当前位置: 首页 > news >正文

Prompt_Engineering提示词工程(一)

一、Prompt(提示词)

Prompt(提示词)是给AI模型交互文本片段,用于指导模型生成符合预期输出结果,提示词的目的是为模型提供一个上下文的任务,以便模型能够更准确地理解用户的意图,并生成相关的回应。

二、Prompt(提示词核心)

  1. 具体性

    • 差:“讲一下历史”
    • 好:“用300字简要概括第二次世界大战的主要起因,列出5个关键因素”
  2. 示例和格式

    • 差:“说说节假日分别有哪些?”

    • 好:"说说2025年中国节假日有哪些?以表格形式展示(包括序号、开始日期、结束日期、节假名称、周几范围,总天数)

      例如:

      序号| 开始日期 | 结束日期| 节假名称| 周几范围 | 总天数

      1 | 2025-04-04|2025-04-07|清明节|周四~周日|3天"

  3. 避免不精确

    • 差:“有5个用户,分别是A\B\C\D\E; 现在进行角色扮演,请猜出那个是水果。”

    • 好:"有5个用户,分别是A\B\C\D\E; 现在进行角色扮演,根据5个用户每一轮对话进行排除,

      ​ 其中分别代表A:苹果; B-西瓜; C-橘子;D-冬瓜;E-葡萄。

      ​ 请模拟至少4轮对话进行依次排除,猜出谁非正确水果。"

  4. 做还是不做:

    • 差:“现在由一组数依次是1~100。”
    • 好:“现在由一组数依次是1~100。分别求基数和,偶数和,基数积,偶数积,说出具体分析步骤,结果以表格形式展示。”
  5. 结构化表达

    • 差:“现在有2个用户分别是A和B,他具有很多属性; 年龄age, 性别sex, 身高height,体重weigth,角色role等,A用户年龄18,性别男,身高168cm,体重65kg,角色学生,B用户年龄38,性别男,身高178cm,体重75kg,角色教师”
    • 好:“现在有2个用户分别是A和B,他具有很多属性; 年龄age, 性别sex, 身高height,体重weigth,角色role等,A用户年龄18,性别男,身高168cm,体重65kg,角色学生,B用户年龄38,性别男,身高178cm,体重75kg,角色教师。请根据以上描述返回JSON数据结构,无需展示分析步骤,直接要结果。”
  6. 上下文支持

    • 差:“写首诗”
    • 好:“以秋天黄昏为背景,写一首8行的现代诗,表达时光流逝的感伤”

三、Prompt(提示词场景)

  1. 通用技巧

    提示词是与大模型沟通语言,在提问最好尽量满足以下场景,让大模型更好理解你的意图。

    • 具体性。
    • 示例和格式。
    • 避免不精确。
    • 做还是不做?
  2. Zero-Short(零样本)
    零样本提示不提供示例,直接向模型提出问题或任务。适用于模型已熟悉的任务或问题明确的场景。这对于一些简单的、明确的问题,非常高效。但对于一些复杂的问题,效果就不好了。

    • 可分析情感、归类总结、结构化输出、步骤实施等等。
  3. Few-Short(少量样本)

    ​ 少样本提示可以作为一种技术,以启用上下文学习,我们在提示中提供演示以引导模型实现更好的性能。

    少样本提示通过提供示例,让模型更清楚任务要求。适用于复杂或自定义任务。

    • 可语言翻译、综合计算、逻辑推理等等。
  4. COT(Chain-of-Thought, 思维链)

    ​ 思维链是一种链式思维,他不仅仅限于单步纵向思维,而是实现更复杂的推理能力,解决复杂问题。

    • Zero-Short-COT(零样本COT)。
    • Few-Short-COT(少量样本COT)。

    在这里插入图片描述

    标准的prompt思维链prompt
    Q:罗杰有5个网球。他又买了2罐网球。每个罐子有3个网球。他现在有多少个网球?Q:罗杰有5个网球。他又买了2罐网球。每个罐子有3个网球。他现在有多少个网球?
    A:答案是11个A:罗杰一开始有5个球。2罐3个网球,等于6个网球。5 + 6 = 11。答案是11。
    Q:自助餐厅有23个苹果。如果他们用20做午餐,又买了6个,他们有多少个苹果?Q:自助餐厅有23个苹果。如果他们用20做午餐,又买了6个,他们有多少个苹果?
    A:答案是27个A:自助餐厅最初有23个苹果。他们使用20个做午饭。23 - 20 = 3。他们又买了6个苹果,得到3+ 6= 9。答案是9个。
  5. COT-SC(Chain-of-Thought Self-Consistency, 思维链自一致性)

