墨衍会员
·
1平台
·
100+阅读
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
95平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
现在Java面试中只要你有几年的开发年限跳槽的时候几乎是必问Spring源码相关的问题，比如：谈谈你对SpringIOC的理解、简单描述下Spring Bean的生命周期、谈谈你对循环依赖的理解等等一系列的问题。
那么如果在有限的时间里，精准而又全面地概述出问题的答案呢，从而做到一针见血的效果？今天就来分享一份阿里一份新“宠儿”，Spring源码高级笔记，前前后后共计42篇，足以在看出内容涉及范围之广，内容之深，不再多说，我们直接进入正题！
别再盲调PID了！手把手教你用VOFA+实时可视化电机速度曲线（附STM32F4源码）
本文详细介绍了如何使用VOFA+工具实现PID参数的可视化调试，帮助开发者从盲调转向精准调优。通过实时可视化电机速度曲线，结合STM32F4源码示例，展示了如何高效调试Kp、Ki、Kd参数，解决响应慢、超调等常见问题，大幅提升电机控制系统的性能。
【项目推荐】基于 SpringBoot3 + Spring AI 的游泳馆管理系统：Agent + RAG + Function Calling 一次学全
它不是玩具 Demo，而是一个「业务 + AI」双主线交织的真实系统——预约业务在跑，AI 客服在旁边实时查库作答，两条线通过 Function Calling、RAG、站内消息串成一体。面试官问「你做过什么 AI 项目」时，你能从业务场景讲到架构取舍，从 RAG 切分参数讲到降级兜底——这和「我调了一下 ChatGPT 的 API」是完全不同的两个段位。项目已包含完整的建表 SQL、初始化数据、部署文档，克隆下来就能跑。获取方式：见文末说明 / 后台回复关键词获取。—— 完 ——
Star CCM+ 202206 (17.04) 详细安装步骤
StarCCM+ 17.04 安装包和详细安装步骤
InnoDB 内存结构总览：Change Buffer、AHI 与 Log Buffer
本文系统梳理InnoDB内存结构中的ChangeBuffer、Adaptive Hash Index（AHI）与LogBuffer。ChangeBuffer缓存二级索引页不在内存时的变更，减少随机IO，仅在页加载时合并；聚簇索引修改立即执行，因数据本身不可延后。AHI基于高频等值查询自动构建哈希索引，加速定位，仅支持等值操作。LogBuffer为redo log内存缓冲，配合磁盘日志实现崩溃恢复。三者均服务于性能优化，其中ChangeBuffer与AHI共享BufferPool空间，而LogBuffer独立
【中文OCR】中文字符图片的分割方法
最近想做一个关于中文OCR的小系列，也是对之前做的东西的一个总结。作为这个系列的第一篇，我觉得还是有必要说一下关于中文字符图片分割的问题。因为现在开源的OCR代码比较多，相对而言对字符图片的分割的方法提的比较少，尤其是中文字符图片的分割还是有一定困难在里面的。 一、普遍使用的切割方法 现在大部分开源项目上用切割方法还是基于水平、垂直投影字符切割方法。 原理比较简单容易理解，也比较容易实现。先...
LDO稳定性分析
根据补偿方式和拓扑结构的不同，三个极点之间的相互位置有可能发生变化，但 是 LDO 通常采用较大的输出电容 Cout，以及较大的调整管也会导致较大的 Cpar， 所以 p1、p2 通常位于较低的频率处，而 p3 和 z1 则由于 Resr较小会位于较高的频 率处。不过幸运的是，对于较大的 Cout来说，只要选择合适的 Resr，就可以将左半平面零点 Z1 的频率降低，甚至使 Z1 进入单位增益带宽内，左半平面零点的进入将对相位有所改善，这不仅可以消除振荡的风险，还可以在单位增益频率处得到较好的相位裕度。
实际工程问题：AI 生成 Spring Cache（@Cacheable / @CachePut / @CacheEvict）缓存注解踩坑
商品详情服务，要求：商品基础信息走缓存，减少 DB 查询；典型：AI 只贴注解，忽略 AOP 代理、key 设计、缓存穿透/击穿/过期、序列化、同步刷新，本地单测正常，上线后缓存脏数据、命中率异常、雪崩。如果业务在事务中，@CacheEvict / @CachePut 如果在事务提交前执行，一旦事务回滚，缓存已经被删掉/更新，数据不一致。• 如果在同一个类里用 this.xxx() 调用带缓存注解的方法，不走代理，缓存直接失效；// 更新商品：先更新 DB，再删除缓存，而不是直接 @CachePut。
Zephyr，设备树概述
Zephyr使用设备树(DTS)描述硬件配置，通过设备树源码和绑定文件生成C头文件供开发使用。设备树采用树状结构，节点对应硬件设备，属性描述硬件特性。示例展示了I2C总线及其外设的节点层级关系，包括单元地址、兼容性标识等关键属性。构建系统将设备树转换为devicetree.h中的宏，使开发者能通过DT_前缀宏访问硬件信息，同时保留Kconfig覆盖默认值的能力。
