精雕细琢!阿里耗时”3月“打磨出来的 MyBatis+设计模式 架构指南

【密码专栏】超强进阶:PLONK VS Groth16(上) 前言 前文《天冷了,干了这碗“零知识证明”鸡汤》对「零知识证明学习」作了一个形象化的比喻:炖鸡汤。那么本系列的主要内容可以简单概括为《论高压锅炖鸡汤的一百种方法》之方法二。在学会了“清炖鸡汤”之后,不如来一口“阿胶鸡汤”补补脑细胞吧! 正如鸡汤不同风味之间各具千秋,不同的zk-SNARK方案也各有所长。zk-SNARK方案可以被分为【通用】与【非通用】zk-SNARK,PLONK与Groth16分别是其中的典型代表。通过本系列,我们将对PLONK算法内容作简要介绍,并指出PLONK和Groth16算法思路上 阅读详情

设计模式是面试中的高频问题,特别是像 BAT、TMD 这样的大公司,更加重视候选人的基本功,毕竟,你写出的代码足够“好”,是可以让公司后续的运营和维护,变得更简单、更便捷。所以,不想在面试时凉凉,对于这种大概率的考题,就要做好万全的准备。

设计模式目录

创建者模式

  1. 第1节:工厂方法模式
  2. 第2节:抽象工厂模式
  3. 第3节:建造者模式
  4. 第4节:原型模式
  5. 第5节:单例模式

结构型模式

  1. 第1节:适配器模式
  2. 第2节:桥接模式
  3. 第3节:组合模式
  4. 第4节:装饰器模式
  5. 第5节:外观模式
  6. 第6节:享元模式
  7. 第7节:代理模式

行为模式

  1. 第1节:责任链模式
  2. 第2节:命令模式
  3. 第3节:迭代器模式
  4. 第4节:中介者模式
  5. 第5节:备忘录模式
  6. 第6节:观察者模式
  7. 第7节:状态模式
  8. 第8节:策略模式
  9. 第9节:模板模式
  10. 第10节:访问者模式

在当今的大型互联网中,灵活、sql优化,减少数据的传递是最基本的优化方法,但是Hibernate却无法满足我们的需求,而MyBatis提供了更灵活、更方便的方法。

在MyBatis里,我们需要自己编写sql,虽然比Hibernate配置要多,但是是MyBatis可以配置动态sql,也可以优化sql,且支持存储过程,MyBatis几乎能做到 JDBC 所能做到的所有事情!凭借其高度灵活、可优化、易维护等特点,成为目前大型移动互联网项目的首选框架。

MyBatis目录

Mybatis入门

  1. 什么是MyBatis
  2. 为什么我们要用Mybatis?
  3. Mybatis快速入门
  4. Mybatis工作流程
  5. 完成CRUD操作
  6. 动态SQL
  7. 入门总结

Mybatis配置信息

  1. 映射文件
  • 占位符
  • 主键生成策略
  • 主键返回
  • resultMap
  • resultMap和resultType区别
  • 使用resultMap
  • resultType和resultMap用法总结
  • Mybatis映射文件处理特殊字符
  1. 配置文件
  • 别名
  • Mapper加载
  • 延迟加载
  • 延迟加载测试
  1. 配置相关总结

关联映射

  1. Mybatis【多表连接】
  • 一对一
  • 一对多
  • 多对多
  1. 关联映射总结

缓存+Mapper代理+逆向工程

  1. Mybatis缓存
  • Mybatis一级缓存
  • Mybatis二级缓存
  • Mybatis二级缓存配置
  • 查询结果映射的pojo序列化
  • 禁用二级缓存
  • 刷新缓存
  • 了解Mybatis缓存的一些参数
  1. mybatis和ehcache缓存框架整合
  • 整合jar包
  • ehcache.xml配置信息
  • 应用场景与局限性
  1. Mapper代理方式
  • Mapper开发规范
  • Mapper代理返回值问题
  1. Mybatis解决JDBC编程的问题
  2. Mybatis逆向工程
  • 修改pom.xml文件
  • generatorConfig.xml配置文件
  • 使用插件步骤
  • 最后生成代码

