,"reason": "文档只介绍了Python的面向对象特性,与JSON数据处理无直接关系。"}
]

实现说明

简单易用:
- 不需要额外的模型
- 只依赖LLM API
- 实现逻辑清晰
灵活性强:
- 可以通过修改prompt调整评分标准
- 可以获取评分理由
- 支持多维度评估
可解释性好:
- 每个分数都有明确的理由
- 评分标准透明
- 便于调试和优化
适应性强:
- 可处理各种领域的问题
- 不需要领域特定训练
- 支持多语言

使用建议

Prompt优化:

# 可以添加更多评分维度
"""
评分维度:
1. 相关性: 内容与查询的关联程度
2. 完整性: 信息的完整程度
3. 准确性: 信息的准确程度
4. 时效性: 信息的新旧程度
"""

批量处理:

# 对于大量文档,可以分批处理
def batch_rerank(self, query: str, documents: list, batch_size: int = 5):results = []for i in range(0, len(documents), batch_size):batch = documents[i:i + batch_size]batch_results = self.rerank(query, batch)results.extend(batch_results)return sorted(results, key=lambda x: x['score'], reverse=True)

错误处理:

try:response = self.llm.chat.completions.create(...)results = eval(response.choices[0].message.content)
except Exception as e:print(f"重排序错误: {str(e)}")# 返回原始顺序return [{"id": doc["id"], "score": 0.5} for doc in documents]

缓存结果:

from functools import lru_cache@lru_cache(maxsize=1000)
def cached_rerank(self, query: str, doc_key: str):# 实现缓存逻辑pass

这种基于LLM的重排序方案特别适合:

快速原型验证
小规模应用
需要高可解释性的场景
多语言或跨领域应用

完整 Prompt

你是一个专业的搜索结果重排序专家。你的任务是评估每个文档与用户查询的相关性,并给出排序。评分标准:
1. 相关性分数范围: 0.0-1.0
- 0.8-1.0: 完全相关,直接回答问题
- 0.6-0.8: 高度相关,包含大部分所需信息
- 0.4-0.6: 部分相关,包含一些相关信息
- 0.0-0.4: 基本不相关2. 评分维度:
- 相关性: 文档内容是否直接回答查询问题
- 完整性: 回答的信息是否完整
- 准确性: 信息是否准确专业
- 直接性: 是否需要用户进一步推理或处理用户查询: Python如何处理JSON数据?待评估文档:
文档1:
ID: doc1
内容: Python提供了json模块来处理JSON数据。使用json.loads()可以将JSON字符串转换为Python对象，使用json.dumps()可以将Python对象转换为JSON字符串。文档2:
ID: doc2
内容: 在Python中，字典(dict)是一种常用的数据结构，它的格式与JSON非常相似。你可以使用字典来存储键值对数据。文档3:
ID: doc3
内容: Python是一种面向对象的编程语言，支持类和对象的概念。你可以创建自定义类来组织数据和行为。请按以下JSON格式返回重排序结果,必须包含id字段:
[
"文档ID",
...
]注意:
1. 结果必须按score从高到低排序
2. 结果中只需要给出id字段
3. 返回格式必须是合法的JSON格式，不要做任何解释

FastGPT 源码：基于 LLM 实现 Rerank （含Prompt）

文章目录基于 LLM 实现 Rerank函数定义预期输出实现说明使用建议完整 Prompt 基于 LLM 实现 Rerank 下边通过设计 Prompt 让 LLM 实现重排序的功能。函数定义 class LLMReranker:def __init__(self, llm_client):self.llm llm_clientdef rerank(self, query: str, docume…...

编程日记 2025/9/4 14:34:49

Virtual Box虚拟机安装Mac苹果Monterey和big sur版本实践

虚拟机安装苹果实践，在Windows10系统，安装Virtual Box7.1.6，安装虚拟苹果Monterey版本Monterey (macOS 12) 。碰到的主要问题是安装光盘不像Windows那么容易拿到，而且根据网上很多文章制作的光盘，在viritualBox里都无法…...

