当前位置：首页 > news >正文

通过MCP+数据库实现AI检索和分析

news 来源：原创 2025/9/15 1:38:56

通过 MCP（Multi-Agent Collaboration Platform，多智能体协作平台）+ 数据库，实现一个AI检索和分析系统。

一、系统目标

实现通过 AI 多智能体对结构化（数据库）和非结构化（文档、文本）数据进行：

✅ 智能检索（自然语言问答、SQL 自动生成）
✅ 智能分析（总结、趋势识别、异常检测、风险分析等）
✅ 多模型协同分析 + 决策建议
✅ 结果推送（如 ECM、BPM 系统对接、前端仪表盘展示）

二、技术组成与框架结构

整体结构如下：

[ 用户 ] ⇄ [ MCP Server ] ⇄ [ Agent / LangChain Tool ] ⇄ [ 数据库 / 文档系统 ]⇅[ 多模型分析引擎 ]

1. MCP Server

支持用户通过自然语言输入查询意图（如：“分析近三月销售异常”）
调用 Agent 工厂，动态分配合适的 AI Agent 进行任务分解与协作
负责中控调度、缓存上下文、流程记录和结果集成

2. 数据检索模块（LangChain + 数据库工具）

使用 LangChain SQLDatabaseChain 或 SQLAgent 工具对接数据库
支持自然语言转 SQL（通过 GPT/Claude 等模型）
数据库返回结构化数据（DataFrame）
对于多表分析，使用 SQLGraph 工具做自动联表推理

3. AI 分析 Agent

负责对结构化数据进行统计分析、趋势识别、聚类等
可通过 Python Agent（LangChain 的 Pandas DataFrame Agent）进行数据分析（用模型调用 pandas、matplotlib 等进行分析）

4. 多模型投票机制（可选）

通过调用 Claude/GPT/Mistral 等多个模型
对分析结果进行比对和投票（如多个模型都认为某条数据是风险项，则置信度更高）

5. 分析结果输出模块

可以将结果推送到：
- ECM 系统（如 IBM FileNet）做文档记录
- BPM 系统（如 IBM BPM）发起审批流程
- 前端仪表盘展示（如 React + Tailwind + Charts）

三、功能示例

示例 1：自然语言问数据库

用户输入：「帮我查一下过去3个月每个地区的销售趋势，并找出异常波动。」

执行流程：

MCP 调用 SQLAgent 将用户意图翻译为 SQL
查询数据库中相关销售表
将数据交给 Pandas Agent 进行趋势图绘制 + 异常检测
返回分析结果 + 图表
可选：将异常记录推送到 BPM 发起“销售异常核查”流程

示例 2：合同数据分析（结合 ECM）

用户输入：「找出近30天签署的合同中，金额超过100万的，并做风险分析。」

查询数据库 + ECM 中文档（合同 PDF 或条款摘要）
使用 NLP 模型（或 Agent）读取文本内容进行分析（如违约风险）
多模型评估结果（Claude/GPT/Mistral 投票）
推送分析结果到 ECM 系统的备注字段或 BPM 流程中

四、数据库接入方式（MySQL/PostgreSQL 示例）

可以使用 LangChain 中的 SQLDatabase 对象连接数据库：

from langchain.utilities import SQLDatabasedb = SQLDatabase.from_uri("mysql+pymysql://user:password@host:3306/database_name")

然后使用 SQLDatabaseChain 或 SQLAgent 对接：

from langchain.chains import SQLDatabaseChain
from langchain.chat_models import ChatOpenAIllm = ChatOpenAI(model_name="gpt-4")
db_chain = SQLDatabaseChain.from_llm(llm, db)response = db_chain.run("显示最近三个月销售额趋势")

五、搭建一个本地 MCP + SQLite 的 AI 数据分析原型系统，使用 LangChain + GPT（或本地模型）实现自然语言到 SQL，再通过 Pandas 分析数据。

第一步：系统核心结构设计

我们先构建一个最简 MVP（最小可行产品）版本，包含以下模块：

系统模块划分

模块名	功能说明
用户界面	输入自然语言查询
MCP Server	调度 Agent，管理上下文和执行流程
SQL Agent	自然语言转 SQL，并查询 SQLite
分析 Agent	用 Pandas 对结果做分析、趋势识别、图表输出等
输出模块	将分析结果展示在终端或网页

