当前位置: 首页 > news >正文

深入理解Agentic Workflows

本文来源:https://weaviate.io/blog/what-are-agentic-workflows

这篇文章将带你深入理解AI Agent、Agentic AI、Agentic Workflows、Agentic Architectures等概念,非常值得推荐。

一、什么是 AI Agents?

AI Agents 是结合了大模型进行推理和决策以及包含现实世界交互工具的系统,能够在少量人工参与下完成复杂任务。AI Agents 被赋予特定角色,并拥有不同程度的自主权以实现其最终目标。它们还配备了记忆功能,使它们能够从过去的经验中学习,并随着时间的推移提高性能。

为了更好地理解 Agents 如何融入 Agentic Workflows,我们将探讨 AI Agents 的核心组件。

1、AI Agents 的组件

尽管 AI Agents 被设计用于半自主决策,但它们依赖于一个更大的组件框架来正常运行。这个框架包括使 AI Agents 能够有效推理的大模型、帮助 AI Agents 完成任务的工具,以及让 AI Agents 从过去的经验中学习并随着时间的推移改进响应的记忆。

2、推理 Reasoning

AI Agents 之所以如此有效,部分原因在于它们具备迭代推理的能力,这本质上使 AI Agents 能够在整个问题解决过程中主动 “思考”。AI Agents 的推理能力源自其底层的大模型,并具有两个主要功能:规划(Planning)和反思(Reflecting)。

在规划阶段,AI Agents 执行任务分解,即将更复杂的问题拆分为更小、可操作的步骤。这种技术使 AI Agents 能够系统性地处理任务,并允许它们为不同任务使用不同的工具。它还允许进行查询分解,即将复杂查询拆分为更简单的查询,从而提高大模型响应的准确性和可靠性。

AI Agents 还通过反思其行动的结果来进行推理。这使它们能够根据从外部来源获取的结果和数据,评估并迭代调整其行动计划。

3、工具 Tools

大模型拥有静态的参数化知识,这意味着它们的理解仅限于训练期间先验的信息。为了扩展其能力,使其超越原始数据范畴,AI Agents 可以利用外部工具,如网络搜索引擎、API、数据库和其他计算框架。这意味着 AI Agents 可以实时访问外部数据,以指导其决策并完成需要与其他应用交互的任务。

工具通常与权限配对,例如查询 API、发送消息或访问特定文档或数据库模式的能力。下表列出了几种常见的 AI Agents 工具及其执行的任务。

当大模型选择一个工具来帮助完成任务时,它会进行一种称为函数调用(Function Call)的行为,这扩展了其能力,使其不再局限于简单的文本生成,而是能够与现实世界进行交互。

使用哪个工具的选择可以由最终用户预先确定,也可以交给 AI Agents 来决定。让 AI Agents 动态选择工具可能有助于解决更复杂的任务,但对于较简单的工作流程,使用预定义的工具可能更为高效,而动态选择工具则可能增加不必要的复杂性。

4、记忆 Memory

从过去的经验中学习并记住行动发生的背景,是使 Agentic Workflow 与纯粹由大模型驱动的工作流不同的部分原因。记忆是一个关键组件,能够跨多个用户交互和会话,获取和存储上下文和反馈。AI Agents 有两种主要类型的记忆:短期记忆(short-term memory)和长期记忆(long-term memory)。

短期记忆存储更即时的信息,如历史对话,这有助于 AI Agents 确定下一步该采取什么行动来完成其总体目标。长期记忆存储随着时间的推移在多个会话中积累的信息和知识,使得 AI Agents 能够个性化,并随着时间的推移提高性能。

二、什么是 Agentic Workflows?

一般来说,Workflow 是一系列相互连接的步骤,旨在完成特定的任务或目标。最简单的工作流是确定性的,意味着它们遵循预定义的步骤序列,无法适应新的信息或变化的条件。例如,一个自动化的费用审批工作流可能是这样的:“如果费用被标记为‘餐饮’且金额低于 30 美元,则自动批准。”

然而,有些工作流会利用大模型或其他 AI 技术。这些通常被称为 AI Workflows,可以是 Agentic 或非 Agentic 的。在非 Agentic 工作流中,大模型会根据指令生成输出。例如,文本摘要工作流会将一段较长的文本作为输入,给一定的提示词让大模型进行摘要,并简单地返回摘要结果。但是,仅仅因为一个工作流程使用了大模型,并不一定意味着它是 Agentic 的。

Agentic Workflow 是由单个 AI Agent 或几个 AI Agents 动态执行的一系列连接步骤,以实现特定任务或目标。AI Agents 被用户授予权限,使其在有限的自主权下收集数据、执行任务并做出决策,这些决策将在现实世界中执行。Agentic Workflow 还利用了 Agents 的核心组件,包括其推理能力、通过工具与环境交互的能力以及持久的记忆,从而将传统工作流彻底转变为响应式、自适应和自我进化的过程。

1、是什么让 Workflow 变得 Agentic?