Mybatis整合Spring

  1. Mybatis与Spring整合
  • 导入jar包
  • 创建表
  • 创建实体
  • 创建实体与表的映射文件
  • 创建Mybatis映射文件配置环境
  • 配置Spring核心过滤器〔也是加载总配置文件】
  • 配置数据库信息、事务
  • 创建Dao.Service.Action
  • JSP页面测试

mybatis源码分析目录

第—部分:自定义持久层框架

  • 分析jdbc操作问题
  • 问题解决思路
  • 自定义框架设计
  • 自定义框架实现
  • 自定义框架优化

第二部分:Mybatis相关概念

  • 对象/关系数据库映射(ORM)
  • Mybatis简介
  • MyBatis历史
  • MyBatis优势

第三部分:Mybatis基本应用

  • 快速入门
  • Mybatis的Dao层实现

第四部分:Mybatis配置文件深入

  • SqIMapConfig.xml
  • mapper.xml

第五部分:Mybatis复杂映射开发

  • —对一查询
  • —对多查询
  • 多对多查询

第六部分:Mybatis注解开发

  • MyBatis的常用注解
  • MyBatis的增删改查
  • MyBatis的注解实现复杂映射开发
  • —对一查询(注解)
  • —对多查询(注解)
  • 多对多查询(注解)

第七部分:Mybatis缓存

  • 一级缓存
  • 二级缓存
  • 二级缓存整合redis

第八部分:Mybatis插件

  • 插件简介
  • Mybatis插件介绍
  • Mybatis插件原理
  • 自定义插件
  • 源码分析
  • pageHelper分页插件
  • 通用mapper

第九部分:Mybatis架构原理

  • 架构设计
  • 主要构件及其相互关系
  • 总体流程

第十部分:Mybatis源码剖析

  • 传统方式源码剖析
  • Mapper代理方式

第十—部分:设计模式

如今设计模式已经成为了衡量一个程序员技术水平的标准线,无论是一线城市的BATJM,还是其他的大大小小的企业都离不开它。

物联网 Mixly-智能楼道灯 一、实验目的及要求 熟悉声音及人体红外传感器用法。 二、实验原理与内容 1.使用声音传感器实现声控灯功能。 2.使用人体红外传感器实现人体检测控制灯功能。 三、实验软硬件环境 硬件:Arduino、LED灯、声音传感器、人体红外传感器 软件:Mixly IDE 四、实验过程(实验步骤、记录、数据、分析) 核心代码截图 声控灯: 人体红外检测灯: 3.实验效果图: (1)、声控灯总线连接: (1)、声控灯声音大于一某个值时灯亮,经过2秒后灯灭: (3)、人体红外检测灯连接总线: (4)、人体红外 阅读详情

相关推荐

如何理解鲁棒性?为什么robustness会翻译为鲁棒性?

鲁棒性,英文为Robustness(承受故障和干扰的能力),是许多复杂系统(包括复杂网络)的关键属性。复杂网络的鲁棒性研究对许多领域都非常重要。本文着重介绍了鲁棒性的基本定义、命名起源、分类区别、提升方法和具体应用,供大家学习参考。

weixin_46880696的博客 8万+

访问者模式详解

汇总目录请点击访问:《设计模式目录汇总》 喜欢内容的话欢迎关注、点赞、收藏!感谢支持,祝大家祉猷并茂,顺遂无虞!

2601_96797912的博客 33

IAP板卡远程升级(串口网口都可)+Ymodem+AES对bin文件加密+pc软件+板卡相互烧录

还是决定记录一下,毕竟这个东西我也搞了挺久的,遇到一些棘手的,或者是因为我很粗心遇到的问题也和大家分享一下,。 板卡核心是 STM32F103RCT6,256kflash 前言 开始看这个远程升级的时候,我是一头雾水的,原子哥的教程里面也有说到过iap,有了一个大概的了解,我想不明白的是,通过串口下载的方式把hex文件下载到flash,和把bin文件下载到flash难道不是拉一根线,下载一个文件嘛,(初入职场的我并没有考虑到安全这个问题)如果直接将hex文件给到客户那边,风险是非常大...