第二步：环境准备

安装依赖（建议新建虚拟环境）

pip install langchain openai sqlite3 pandas matplotlib streamlit

你可以用 gpt-3.5-turbo 作为 LLM，也可以对接本地模型（如 Ollama）

第三步：原型代码结构

我们先建立如下文件结构：

mcp_sqlite_demo/
│
├── main.py                # 主入口
├── db_init.py             # 创建并填充 SQLite 示例数据
├── mcp_server.py          # 模拟 MCP 调度器
├── agent_sql.py           # SQL Agent 实现
├── agent_analysis.py      # 数据分析 Agent 实现

第四步：编写关键代码

1. 创建示例数据库（`db_init.py`）

import sqlite3
import random
from datetime import datetime, timedeltaconn = sqlite3.connect("sales.db")
cur = conn.cursor()cur.execute("DROP TABLE IF EXISTS sales")
cur.execute("""
CREATE TABLE sales (id INTEGER PRIMARY KEY,region TEXT,amount REAL,sale_date TEXT
)
""")regions = ["华东", "华南", "华北", "西南", "东北"]
start_date = datetime(2023, 12, 1)for i in range(90):for region in regions:date = (start_date + timedelta(days=i)).strftime("%Y-%m-%d")amount = round(random.uniform(5000, 50000), 2)cur.execute("INSERT INTO sales (region, amount, sale_date) VALUES (?, ?, ?)",(region, amount, date))conn.commit()
conn.close()
print("数据库初始化完成 ✅")

运行后会生成一个 sales.db 的销售数据库。

2. SQL Agent（`agent_sql.py`）

from langchain.utilities import SQLDatabase
from langchain.agents import create_sql_agent
from langchain.agents.agent_toolkits import SQLDatabaseToolkit
from langchain.chat_models import ChatOpenAIdef get_sql_agent():db = SQLDatabase.from_uri("sqlite:///sales.db")llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)toolkit = SQLDatabaseToolkit(db=db, llm=llm)agent_executor = create_sql_agent(llm=llm,toolkit=toolkit,verbose=True,)return agent_executor

3. 分析 Agent（`agent_analysis.py`）

import pandas as pd
import matplotlib.pyplot as pltdef analyze_sales(df):print("\n🔍 正在分析销售趋势...")trend = df.groupby("sale_date")["amount"].sum()trend.plot(kind="line", title="每日销售趋势", figsize=(10, 5))plt.tight_layout()plt.savefig("sales_trend.png")max_day = trend.idxmax()print(f"\n📈 销售峰值日期：{max_day}，金额：{trend.max():,.2f}")

4. MCP Server 主控（`mcp_server.py`）

from agent_sql import get_sql_agent
from agent_analysis import analyze_sales
import pandas as pd
import sqlite3def run_query(natural_language_query):print(f"\n🧠 MCP 收到请求：{natural_language_query}")agent = get_sql_agent()sql_response = agent.run(natural_language_query)print("\n📊 SQL Agent 执行结果如下：")print(sql_response)# 执行 SQL 再交给分析模块db = sqlite3.connect("sales.db")df = pd.read_sql_query("SELECT * FROM sales", db)analyze_sales(df)

5. 启动主程序（`main.py`）

from mcp_server import run_queryif __name__ == "__main__":print("欢迎使用 MCP + SQLite 智能分析系统")while True:query = input("\n💬 请输入分析请求（或 q 退出）：")if query.lower() in ['q', 'exit']:breakrun_query(query)

