- 博客(230)
- 收藏
- 关注
RSS订阅原创 RabbitMQ-面试题分析
其中通⽤问题占: 53%, RabbitMQ : 24.32% RocketMQ: 19.25%, Kafka:3.38%, 其他0.05%问题 频率可靠性保证 74如何保证消息消费的幂等性 43MQ的作⽤及应⽤场景 39Kafka, RabbitMQ, RocketMQ区别 35MQ如何保证消息的顺序 27死信队列 23延迟队列 20MQ积压的原因, 如何处理 9RabbitMQ的基本架构, 核⼼流程简单介绍 7RabbitMQ⼯作模式 5。
2025-11-24 22:20:07
654
原创 JavaEE初阶-应用层HTTP协议2
认识 “状态码” (status code)状态码表⽰访问⼀个⻚⾯的结果. (是访问成功, 还是失败, 还是其他的⼀些情况…)2开头的都是对的4开头的，是客户端问题5开头的，就是服务器端问题。
2025-11-24 16:14:59
409
原创 JavaEE初阶-网络原理2
TCP在开发中非常关键IP：与程序员关系浅，IP是专门开发网络设备的程序员要用的（开发路由器，交换机，防火墙）地址管理：IP地址路由选择：数据报传输的路径进行规划•4位版本号(version): 指定IP协议的版本, 对于IPv4来说, 就是4.• 4位头部⻓度(header length): IP头部的⻓度是多少个32bit, 也就是 length * 4 的字节数. 4bit表⽰最⼤的数字是15, 因此IP头部最⼤⻓度是60字节.
2025-11-23 16:17:36
802
原创 JavaEE初阶-网络原理1
本文介绍了TCP/IP协议栈中应用层和传输层的关键概念。应用层部分阐述了数据组织格式（XML、JSON等）和自定义应用层协议的方法。传输层重点讲解了TCP和UDP协议：UDP具有无连接、不可靠的特点，使用固定8字节报头；TCP则通过确认应答、超时重传等机制实现可靠传输，其报头长度可变。文章详细剖析了TCP核心机制，包括三次握手建立连接、四次挥手断开连接的过程，以及滑动窗口、流量控制等技术原理，并配有大量示意图辅助理解网络通信过程。这些内容为理解网络协议和面试准备提供了重要参考。
2025-11-22 23:59:41
773
原创 JavaEE初阶-文件操作和IO
狭义的文件：普通文件和目录，硬盘上的文件广义的文件，硬件设备，软件资源，标准输入输出（键盘，控制台）目录结构：N叉树WIndows中/和\都可以用于目录分隔符大部分系统用的是/作为目录分隔符\一般要通过两个\来转义绝对路径：从盘符开始C:…相对路径：需要一个基准路径和工作路径，这就是参考系基准目录不同，，，相对路径不同文件的类型：文本文件r来打开，二进制文件rb来打开文本文件：里面都是文本，合法的字符，txt,二进制文件:exe,dll,mp3,class。
2025-11-21 22:12:06
588
原创 JavaEE初阶-多线程2
i < 50000;});i < 50000;});t1.start();t2.start();t1.join();t2.join();发现结果不是10000而且每一次执行结果都不一样因为t1和t2是并发执行的，这就是线程安全问题，或者叫做线程不安全这个就是正确的顺序这是其中一个错误所以一定小于100000这种错误，就可能导致小于50000产生原因原子就是不可分割的最小单位。
2025-11-20 15:38:37
687
原创 JavaEE初阶-多线程1
Override//创建线程调用start，就会进入进程内部，创建一个新的线程，新的线程就会执行run方法run方法并没有去调用，但是执行了------》run就是回调函数，自己写好run，别的方法start来调用这个代码执行，有一个进程，两个线程调用main方法的线程就是主线程就是创建了一个新的线程，和主线程是并发执行的@Override//创建线程//创建线程并没有创建新的线程，所以主线程就进入到了run方法里面去了@Overridetry {
2025-11-19 17:22:14
901
原创 Mysql