编程日记 2025/8/28 5:47:59

【高并发】Java 并行与串行深入解析：性能优化与实战指南

Java 并行与串行深入解析：性能优化与实战指南在高性能应用开发中，我们常常会面临串行（Serial） 和并行（Parallel） 的选择。串行执行任务简单直观，但并行能更高效地利用 CPU 资源，…...

编程日记 2025/9/3 9:08:30

软考中级-数据库-3.2 数据结构-数组和矩阵

数组一维数组是长度固定的线性表，数组中的每个数据元素类型相同。n维数组是定长线性表在维数上的扩张，即线性表中的元素又是一个线性表。例如一维数组a[5][a1,a2,a3,a4,a5] 二维数组a[2][3]是一个2行2列的数组第一行[a11,a12,a13] 第二行[a21,a22,a23…...

编程日记 2025/8/27 22:50:24

LeetCode 解题思路 9（Hot 100）

解题思路： 遍历并调整数组： 对于每个元素 nums[i]，若其值为正且不超过数组长度 len，则将其逐步交换到它应该在的位置。查找缺失的正整数： 遍历调整后的数组，若某个位置的值不等于其索引加1，则说…...

编程日记 2025/8/29 22:00:49

交叉编译 perl-5.40.0 perl-cross-1.5.3

1.下载地址： https://www.cpan.org/src/5.0/ https://github.com/arsv/perl-cross/tags2.编译 # 进入源码目录 cd /opt/snmp/perl # 合并perl-cross到Perl源码 cp -R perl-cross-1.5.3/* perl-5.40.0/ cd perl-5.40.0./configure --targetaarch64-poky-linux --p…...

编程日记 2025/9/2 22:24:39

go前后端开源项目go-admin,本地启动

https://github.com/go-admin-team/go-admin 教程 1.拉取项目 git clone https://github.com/go-admin-team/go-admin.git 2.更新整理依赖 go mod tidy会整理依赖，下载缺少的包，移除不用的，并更新go.sum。 # 更新整理依赖 go mod tidy 3.编…...

编程日记 2025/9/3 21:19:56

突破光学成像局限：全视野光学血管造影技术新进展

全视野光学血管造影（FFOA）作为一种实时、无创的成像技术，能够提取生物血液微循环信息，为深入探究生物组织的功能和病理变化提供关键数据。然而，传统FFOA成像方法受到光学镜头景深（DOF）的限制&am…...

编程日记 2025/8/29 4:01:51

RefuseManualStart/Stop增强Linux系统安全性？详解systemd单元保护机制

一、引子：一个“手滑”引发的血案某天凌晨，运维工程师小张在维护生产服务器时，误输入了 systemctl start reboot.target，导致整台服务器瞬间重启，线上服务中断30分钟，直接损失数十万元。事后排查发现&…...

编程日记 2025/9/4 7:58:56

国产编辑器EverEdit - 超级丰富的标签样式设置！

1 设置-高级-标签 1.1 设置说明选择主菜单工具 -> 设置 -> 常规，在弹出的选项窗口中选择标签分类，如下图所示： 1.1.1 多文档标签样式默认平坦渐变填充 1.1.2 停靠窗格标签样式默认平坦渐变填充 1.1.3 激活Tab的…...

编程日记 2025/8/29 9:54:19

装饰器模式：灵活扩展对象功能的利器

一、从咖啡加料说起：什么是装饰器模式？ 假设您走进咖啡馆点单： 基础款：美式咖啡（15元）加料需求：加牛奶（3元）、加焦糖（5元）、加奶油（…...

编程日记 2025/8/28 16:41:38

# [Linux] [Anaconda]解决在 WSL Ubuntu 中安装 Anaconda 报错问题

在 Windows 10 中安装了 WSL（Windows Subsystem for Linux）并使用 Ubuntu 后，你可能会下载 Anaconda 的 Linux 版本进行安装。但在安装过程中，可能会遇到 tar (child): bzip2: Cannot exec: No such file or directory 这样的错误…...