第五步：运行测试

先初始化数据库：

python db_init.py

然后运行主程序：

python main.py

示例输入：

过去30天每个地区销售趋势如何？有没有异常波动？

六、可运行的本地系统模板

把这个 MCP + SQLite 的 AI 分析系统打造成一个完整可运行的本地系统模板，包括：

✅ 完整代码结构
✅ Streamlit 前端界面
✅ Docker 容器化部署支持
✅ 可扩展的多 Agent 结构

1.项目结构设计（最终版）

我们建立如下目录结构：

mcp_sqlite_ai/
│
├── app/
│   ├── __init__.py
│   ├── db_init.py               # 初始化 SQLite 示例数据
│   ├── mcp_server.py            # MCP 调度模块
│   ├── agent_sql.py             # SQL Agent
│   ├── agent_analysis.py        # 分析 Agent
│   └── config.py                # 模型配置
│
├── frontend/
│   └── dashboard.py             # Streamlit 前端交互界面
│
├── Dockerfile                   # Docker 镜像构建
├── requirements.txt             # 依赖列表
└── run.sh                       # 一键运行脚本

2.文件内容逐个说明

✅ `app/db_init.py`

# 初始化数据库
import sqlite3
import random
from datetime import datetime, timedeltadef init_db():conn = sqlite3.connect("sales.db")cur = conn.cursor()cur.execute("DROP TABLE IF EXISTS sales")cur.execute("""CREATE TABLE sales (id INTEGER PRIMARY KEY,region TEXT,amount REAL,sale_date TEXT)""")regions = ["华东", "华南", "华北", "西南", "东北"]start_date = datetime(2023, 12, 1)for i in range(90):for region in regions:date = (start_date + timedelta(days=i)).strftime("%Y-%m-%d")amount = round(random.uniform(5000, 50000), 2)cur.execute("INSERT INTO sales (region, amount, sale_date) VALUES (?, ?, ?)",(region, amount, date))conn.commit()conn.close()print("✅ SQLite 数据库初始化完成")if __name__ == "__main__":init_db()

✅ `app/config.py`

OPENAI_API_KEY = "your-openai-key"  # 替换成你自己的，或使用环境变量加载

✅ `app/agent_sql.py`

from langchain.utilities import SQLDatabase
from langchain.agents import create_sql_agent
from langchain.agents.agent_toolkits import SQLDatabaseToolkit
from langchain.chat_models import ChatOpenAI
from app.config import OPENAI_API_KEYdef get_sql_agent():db = SQLDatabase.from_uri("sqlite:///sales.db")llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0, openai_api_key=OPENAI_API_KEY)toolkit = SQLDatabaseToolkit(db=db, llm=llm)return create_sql_agent(llm=llm, toolkit=toolkit, verbose=True)

✅ `app/agent_analysis.py`

import pandas as pd
import matplotlib.pyplot as pltdef analyze_sales(df, output_path="frontend/sales_plot.png"):trend = df.groupby("sale_date")["amount"].sum()trend.plot(kind="line", title="每日销售趋势", figsize=(10, 5))plt.tight_layout()plt.savefig(output_path)plt.close()return f"趋势图已生成：{output_path}"

✅ `app/mcp_server.py`

import sqlite3
import pandas as pd
from app.agent_sql import get_sql_agent
from app.agent_analysis import analyze_salesdef run_mcp_query(query):agent = get_sql_agent()response = agent.run(query)conn = sqlite3.connect("sales.db")df = pd.read_sql_query("SELECT * FROM sales", conn)plot_path = analyze_sales(df)return response, plot_path

✅ `frontend/dashboard.py` （Streamlit 前端）

import streamlit as st
from app.mcp_server import run_mcp_queryst.set_page_config(page_title="AI 智能销售分析", layout="centered")st.title("📊 AI 销售数据分析平台")
query = st.text_input("请输入分析请求（如：过去30天销售趋势）", "")if st.button("提交分析") and query.strip():with st.spinner("正在分析，请稍候..."):response, img_path = run_mcp_query(query)st.success("分析完成")st.image(img_path, caption="销售趋势图", use_column_width=True)st.markdown("### 🤖 SQL Agent 结果")st.markdown(response)

✅ `requirements.txt`

langchain>=0.1.0
openai>=1.0.0
pandas
matplotlib
streamlit
sqlite3

✅ `Dockerfile`

FROM python:3.10-slimWORKDIR /appCOPY . /app
RUN pip install --upgrade pip && \pip install -r requirements.txtEXPOSE 8501CMD ["streamlit", "run", "frontend/dashboard.py", "--server.port=8501", "--server.address=0.0.0.0"]