当一项 AI Workflows 由一个或多个 AI Agents 引导和影响任务进展时,它便成为 Agentic Workflow。在现有的非 Agentic 工作流中加入 Agents ,可以创建一种混合方法,将结构化工作流的可靠性和可预测性,与大模型的智能性和适应性相结合。

Agentic Workflows 的特点在于它们能够:

  1. 制定计划。Agentic Workflow 从规划开始。大模型通过任务分解将复杂任务拆分为较小的子任务,然后确定最佳的执行路径。
  2. 使用工具执行操作。 Agentic Workflows 使用一组预定义的工具,并结合权限来完成任务并执行生成的计划。
  3. 反思与迭代。Agents 可以在每个步骤评估结果,根据需要调整计划,并循环往复,直到结果令人满意。

如你所见,我们需要区分三种类型的工作流程:传统的非 AI Workflows、非 Agentic AI Workflows 和 Agentic Workflows。

传统的基于规则的 Workflows 与 AI Workflows 的区别在于,前者使用预定义的步骤,而后者使用 AI 模型来完成任务。

其次,非 Agentic 和 Agentic AI Workflows 的区别在于,前者使用静态的 AI 模型,而后者使用动态的 AI Agents。这使得 Agentic Workflow 比非 Agentic Workflow 更具适应性和动态性。

2、AgenticArchitectures与 Agentic Workflows 的区别

随着任何新兴技术的出现,都会涌现出大量新术语。虽然有些人可能会将 “Agentic 架构( Agentic Architectures)” 和 “Agentic Workflows” 这两个术语混合使用,但它们实际上有一个重要的区别。Agentic Workflow 是指 AI Agents 为实现特定目标而采取的一系列步骤。这些步骤可能包括使用大模型制定计划、将任务分解为子任务、使用互联网搜索等工具完成任务,以及使用大模型反思任务结果并调整整体计划。

与此同时,Agentic Architecture 是用于实现给定任务的技术框架和整体系统设计。Agentic Architecture 多种多样且富有创意,但始终包含至少一个具有决策和推理能力的 Agents、用于实现目标的工具,以及短期和长期记忆系统。

三、Agentic Workflows 的模式

回想一下,Agentic Workflow 是完成特定任务(也称为最终目标)所采取的结构化步骤序列。因此,当我们谈论 Agentic Workflow 时,我们谈论的是使 AI Agents 能够实现其最终目标的特定行为模式。

正如我们之前提到的,AI Agents 的核心组件在 Agentic Workflow 模式中起着关键作用。AI Agents 的推理能力促进了规划和反思模式,而它们使用工具与环境交互的能力则构成了工具使用模式的基础。

1、规划模式 Planning Pattern

规划设计模式允许 AI Agents 自主地将更复杂的任务分解为一系列更小、更简单的任务,这一过程被称为任务分解。任务分解能够带来更好的结果,因为它减少了大模型的认知负担,提高了推理能力,并最小化了幻觉和其他不准确性。

当实现最终目标的方法不明确,并且在问题解决过程中的适应性至关重要时,规划尤其有效。例如,一个被指示修复软件漏洞的 AI Agents 可能会使用规划模式将任务分解为子任务,如阅读漏洞报告、识别相关代码部分、生成潜在原因列表,最后选择特定的调试策略。如果第一次修复漏洞的尝试不成功,AI Agents 可以在执行后读取错误信息并调整其策略。

虽然规划可以帮助 AI Agents 更好地处理更复杂的任务,但与更确定性的 Workflow 相比,它也可能导致结果不那么可预测。因此,最好只在需要深入问题解决和多步推理的任务中使用规划模式。