先说一下笛卡尔积笛卡尔积的列数就是两个表的列数之和行数就是两个表的行数之积但是一个人怎么可以在两个班呢，所以笛卡尔积的结果还是有点不合理的数据的班级编号相同的—》保留这就是多表查询了，这就是笛卡尔积了如果这个字段没有二义性，可以直接写，但是还是建议写上表名多表查询还可以使用join这也是笛卡尔积条件就是通过on来写了select的列只能是group by的列，还有聚合函数但是笛卡尔积有个缺点—》比较慢，表越多越慢上面的操作都是内连接还有外连接操作。
2025-11-18 17:10:24
581
原创 Mysql
创建的数据库的名字不能和SQL的关键字重合加上这个Tab上面的引号就可以创建和SQL的关键字一样的数据库名字了SQL中不区分大小写一般写小写字母创建数据库的时候，一般还要指定数据库的字符集charset因为使用不同的字符集—》中文占的字节就是不同的GBK：一个中文两个字节UTF-8：一个中文三个字节—》能表示世界任何一个语言如果不指定字符集—》插入中文的话—》会出错msql8–》默认就是utf-8这个的话，就算java111数据库已经存在了，也不会报错的。
2025-11-17 20:30:29
835
原创 Java数据结构-Map和Set-通配符?-反射-枚举-Lambda
二叉搜索树又称二叉排序树，它或者是一棵空树，或者是具有以下性质的二叉树:若它的左子树不为空，则左子树上所有节点的值都小于根节点的值若它的右子树不为空，则右子树上所有节点的值都大于根节点的值它的左右子树也分别为二叉搜索树这是二叉树的查找代码也很简单插入也很简单，直接就插入到叶子节点了先找到叶子节点，然后就可以插入了难点是二叉搜索树的删除了设待删除结点为 cur, 待删除结点的双亲结点为 parentcur 是 root，则 root = cur.right。
2025-11-16 21:03:08
642
原创 Coze-AI智能体开发平台5-Coze的API与SDK
Coze⽀持将 AI 智能体和扣⼦应⽤发布为 API （Application Programming Interface 应⽤程序编程接⼝）服务，你可以通过 HTTP ⽅式与其进⾏交互。有编程基础的情况下，能够给⽤⼾更多的⾃定义开发空间。sdk（Software Development Kit - 软件开发⼯具包）由平台⽅提供给开发者的⼀个“⼀站式⼯具包”，⾥⾯包含了创建该平台应⽤所必需的代码库、⼯具、说明书和规范。我们前⾯学习了扣⼦的部分主要API，为什么还要学习SDK呢？
2025-11-04 23:51:24
1704
原创 Coze-AI智能体开发平台4-应用
通过扣⼦平台构建的 AI 应⽤具备强⼤的可扩展性，⽀持与个性化的⽤⼾界⾯绑定。扣⼦应⽤通过⼯作流或对话流处理复杂的业务逻辑与编排，其内置的丰富节点库提供了逻辑处理、知识写⼊与检索、⼤模型服务、会话管理等多种能⼒，帮助开发者灵活编排⾃动化流程、构建各种智能服务。
2025-11-04 21:13:04
420
原创 Coze-AI智能体开发平台3-工作流
Coze⼯作流是⼀系列可执⾏指令的集合，核⼼功能在于实现业务逻辑或完成特定任务。作为AI应⽤开发的结构化框架，它为应⽤/智能体的数据流动和任务处理提供标准化路径，其设计初衷是解决⼤模型能⼒与业务场景落地之间的衔接问题。工作流其实就是对大模型能力的补充⼯作流并⾮简单的任务序列，⽽是结构化的能⼒整合载体⸺既包含对⼤模型调⽤、数据处理、逻辑判断等基础指令的编排，也⽀持通过可视化界⾯实现零代码/低代码配置，使不同技术背景的开发者均能参与AI应⽤构建。
2025-11-04 20:07:01
950
原创 Coze-AI智能体开发平台2-Coze资源
Coze 资源是⽀撑智能体功能实现的模块化基础组件，通过整合外部能⼒、数据存储与⾃动化规则，使智能体具备信息处理、功能扩展与场景化服务能⼒。资源系统是 Coze 平台低代码开发模式的核⼼，开发者可通过组合不同资源快速构建复杂智能体，⽆需从零开发底层功能。扣⼦资源有以下分类：插件、知识库、数据库、⾳⾊、提⽰词（已经学过了）本章重点学习插件、知识库和数据库三种资源。在Coze中，插件是扩展智能体功能的模块化⼯具，通过调⽤外部服务、数据接⼝或预设逻辑，使智能体具备实时交互、动态决策和场景化服务能⼒。
2025-11-03 21:14:35
1224
原创 Coze-AI智能体开发平台1-智能体开发基础