✅ `run.sh`

#!/bin/bash
echo "初始化数据库..."
python3 app/db_init.pyecho "启动前端界面..."
streamlit run frontend/dashboard.py

3.启动方式

👉 本地运行：

chmod +x run.sh
./run.sh

浏览器访问：http://localhost:8501

🐳 Docker 容器运行：

docker build -t mcp-ai-agent .
docker run -p 8501:8501 mcp-ai-agent

通过MCP+数据库实现AI检索和分析

通过 MCP（Multi-Agent Collaboration Platform，多智能体协作平台） 数据库，实现一个AI检索和分析系统。一、系统目标实现通过 AI 多智能体对结构化（数据库）和非结构化（文档、文本&#xff09…...

编程日记 2025/9/15 1:38:56

51单片机烧录程序演示教程

51单片机烧录程序演示教程 51单片机是一种经典的8位单片机，广泛应用于嵌入式系统开发中。烧录程序是指将编译好的代码下载到单片机的存储器中，以便单片机能够按照程序运行。以下是详细的烧录流程和步骤。所需工具和材料硬件： 51单片机开发…...

编程日记 2025/9/15 1:34:09

06软件测试需求分析案例-添加用户

给职业顾问部的老师添加用户密码后，他们才能登录使用该软件。只有admin账户具有添加用户、修改用户信息、删除用户的权利。admin是经理或团队的第一个人的账号，后面招一个教师就添加一个账号。通读需求是提取信息，提出问题，输出…...

编程日记 2025/9/11 1:14:35

Asp.NET Core WebApi IOptions＜T＞详解

IOptions<T> 是 ASP.NET Core 中用于访问配置数据的一个接口，它属于 Microsoft.Extensions.Options 命名空间。通过 IOptions<T>，你可以将配置绑定到强类型的类中，并在应用程序的不同部分中注入和使用这些配置。这种方式不仅使得…...

编程日记 2025/9/15 1:37:45

Gartner发布软件供应链安全市场指南：软件供应链安全工具的8个强制功能、9个通用功能及全球29家供应商

攻击者的目标是由开源和商业软件依赖项、第三方 API 和 DevOps 工具链组成的软件供应链。软件工程领导者可以使用软件供应链安全工具来保护他们的软件免受这些攻击的连锁影响。主要发现越来越多的软件工程团队现在负责解决软件供应链安全 (SSCS) 需求。软件工件、开发人员身…...

编程日记 2025/9/13 9:54:19

（四十三）Dart 中的空安全与 `required` 关键字

Dart 中的空安全与 required 关键字空安全（Null Safety） 空安全（Null Safety）是 Dart 语言的一项重要特性，旨在帮助开发者避免空指针异常（NullPointerException）。空安全通过在编译时检查变量…...

编程日记 2025/9/9 4:05:24

《解锁分布式软总线：构建智能设备统一管理平台》

智能设备的数量呈爆发式增长，从智能家居里的各类电器，到智能办公中的电脑、打印机，再到工业领域的各种自动化设备，不一而足。如何对这些纷繁复杂的智能设备进行有效管理，成为摆在我们面前的一道难题。分布式软总线技术…...

编程日记 2025/9/10 7:17:46

【android bluetooth 协议分析 01】【HCI 层介绍 1】【hci_packets.pdl 介绍】

在 AOSP 的蓝牙协议栈 (Gabeldorsche) 中，hci_packets.pdl 是一个协议描述语言文件，用于定义 HCI (Host Controller Interface) 层的数据包结构和通信协议。以下是详细解析： 1. 文件作用 system/gd/hci/hci_packets.pdl 协议自动化生成&…...

编程日记 2025/9/12 8:04:04

远程升级组件设计

----------------------- | 主应用程序 | ---------------------- | 通信接口（使用本地socket通信发送给远程升级模块进程或者线程 | (如何启动进程程execl或execv函数）,启动线程用std::sthread。 v ---------------------- 远程升级模块 ----------…...