2、工具使用模式 Tool Use Pattern

生成式大模型的一个显著限制是它们依赖于预训练数据,这意味着它们无法检索实时信息或验证超出其先前学习范围的事实。因此,当它们不知道答案时,可能会生成不真实的回答或 “猜测”,即产生幻觉。检索增强生成(RAG)通过为大模型提供相关的实时外部数据,帮助缓解这一限制,从而生成更准确且基于上下文的回答。

然而,工具使用超越了一般的 RAG,它允许大模型与现实世界进行动态交互,而不仅仅是从中检索数据。在 Agentic Workflow 中,工具使用模式通过允许 AI Agents 与外部资源和应用程序、实时数据或其他计算资源进行交互,扩展了 AI Agents 的能力。

常用工具包括 API、信息检索(例如向量搜索)、网络浏览器、机器学习模型和代码解释器。这些工具用于执行特定任务,如搜索网页、从外部数据库检索数据或读取或发送电子邮件,以帮助 AI Agents 实现其目标。

3、反思模式 Reflection Pattern

反思是一种强大的 AI Agents 设计模式,相对容易实现,并且可以显著提升 Agentic Workflows 的改进效果。反思模式是一种自我反馈机制,AI Agents 在最终确定响应或采取进一步行动之前,会迭代评估其输出或决策的质量。这些评估结果随后被用来优化 AI Agents 的方法,纠正错误,并改进未来的响应或决策。

当 AI Agents 不太可能在第一次尝试中就成功实现其目标时(例如编写代码),反思尤其有用。在这种情况下,AI Agents 可能会生成一段代码,在沙盒或执行环境中运行它,并将错误信息迭代反馈给大模型,同时提供改进代码的指令,直到代码成功执行为止。

反思的力量在于 AI Agents 能够评估自己的输出,并将这些洞察动态地整合到工作流中,从而在没有直接人类反馈的情况下实现持续改进。这些反思可以被编码到 AI Agents 的记忆中,从而在当前用户会话中能够更高效地解决问题,并通过适应用户偏好来实现个性化,从而改善未来的交互体验。

相关文章:

深入理解Agentic Workflows

本文来源:https://weaviate.io/blog/what-are-agentic-workflows 这篇文章将带你深入理解AI Agent、Agentic AI、Agentic Workflows、Agentic Architectures等概念,非常值得推荐。 一、什么是 AI Agents? AI Agents 是结合了大模型进行推理和…...

深入理解:阻塞IO、非阻塞IO、水平触发与边缘触发

深入理解:阻塞IO、非阻塞IO、水平触发与边缘触发 在网络编程和并发处理中,理解不同的 I/O 模型和事件通知机制至关重要。本文将深入探讨阻塞IO(Blocking IO)、非阻塞IO(Non-Blocking IO)、水平触发&#x…...

deepseek 技术的前生今世:从开源先锋到AGI探索者

一、引言:中国AI领域的“超越追赶”样本 DeepSeek(深度求索)作为中国人工智能领域的代表性企业,自2023年创立以来,凭借开源生态、低成本技术路径与多模态创新,迅速从行业新秀成长为全球AI竞赛中的关键力量…...

合规+增效 正也科技携智能营销产品出席中睿论坛

正也科技作为医药数字化领域的标杆企业,受邀参展第二届中睿医健产业企业家年会暨第十三届中睿医药新春论坛,本次论坛以“合力启新程”为主题,吸引了800多位医药健康企业的董事长、总经理参与,并通过主论坛、分论坛、路演等形式探讨…...

Python小练习系列 Vol.5:数独求解(经典回溯 + 剪枝)

🧠 Python小练习系列 Vol.5:数独求解(经典回溯 剪枝) 🧩 数独不仅是益智游戏,更是回溯算法的典范!本期我们将用 DFS 剪枝 的方式一步步求解一个标准 9x9 数独。 🧩 一、题目描述 …...

基于kafka的分布式日志收集平台项目(续)

#第一个容易错的地方 上次做到测试集群的创建topic时出现了错误 具体错误是配置信息出错了,然后报错如下: #现在来具体警戒哪些地方要特别注意: ### node.id 和listeners 和advertised.listeners这三行是每一台机器(每个节点&…...

C++运算符重载、类的转换构造函数和类型转换函数的基础练习

练习1:(困难) 建立一个矩阵类,可以完成指定的操作或运算。 说明: (1)、矩阵为2行3列,基类型为整型; (2)、操作或运算:初始化&…...