    大模型通过思维链方式得到结果有所偏离(产生幻觉),需多次论证后才能保证自一致性,自一致性性(自洽性)是指模型在生成文本时,能够保持内部逻辑的一致性,避免自相矛盾或与上下文不符的回答。
    在这里插入图片描述

  6. TOT(Tree-of-thought, 思维树)

    ​ 对于需要探索或预判战略的复杂任务来说,传统或简单的提示技巧是不够的。思维树基于思维链提示进行了总结,引导语言模型探索把思维作为中间步骤来解决通用问题。

    • 分层次思考。
    • 多路径探索。
    • 动态调整。
      在这里插入图片描述

四、Prompt Engineering(提示工程)

提示工程(Prompt Engineering) 也可以被称为「指令工程」,提示工程的核心思想是,通过精心设计的提示Prompt,可以显著提高模型的性能和输出质量。它是与AI交互的核心技能之一,尤其在自然语言处理NLP领域至关重要。

  • 貌似简单,但其实意义非凡。(提问的智慧)
  • Prompt 是 AGI 时代的「编程语言」
  • 提示工程师是 AGI 时代的「程序员」

如果要学好提示工程,那么其实就是要知道如何对咱们的Prompt进行调优,与大模型进行更好的交互。
在这里插入图片描述

  • 提示工程(Prompt Engineering):
    直接使用预训练的模型,并通过设计巧妙的提示(prompt)来引导模型生成所需的输出。
  • RAG(Retrieval Augmented Generation, RAG):
    模型通过引入外部知识来增强其生成能力。这可能是通过检索相关文本、知识图谱或其他数据源来实现的。
  • 微调(Fine-tuning):
    已经预训练好的模型会在特定领域的数据上进行优化也就是通过领域特定的数据来精炼预训练模型,以提高其在该领域的性能。
  • 预训练(Pre-training):
    金字塔的顶部是“预训练”阶段,这通常意味着从头开始训练一个机器学习模型。这一阶段使用大量的数据进行训练,以建立一个基本的、能够处理多种任务的模型。

五、提示工程基于那些组成。

Prompt Engineering工程是什么? 一切在提示之前的内容

在这里插入图片描述
这张概念图以直观的方式揭示了提示工程(Prompt Engineering)的核心要素及其运作流程。图中清晰地展示了在给定提示之前,涉及的一系列关键步骤和组件,这些共同构成了提示工程的整体框架。

首先,图的左侧列出了几个重要的组成部分:

  • 数据库和其他信息存储(Databases & Other InfoStores)

    这是信息的源头,包含了各种相关的数据库和知识库,它们为AI模型生成输出或输入提供了丰富的素材。

  • 工作流程(Workflows)

    输入工作流程描述了如何将人类的想法和意图转化为机器可理解的指令。这可能涉及多个步骤,如数据预处理、特征提取、提示设计等。在Prompt中扮演着指导者的角色,它用简单的语句清晰地规划出大模型处理任务的整体流程。这个流程通常包括欢迎用户、获取用户输入、处理用户输入、输出结果、结束对话等关键步骤。通过这样的流程设计,我们可以确保大模型在与用户的交互过程中,能够按照预定的逻辑和顺序进行工作,从而提高交互的效率和准确性。Workflow的设计还可以根据具体的应用场景和需求进行定制和优化。例如,在某些复杂的场景中,我们可能需要添加更多的处理步骤或条件判断来确保大模型能够正确地理解和处理用户的输入。而在一些简单的场景中,我们则可以简化Workflow的设计,以提高交互的速度和便捷性。

  • 提示库(Prompt Libraries)

    AI提示库是存储各种经过验证和优化的提示的集合。这些提示可以被重复使用或稍作修改以适应不同的任务或需求。

  • 提示词设计指南(Prompt Recipe)