编程日记 2025/9/12 20:10:07

Kubernetes集群环境搭建与初始化

1.Kubernetes简介： Kubernetes是Google开源的一个容器编排引擎，它支持自动化部署、大规模可伸缩、应用容器化管理。在生产环境中部署一个应用程序时，通常要部署该应用的多个实例以便对应用请求进行负载均衡。在Kubernetes中，我…...

编程日记 2025/9/12 6:39:15

Compose 适配 - 响应式排版自适应布局

一、概念基于可用空间而非设备类型来设计自适应布局，实现设备无关性和动态适配性，避免硬编码，以不同形态布局更好的展示内容。二、区分可用空间 WindowSizeClasses 传统根据屏幕大小和方向做适配的方式已不再适用，APP的显示方式…...

编程日记 2025/9/10 1:04:08

5G_WiFi_CE_DFS

目录一、规范要求 1、法规目录 2、定义 3、运行模式 4、主/从设备相关的运行行为及具体的动态频率选择（DFS）要求 5、产品角色确定测试项目 6、测试项目测试项1：信道可用性检查（Channel Availability Check） …...

编程日记 2025/9/12 18:46:45

Lalamove基于Flink实时湖仓演进之路

摘要：本文投稿自货拉拉国际化技术部资深数据仓库工程师林海亮老师。内容分为以下几个部分： 1、业务简介 2、Flink 在业务中的应用与挑战 3、实时数仓架构的 Flink 驱动演进 4、未来展望一、业务简介 Lalamove 于2013年在香港成立，是货拉拉的…...

编程日记 2025/8/21 2:47:06

【含文档+PPT+源码】基于微信小程序的卫生院预约挂号管理系统的设计与实现

项目视频介绍： 毕业作品基于微信小程序的卫生院预约挂号管理系统的设计与实现课程简介： 本课程演示的是一款基于微信小程序的卫生院预约挂号管理系统的设计与实现，主要针对计算机相关专业的正在做毕设的学生与需要项目实战练习的 Java 学习…...

编程日记 2025/9/4 13:36:33

人工智能100问☞第2问：机器学习的核心原理是什么？

目录一、通俗解释二、专业解析三、权威参考机器学习的核心原理是通过数据训练模型，使计算机自动发现数据中的内在规律或模式，并利用这些规律对新数据做出预测或决策。这一过程强调数据驱动（从经验中学习）、模型优化（通过损失函数和参数调整提升性能）以及泛…...

编程日记 2025/9/6 4:54:17

【深度学习基础】——机器的神经元：感知机

感知机模型的原理之前已经讲过（【感知机模型 - CSDN App】https://blog.csdn.net/2401_88885149/article/details/145563837?sharetypeblog&shareId145563837&sharereferAPP&sharesource2401_88885149&sharefromlink）但主要是从数学和机…...

编程日记 2025/9/7 18:53:57

OpenCV 图形API（29）图像滤波-----GMat类

操作系统：ubuntu22.04 OpenCV版本：OpenCV4.9 IDE:Visual Studio Code 编程语言：C11 算法描述 cv::GMat 是 OpenCV 的 G-API 模块中的一个核心类，用于定义计算图中的数据节点。G-API 是 OpenCV 中的一个模块，旨在通过…...

编程日记 2025/9/13 4:30:35

spark的堆外内存，是在jvm内还是操作系统内存内？

在 Apache Spark 中，堆外内存（Off-Heap Memory）是直接分配在操作系统的物理内存中，而非 JVM 堆内内存。以下是详细的解释： 1. 堆外内存的本质操作系统管理 Spark 的堆外内存直接通过操作系统分配（例如使用…...

编程日记 2025/9/9 8:09:06

AD9253 LVDS 高速ADC驱动开发

1、查阅AD9253器件手册 2、查阅Xilinx xapp524手册 3、该款ADC工作在125Msps下，14bit - 2Lane - 1frame 模式。对应：data clock时钟为500M DDR mode。data line rate：1Gbps。frame clock：1/4 data clock 具体内容：…...