第一天 Linux驱动程序简介

目录 一、驱动的作用 二、裸机驱动 VS linux驱动 1、裸机驱动 2、linux驱动 三、linux驱动位于哪里? 四、应用编程 VS 内核编程 1、共同点 2、不同点 五、linux驱动分类 1、字符设备 2、块设备 3、网络设备 六、Linux驱动学习难点与误区 1、学习难点 …...

408 计算机网络 知识点记忆(1)

前言 本文基于王道考研课程与湖科大计算机网络课程教学内容,系统梳理核心知识记忆点和框架,既为个人复习沉淀思考,亦希望能与同行者互助共进。(PS:后续将持续迭代优化细节) 核心知识记忆点 计算机网络&a…...

scala简介和基础语法

Scala简介 Scala 是一门多范式(multi-paradigm)的编程语言,设计初衷是要集成面向对象编程和函数式编程的各种特性。 Scala 运行在 Java 虚拟机上,并兼容现有的 Java 程序。Scala 源代码被编译成 Java 字节码,所以它可…...

[特殊字符] Hyperlane:Rust 高性能 Web 框架的终极选择 [特殊字符]

🔥 Hyperlane:Rust高性能Web框架的终极选择 🔥 📈 性能封神:32万QPS碾压群雄 在1000并发压测中,Hyperlane以307,568.90 req/s的恐怖QPS稳居Rust生态第一,甚至超越Tokio框架!开启Kee…...

树莓派超全系列文档--(13)如何使用raspi-config工具其二

如何使用raspi-config工具其二 raspi-configPerformance optionsOverclockGPU memoryOverlay file systemFan Localisation optionsLocaleTime zoneKeyboardWLAN country Advanced optionsExpand filesystemNetwork interface namesNetwork proxy settingsBoot orderBootloader…...

瑞芯微 RKrga接口 wrapbuffer_virtualaddr 使用笔记

一、源码 官方在librga中给了很多 demo 以供参考&#xff0c;例如 imresize 操作&#xff1a; /** Copyright (C) 2022 Rockchip Electronics Co., Ltd.* Authors:* YuQiaowei <cerf.yurock-chips.com>** Licensed under the Apache License, Version 2.0 (the &qu…...

管理系统-接口信息

1.用户查询接口 1.1 查询所有用户 请求路径&#xff1a;GET /users 接口描述&#xff1a;查询所有用户的基本信息及关联的角色、应用数据。 请求参数&#xff1a;无 响应数据&#xff1a;{"code": 1,"msg": "success","data": [{&qu…...

java项目之基于ssm的乡镇自来水收费系统(源码+文档)

项目简介 乡镇自来水收费系统实现了以下功能&#xff1a; 乡镇自来水收费系统在Eclipse环境中&#xff0c;使用Java语言进行编码&#xff0c;使用Mysql创建数据表保存本系统产生的数据。系统可以提供信息显示和相应服务&#xff0c;其管理员管理水表&#xff0c;审核用户更换…...

基于高德地图实现地图交互功能的探索与总结

在前端开发项目中&#xff0c;集成地图功能并实现丰富的交互效果是一项具有挑战性但又极具实用价值的任务。最近&#xff0c;我在项目里负责实现基于高德地图的相关功能&#xff0c;包括地图初始化、输入提示、点击获取经纬度及地址等操作。在这个过程中&#xff0c;遇到了不少…...

代码随想录算法训练营--打卡day4

一.移除链表元素 1.题目链接 203. 移除链表元素 - 力扣&#xff08;LeetCode&#xff09; 2.思路 通过 while 循环来遍历链表&#xff0c;只要 cur 的下一个节点不为空&#xff0c;就继续循环。在循环中&#xff0c;对 cur 的下一个节点的值进行判断&#xff1a; 值不等于…...

【题解】AtCoder At_abc399_d [ABC399D] Switch Seats

题目大意 请点击 这里 查看原题面。 有一个长度为 2 ⋅ N 2\cdot N 2⋅N 的序列 A A A&#xff0c;其中 1 , 2 , … , N 1,2,\dots,N 1,2,…,N 各出现了两次。现在要找满足如下条件的数对 ( a , b ) (a,b) (a,b) 的个数&#xff1a; a a a 的两次出现不相邻。 b b b 的两…...