MCP 2026-07-28 无状态协议大改版：Spring AI 2.1 多轮往返请求与网关路由落地
无状态，所以任何实例都能处理任何请求，扩容不再需要粘性会话；显式句柄，所以跨调用状态是可审计、可过期的，而不是藏在进程内存里；幂等重放，所以交互式中断在分布式环境下也可恢复，代价是你要自己保证副作用可对账；头部路由，所以网关能在不解析 body 的前提下做治理，而校验 header/body 一致性成了新的安全底线。这些没有一个是在发明新概念。它们是分布式系统里被验证过二十年的老手艺：无状态、显式上下文、幂等、网关治理、fail-fast、可观测。
【系列05】端侧AI：构建与部署高效的本地化AI模型 第4章：模型量化（Quantization）
量化的基本思想是减少模型中用于表示参数和激活值的比特数。在模型训练时，参数通常使用32位浮点数（FP32）进行存储，这提供了高精度，但也消耗大量的内存和计算资源。量化则将这些32位浮点数转换成低比特数表示，通常是8位整数（INT8）。量化的原理可以概括为：对浮点数范围进行校准，并将其映射到更小的整数范围内。例如，将一个FP32的权重（如-1.5到1.5）映射到INT8的范围（-128到127）。在推理过程中，模型将使用这些低精度的整数进行计算，从而大大减少了所需的计算量。量化带来的主要收益减少模型大小。
分享一个完整的KANO问卷（包含正反问题和选项设置）
本文介绍了KANO模型问卷的设计与应用，用于评估功能需求优先级。问卷包含基本信息、功能评估（正反问题设计）、界面评估及开放问题，选项定义明确（如"非常喜欢"到"很不喜欢"）。数据清洗规则包括剔除矛盾回答和注意力检验。通过量化编码和矩阵分析，将需求分为魅力型、期望型、必备型等类别。示例数据显示健康监测为必备型（72%），电子围栏为期望型（45%），适老化改造为无差异型（38%）。该模型为产品决策提供客观量化依据。
V8 机制、手写核心函数与 TypeScript 类型体操
或固定初始化（如数组先定长、对象先给全字段）保持类型与形状稳定；这些都比"换框架"更基础。只能处理纯数据（丢函数、Date、RegExp、循环引用报错）。生产级深拷贝要处理：原始值短路、循环引用、V8（Chrome / Node 的 JS 引擎）不是"解释一行跑一行"那么简单，它用。图：V8 执行流程——解释执行 + 热点优化，优化失败会 Deopt 回退。JS 内存自动管理，但"自动"不等于"不会漏"。是"固定间隔最多执行一次"。手写 Promise 是"懂异步"的试金石。是"停下后才执行最后一次"，
新手福利！大龙虾OpenClaw可视化管理工具来了！告别命令行，这个可视化工具让OpenClaw管理变得超简单
还在用命令行管理OpenClaw?🚀 这个跨平台可视化工具支持14+AI模型,一键切换,还能对接微信飞书钉钉等8大消息渠道,让AI助手管理变得简单直观 ✅ 暗色主题护眼舒适,Rust后端高性能低占用,新手也能轻松上手 🎯
Spring 事务详解：@Transactional 如何生效、何时回滚、传播行为怎么选
从订单与库存写入出发，拆解 @Transactional 的代理调用链、默认回滚规则与自调用问题；通过 Spring Boot + H2 的五个验证用例比较 REQUIRED、REQUIRES_NEW、NESTED，并说明数据库事务与 Redis、消息和远程接口的边界。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
SpringBoot 新闻推荐系统：88个Java文件105个接口，首页推荐位是后端按点击数排出来的
# SpringBoot 新闻推荐系统：88个Java文件105个接口，首页推荐位是后端按点击数排出来的 > 这是一套基于 Spring Boot 的新闻推荐系统源码，配套 `db.sql` 建表脚本，业务覆盖新闻发布、排行榜管理、评论回复、点赞点踩、收藏夹和轮播图配置。形态是**前后台双端**：前台是读者用的 layui 静态站，后台是管理员用的 Vue 单页应用（编译产物已嵌在工程里）。最值
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');```[](https://bitdeli.com/free "Bitdeli Badge")
【从零理解 Spring AI · 12】MCP 的两种角色：做客户端还是做服务端
上一篇讲了 MCP 的概念：标准协议、三大角色、M+N 替代 M×N。
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
Spring Framework 7 HTTP Interface 实战：声明式 RestClient、超时与测试