编程日记 2025/9/10 11:06:38

swift菜鸟教程14（闭包)

一个朴实无华的目录今日学习内容：1.Swift 闭包1.1闭包定义1.2闭包实例1.3闭包表达式1.3.1sorted 方法：据您提供的用于排序的闭包函数将已知类型数组中的值进行排序。1.3.2参数名称缩写：直接通过$0,$1,$2来顺序调用闭包的参数。1.3.3运算符函…...

编程日记 2025/9/11 19:02:55

【HarmonyOS NEXT+AI】问答02：有一点编程基础，可以学不？

在“HarmonyOS NEXTAI大模型打造智能助手APP(仓颉版)”课程里面，有学员问，有一点编程基础，可以学不？ 这里统一做下回复。学习本课程只需要掌握任一编程语言即可，拥有JavaScript、TypeScript、ArkTS或Java语言基础更佳…...

编程日记 2025/9/11 14:06:20

maven 依赖的优先级

最短路径优先工程中依赖了a、b两个jar包， 在a jar包内引用了b jar包版本为1.0，路径为：Project > a > b(1.0) 工程中直接依赖的b jar包版本为2.0，路径为：Project > b(2.0) 由于b(2.0)路径最短&#xff0…...

编程日记 2025/9/11 0:05:31

Java实现音频录音播放机功能

Java实现一个简单的音频录音和播放功能，使用Swing创建图形用户界面，利用Java Sound API进行音频处理。下面是对此程序的详细剖析： 一、程序结构程序主要由以下几个部分组成： RecorderFrm类：主框架类，继承自…...

编程日记 2025/9/8 1:08:22

OpenCV 图形API（26）图像滤波-----方框滤波函数boxFilter()

操作系统：ubuntu22.04 OpenCV版本：OpenCV4.9 IDE:Visual Studio Code 编程语言：C11 算法描述使用方框滤波器模糊图像。该函数使用以下内核来平滑图像： K α [ 1 1 … 1 1 1 … 1 ⋮ ⋮ ⋱ ⋮ 1 1 … 1 ] K \alpha \begin{b…...

编程日记 2025/9/9 8:41:49

oracle 表空间（Tablespace）

在 Oracle 11g 中，表空间（Tablespace） 是数据库存储架构的核心逻辑单元，其原理基于逻辑存储与物理存储的分离，通过分层管理数据文件、段（Segment）、区（Extent）和数据块&…...

编程日记 2025/9/11 3:45:07

Git 高级操作

Git不仅是代码管理的基石工具，更是开发者提升效率的瑞士军刀。掌握基础操作只是起点，真正的高手都在使用进阶技巧优化工作流。本文将深入解析Git四大高阶操作，助你轻松应对复杂开发场景！ 一、交互式暂存：精准控制提交粒…...

编程日记 2025/9/13 9:58:55

Go：程序结构

文章目录名称声明变量短变量声明指针new 函数变量的生命周期赋值多重赋值可赋值性类型声明包和文件导入包初始化作用域名称命名规则： 通用规则：函数、变量、常量、类型、语句标签和包的名称，开头须是字母（Unicode 字符 &a…...

编程日记 2025/9/8 5:31:39

sqlserver2017 分离附加数据库

分离数据库分离数据库是指将数据库从 SQL Server 实例中移除，但会完整保留数据库及其数据文件和事务日志文件。然后可以使用这些文件将数据库附加到任何 SQL Server 实例，包括分离该数据库的服务器。如果存在下列任何情况，则不能分离数据…...

编程日记 2025/9/8 4:45:07

QuarkPi-CA2 RK3588S卡片电脑：6.0Tops NPU+8K视频编解码+接口丰富，高性能嵌入式开发！

QuarkPi-CA2 RK3588S卡片电脑：6.0Tops NPU8K视频编解码接口丰富，高性能嵌入式开发！ 芯片框架视频介绍 https://www.bilibili.com/video/BV1btdbYkEjY 开发板介绍核心升级，产品炸裂 QuarkPi-CA2卡片电脑搭载瑞芯微RK3588S芯片…...

编程日记 2025/9/9 8:20:05

对称加密与非对称加密与消息摘要算法保证https的数据交互的完整性和保密性

一、对称加密与非对称加密的作用 1. 对称加密作用： 保密性：对称加密使用相同的密钥对数据进行加密和解密，确保数据在传输过程中不被窃听。效率：对称加密算法（如AES）计算速度快，适合加密大量数…...