【力扣刷题|第十七天】0-1 背包 完全背包

目标和 力扣题目网址:目标和 这道题我们先用回溯的思想来做。首先我们设正数和为S&#xff0c;数组和为N&#xff0c;目标值为T&#xff0c;那么S-(N-S)T化简之后可以得S(TN)/2即选择的正数个数为偶数&#xff0c;而且NT也为偶数&#xff0c;那么第一个判断条件我们就有了&…...

实时目标检测新突破:AnytimeYOLO——随时中断的YOLO优化框架解析

目录 一、论文背景与核心价值 二、创新技术解析 2.1 网络结构革新:Transposed架构 2.2 动态路径优化算法 三、实验结果与性能对比 3.1 主要性能指标 3.2 关键发现 四、应用场景与部署实践 4.1 典型应用场景 4.2 部署注意事项 五、未来展望与挑战 一、论文背景与核心…...

Spring中的IOC及AOP概述

前言 Spring 框架的两大核心设计思想是 IOC&#xff08;控制反转&#xff09; 和 AOP&#xff08;面向切面编程&#xff09;。它们共同解决了代码耦合度高、重复逻辑冗余等问题。 IOC&#xff08;控制反转&#xff09; 1.核心概念 控制反转&#xff08;Inversion of Control…...

为mariadb和mysql添加用户和修改密码的方法

一、查看MariaDB中的用户 步骤1&#xff1a;登录MariaDB sudo mysql -u root -p # 使用root账户登录&#xff08;输入密码&#xff09; 步骤2&#xff1a;查询用户列表 -- 切换到mysql系统数据库 USE mysql; -- 查看所有用户及其主机权限 SELECT User, Host FROM user; 输出…...

2025年3月电子学会c++五级真题

结绳 #include <bits/stdc.h> using namespace std;int n,a[10010];int main() {cin>>n;for(int i 0;i<n;i){cin>>a[i];}sort(a0,an);//将a数组从小到大排序double sum 0;for(int i 0;i<n;i){sum (suma[i])/2;}cout<<(int)sum;return 0; } 最…...

JSP 指令

JSP 指令 概述 JSP&#xff08;JavaServer Pages&#xff09;是一种动态网页技术&#xff0c;它允许开发者在HTML页面中嵌入Java代码&#xff0c;从而实现动态内容的生成。JSP指令是JSP页面中用于设置整个页面属性的特殊标记&#xff0c;它们对整个JSP页面或部分页面进行配置…...

RabbitMQ高级特性--发送方确认

目录 1. confirm确认模式 1.配置RabbitMQ 2.设置确认回调逻辑并发送消息 2.Return退回模式 1.配置RabbitMQ 2.设置返回回调逻辑并发送消息 在使用RabbitMQ的时候, 可以通过消息持久化来解决因为服务器的异常崩溃而导致的消息丢失, 但是还有⼀个问题, 当消息的生产者将消息发送出…...

AUTOSAR_StbM_详解

AUTOSAR同步时基管理器(StbM)详解 基于AUTOSAR规范对StbM模块架构与功能的全面解析 目录 AUTOSAR同步时基管理器(StbM)详解 目录1. 概述 1.1 StbM的功能与用途1.2 StbM的主要用例2. 组件架构 2.1 StbM组件架构图2.2 组件交互说明 2.2.1 客户类型2.2.2 内部组件2.2.3 外部接口3.…...

扩散模型总结

目录 定义与原理 发展历程 正向扩散过程 反向扩散过程 噪声预测网络 离散时间模型 连续时间模型 条件扩散模型 生成质量 训练稳定性 采样灵活性 图像生成 音频合成 文本生成 计算效率 模型复杂度 定义与原理 扩散模型是一种新型的生成模型,其核心原理源于热力…...

RCE--解法

目录 一、利用php伪协议 1.代码分析 2.过程 3.结果 ​编辑 4.防御手段 二、RCE(php中点的构造&#xff09; 1.代码分析 2.过程 一、利用php伪协议 <?php error_reporting(0); if(isset($_GET[c])){$c $_GET[c];if(!preg_match("/flag|system|php|cat|sort…...

Kubernetes》k8s》Containerd 、ctr 、cri、crictl

containerd ctr crictl ctr 是 containerd 的一个客户端工具。 crictl 是 CRI 兼容的容器运行时命令行接口&#xff0c;可以使用它来检查和调试 k8s 节点上的容器运行时和应用程序。 ctr -v 输出的是 containerd 的版本&#xff0c; crictl -v 输出的是当前 k8s 的版本&#x…...

