墨衍会员
·
AI 创作全网分发
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
400+累计阅读
403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
使用 JSDoc 生成前端接口文档
在前端开发过程中，生成准确和详细的接口文档对于项目的成功和可维护性至关重要。JSDoc 是一个强大的工具，可以从 JavaScript 代码中提取注释并生成文档。本文将介绍如何使用 JSDoc 生成前端接口文档，并提供相应的源代码示例。
JSDoc 是一种基于注释的文档生成工具，它使用特定的注释语法来描述代码的功能、参数、返回值等信息，并根据这些注释生成文档。JSDoc 注释以 /** 开始，以 */ 结束，通常位于函数、方法或类的前面。
下面是一个使用 JSDoc 进行注释的示例：
/**
* 计算两个数字的和
* @param {number} a - 第一个数字
* @param {number} b - 第二个数字
* @returns {number} 两个数字的和
*/
function sum(a, b) js在线预览pdf,doc,xls,jpg等文件
由于项目需要，需要在上传文件后在线预览所上传的文件。最开始我的思路就是想到各种插件什么的。比如说pdf.js、pdfobject，但最后都没能达到我所想要的效果。
jsdoc-前端文档注释利器入门教程
前端注释文档jsdoc
YApi插件选型与配置指南：IDEA与VS Code实现接口文档自动同步
接口文档是前后端协作的基石，但在实际开发中，代码变更后手动同步文档往往滞后，导致Mock数据与真实接口不一致，团队信任度下降。解决这一问题的核心思路，是借助IDE插件实现从代码到文档的自动解析、组装与上传。以YApi为代表的接口管理平台，配合IDEA中的EasyApi或VS Code中的插件，可将注解或注释自动转换为结构化接口信息，减少重复劳动，提升文档时效性。这类工具不仅适用于Java后端基于Spring Boot的强类型项目，也能在前端TypeScript或JSDoc场景下工作。尤其在并行开发阶段，本地
AI开发全流程（产品/UI/前端/后端/测试）规范文档（适配Claude Code集成学习）
AI开发全流程（产品/UI/前端/后端/测试）规范文档（适配Claude Code集成学习）前言本文档针对AI相关产品（含Claude Code联动场景，如墨刀MCP适配、高保真原型生成），梳理产品、UI、前端、后端、测试各环节的设计、开发、测试规范，确保全流程标准化、高效化，降低沟通成本，保证产品质量，同时适配AI工具（Claude Code）的使用，实现规范与AI辅助的高效结合。核心原则：标准化、可落地、可复用、适配AI辅助开发，兼顾规范性与效率，贴合大厂设计开发标准，同时适配小团队快速迭代需求。
前端AI提效三大关键切口：组件生成、接口补全与上下文增强
AI编程工具正深度融入前端开发流程，其核心价值不在于替代编码，而在于重构人机协同的工作流。从基础概念看，AI辅助开发本质是将结构化输入（如组件契约、OpenAPI规范）转化为可验证输出；原理上依赖提示工程、RAG增强与上下文感知；技术价值体现在释放工程师于重复性认知劳动，聚焦设计决策、状态机建模与系统治理；典型应用场景覆盖中后台系统快速搭建、跨团队接口联调加速及遗留项目技术栈迁移；本文聚焦‘组件级生成闭环’‘接口联调自动化补全’‘跨技术栈上下文理解增强’三大经实测验证的小时级提效切口，提供可落地的工程化路径
Claude Code五大斜杠命令：AI编程的确定性控制台
斜杠命令是一种嵌入IDE的轻量级指令系统，区别于自然语言交互，它通过结构化指令触发可预测、可复现的工程操作。其核心原理在于本地上下文快照（如AST分析、光标位置、Git状态）与预注册Handler函数的同步调用，大幅降低延迟并规避幻觉。技术价值体现在提升调试回溯、文档生成、测试补全等高频任务的自动化精度与执行效率；典型应用场景包括React/Vue项目重构、TypeScript契约校验、Jest/Vitest测试骨架生成及OpenAPI结构化文档输出。本文聚焦Claude Code官方VS Code插件中的
OpenAPI/Swagger 自动生成 TypeScript 接口：提升前后端协作效率
在前后端分离的现代 Web 开发中，API 接口文档是团队协作的核心。OpenAPI（Swagger）规范作为 RESTful API 描述的事实标准，提供了机器可读的接口定义。其核心原理在于将 API 的路径、参数、请求/响应模型等结构化，为自动化工具提供了精确的解析基础。这一技术价值在于，它能将开发者从手动编写和维护 TypeScript 类型定义的重复劳动中解放出来，实现从 API 文档到类型安全的代码的精准、自动化映射。通过构建类型转换引擎，可以将 OpenAPI Schema 中的字符串、数字、对
AI编程代理安全落地：上下文工程与验证流程实战指南