编程日记 2025/9/12 3:10:33

Lab Cloud FPGA 硬件在线实验云平台介绍

友晶科技依托其在FPGA技术领域的深厚积累，成功研发出了一套完整的FPGA云平台解决方案（即FPGA 硬件在线实验云，简称LabCloud ）。LabCloud 是一个高效、实用的学习平台，目前已在多个学校成功部署。 LabCloud 是通过 B/S …...

编程日记 2025/9/14 13:23:23

相机回调函数为静态函数原因

在注册相机SDK的回调函数时，是否需要设置为静态函数取决于具体SDK的设计要求，但通常需要遵循以下原则： 1. 必须使用静态函数的情况当相机SDK是C语言接口或要求普通函数指针时，回调必须声明为静态成员函数或全局函数：…...

编程日记 2025/9/13 1:33:41

实验室纯水器实验室超纯水机（常见类型、选型建议、维护保养）

不同实验室用水级别有何差异？ 实验室用水级别由ASTM或ISO 3696等质量标准定义，有助于特定应用选择适合的水质。这些标准也考虑了生产成本，如1级(Type 1)超纯水的生产成本远高于2级(Type 2)或3级(Type 3)纯水。 1级超纯水不含离子&#xff…...

编程日记 2025/9/12 10:41:55

腾讯云COS与ZKmall 开源商城的存储集成方案

ZKmall 开源商城与腾讯云对象存储（COS）的集成，可通过云端资源托管、自动化数据同步、高性能存储架构实现本地存储负载降低与访问效率提升。以下是基于搜索结果的集成路径与核心优化点： 一、存储架构升级：本地与云端协同…...

编程日记 2025/9/7 1:04:53

Python 深度学习实战第3章 Keras和TensorFlowKeras 训练和评估模型实例

Python 深度学习实战第3章 Keras和TensorFlow&Keras 训练和评估模型实例内容概要第3章介绍了Keras和TensorFlow的基本概念及其关系，并指导如何设置深度学习工作区。本章还概述了核心深度学习概念如何转化为Keras和TensorFlow API。通过本章，读者…...

编程日记 2025/9/12 6:08:26

基于SpringBoot的动物救助中心系统（源码+数据库）

500基于SpringBoot的动物救助中心系统，本系统共分为2个角色：系统管理员、用户，主要功能如下【管理员】： 1. 登录：管理员可以通过登录系统来管理各种功能。 2. 用户管理：管理员可以查看用户列表&#xff0…...

编程日记 2025/9/11 19:44:11

【多模态大模型】《Qwen2.5-Omni》论文解读

《Qwen2.5-Omni：重新定义端到端全模态大模型的技术范式》论文解读论文： https://arxiv.org/abs/2503.20215 （2025.03.26）代码： https://github.com/QwenLM/Qwen2.5-OmniNews： https://mp.weixin.qq.com/…...

编程日记 2025/9/13 8:01:03

go 通过汇编分析函数传参与返回值机制

文章目录概要一、前置知识二、汇编分析2.1、示例2.2、汇编2.2.1、寄存器传值的汇编2.2.2、栈内存传值的汇编三、拓展3.1 了解go中的Duff’s Device3.2 go tool compile3.2 call 0x46dc70 & call 0x46dfda 概要在上一篇文章中，我们研究了go函数调用时的栈布…...

编程日记 2025/9/13 21:43:38

蓝桥杯C/C++省赛/国赛注意事项及运行环境配置

大佬的蓝桥杯考前急救指南对拍（手动生成测试数据）代码： #include <bits/stdc.h> // 包含所有标准库的头文件 using namespace std; // 使用标准命名空间int main() {srand(time(0)); // 设置随机数种子为当前时间，确保每次…...

编程日记 2025/9/9 14:13:49

CSS高度坍塌？如何解决？

一、什么是高度坍塌？ 高度坍塌（Collapsing Margins）是指当父元素没有设置边框（border）、内边距（padding）、内容（content）或清除浮动时，其子元素的 margin 会…...