    提示配方是指创建有效提示的一系列步骤或指南。它可能包括选择适当的语言风格、确定提示的结构、添加必要的上下文信息等。

    • 角色(Role)

      提示角色指的是在提示中扮演的特定角色或身份。例如,提示可能要求AI模型以专家的身份回答问题,或以某种特定的风格(如正式、幽默等)进行写作。

    • 任务指令(Task Instructions)

      任务指令是明确告诉AI模型需要执行的具体任务。这些指令应该清晰、具体,以便AI模型能够准确理解并执行。

    • 上下文(Context)

      上下文是指与提示相关的信息或背景知识。提供足够的上下文可以帮助AI模型更好地理解提示,并生成更相关、更准确的输出。

  • 生成性提示(Prompting)

    在生成式AI的应用中,可以通过设计巧妙的提示词,让模型生成符合特定场景、风格或主题的文本。 通过调整提示的内容和结构,可以实现对模型输出的精细控制,从而满足不同的应用场景和需求。

相关文章:

Prompt_Engineering提示词工程(一)

一、Prompt(提示词) Prompt(提示词)是给AI模型交互文本片段,用于指导模型生成符合预期输出结果,提示词的目的是为模型提供一个上下文的任务,以便模型能够更准确地理解用户的意图,并…...

探索 Shell 中的扩展通配符:从 Bash 到 Zsh

在 Unix 系统中,通配符(globbing)是 shell 的核心功能,用于快速匹配文件或目录。基础通配符(如 *、?、[])虽简单实用,但在复杂场景下往往力不从心。为此,许多现代 shell 提供了“扩…...

电脑清洁常用工具

清洁布:用于擦拭电脑表面和屏幕。一般选择柔软、不掉毛的微纤维清洁布,它能有效去除灰尘和污渍,同时不会刮伤电脑表面。压缩空气罐:可以产生强力气流,用于吹走电脑内部的灰尘,如主机箱、键盘缝隙等部位的灰…...

深入理解Spring是如何解决循环依赖的

1、简介循环依赖 在 Spring 框架中,循环依赖是指两个或多个 Bean 互相依赖,形成了一个闭环。例如,Bean A 依赖于 Bean B,而 Bean B 又依赖于 Bean A。这种依赖关系可能会导致初始化失败。Spring 提供了一种机制来解决这种循环依赖…...

AIGC时代的新风口!MCP协议引领未来无限可能

文章目录 一、引言二、MCP的定义与架构三、MCP的使用案例1. Cursor MCP Figma:工程化项目自动化2. Claude Desktop与本地文件系统交互3. 智能客服系统中的MCP应用 四、MCP的应用前景1. 更广泛的应用场景拓展2. 更高的性能要求和优化3. 更强的安全性和隐私保护措施…...

NO.81十六届蓝桥杯备战|数据结构-Trie树-字典树-前缀树|于是他错误的点名开始了|最大异或对 The XOR Largest Pair(C++)

字典树的概念 Trie树⼜叫字典树或前缀树,是⼀种能够快速插⼊和查询字符串的数据结构。它利⽤字符串的公共前缀,将字符串组织成⼀棵树形结构,从⽽⼤⼤提⾼了存储以及查找效率。 我们可以把字典树想象成⼀棵多叉树,每⼀条边代表⼀个…...

go语言应该如何学习

以下是学习Go语言的高效路径及关键技巧,结合多个优质来源整理而成,适合不同基础的学习者: 一、基础语法快速入门(1-2周) 1、环境搭建 下载安装Go SDK,配置GOPATH和GOROOT环境变量,推荐使用Go…...

struct结构体、union联合体和枚举

目录 一、结构体的声明和使用 1.1 结构体正常声明和创建 1.2 结构体特殊声明 1.3 结构体的自引用 二、结构体内存对齐 2.1 对齐规则 2.2 #pragma修改 三、结构体传参 四、结构体位段 4.1 位段内存分配 4.2 位段内存应用 五、结构体中的柔性数组概念 六、union联合…...

el-tree 实现树形菜单子级取消选中后父级选中效果不变

背景 在复杂的企业级管理系统中,树形菜单是一种常见的数据展示和交互组件。传统的树形菜单通常存在以下交互局限: 子节点取消选中时,父节点会自动取消选中无法满足复杂的权限分配和数据筛选场景实际应用场景: 组织架构权限管理多层级资源分配复杂的数据筛选与展示实现需求…...

centos7系统搭建nagios监控

~监控节点安装 1. 系统准备 1.1 更新系统并安装依赖 sudo yum install -y httpd php php-cli gcc glibc glibc-common gd gd-devel make net-snmp openssl-devel wget unzip sudo yum install -y epel-release # 安装 EPEL 仓库 sudo yum install -y automake autoconf lib…...