coze⼜称扣⼦，是字节跳动开发的新⼀代 AI Agent 开发平台。⽆论你是否有编程基础，都可以在扣⼦上快速搭建基于⼤模型的各类 AI 应⽤，并将 AI 应⽤发布到各个社交平台、通讯软件，也可以通过 API（Application Programming Interface 应⽤程序编程接⼝） 或 SDK（ Software DevelopmentKit 软件开发⼯具包） 将 AI 应⽤集成到你的业务系统中。⼈⼯智能⼯具，辅助我们的开发⼯作，可以少写代码，甚⾄不写代码实现⼀个程序！！！扣子商店。
2025-11-03 17:06:22
926
原创 springCloud二-SkyWalking3-性能剖析-⽇志上传-告警管理-接入飞书
性能剖析功能是⼀种针对分布式系统代码级性能的动态分析技术, SkyWalking 提供了追踪分析的功能,可以查看请求调⽤链中具体⽅法或者代码块的执⾏耗时, ⽤于快速识别⾼耗时⽅法(如慢SQL查询等), 定位服务调⽤链(Trace)中具体 Span(单个操作节点)的性能问题就是分析每一行代码的消耗时间点击trace profing点击新建任务选择query9点击新建任务发现第一行耗时最长点击这一行，然后点击分析我们找到这里，说明是这个执行了2000ms还知道是35行代码耗时。
2025-11-02 21:31:58
591
1
原创 springCloud二-SkyWalking2-SkyWalking快速开始-UI介绍-⾃定义追踪
还是使用以前的seata-demo,记得改一下artifactidService Apdex：当前服务的评分, 量化⽤⼾对服务性能满意度的标准化指标, 反映⽤⼾体验的质量Service Success Rate: 服务请求成功率• Service Avg Response Time (ms): 服务平均响应延时(单位ms)• Service Load (calls / min): 分钟请求数• Endpoint Success Rate: 当前端点的成功率。
2025-11-02 16:11:12
916
原创 springCloud二-SkyWalking-安装部署-术语介绍
在分布式系统中, ⼀次请求往往会经过多个服务节点. ⽐如⼀次简单的⽤⼾下单请求, 可能涉及⽹关, 商品服务, 库存服务, ⽀付服务、消息队列等多个环节. 这些服务节点可能是不同团队开发, 部署在不同的服务器上, 甚⾄可能使⽤不同的编程语⾔编写. 在这⼀系列的调⽤中, 可能有串⾏的, 也有并⾏的这个请求经过了哪些服务节点这些服务节点有什么样的依赖关系各个服务接⼝的性能是如何的如何快速的串联整个链路, 并定位问题这就涉及到了链路追踪.谁调用了我这个服务—》不清楚的。
2025-11-01 21:31:33
823
原创 springcloud二-Seata3- Seata各事务模式
Seata是⼀款开源的分布式事务解决⽅案, 致⼒于在微服务架构下提供⾼性能和简单易⽤的分布式事务服务. 它提供了多种事务模式, 为开发者提供了⼀站式的分布式事务解决⽅案.AT模式• TCC模式• Saga模式• XA模式TCC的Try、Confirm、Cancel⽅法都需要⾃⼰来实现.Tcc基本使用Seata 会把一个 TCC 接口当成一个 Resource，也叫 TCC Resource。
2025-11-01 17:52:51
823
原创 最新版本组件的docker下载-Seata
hub.docker中的apache/seata版本查询seata的docker部署找到/seata-server/resources下的application.yml然后仿照我的博客springcloud2-seata2来修改配置文件把修改为7.2 mysql和nacos容器ip问题这样就绑定好了本地的nacos的注册中心配置中心和mysql了但是这样还是不行为什么呢因为你配置127.0.0.1 是容器 的ip 容器是网络隔离的 ，访问127.0.0.1访问的是myseata这个容器，你
2025-11-01 11:55:55
821
原创 springcloud二-Seata2-安装部署