Spring Framework 7 中，Java 开发者如何使用 HTTP Interface 管理外部服务调用？本文从传统 RestClient 出发，介绍 @HttpExchange、`@GetExchange`、`RestClientAdapter` 和 HttpServiceProxyFactory 的使用方式，并结合商品服务案例说明客户端配置、超时控制、异常处理及 Mock 测试。最后讨论从 RestTemplate、Feign 迁移时的技术取舍，帮助开发者建立更清晰的 HTTP 客户端架构。
SpringBoot「衣依」服装销售平台：144个Java文件180个接口，从挑衣服到收货评价整条链路都在
# SpringBoot「衣依」服装销售平台：144个Java文件180个接口，从挑衣服到收货评价整条链路都在 > 这是一套基于 Spring Boot 的服装销售平台源码，配套 `db.sql` 建表脚本，业务覆盖商品展示、购物车、订单流转、收货地址、订单评价、商品评论、在线客服、轮播图和资讯。形态是**前后台双端**：前台是顾客逛的商城，后台是管理员管的控制台。本文带你看清里面有什么、怎么跑
基于 Springboot3+SpringAI+Agent+RAG+Function Calling的校园闲置物品循环流转 AI 智能估价平台
基于SpringBoot3+SpringAI1.0，打造校园闲置循环平台，实现从发布、智能估价（规则+大模型校准）、担保交易到信用治理与运营看板的闭环。通过RAG问答、FunctionCalling工具调用、流式SSE输出及本地降级策略，将AI能力深度嵌入业务链路。项目强调可落地性：无APIKey也能演示，向量存MySQL，状态机防绕过，代码清晰可读。适合想做真实AI全栈项目、准备面试或提升工程化思维的开发者。
基于SpringBoot的营养食谱管理系统设计与实现-附源码
基于SpringBoot的营养食谱管理系统，实现食谱、食材与营养数据的数字化管理，支持多条件筛选、个性化饮食方案定制及收藏功能，助力用户科学饮食，提升营养师管理效率。系统采用前后端分离架构，技术栈成熟，功能完整，测试验证通过，具备良好可扩展性，未来可集成体质测评、饮食打卡等智能功能。
《Springboot3-AOT》
AOT：提前编译 程序执行前，全部被编译成机器码JIT：即时编译 程序边编译边运行编译：源代码 ====== 机器码 机器才能执行。
Spring系列03：Bean 的三种注册方式
写 Spring 的人，几乎天天在「把一个对象交给容器」。@Service标一下、配置类里@Bean写一个、或者丢一堆方法——但它们本质不是一回事。很多开发者能把三种写法都写出来，一被问「@Bean放在@Component和里到底差在哪」「为什么有的@Bean互相调用拿的是同一个实例、有的却 new 了好几个」，就卡壳了。这一篇把三种注册方式的身世、边界，以及那个最容易被忽略的 full/lite 玄机一次讲透。方式一：组件扫描（ Stereotype +——类上贴注解，容器扫包自动认。@Bean方法。
同一需求三套写法：用 Spring AI、LangChain4j、AgentScope Java 各实现一个带工具调用的 RAG 助手（实战对比）
本文以“技术问答助手”为例，对比Spring AI、LangChain4j与AgentScope Java实现RAG+工具调用的三套方案。三者均支持流式输出与知识检索，但风格迥异：Spring AI强调命令式流畅，LangChain4j采用声明式接口，AgentScope则以Agent编排为核心。代码量与心智模型差异显著，适用于单体智能（前两者）或多智能体系统（后者）。最终建议根据项目形态选型，实现从“能用”到“好用”的跃迁。
(开源)宠物共享平台实战指南 基于 Java + SpringBoot + Web + MySQL
这是一个基于 Java + SpringBoot + Vue + MySQL 构建的完整宠物共享平台（管理端为 Vue，用户端为纯静态 Web 站，由后端直接托管），功能持续优化中...用户登录 / 注册 宠物寄养管理 / 寄养审核 寻宠启事管理 / 认领审核 宠物视频管理 / 视频收藏 / 视频留言 感谢信管理 公告管理 轮播图信息管理 基础数据管理 用户管理 / 管理员管理 个人中心 其它...
第17课：SpringBoot 任务处理：异步任务@Async、定时任务@Scheduled，线程池配置
本文详解Spring Boot 4.x异步与定时任务的实战应用，聚焦虚拟线程带来的范式变革。基于Java 21+，@Async默认使用高效虚拟线程，大幅提升IO密集型任务吞吐量；@Scheduled支持动态配置与多任务并发。重点讲解线程池自定义、异常处理、上下文传递、cron表达式及生产级排查技巧，结合AOP代理与源码分析，构建高可用任务体系。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
128
扫一扫