Gitlab的迁移升级

Gitlab11.6.5的迁移升级 Gitlab升级是不能跨大版本升级的,根据官方升级路径来操作。 gitlab迁移 首先需要查看当前gitlab版本 cat /opt/gitlab/embedded/service/gitlab-rails/VERSION 当前版本是11.6.5 备份源数据 原仓库备份所有的文件 /opt/gitlab/bin/git…...

C++11QT复习 (十九)

文章目录 Day13 C 时间库和线程库学习笔记&#xff08;Chrono 与 Thread&#xff09;一、时间库 <chrono>1.1 基本概念1.2 使用示例1.3 duration 字面量单位 二、线程库 <thread>2.1 基本用法2.2 数据竞争&#xff08;Race Condition&#xff09;2.3 加锁&#xff…...

3 版本控制:GitLab、Jenkins 工作流及分支开发模式实践

一、引言 在软件开发过程中,版本控制是保障代码质量、提高开发效率的关键环节。有效的版本控制能够帮助团队成员更好地协作,追踪代码变更,快速定位和解决问题。GitLab 和 Jenkins 作为两款广泛使用的工具,在版本控制和持续集成 / 持续部署(CI/CD)流程中发挥着重要作用。本…...

docker配置远程连接,dockerfile-maven-plugin插件打包到远程

我开发机器上的内存不大&#xff0c;能不安装在本地的应用就都跑在服务器上了&#xff0c;但是本地打包时需要用到docker打包成镜像&#xff0c;这时会本地运行docker&#xff0c;所以准备本地只使用docker客户端&#xff0c;连接服务器上的docker服务端 服务端配置 docker服…...

Skyline配置指南-微信小程序

Skyline 是微信小程序推出的新一代渲染引擎&#xff0c;提供了更强大的渲染能力和更流畅的性能体验。以下是配置 Skyline 的详细步骤&#xff1a; 一、app.json文件配置 "componentFramework": "glass-easel", "lazyCodeLoading": "requi…...

【c语言】倒置字符串

将一句话的单词进行倒置&#xff0c;符号不变&#xff0c;用例长度不超过100 思路&#xff1a; 逆序整个字符串逆序每个单词 #include <stdio.h> #include <string.h> void reverse(char* left, char* right) {while (left < right) {//char *tmp left;//error…...

MySQL多表查询实战指南:从SQL到XML映射的完整实现(2W+字深度解析)

MySQL多表查询实战指南:从SQL到XML映射的完整实现(2W+字深度解析) 第一章 多表查询基础与核心原理 1.1 关系型数据库设计范式 以电商系统为例的三范式实践: -- 原始数据表(违反第三范式) CREATE TABLE orders (order_id INT PRIMARY KEY,customer_name VARCHAR(50),p…...

【图书管理系统】全栈开发图书管理系统获取图书列表接口(后端:计算图书页数、查询当前页展示的书籍)

图书列表 实现服务器代码(计算图书总数量查询当前页需要展示的书籍) 后端响应时&#xff0c;需要响应给前端的数据 records&#xff1a;第 pageNum 页要展示的图书有哪些&#xff08;存储到List集合中&#xff09;total&#xff1a;计算一共有多少本书&#xff08;用于告诉前…...

SpringMvc的请求-获得请求参数

客户端请求参数的格式是: namevalue&namevalue..… 服务器端要获得请求的参数&#xff0c;有时还需要进行数据的封装&#xff0c;SpringMVC可以接收如下类型的参数: 基本类型参数 POJO类型参数 数组类型参数 集合类型参数 获得基本类型参数 Controller中的业务方法…...