TC (Transaction Coordinator) - 事务协调者维护全局和分⽀事务的状态, 驱动全局事务提交或回滚.• TM (Transaction Manager) - 事务管理器定义全局事务的范围：开始全局事务、提交或回滚全局事务.• RM (Resource Manager) - 资源管理器管理分⽀事务处理的资源, 与TC交谈以注册分⽀事务和报告分⽀事务的状态, 并驱动分⽀事务提交或回滚意思即时这里的TC+TM=====X/Open中的TM。
2025-10-30 17:31:17
970
原创 springcloud二-Seata1-基本知识
Seata 是⼀款开源的分布式事务解决⽅案, 致⼒于提供⾼性能和简单易⽤的分布式事务服务. Seata 将为⽤⼾提供了 AT、TCC、SAGA 和 XA 事务模式, 为⽤⼾打造⼀站式的分布式解决⽅案.Seata官网事务必须满⾜ACID特性: Atomicity (原⼦性), Consistency (⼀致性), Isolation (隔离性)和 Durability (持久性)
2025-10-29 15:45:10
965
原创 SpringAI5-智能聊天机器⼈
随着⼈⼯智能技术的快速发展和⼤模型开源趋势的兴起, 智能聊天机器⼈在客服、知识问答、⽣活助⼿等领域得到了⼴泛应⽤. Deepseek作为优秀的开源⼤模型框架, 为开发者提供了强⼤的基础能⼒. 当前市场上已有多个基于Deepseek的AI应⽤案例, 我们接下来模仿这些应⽤来实现⼀个智能聊天机器⼈, 提升⽤⼾交互体验.产品⽬标:• 提供流畅, ⾃然的对话体验• ⽀持多轮对话及上下⽂理解• 能够回答常⻅问题• 记录和管理⽤⼾历史对话核⼼功能对话• ⽀持⽤⼾与机器⼈进⾏⽂本对话。
2025-10-26 21:38:20
953
1
原创 SpringAI4-Spring AI Alibaba：快速上⼿，多模态
spring AI Alibaba创建背景Spring AI Alibaba官网多模态性指模型同时理解和处理⽂本、图像、⾳频及其他数据格式等多源信息的能⼒.⼈类通过多模态数据输⼊并⾏处理知识. 我们的学习⽅式和体验都是多模态的 — 不只有视觉、听觉或⽂本的单⼀感知机器学习往往专注于处理单⼀模态的专⽤模型. 例如, 我们开发⾳频模型⽤于⽂本转语⾳或语⾳转⽂本任务, 开发计算机视觉模型⽤于⽬标检测和分类等任务。
2025-10-26 00:18:41
698
原创 SpringAI3-本地⼤模型部署：本地⼤模型部署，本地部署，Spring AI接⼊服务
随着⼤语⾔模型 (LLM) 的⼴泛应⽤, 如何⾼效部署和推理模型成为开发者关注的核⼼问题, 常⻅的部署⽅案有云服务部署和本地部署如果不需要对模型进⾏训练, 微调, 仅仅是想使⽤预调好的⼤模型进⾏应⽤开发, 很多模型提供商也提供了开放API, ⽐如上⾯讲的DeepSeek和ChatGPT, 直接调⽤他们的API即可。
2025-10-25 11:26:41
669
原创 SpringAI2-Spring AI-聊天模型：ChatClient，流式编程，ChatModel
Spring AI 的聊天模型, 通过标准化的接⼝设计ChatModel, 使开发⼈员可以将AI模型的聊天功能集成到应⽤程序中.它利⽤预先训练的语⾔模型, 例如 GPT (Generative Pre-trained Transformer), 以⾃然语⾔⽣成类似⼈类的响应.API 的⼯作原理通常是向 AI 模型发送提⽰或部分对话, 然后 AI 模型根据其训练数据和对⾃然语⾔模式的理解⽣成响应. 然后, 把响应将返回给应⽤程序, 应⽤程序可以将其呈现给⽤⼾或将其⽤于进⼀步处理.
2025-10-24 21:05:37
1079
1
原创 SpringAI1-快速⼊⻔
2025年 5⽉20⽇ Spring AI官⽅宣布1.0 GA (General Availability) 版本正式发布, 这是Spring 官⽅推出的⾸个稳定版⼈⼯智能(AI)集成框架. 旨在帮助 Java/Spring 开发者更便捷地在企业级应⽤中集成 AI 能⼒ (如⼤语⾔模型、机器学习、向量数据库、图像⽣成等). 它的发布标志着 Spring ⽣态正式进⼊ AI 时代, 为 Java 开发者提供了标准化的 AI 开发⼯具链, AI 技术正式进⼊ Spring ⽣态的核⼼⼯具链.