OpenCV 图形API(2)为什么需要图形API?

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 G-API背后的动机 G-API模块为OpenCV带来了基于图的执行模型。本章简要描述了这种新模型如何在两个方面帮助软件开发者&#xff1a;优化和移植图像处理算法…...

测试模版12

本篇技术博文摘要 &#x1f31f; 引言 &#x1f4d8; 在这个变幻莫测、快速发展的技术时代&#xff0c;与时俱进是每个IT工程师的必修课。我是盛透侧视攻城狮&#xff0c;一名什么都会一丢丢的网络安全工程师&#xff0c;也是众多技术社区的活跃成员以及多家大厂官方认可人员&a…...

Epoll 的本质与原理:高性能网络编程的基石

Epoll 的本质与原理&#xff1a;高性能网络编程的基石 在当今高并发的网络应用中&#xff0c;如何高效地处理大量的并发连接是每个开发者都需要面对的关键问题。Linux 系统提供的 epoll 技术正是解决这一问题的利器&#xff0c;被广泛应用于 Nginx、Redis、Skynet 等高性能网络…...

Tesseract OCR技术初探(Python调用)

一、Tesseract OCR技术解析 1.1 核心架构与发展历程 Tesseract是由HP实验室于1985年研发的光学字符识别引擎&#xff0c;2005年由Google开源并持续维护至今。其核心技术经历了三个阶段演进&#xff1a; 传统模式&#xff08;v3.x&#xff09;&#xff1a;基于特征匹配算法&a…...

黑盒测试的测试用例构成的八点要素

测试用例: 是为测试项目而设计的执行文档 作用&#xff1a; 防止漏测实施测试的标准 编写格式&#xff1a; 用例编号:项目 模块 编号用例标题:预期结果(测试点)模块/项目:所属项目或模块优先级:表示用例的重要程度或者影响力P0~p4(P0最高)前置条件:要执行此条用例&#xf…...

手撕string

目录 引言 1&#xff0c;成员变量 2&#xff0c;先建一个可以跑的 2_1&#xff0c;构造函数 2_2&#xff0c; 扩容函数reserve 2_3&#xff0c;push_back 2_4&#xff0c;append[ ] 2_5&#xff0c;operator << 2_6&#xff0c;测试一下&#xff0c;看猪跑 3&…...

12款星光闪光污迹艺术绘画效果Clip Studio Paint笔刷画笔+闪光纹理图片 Clip Studio Glitter Texture Brushes

这 12 种 Clip Studio 画笔 额外的闪光纹理包含闪光、污迹、星光和闪亮的斑点&#xff0c;为您的艺术增添额外的流行感。想想闪光胶&#xff0c;但已经长大了&#xff08;而且更好&#xff09;。想象一下&#xff1a;无论您是用微小的闪光还是厚实的微光涂鸦&#xff0c;都有适…...

5G_WiFi_CE_杂散测试

目录 一、规范要求 1、法规目录&#xff1a; 2、限值&#xff1a; &#xff08;1&#xff09;带外发射杂散 &#xff08;2&#xff09;带内发射杂散 &#xff08;3&#xff09;接收杂散 二、测试方法 1、带外发射杂散 &#xff08;1&#xff09;测试条件 &#xff08…...

蓝卓为中小制造企业注入数字化转型活力

随着劳动力成本上升,原材料价格上涨,企业生产成本逐年增加&#xff0c;市场竞争越来越激烈&#xff0c;传统的中小制造企业面临着巨大的压力。 通过数字化转型应对环境的变化已成为行业共识&#xff0c;在数字化的进程中&#xff0c;中小企业首要考虑生存问题&#xff0c;不能…...

集成 shardingsphere-jdbc 常见问题

一、报错内容 Caused by: org.apache.ibatis.executor.ExecutorException: Error preparing statement. Cause: org.apache.shardingsphere.infra.exception.kernel.metadata.TableNotFoundException: Table or view t_xxx does not exist. 解决 1、配置 !SHARDING rules:-…...

DeepSeek接入飞书多维表格,效率起飞!

今天教大家把DeepSeek接入飞书表格使用。 准备工作&#xff1a;安装并登录飞书&#xff1b;可以准备一些要处理的数据&#xff0c;确保数据格式正确&#xff0c;如 Excel、CSV 等&#xff0c;也可直接存储到飞书多维表格。 创建飞书多维表格&#xff1a;打开飞书&#xff0c;点…...