CSS 笔记——Flexbox(弹性盒布局)

目录 1. Flex 容器与 Flex 项目 2. 主轴与交叉轴 3. Flex 容器的属性 display flex-direction justify-content align-items align-content flex-wrap 4. Flex 项目的属性 flex-grow flex-shrink flex-basis flex align-self 5. Flexbox 的优点 6. Flexbox 的…...

Redis 缓存 + MySql 持久化 实现点赞服务

前言 为什么所用 redis 作为缓存来实现点赞服务, 而不是直接就使用 mysql 来完成? 使用 Redis 的集合数据结构来存储点赞用户的 ID&#xff0c;方便快速判断用户是否已点赞; 当用户频繁的点赞和取消点赞时, 无需操作数据库, 减轻服务器压力 Redis 可以承受高并发的读写操作…...

Oracle OCP知识点详解2:yum 等服务的搭建

一、YUM/DNF 服务架构解析 1.1 核心组件交互流程 sequenceDiagram participant Client participant YUM participant Repository participant RPMDBClient->>YUM: yum install oracle-database-preinstall YUM->>Repository: 获取元数据(repodata) Repository--&…...

JavaScript Hook XMLHttpRequest操作:逆向与调试实战指南

在JavaScript逆向工程中&#xff0c;Hook XMLHttpRequest操作是一种重要的技术&#xff0c;可以用来捕获、修改或分析网络请求的发送和接收过程。本文将结合具体案例&#xff0c;详细讲解如何实现XMLHttpRequest的Hook操作。 一、Hook XMLHttpRequest的基本原理 &#xff08;…...

21 天 Python 计划:MySQL视图、触发器、存储过程、函数与流程控制

文章目录 一、视图1.1 创建视图1.2 使用视图1.3 修改视图1.4 删除视图 二、触发器2.1 创建触发器2.2 使用触发器2.3 删除触发器 三、存储过程3.1 介绍3.2 创建简单存储过程&#xff08;无参&#xff09;3.3 创建存储过程&#xff08;有参&#xff09;3.4 执行存储过程3.5 删除存…...

机器学习 Day10 逻辑回归

1.简介 流程就是&#xff1a; 就是我们希望回归后激活函数给出的概率越是1和0. 2.API介绍 sklearn.linear_model.LogisticRegression 是 scikit-learn 库中用于实现逻辑回归算法的类&#xff0c;主要用于二分类或多分类问题。以下是对其重要参数的详细介绍&#xff1a; 2.1.…...

Hadoop的序列化和反序列化

//1 package com.example.sei;import org.apache.hadoop.io.Writable;import java.io.DataInput; import java.io.DataOutput; import java.io.IOException;//学生类&#xff0c;姓名&#xff0c;年龄 //支持hadoop的序列化 //1.要实现Writable接口 //2.补充一个空参构造 publi…...

Altera Cyclone EP1C20F400C8N FPGA 阿尔特拉 介绍

在可编程逻辑器件领域&#xff0c;Altera 的 Cyclone 系列 FPGA 以其低成本、低功耗和灵活的 I/O 支持而著称。EP1C20F400C8N 作为 Cyclone I 家族中规模最大的成员之一&#xff0c;提供约 20 060 个逻辑单元&#xff0c;面向通信、工业控制、视频处理等多种嵌入式应用场景。​…...

VTK随笔十四:QT与VTK的交互示例(平移)

VTK&#xff08;Visualization Toolkit&#xff09;是一个开源的软件系统&#xff0c;用于三维计算机图形学、图像处理和可视化。它提供了丰富的工具和类来处理三维数据和交互。在 VTK 中&#xff0c;拾取操作通常通过 vtkCellPicker 或 vtkPointPicker 等类来实现。 本文将展示…...

用户注册(阿里云手机验证码)

阿里云开通三网106短信 ①、在阿里云市场搜索“短信”&#xff0c;开通三网短信&#xff0c;并可以查看其中的请求示例&#xff08;java PHP^&#xff09; 并在个人中心的管理控制台中查到&#xff0c;获取其中的AppKey AppCode ②、接口开发 service-user模块中依赖spr…...

【BFT帝国】20250409更新PBFT总结

2411 2411 2411 Zhang G R, Pan F, Mao Y H, et al. Reaching Consensus in the Byzantine Empire: A Comprehensive Review of BFT Consensus Algorithms[J]. ACM COMPUTING SURVEYS, 2024,56(5).出版时间: MAY 2024 索引时间&#xff08;可被引用&#xff09;: 240412 被引:…...