编程日记 2025/9/14 20:33:00

redis的基本使用

简介 redis，Remote Dictionary Server，远程字典服务，一个基于内存的、存储键值对的数据库。redis是开源的，使用C语言编写。因为redis的数据是存储在内存中的，所以redis通常被用来做数据库的缓存优点： re…...

编程日记 2025/9/8 8:57:28

【蓝桥杯】单片机设计与开发，第十二届

/*头文件声明区*/ #include <STC15F2K60S2.H>//单片机寄存器头文件 #include <init.h>//初始化底层驱动头文件 #include <led.h>//led，蜂鸣器，继电器底层驱动头文件 #include <key.h>//按键底层驱动头文件 #include <seg.h>//数码管底层驱动头…...

编程日记 2025/9/8 10:34:38

主流时序数据库深度对比：TDengine、InfluxDB与IoTDB的技术特性、性能及选型考量

目录引言一、核心架构与技术特性对比 1.1、 TDengine：面向物联网的特定优化 1.2. InfluxDB：成熟的通用时序平台 1.3. Apache IoTDB：面向工业场景的精细化设计二、核心性能指标对比分析 2.1、写入性能 2.2、查询性能三、关键技…...

编程日记 2025/9/10 15:51:56

使用人工智能大模型腾讯元宝，如何免费快速做高质量的新闻稿？

今天我们学习使用人工智能大模型腾讯元宝，如何免费快速做高质量的新闻稿？ 手把手学习视频地址：https://edu.csdn.net/learn/40402/666431 第一步在腾讯元宝对话框中输入如何协助老师做新闻稿，通过提问，我们了解了老师…...

编程日记 2025/9/10 7:00:26

系统环境 uname -a Linux FlencherHU-PC 6.12.9-amd64-desktop-rolling #23.01.01.18 SMP PREEMPT_DYNAMIC Fri Jan 10 18:29:31 CST 2025 x86_64 GNU/Linux官网下载源码包并解压下载链接 https://download.redis.io/releases/redis-7.0.15.tar.gz?_gl11h424d3_gcl_au*ODQ5…...

编程日记 2025/9/7 15:39:22

leetcode590 N叉树的后序遍历

前序遍历的顺序是：根 → 子节点1 → 子节点2 → ... → 子节点N 后序遍历的顺序是：子节点1 → 子节点2 → ... → 子节点N → 根首先一个办法就是前序遍历结果进行翻转在迭代法实现后序遍历时，如果采用前序遍历反转的方式&…...

编程日记 2025/9/6 1:03:09

docker desktop 的安装和使用

一、Docker Desktop 是什么？ Docker Desktop 是一款专为开发者设计的工具，可以在本地计算机（Windows/macOS）上快速运行和管理容器（Container）环境。以下是核心功能： 核心特点说明容器化开发基于…...

编程日记 2025/9/13 16:10:21

QCustomPlot频谱图

使用QCutomPlot做的读取txt文件显示频谱图的demo,帮助大家了解QCustomPlot的基本使用 1.运行结果 demo比较简单,用于文件读取,鼠标放大缩小,右键截图等基础功能. 2.绘图详解绘图核心是将类提升为QCustomPlot之后进行重绘,重绘之前设计图表曲线,图标标题,坐标轴,坐标轴范围,背…...

编程日记 2025/9/13 15:31:42

Python 和 JavaScript两种语言的相似部分-由DeepSeek产生

Python 和 JavaScript 作为两种流行的编程语言，虽然在设计目标和应用场景上有差异（Python 偏向后端和脚本，JavaScript 偏向前端和动态交互），但它们的语法存在许多相似之处。以下是两者在语法上的主要共同点及对比&…...

编程日记 2025/9/10 18:17:19

记一次 .NET某云HIS系统 CPU爆高分析

一：背景 1. 讲故事年前有位朋友找到我，说他们的系统会偶发性的CPU爆高，有时候是爆高几十秒，有时候高达一分多钟，自己有一点分析基础，但还是没找到原因，让我帮忙看下怎么回事？ 二&…...

编程日记 2025/9/12 7:07:50