编程日记 2025/9/4 10:35:59

【回溯】216. 组合总和 III

题目 216. 组合总和 III 思路不知道for有几层时，使用回溯，比上一题多了一个条件，组合需要和为n。代码 class Solution { private:vector<vector<int>>result;vector<int>path;void backtracking(int target,int k,i…...

编程日记 2025/9/1 9:12:27

AI编程工具-(四）

250304今天用【通义灵码】做了下简单的分析建模工作。不够丝滑，但是在数据预处理方面还是有用。目录准备工作一分析工作建模结论这个数据集是网上随手找的时许指标数据，然后分析时序指标A和B关联关系。准备工作一问大模型，这个场景有哪…...

编程日记 2025/9/3 16:43:54

一种事件驱动的设计模式-Reactor 模型

Reactor 模型是一种事件驱动的设计模式，主要用于处理高并发的 I/O 操作（如网络请求、文件读写等）。其核心思想是通过事件分发机制，将 I/O 事件的监听和处理解耦，从而高效管理大量并发连接，避免传统多线程模…...

编程日记 2025/8/29 8:17:02

AI-Ollama本地大语言模型运行框架与Ollama javascript接入

1.Ollama Ollama 是一个开源的大型语言模型（LLM）平台，旨在让用户能够轻松地在本地运行、管理和与大型语言模型进行交互。 Ollama 提供了一个简单的方式来加载和使用各种预训练的语言模型，支持文本生成、翻译、代码编写、问答等多种…...

编程日记 2025/9/3 19:46:00

XPath路径表达式

1. 绝对路径表达式语法：/根元素/子元素/子子元素... 特点**：**必须从根元素开始，完整地逐层写路径。示例代码：  <school> <class id"1"> <student>小明</student> &l…...

编程日记 2025/9/4 3:56:24

大语言模型的逻辑：从“鹦鹉学舌”到“举一反三”

引言近年来，大语言模型（LLM）在自然语言处理领域取得了突破性进展，其强大的文本生成和理解能力令人惊叹。然而，随着应用的深入，人们也开始关注LLM的“逻辑”问题：它究竟是机械地模仿人类语言&a…...

编程日记 2025/9/2 15:07:42

从0到1构建AI深度学习视频分析系统--基于YOLO 目标检测的动作序列检查系统：（0）系统设计与工具链说明

文章大纲系统简介Version 1Version2环境摄像机数据流websocket 发送图像帧RTSP 视频流树莓派windows消息队列参考文献项目地址提示词系统简介 Version 1 Version2 环境 # 配置 conda 源 # 配置conda安装源 conda config --add channels https://mirrors.tuna.tsinghua.edu.c…...

编程日记 2025/8/16 11:17:41

在Linux环境部署SpringBoot项目

在xshell中手动开放8080端口 sudo ufw allow 8080/tcp systemctl reload ufw systemctl restart ufw 配置文件要求也可以使用maven来分平台部署到linux服务器上 1.建一个文件夹 2.将jar包拖拽到文件夹中 3.运行nohup java -jar jar包 &的命令启动程序 //后台启动 …...

编程日记 2025/8/31 0:34:06

8. 保存应用数据

一、课程笔记 1.0 引入针对那些体积小，访问频率高，且对它的速度有一定要求的轻量化数据。例如，用户偏好设置用配置参数等，使用传统的惯性数据库进行存储，不惊险的笨重，还可能引入不必要的性能开销。此时…...

编程日记 2025/8/31 22:00:06

ADC采集模块与MCU内置ADC性能对比

2.5V基准电压源： 1. 精度更高，误差更小 ADR03B 具有 0.1% 或更小的初始精度，而电阻分压方式的误差主要来自电阻的容差（通常 1% 或 0.5%）。长期稳定性更好，分压电阻容易受到温度、老化的影响，长…...