在AI辅助编程快速普及的今天，如何避免AI编程代理由提效工具沦为垃圾代码生成器，成为研发团队关注的核心问题。区别于简单的代码补全，AI代理的工作模式决定了其产出质量高度依赖上下文质量与验证强度。通过上下文工程，如利用MCP协议读取设计稿结构化数据、建立AGENTS.md规范文件，将项目常识与约束前置，可以显著降低代理的猜测空间。同时，围绕隔离分支、自动化门禁、人工审查构建验证体系，才能确保代理产出的代码真正可用。本文面向工程师与技术管理者，从概念到实战拆解安全落地AI编程代理的最小流程，帮助团队在提升交付速
Vibe Coding全栈开发实战：Cursor与Claude Code从入门到部署
自然语言编程正在改变软件开发方式，开发者用需求描述替代手写代码，AI自动生成并迭代项目。Vibe Coding正是这种范式的实践，其核心原理是将需求描述、代码生成、运行验证与迭代修复串联成完整链路。Cursor作为AI原生IDE，提供图形化交互与多文件编辑能力；Claude Code作为命令行Agent，支持批量任务与自动化执行。两者组合能覆盖从脚手架搭建、接口对接到测试补充、部署上线的全栈开发流程。硬件门槛低，普通开发电脑即可运行，算力集中在云端模型。适用于独立开发者快速验证原型、全栈项目开发、代码重构与
英语学习网站开发全栈指南与项目实战
全栈开发是构建现代Web应用的核心技术，通过整合前端、后端和数据库技术实现完整功能闭环。在英语学习类网站开发中，关键技术点包括RBAC权限管理系统、基于记忆曲线的智能算法、以及高并发场景下的Redis缓存应用。采用Vue3+Node.js技术栈可快速实现响应式界面和RESTful API，而MySQL与MongoDB的混合使用能兼顾复杂查询和灵活数据模型需求。本项目实战资料特别适合计算机专业学生，提供从登录注册到错题本的全套解决方案，包含Express和NestJS双版本实现，以及Docker环境配置和Ve
Kimi Code进阶教程：从视频理解到多智能体协作的AI编程实践
如果你最近在关注 AI 编程助手，可能会发现一个现象：Claude Code 凭借其强大的代码生成和上下文理解能力，成为了许多开发者的首选。然而，其高昂的使用成本、复杂的订阅机制，以及偶尔的访问限制，让不少个人开发者和中小团队望而却步。我们真的需要一个“平替”方案吗？答案是肯定的。 这个“平替”不是指找一个功能完全一样的免费工具，而是寻找一个在核心编程场景下，能以更低成本、更便捷的方式，达到相似甚至在某些方面更优体验的解决方案。经过一段时间的深度使用和对比，我发现 Kimi Code 正在成为这个角色最有力
Kiro工具链与Spec工作流提升代码质量实践
规范驱动开发(Spec-Driven Development)通过声明式契约定义提升代码健壮性，其核心原理是将接口约束、类型检查等规范嵌入开发流程。Kiro工具链创新性地实现实时规范校验，相比传统IDE的语法补全(Cursor等工具)，能在编码阶段提前发现80%的接口不一致问题。该技术特别适用于团队协作场景，实测可减少62%的接口冲突和89%的类型错误。通过SDL规范定义语言和实时校验引擎的组合，开发者可以强制保证架构一致性，显著降低文档同步成本。在微服务架构和前后端分离项目中，这种规范优先的开发模式能有效
Codex Skills实战指南：从裸奔到专业，10类必备技能提升AI自动化效率
最近在尝试用 Codex 处理一些自动化任务时，我遇到了一个挺典型的问题：单次对话跑得挺顺，但一旦想让它帮我处理一个稍微复杂点的流程，比如“先分析这个日志文件，提取关键错误，再根据错误类型去查对应的文档，最后生成一份修复建议”，Codex 就会卡住，或者给出一些不完整的、跳跃式的回答。这感觉就像你让一个很聪明的实习生去办一件需要多个步骤的事，他虽然每个字都认识，但不知道先干什么、后干什么，中间该查什么资料。 这其实不是 Codex 不够“聪明”，而是它缺少一套清晰的“工作说明书”和“工具包”。在 AI 驱动
AI驱动全栈开发实战：基于Spec Coding与Codex的半小时用户管理系统
如果你是一名前端开发者，最近是否感到一种前所未有的“效率焦虑”？传统的CRUD开发、组件联调、API对接，这些过去需要数天甚至数周的工作，在AI编码工具的冲击下，似乎正在被重新定义。我们不再仅仅比拼谁更熟悉某个框架的API，而是开始比拼谁能更高效地驾驭AI，将自然语言描述转化为可运行的、高质量的代码。 本文要探讨的，正是这样一个正在发生的范式转移： 如何利用以Codex为代表的大模型能力，结合“Spec Coding”（规格化编码）的工作流，将传统前端全栈开发中动辄一个月的项目工期，压缩到以“小时”甚至“半
第4章 接口注释与文档
本文介绍了接口注释的目的及常用文档生成工具。接口注释能提高代码可读性和维护性，并作为API文档基础。重点介绍了5种工具：Doxygen（支持C/C++等多语言）、Javadoc（Java专用）、Swagger（RESTful API）、PyDoc（Python内置）和JSDoc（JavaScript专用）。以Doxygen为例详细说明其安装方法（Windows/Linux/macOS），配置文件的生成与参数设置，以及代码注释规范和文档生成命令。最后推荐了VSCode的Doxygen插件来辅助注释工作。这些工
Claude Code 100个真实案例 - 用AI自动生成Swagger API文档（告别手写文档的痛苦）