2025-10-23 23:42:48
1278
原创 深度学习9-循环神经网络
两个领域：一个计算机视觉，图像识别，CNN,Transformer,卷积神经网络还有一个就是自然语言处理了，循环神经网络，RNN，Transformer们平日使用的语言，如汉语或英语，称为自然语言。自然语言处理（Natural Language Processing，NLP）的目标就是让计算机理解人类语言，进而完成对我们有帮助的事情。说到计算机可以理解的语言，我们可能会想到编程语言或者标记语言等。这些语言的语法定义可以唯一性地解释代码含义，计算机也能根据确定的规则分析代码。
2025-10-22 17:34:52
1285
原创 深度学习8-卷积神经网络-CNN概述-卷积层-池化层-深度卷积神经网络-案例：服装分类
卷积神经网络卷积神经网络（Convolutional Neural Network，CNN）常被用于图像识别、语音识别等各种场合。它在计算机视觉领域表现尤为出色，广泛应用于图像分类、目标检测、图像分割等任务。卷积神经网络的灵感来自于动物视觉皮层组织的神经连接方式，单个神经元只对有限区域内的刺激作出反应，不同神经元的感知区域相互重叠从而覆盖整个视野。CNN中新出现了卷积层（Convolution层）和池化层（Pooling层），下图是一个CNN的结构：卷积层用于提取输入数据的局部特征。
2025-10-21 19:37:20
803
原创 深度学习7-配置中文-参数更新方法-应用案例：房价预测
用PyTorch进行深度学习这个一个回归问题—》选择MSE损失函数 y预测-y真实，，在平方但是房价很大—》计算出来很大其实这个就是对y进行log之后再MSE#3.自定义损失函数# float("inf")表示正无穷，这个意思就是把所有数据都变为1~正无穷,防止log出来为负数mse = nnMSELoss()
2025-10-20 00:07:23
1095
原创 深度学习6-激活函数-参数初始化和正则化-搭建神经网络-损失函数
用PyTorch进行深度学习在神经网络框架中，由多个层组成的组件称之为 模块（Module）。在PyTorch中模型就是一个Module，各网络层、模块也是Module。Module是所有神经网络的基类。在定义一个Module时，我们需要继承torch.nn.Module并主要实现两个方法：__init__：定义网络各层的结构，并初始化参数。forward：根据输入进行前向传播，并返回输出。计算其输出关于输入的梯度，可通过其反向传播函数进行访问（通常自动发生）。
2025-10-19 17:13:44
816
原创 深度学习5-张量运算函数-张量索引操作-形状操作-拼接操作-自动微分模块-机器学习案例：线性回归
常见运算函数：sum()求和mean()求均值max()/min()求最大/最小值及其索引argmax()/argmin()求最大值/最小值的索引std()求标准差unique()去重sort()排序这个就是所有相加这个就是对第一维度进行求和，就是去掉3，生成2*3的矩阵可以想象为立方体，竖着求每个单位的和比如1+2+1=4去掉第二维度，就变成3*4的矩阵了我们来看这个，怎么变成三行四列呢------》前面两行合并，中间两行合并，最后两行合并就可以了。
2025-10-19 11:45:24
993
原创 深度学习4-PyTorch安装-张量创建-张量转换-张量数值计算
PyTorch是一个开源的Python机器学习库，基于Torch库（一个有大量机器学习算法支持的科学计算框架，有着与Numpy类似的张量（Tensor）操作，采用的编程语言是Lua），底层由C++实现，应用于人工智能领域，如计算机视觉和自然语言处理。PyTorch主要有两大特征：类似于NumPy的张量计算，能在GPU或MPS等硬件加速器上加速。基于带自动微分系统的深度神经网络。–》就是自动计算梯度PyTorch官网：https://pytorch.org/。
2025-10-18 17:54:17
866
原创 深度学习3-更新参数方法的优化-参数初始化-正则化
层级多一点，，，比增加神经元更好当神经网络的层数加深时，往往可以有效地提高识别精度；特别是对于大规模的复杂问题，通常都需要用更多的层来分层次传递信息，而且可以有效减少网络的参数数量，从而使得学习更加高效。使用深度神经网络进行的学习就被称为 深度学习（Deep Learning）。ILSVRC是近年来机器视觉领域最受追捧且最具权威的学术竞赛之一，代表了图像领域的最高水平。它包含多个测试项目，其中最有名的就是“类别分类”（Classification），该项目会进行 1000 个类别的分类，比试识别精度。
2025-10-18 11:33:51
640
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人