编程日记 2025/8/24 12:34:55

量子算法：英译名、概念、历史、现状与展望？

李升伟整理 #### 英译名量子算法的英文为 **Quantum Algorithm**。 #### 概念量子算法是利用量子力学原理（如叠加态、纠缠态和干涉）设计的算法，旨在通过量子计算机高效解决经典计算机难以处理的问题。其核心在于利用量子比特&#xff08…...

编程日记 2025/8/30 19:02:44

水仙花数（华为OD）

题目描述所谓水仙花数，是指一个n位的正整数，其各位数字的n次方和等于该数本身。例如153是水仙花数，153是一个3位数，并且153 13 53 33。输入描述第一行输入一个整数n，表示一个n位的正整数。n在3到7之间&#x…...

编程日记 2025/9/4 14:34:47

基于编程语言的建筑行业施工图设计系统开发可行性研究————从参数化建模到全流程自动化的技术路径分析

基于编程语言的建筑行业施工图设计系统开发可行性研究————从参数化建模到全流程自动化的技术路径分析文章目录 **基于编程语言的建筑行业施工图设计系统开发可行性研究————从参数化建模到全流程自动化的技术路径分析** 摘要引言一、技术可行性深度剖析1.1 现有编程语言…...

编程日记 2025/8/28 4:02:14

【Linux】【网络】UDP打洞--＞不同子网下的客户端和服务器通信（未成功版）

【Linux】【网络】UDP打洞–>不同子网下的客户端和服务器通信（未成功版） 上次说基于UDP的打洞程序改了五版一直没有成功，要写一下问题所在，但是我后续又查询了一些资料，成功实现了，这次先写一下未成功的…...

编程日记 2025/8/20 10:50:13

C# 中的Action和Func是什么？Unity 中的UnityAction是什么？他们有什么区别？

所属范围：Action 和 Func 是 C# 语言标准库中的委托类型，可在任何 C# 项目里使用；UnityAction 是 Unity 引擎专门定义的委托类型，只能在 Unity 项目中使用。返回值：Action 和 UnityAction 封装的方法没有返回值&…...

编程日记 2025/9/4 14:34:48

SparkStreaming之03：容错、语义、整合kafka、Exactly-Once、ScalikeJDBC

SparkStreaming进阶一、要点:star:4.1 SparkStreaming容错4.1.1 SparkStreaming运行流程4.1.2 如果Executor失败？:star:4.1.3 如果Driver失败？4.1.4 数据丢失如何处理:star:4.1.5 当一个task很慢容错 :star:4.2 SparkSreaming语义4.3 SparkStreaming与…...

编程日记 2025/9/4 7:56:56

让单链表不再云里雾里

一日不见，如三月兮！接下来与我一起创建单链表吧！ 目录单链表的结构： 创建单链表： 增加结点： 插入结点： 删除结点： 打印单链表： 单链表查找： 单链表…...

编程日记 2025/9/4 11:40:50

Linux系统管理（十八）——Ubuntu Server环境下载安装图形化界面、英伟达显卡驱动、Cuda、cudnn、conda的深度学习环境

安装ubuntu系统镜像源地址：https://ubuntu.com/download/server 安装镜像是最好联网，这样不需要自己配置网络地址，会自动生成动态地址配置镜像源在装系统时最好设置好镜像源地址清华镜像源：https://mirrors.tuna.tsinghua.…...

编程日记 2025/8/28 7:02:36

深度学习的隐身术：详解 PyTorch nn.Dropout

前言你是否遇到过这样的情况？训练时模型表现得像个学霸，准确率高得离谱，可一到测试集就原形毕露，像是考试作弊被抓包的学生，成绩一落千丈。这种现象叫过拟合，你的模型可能只是死记硬背了训练数据，并没有真正理解其中的模式。别慌！解决过拟合的方法之一就是Dropout，…...