本案例展示如何使用 Claude Code 为现有的 Express API 自动生成完整的 Swagger/OpenAPI 文档。从分析路由结构、生成 OpenAPI 规范、配置 Swagger UI 到在线测试 API，告别手写 YAML 文档的痛苦。
智能体评测技术与实践：从评估维度到DeepEval实战指南
智能体评测技术与实践：从评估维度到DeepEval实战指南 本文系统探讨了AI智能体的评测体系与实践方法。首先从四个关键维度构建评估框架：基础能力（意图理解、知识完整性）、复杂任务（多轮对话、动态工作流）、可靠性（幻觉抑制、安全合规）以及工具效率（参数填充、多工具协同）。其次分析了主流评测工具，包括xBench的动态双轨评估、DeepEval的全链路监控等解决方案。最后详细介绍了DeepEval的实战应用，涵盖环境配置、测试用例构建、指标配置及CI/CD集成，展示了如何通过代码化评估实现智能体质量的持续提升
【Apollo规划模块探秘】—— 场景(Scenario)驱动的决策引擎
本文深入解析了Apollo自动驾驶平台规划模块的核心机制——场景(Scenario)驱动的决策引擎。文章通过类比日常驾驶，阐述了规划模块如何像经验丰富的司机一样，根据不同的路况（如车道跟随、无保护左转）切换不同的“驾驶模式”。重点剖析了场景管理器(ScenarioManager)如何基于感知信息进行场景判断与切换，以及“场景-阶段-任务”双层状态机如何精密协作，实现灵活、高效且安全的轨迹规划。
双向全桥隔离dc-dc变换器（DAB）
在全功率范围内，零电压开通优化调制方法能够实现双向全桥隔离dc-dc变换器所有开关的零电压开通，来提升变换器的效率，但其调制模式不连续。当变换器两端电压不匹配时，变换器的电流应力和回流功率将增加，软开关范围将变窄，变换器的效率显著降低。在轻载时，这两种电流优化调制方法采用相同的调制模式；在重载时，最小电流有效值调制方法具有两种调制模式，而最小电流应力调制方法只有一种。双向全桥隔离dc-dc变换器（DAB）和Buck/Boost不同，该变换器通过交流电感进行功率传输，其调制和控制不适合直接借鉴已有的研究。
WinForm布局
登录模板页面UILoginForm
STC15单片机实战项目软件开发第四讲 - 按键检测(状态机)
软件开发第四讲 - 按键检测(状态机) 一、工具链接 1、Keil c51 UV4 https://yunpan.360.cn/surl_yrIfYYmeRFk 2、STC-ISP下载软件 https://yunpan.360.cn/surl_yxH4CuUUvI3 二、学习板获取方式 方法1：自己设计PCB，自行打板焊接； 方法2：用群主设计的PCB，自行打板焊接； 方法3：向群主购买，淘宝链接...
决策树(分类树、回归树）
决策树 前言：第一篇博客，最近看完决策树，想着归纳一下，也方便自己以后回顾。写的会比较全面一些，可能会有很多不太正确的地方，欢迎大家交流指正 : ) 决策树模型： 决策树模型是运用于分类以及回归的一种树结构。决策树由节点和有向边组成，一般一棵决策树包含一个根节点、若干内部节点和若干叶节点。决策树的决策过程需要从决策树的根节点开始，待测数据与决策树中的特征节点进行比较，并按照比较结果选...
真格量化-bs套利
#!/usr/bin/env python # coding:utf-8 from PoboAPI import * import datetime import time import numpy as np from copy import * #开始时间，用于初始化一些参数 def OnStart(context) : context.myacc = None #登录交易账号 if context.accounts["回测期权"].Login() : co.
后悔没早点知道！用AI只需四步，一次性讲清高质量论文引言写法（附公式+AI指令）
帮我写SCI 论文撰写引言的“研究背景与重要性”，要求从本研究所属领域的小背景切入，使用现在时态描述该领域的总体状况与发展趋势，突出其在学术研究、实际应用或社会层面的重要价值，并通过一个吸引人的钩子开头，如关键事实、现实问题或学术热点，引导读者关注本主题的重要性。梳理你所在领域和你研究相关的关键成果，但不能罗列所有文献，重点抓核心脉络，这部分最重要的实际上是让你了解别人的研究脉络，然后在每个关键的节点上，引用几篇关键参考文献作支撑，来体现你对领域的熟悉度就可以了。3）研究缺口模糊，没法突出问题的真实价值；
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")
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
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
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。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
7700
扫一扫