AI来了,新手如何着手学习软件开发?

AI时代新手学习软件开发的7步进化指南 &#xff08;附具体工具与避坑策略&#xff09; 一、建立“人机协作”学习观 AI是教练&#xff0c;不是替身 正确姿势&#xff1a;用AI辅助理解概念&#xff08;如让DeepSeek 、ChatGPT用生活案例解释递归&#xff09;&#xff0c;但坚持手…...

sqli-labs靶场 less5

文章目录 sqli-labs靶场less 5 报错注入 sqli-labs靶场 每道题都从以下模板讲解&#xff0c;并且每个步骤都有图片&#xff0c;清晰明了&#xff0c;便于复盘。 sql注入的基本步骤 注入点注入类型 字符型&#xff1a;判断闭合方式 &#xff08;‘、"、’、“”&#xf…...

AI基础02-图片数据采集

上篇文章我们学习了文本的数据采集&#xff0c;今天主要了解一下图片数据采集的方法。图片采集方法通常有网页采集和实时采集&#xff08;传感器采集&#xff09;两种。我们学习一下如何利用python 工具和笔记本计算机摄像头进行图片数据的实时采集。 1&#xff09;cv2库简介 …...

QT音乐播放器(1):数据库保存歌曲

实现功能&#xff1a;用数据库保存本地导入和在线搜索的歌曲记录 目录 一. 保存本地添加的歌曲 1. 使用QSettings &#xff08;1&#xff09;在构造函数中&#xff0c;创建对象。 &#xff08;2&#xff09;在导入音乐槽函数中&#xff0c;保存新添加的文件路径&#xff0c…...

Java面试黄金宝典22

1. 树的中序遍历&#xff0c;除了递归和栈还有什么实现方式 定义 Morris 遍历是一种用于二叉树遍历的算法&#xff0c;它利用树中大量空闲的空指针&#xff0c;在不使用额外栈空间和递归的情况下&#xff0c;完成树的遍历。通过建立临时的线索连接&#xff0c;使得可以按照中…...

英伟达GB300新宠:新型LPDDR5X SOCAMM内存

随着人工智能&#xff08;AI&#xff09;、机器学习&#xff08;ML&#xff09;和高性能计算&#xff08;HPC&#xff09;应用的快速发展&#xff0c;对于高效能、大容量且低延迟内存的需求日益增长。NVIDIA在其GB系列GPU中引入了不同的内存模块设计&#xff0c;以满足这些严格…...

验证Linux多进程时间片切换的程序

​​ 一、软件需求 在同时运行多个CPU密集型进程时&#xff0c;需采集以下统计信息&#xff1a; 当前运行在逻辑CPU上的进程ID每个进程的运行进度百分比 实验程序设计要求&#xff1a; 1. 命令行参数 参数说明示例值n并发进程数量3total总运行时长&#xff08;毫秒&…...

Linux学习笔记(应用篇四)

基于I.MX6ULL-MINI开发板 输入设备tslib库 输入设备 触摸屏 触摸屏设备是绝对位移设备可以上报绝对位移事件 触摸可分为单触摸和双触摸 BTN_TOUCH &#xff1a;按压触摸屏和松开会触发上报&#xff0c;滑动时不会 单触摸上报事件 ABS_X&#xff1a; X 轴绝对位移坐标值 ABS_Y…...

linux基本命令(1)--linux下的打包命令 -- tar 和gzip

tar 解压 &#xff0c;打包 语法&#xff1a;tar [主选项辅选项] 文件或者目录 使用该命令时&#xff0c;主选项是必须要有的&#xff0c;它告诉tar要做什么事情&#xff0c;辅选项是辅助使用的&#xff0c;可以选用。 主选项&#xff1a; c 创建新的档案文件。如果用户想备…...

【Linux内核系列】:文件ELF格式详解

&#x1f525; 本文专栏&#xff1a;Linux &#x1f338;作者主页&#xff1a;努力努力再努力wz &#x1f4aa; 今日博客励志语录&#xff1a; “人生没有白走的路&#xff0c;你踩过的荆棘、蹚过的泥泞&#xff0c;都会在某一刻&#xff0c;变成你脚下的风。” ★★★ 本文前置…...