那可真是太开心了的博客 5371

Agent Skill 五大设计模式:从工程实践到落地指南

Skill 不是一段临时 Prompt,而是一个可复用、可测试、可迭代的任务流程模板。通常通过SKILL.mdWhen:什么情况下触发How:按什么步骤执行What:最终输出什么:哪些行为必须遵守、哪些行为禁止fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;用户意图Skill 路由工具调用 / MCP / API结构化输出检查与交付。

m0_62458145的博客 235

机器学习教程 之 半监督学习 Co-training 协同训练 (论文、算法、数据集、代码)

这篇博客介绍的是一篇用于半监督分类问题的方法: 协同训练 Co-training, A. Blum and T. Mitchell, “Combining labeled and unlabeled data with co-training,” in Proc. of the 11th Annual Conf. on Computational Learning Theory, 1998.,这算是半监督领域里面始祖级的论文了,是1998年两位CMU大佬提出的方法。 之前还写过一篇关于Tri-trainin

冯良骏 的 博客 1万+

Full Range && Limit Range

Full Range && Limit Range1 Full range和Limit Range定义2 为什么会需要Limit Range3 用Full range去显示limit Range图片4 YUV转RGB5 额外 1 Full range和Limit Range定义 我们知道,对于RGB和YUV的色彩空间来说,有个位深(bit-depth)的概念;位深是指记录图像每个像素的色彩通道时所使用的bit数,常见的RGB888,YUV420-8bit。以RGB888为例,其代表R G B

zjhcj1的博客 1万+

设计模式之状态模式

状态模式是一种行为型设计模式,通过将对象的不同状态行为封装到独立的状态类中,使上下文对象在状态变化时自动切换行为。以外卖订单为例,不同状态(如待支付、配送中)对同一操作(如取消)有不同响应。状态模式避免了复杂的if/else判断,提升代码可维护性与扩展性。其核心由上下文(Order)、状态接口(OrderState)和具体状态类组成,通过委托机制实现状态间的平滑切换。

FallingGod的博客 314

Windows10 Qt下用MINGW 编译VTK-8.1.0

1. 材料准备(1) 下载VTK-8.1.0: https://www.vtk.org/download/(2) 下载TIFF库: http://gnuwin32.sourceforge.net/packages/tiff.htm(直接安装即可,注意选择路径不包含中文字符)2. 安装: (1) cmake配置: a. Module下配置:勾选下图所示的六项 b. Build 配置:勾选这里能够在b...

hit1524468的专栏 3893

设计模式之策略模式

策略模式是一种行为型设计模式,将可互换的算法封装为独立策略,使客户端可在运行时动态选择并切换算法。核心由策略接口、具体策略和上下文三部分组成。通过将算法与使用分离,实现解耦与灵活扩展。适用于多算法场景,如支付方式、排序策略等,避免冗长的if/else。

FallingGod的博客 420

QMI8658姿态传感器实战:从校准到自检的完整避坑指南

本文详细解析了QMI8658姿态传感器的校准与自检流程,提供了从硬件环境搭建到高级功能开发的完整避坑指南。通过真实案例揭示电源设计、接口优化、温度补偿等关键细节,帮助开发者提升传感器精度和可靠性,适用于工业级应用场景。

weixin_29184075的博客 458

全桥 LLC 谐振变换器详细解析:结构 + 控制 + 工作原理全搞懂!

在现代高效率电源系统中,LLC 谐振变换器🔥早已成为降损利器。尤其是全桥 LLC 拓扑结构,由于其在、副边整流管的 ZCS(零电流关断),再加上优秀的效率表现,已经成为服务器电源、电动汽车 OBC、光伏逆变等场景的首选。那么,全桥 LLC 到底长啥样?它的控制方式是怎么回事?具体工作波形又是如何呢?今天我们就来一篇讲清楚、讲透彻的文章!🚗💨。

weixin_43199439的博客 3533

设计模式(unity游戏研发版)