学习海康VisionMaster之边缘交点

一&#xff1a;进一步学习了 今天学习下VisionMaster中的边缘交点&#xff0c;这个还是拟合直线的衍生应用&#xff0c;可以同时测量两条直线并且输出交点或者判定是否有交点 二&#xff1a;开始学习 1&#xff1a;什么是边缘交点&#xff1f; 按照传统的算法&#xff0c;必须…...

公司级项目-AD9914扫频源(三)评估板与上位机的初步调试

硬件平台搭建1-评估板与上位机 第一阶段&#xff0c;先使用评估板配套的上位机软件进行控制&#xff0c;学习一下各种功能的实现方式和寄存器配置方式。 硬件连接 需要的设备仪器包括&#xff1a;多路直流稳压电源、信号发生器、示波器、电脑。 按照图中的方式进行连接&am…...

技术优化实战解析:Stream重构与STAR法则应用指南

目录 一、真实案例背景&#xff1a;老代码的"历史厚重感" 二、屎山代码解剖课&#xff1a;这些写法到底烂在哪&#xff1f; 三、Stream流式重构&#xff1a;给老代码做个大保健 2.1 重构后代码实现 2.2 核心API技术拆解 2.3 进阶优化技巧 三、STAR法则技术文档…...

基于Qt的串口通信工具

程序介绍 该程序是一个基于Qt的串口通信工具&#xff0c;专用于ESP8266 WiFi模块的AT指令配置与调试。主要功能包括&#xff1a; 1. 核心功能 串口通信&#xff1a;支持串口开关、参数配置&#xff08;波特率、数据位、停止位、校验位&#xff09;及数据收发。 AT指令操作&a…...

Xilinx FPGA XCZU5EV‑2FBVB900I Zynq UltraScale+™ MPSoC EV 系列

XCZU5EV‑1FBVB900I XCZU5EV‑2FBVB900E XCZU5EV‑1FBVB900I 是 Xilinx Zynq UltraScale™ MPSoC EV 系列中功能最为丰富的器件之一&#xff0c;采用 16 nm FinFET 工艺&#xff0c;封装为 31 mm  31 mm、900‑ball FCBGA&#xff08;FBVB900&#xff09;。该系列在传统的…...

如何更改OCP与metadb集群的连接方式 —— OceanBase运维管理

背景 许多用户都会借助OCP平台来进行OceanBase集群的运维与监控&#xff0c;且因为考虑单节点的OCP部署&#xff0c;在遇故障时可能会短时间出现无法管控 OceanBase集群&#xff0c;多数用户倾向于采用多节点方式来部署OCP&#xff0c;即 OCP的 metadb集群也是三节点的集群部署…...

Databricks: Why did your cluster disappear?

You may found that you created a cluster many days ago, and you didnt delete it, but it is disapear. Why did this happen? Who deleted the cluster? Actually, 30 days after a compute is terminated, it is permanently deleted automaticlly. If your workspac…...

深入解析Java内存与缓存:从原理到实践优化

一、Java内存管理&#xff1a;JVM的核心机制 1. JVM内存模型全景图 ┌───────────────────────────────┐ │ JVM Memory │ ├─────────────┬─────────────────┤ │ Thread │ 共享…...

macos下 ragflow二次开发环境搭建

参考官网链接 https://ragflow.io/docs/dev/launch_ragflow_from_source虚拟环境 git clone https://github.com/infiniflow/ragflow.git cd ragflow/ # if not pipx, please install it at first pip3 install pipxpipx install uv uv sync --python 3.10 --all-extras 安装 …...

从 Excel 到你的表格应用:条件格式功能的嵌入实践指南

一、引言 在日常工作中&#xff0c;面对海量数据时&#xff0c;如何快速识别关键信息、发现数据趋势或异常值&#xff0c;是每个数据分析师面临的挑战。Excel的条件格式功能通过自动化的视觉标记&#xff0c;帮助用户轻松应对这一难题。 本文将详细介绍条件格式的应用场景&am…...