编程日记 2025/8/30 7:02:46

vscode工作区看不清光标

案例分析： 有的时候当我们把vscode的背景色设置成黑色或者默认黑色时 "workbench.colorTheme": "Visual Studio Dark"这时鼠标指针在非停留状态(指针移动时就看不清)，需要改下系统的鼠标指针设置，而不是vscode的光标设置…...

编程日记 2025/9/4 3:05:04

2025-03-04 学习记录--C/C++-PTA 习题5-4 使用函数求素数和

合抱之木，生于毫末；九层之台，起于累土；千里之行，始于足下。💪🏻 一、题目描述 ⭐️ 二、代码（C语言）⭐️ #include <stdio.h>// 函数声明：判断一个数是…...

编程日记 2025/8/31 13:25:45

Open3D 学习指南 (持续学习)

本章仅为个人学习整理。 Open3D: https://www.open3d.org/ Github repo: https://github.com/isl-org/Open3D 1. 概述 Open3D 是一个开源库，旨在为 3D 数据处理提供高效且易用的工具。它由 Intel 开发和维护，支持多种 3D 数据处理任务，如…...

编程日记 2025/9/4 3:59:29

端口安全测试全方位指南：风险、流程与防护策略

在数字化时代，网络安全至关重要，而端口安全作为网络防护的前沿阵地，稍有疏忽就可能为恶意攻击者打开入侵的大门。以下为您详细阐述端口安全测试的全面流程、核心风险点、应对策略及防护建议。一、测试前的周密筹备 （一&#xf…...

编程日记 2025/9/4 1:35:55

3dsmax烘焙光照贴图然后在unity中使用

效果预览看不清[完蛋！] 实现步骤使用软件软体名称地址photoshophttps://www.adobe.com/products/photoshop.htmlunity3Dhttps://unity.com/3dsmaxhttps://www.autodesk.com.cn/products/3ds-max/free-trialpacker-iohttps://www.uv-packer.com/HDR 贴图地址…...

编程日记 2025/9/2 21:09:41

GCN从理论到实践——基于PyTorch的图卷积网络层实现

Hi，大家好，我是半亩花海。图卷积网络（Graph Convolutional Network, GCN）是一种处理图结构数据的深度学习模型。它通过聚合邻居节点的信息来更新每个节点的特征表示，广泛应用于社交网络分析、推荐系统和生物信息学等领…...

编程日记 2025/9/1 0:43:52

Ollama存在安全风险的情况通报及解决方案

据清华大学网络空间测绘联合研究中心分析，开源跨平台大模型工具Ollama默认配置存在未授权访问与模型窃取等安全隐患。鉴于目前DeepSeek等大模型的研究部署和应用非常广泛，多数用户使用Ollama私有化部署且未修改默认配置，存在数据泄露、算力盗…...

编程日记 2025/8/28 20:37:45

大模型在高血压预测及围手术期管理中的应用研究报告

目录一、引言 1.1 研究背景与意义 1.2 研究目的 1.3 国内外研究现状二、大模型预测高血压的原理与方法 2.1 常用大模型介绍 2.2 数据收集与预处理 2.3 模型训练与验证三、术前风险预测与手术方案制定 3.1 术前风险因素分析 3.2 大模型预测术前风险的方法与结果 …...

编程日记 2025/9/2 14:13:18

网络安全rt是什么意思

1.什么时EDR :完全不同以往的端点被防护思路，而是通过云端威胁情报，机器学习，异常行为分析，攻击指示器等方式，主动发现来自外部或内部的安全威胁。并进行自动化的阻止，取证，补救和溯源从而有效…...

编程日记 2025/9/4 11:30:58

数据结构篇—栈（stack）

一、引入在数学史上有这样一个经典问题——汉诺塔问题。通过动图演示我们发现每一个圆片的运动是什么样的呢？ 我们发现，第一个放入的最大圆片将位于整个塔的最底端。所以若想将最大圆片拿出来，就得将压在它身上的所有圆片先按顺序取出才能将…...