当你使用图形用户界面类时通常会遇到一个问题。比如,你创建了自定义按钮类并允许客户端在按钮中注入自定义代码,这样当用户按下按钮时就会触发这些代码。观察者模式允许任何实现了订阅者接口的对象订阅发布者对象的事件通知。你可在按钮中添加订阅机制,允许客户端通过自定义订阅类注入自定义代码。在Unity中,这就像UnityEvent在Inspector中绑定多个回调。

m0_63330263的博客 134

基于电阻分压 + 电压跟随器的直流母线电压采样电路

摘要:本文介绍了一种基于电阻分压和电压跟随器的直流母线电压采样电路设计。该电路通过R38(240kΩ)和R41(20kΩ)组成的分压网络将高电压(如48V)降至3V,再经GS8331运放构成的电压跟随器进行隔离缓冲,最后通过RC滤波输出给ADC采集。重点分析了关键元件的选型要求:分压电阻需高精度、低温度系数;运放需高输入阻抗、低失调电压;滤波电容需稳定性好。该设计适用于工业电源、新能源BMS、变频器等需要高精度电压采样的应用场景。

qq_37999850的博客 899

设计模式指南 (Java 版)

设计模式是解决软件设计中常见问题的可复用方案,而非直接代码。本文以最简方式梳理三大类设计模式:创建型(如单例、工厂方法)、结构型(如适配器、装饰器)和行为型(如观察者、策略)。通过生活化类比与Java示例,强调“按需使用、避免过度设计”的原则,帮助理解其核心思想与实际应用。

sync_with_U 258

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Vue3 组合式函数(Composables)设计模式:从封装到复用

本文以一次因复制粘贴导致的全局状态污染事故为引,深入剖析 Vue 3 Composable 的三大陷阱:单例状态误用、生命周期钩子注册失效与异步请求竞态。作者通过重构实践,强调 Composable 复用的核心是“带生命周期的响应式上下文”,而非简单代码复用。提出关键规范:状态归属决定 ref 位置、钩子必须在 setup 同步执行、用序号或 AbortController 解决竞态,并倡导基于“状态与生命周期”判断抽取时机,最终提升代码健壮性与团队协作效率。

滴水成河,汇流成海 194

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

【第四部分:Agentic 智能体设计模式】18.Agent 并行化实战:任务拆分、并发执行与结果汇总

本文介绍 Parallelization(并行化模式)的原理与工程实现,重点分析 Fan-out / Fan-in、Sectioning、Voting、任务依赖、上下文隔离、并发控制及部分失败处理。结合采购合同并行分析案例与 Java CompletableFuture 代码,说明如何实现独立任务的并发执行、结构化结果汇总和证据校验。同时介绍 LangGraph 动态任务分发、OpenAI 并行 Subagent、LangChain 异步 Subagent 及 DeepSeek Super-agent 等近

weixin_42258782的博客 265

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

设计模式之访问者模式

访问者模式是一种行为型设计模式,核心思想是将操作从元素类中分离,通过“访问者”统一管理对对象结构的多种操作。适用于元素类型稳定但操作频繁变化的场景。其精髓在于双重分派:元素通过accept方法触发访问者visit,最终由元素和访问者的运行时类型共同决定具体执行逻辑。该模式避免了在元素类中添加大量方法,提升扩展性,但会增加类数量与复杂度。典型应用如编译器语法树遍历、报表统计等。

FallingGod的博客 139

设计模式之模板方法模式

模板方法模式通过定义算法骨架,将可变步骤延迟至子类实现,实现流程复用。核心是父类的final模板方法锁定执行顺序,子类仅需实现抽象方法或覆盖钩子。如冲泡饮品场景中,烧水、倒杯等固定步骤由父类完成,冲泡与加调料由子类定制。该模式避免代码重复,提升扩展性,适用于流程固定但部分步骤可变的场景。

FallingGod的博客 330

LangGraph 体系实战(下):中断恢复、流式、子图与设计模式

LangGraph的动态中断机制允许用户在图执行过程中设置暂停点,等待外部输入后再继续执行,提供了人机交互接口。当中断触发时,LangGraph会通过持久化机制保存当前图状态,并无限期等待直到用户恢复执行。中断通过在任意图节点中调用 interrupt()函数实现,该函数可以接收任何可 JSON序列化的值,并将该值暴露给调用方。中断触发后,调用方根据 interrupt()暴露的信息生成反馈,重新调用图时通过 Command将反馈传递给计算图,恢复图的运行。