安徽京准:NTP网络时钟服务器功能及同步模式的介绍

安徽京准&#xff1a;NTP网络时钟服务器功能及同步模式的介绍 安徽京准&#xff1a;NTP网络时钟服务器功能及同步模式的介绍 1、NTP网络时钟服务器概念&#xff1a; NTP时钟服务器&#xff0c;表面意思是时间计量工具的服务设备&#xff0c;其在现代工业中是用于对客户端设备…...

基于ueditor编辑器的功能开发之百度编辑器自带的查找和替换功能无法对目标文字进行滚动定位修复

在查找百度编辑器的查找和替换功能&#xff0c;发现当页面文字过多&#xff0c;用户在检索文字点击上一个下一个的时候&#xff0c;滚动条不跟随滚动了 分析了ueditor关于searchpalce方法的处理时&#xff0c;他会在目标文字的前面插入一个span标签用户获取当前需要高亮的文字节…...

MYSQL——SQL语句到底怎么执行

查询语句执行流程 MySQL 查询语句执行流程 查询缓存&#xff08;Query Cache&#xff09; MySQL内部自带了一个缓存模块&#xff0c;默认是关闭的。主要是因为MySQL自带的缓存应用场景有限。 它要求SQL语句必须一摸一样表里面的任何一条数据发生变化时&#xff0c;该表所有缓…...

[蓝桥杯 2022 省 B] 李白打酒加强版

题目链接&#xff1a; 思路&#xff1a; ①定义dp数组&#xff0c;f[i][j][k]&#xff0c;表示经过 i 店&#xff0c; 遇到 j 花&#xff0c; 还有 k 酒。如果酒的数量超过了花的数量&#xff0c;那么一定喝不完。因此&#xff0c;k 不能超过 M。 ②从店推过来&#xff0c;f[…...

计算机视觉——图像金字塔与目标图像边缘检测原理与实践

一、两个图像块之间的相似性或距离度量 1.1 平方差和&#xff08;SSD&#xff09; 平方差和&#xff08;SSD&#xff09; 是一种常用的图像相似性度量方法。它通过计算两个图像在每个对应位置的像素值差的平方和来衡量两个图像之间的整体差异。如果两个图像在每个位置的像素值…...

复现QGIS-MCP教程

由于Claude国内下载不了尝试使用Cursor 下载安装Cursor Cursor - The AI Code Editor 本示例安装的是0.46版本 UV安装 简介 安装 安装成功 配置环境变量 验证 下载代码 git clone gitgithub.com:jjsantos01/qgis_mcp.git QGIS插件安装 文件拷贝 您需要将 qgis_mcp_plu…...

人工智能图像识别Spark Core

Spark Core 一.spark运行架构 1.运行架构 Spark 框架的核心是一个计算引擎&#xff0c;整体来说&#xff0c;它采用了标准 master-slave 的结构。 如下图所示&#xff0c;它展示了一个 Spark 执行时的基本结构。图形中的 Driver 表示 master&#xff0c;负责管理整个集群中的作…...

决策树+泰坦尼克号生存案例

决策树简介 学习目标 1.理解决策树算法的基本思想 2.知道构建决策树的步骤 【理解】决策树例子 决策树算法是一种监督学习算法&#xff0c;英文是Decision tree。 决策树思想的来源非常朴素&#xff0c;试想每个人的大脑都有类似于if-else这样的逻辑判断&#xff0c;这其中…...

怎么查看苹果手机和ipad的设备信息和ios udid

你知道吗&#xff1f;我们每天使用的iPhone和iPad&#xff0c;其实隐藏着大量详细的硬件与系统信息。除了常见的系统版本和序列号外&#xff0c;甚至连电池序列号、摄像头序列号、销售地区、芯片型号等信息&#xff0c;也都可以轻松查到&#xff01; 如果你是开发者、维修工程…...

智能驱动教育变革:人工智能在高中教育中的实践路径与创新策略

一、引言 随着信息技术的飞速发展&#xff0c;人工智能&#xff08;Artificial Intelligence, AI&#xff09;已成为推动社会进步的重要力量。在教育领域&#xff0c;人工智能的应用正逐渐改变着传统的教学模式和方法&#xff0c;为教育现代化注入了新的活力。高中教育作为教育…...