编程日记 2025/8/29 4:16:43

python3.13安装教程【2025】python3.13超详细图文教程（包含安装包）

文章目录前言一、python3.13安装包下载二、Python 3.13安装步骤三、Python3.13验证前言本教程将为你详细介绍 Python 3.13 python3.13安装教程，帮助你顺利搭建起 Python 3.13 开发环境，快速投身于 Python 编程的精彩实践中。一、python3.13安装包下…...

编程日记 2025/9/4 14:34:49

动态内存分配

动态内存分配 1. malloc1.1函数原型1.2参数1.3特点1.4注意事项 2.calloc2.1函数原型2.2参数2.3特点2.4注意事项 3.realloc3.1函数原型3.2参数3.3特点3.4注意事项 4.free4.1 函数原型4.2参数4.3特点结语在 C 语言中，主要使用标准库函数 <stdlib.h> 中的几个函…...

编程日记 2025/9/4 7:27:45

物联网设备数据割裂难题：基于OAuth2.0的分布式用户画像系统设计！格行代理是不是套路？2025有什么比较好的副业？低成本的创业好项目有哪些？

一、行业基本面：双赛道增长逻辑验证 1.1 随身WiFi市场：场景红利与技术博弈移动办公、户外直播等场景推动随身WiFi需求持续增长，格行核心的三网切换技术（移动/联通/电信自动择优）有效解决单一运营商信号覆盖盲区问题&…...

编程日记 2025/8/28 4:27:42

17.10 LangSmith Evaluation 深度实战：构建智能评估体系驱动大模型进化

LangSmith Evaluation 深度实战：构建智能评估体系驱动大模型进化关键词：LangSmith 评估体系, 大模型质量评估, 自动化评测流水线, 多维度指标分析, 生产环境模型监控 1. 评估体系设计哲学 LangSmith Evaluation 采用规则评估+模型评估+人工反馈三位一体的评估框架： #me…...

编程日记 2025/8/26 0:26:53

Gravitino SparkConnector 实现原理

Gravitino SparkConnector 实现原理本文参考了官网介绍，想看官方解析请参考官网地址本文仅仅介绍原理文章目录 Gravitino SparkConnector 实现原理背景知识-Spark Plugin 介绍(1) **插件加载**(2) **DriverPlugin 初始化**(3) **ExecutorPlugin 初始化**(4) *…...

编程日记 2025/9/1 1:57:11

前端开发好用的AI工具介绍

以下是前端开发中提升效率的 AI 工具推荐，涵盖代码生成、UI设计、调试优化等场景： 一、代码生成与辅助工具工具名称特点适用场景GitHub Copilot基于 OpenAI，智能代码补全（支持 JS/TS/React/Vue）快速生成代码片段、函…...

编程日记 2025/8/30 15:10:01

Linux的用户与权限--第二天

认知root用户（超级管理员） root用户用于最大的系统操作权限普通用户的权限，一般在HOME目录内部不受限制 su与exit命令 su命令： su [-] 用户名 -符号是可选的，表示切换用户后加载环境变量参数为用户名&#xff0c…...

编程日记 2025/9/4 8:36:35

COUNT(CASE WHEN ... THEN ... END)详解

在 SQL 查询中，COUNT(CASE WHEN ... THEN ... END) 是一种常见的用法，用于统计满足特定条件的记录数。具体例子： # sexType 2表示女生 COUNT(CASE WHEN h_employee.sexType 2 THEN 1 END) AS 女员工人数解释 CASE WHEN ... THEN ... END&a…...

编程日记 2025/9/2 11:59:11

音视频入门基础：RTP专题（14）——FFmpeg源码中，对H.264的各种RTP有效载荷结构的解析

一、引言由《音视频入门基础：RTP专题（10）——FFmpeg源码中，解析RTP header的实现》可以知道，FFmpeg源码的rtp_parse_packet_internal函数的前半部分实现了解析某个RTP packet的RTP header的功能。而在解析完RTP head…...

编程日记 2025/9/2 18:09:12