不吃紫菜的博客 234

设计模式指南 (Java 版) ㊁

本文以简洁易懂的方式介绍Java中的设计模式,按创建型、结构型、行为型分类,重点解析简单工厂与工厂方法模式。通过现实案例(如造门、招聘)类比,阐明其核心思想:封装对象创建逻辑,提升代码可维护性。强调设计模式是解决问题的指导原则,而非万能药,应避免过度设计,合理使用方能发挥最大价值。

sync_with_U 176

Day37 · 设计模式

设计模式(Design Pattern)是前人总结的、针对软件设计中反复出现问题的经典解决方案模板。它不是可以直接抄来运行的代码,而是一套"思路 + 结构"。创建型(Creational):对象怎么创建——单例、工厂方法、抽象工厂、建造者、原型;结构型(Structural):类和对象怎么组合成更大的结构——适配器、装饰器、代理、外观、桥接、组合、享元;行为型(Behavioral):对象之间怎么分工通信——策略、模板方法、观察者、迭代器、责任链、命令、状态、备忘录、访问者、中介者、解释器等。

小嘉丶学长的博客 171

【qt openGL入门笔记】OSG加载GeoJSON地图文件

行政区域的可视化应用,通常是通过加载GeoJSON数据来实现可视化。本篇分享的是OSG加载GeoJSON数据。

ocy的博客 175

《Agent设计模式 图解可复用智能体架构》上篇内容整理

《Agent设计模式 图解可复用智能体架构》 读书整理

皮卡丘在充电 260

设计模式与生活㉒:暖气热不热,得一间一间摸过去

今天,北京正式供暖第一天。醒的时候快九点。窗帘缝里那条光比昨天宽了些。前几天试供暖,暖气只是温吞吞的,夜里也没响动。大概九点半,暖气管里开始响。咕噜,咕噜。像有人在很远的地方倒水,水顺着管子,一层一层往上走。过了一会儿再摸,客厅那组暖气片的下沿烫了,上沿还是温的。朋友圈里一半在晒家里的温湿度计,一半在骂不热。物业群里发了一条:今天正式供热,管道里憋着气,不热的自己放放气。翻出一把一字螺丝刀,又扯了块抹布垫在暖气片下面,从客厅开始。嘶——一股气出来,带着锈水的味。

工一木子 178

设计模式之策略模式核心概念和应用场景

打个比方:策略模式就像"出行方式选择器"你要去某个目的地,可以选择:开车、坐地铁、打车、骑车、步行每种出行方式就是一条"策略"你只需要告诉选择器"我要去XX",选择器会根据情况帮你选最合适的方式你不需要关心每种方式的具体实现(开车怎么开、地铁怎么坐)生活中的策略模式支付方式:微信、支付宝、银行卡、现金 → 支付时选择一种即可排序算法:快排、归并、堆排序 → 根据数据特点选择最优算法压缩方式:ZIP、RAR、7Z → 根据需求选择压缩策略/*** 权益消息发送策略接口。

qq_38196449的博客 201

JS - 设计模式类型详解

在 JS 生态中,设计模式是从“能写业务”进阶到“能搭架构”的核心抓手。它不是冗余的概念堆砌,而是针对前端高频痛点的标准化解决方案。 JS 语言本身函数一等公民、动态弱类型的特性,让设计模式的实现比传统面向对象语言更轻量灵活。合理运用单例、发布订阅、策略、代理等模式,能快速消除项目中大量臃肿的 if-else,解耦模块依赖,统一组件复用逻辑,大幅降低维护成本。 从框架底层的响应式系统,到工程化工具的中间件机制,设计模式无处不在。它是前端工程师构建高可维护、高扩展性大型应用的必备底层能力。

D_xw_的博客 233
上一篇: 一份 “内卷”面试题跟答案,让我14K 变成了 28K
下一篇: 今天面试了个阿里P7大佬,他让我见识到什么才是“精通高并发与调优”
Java技术那些事儿
博客等级 码龄5年 2306粉丝 2584原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值