deepseek实战
分享
扫一扫
文章平均质量分 68
【完整代码实战教程RAG增强+embedding+deepseek+智能语音语义识别】通过 Java，Python，HTML 实现文本向量化、向量数据库操作、知识库建立、DeepSeek 模型调用及前端展示-最终实现智能语音问答
超级会员免费看
无极低码智能问数
多行业解决方案架构师，全栈开发
无极低码作者、智能问数作者
寻求商务合作
可提供商业软件研发，大模型智能体开发，企业培训，解决方案咨询，需求，方案，设计，编码，验收等项目的周期全过程，设计包括数据库设计，架构设计，原型设计，数据安全等，前端原生APP编码开发，web版移动端开发，微信开发，pc端管理系统开发，涉及技术点包括，数据采集爬取，缓存应用，语音识别与语音合成，Gis开发，大数据可视化，地图导航类，移动办公，电力巡航，天气服务等多个领域，涉及交通，应急，地震，政务，旅游，教育、政务多个行业，可以为企业提供完整的技术输出与技术方案
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
milvus导入本地镜像，配置账号密码
Milvus环境重置操作指南 本文档详细介绍了如何彻底重置Milvus环境的完整流程，包括准备工作、操作步骤和验证方法。核心步骤包括： 环境清理：停止容器、清除日志和残留数据 本地镜像导入：导入Milvus、MinIO和Etcd镜像 配置文件修改：统一密钥并设置本地镜像策略 服务启动：启动容器并等待初始化完成 连接验证：通过Python脚本测试Milvus连接 操作重点在于确保MinIO密钥一致、使用本地镜像以及彻底清理旧数据。最终通过日志检查和连接测试验证重置成功。整个过程无需外网连接，适合离线环境部署。原创 2026-01-07 11:30:05 · 15 阅读 · 0 评论 -
离线部署milvus，直接上传image镜像，无需访问外网，100%落地Milvus独立版部署
摘要：在国产麒麟操作系统上部署Milvus时遇到Python、MySQL等兼容性问题，尤其是Milvus受限于网络无法在线安装。解决方案是通过离线方式加载三个Docker镜像包（minio、milvus、etcd），修改docker-compose.yml强制使用本地镜像并添加pull_policy:never避免外网访问。关键步骤包括上传镜像包、加载镜像、配置标签匹配和启动容器，最终实现Milvus独立版的离线部署，解决了国产化适配中的网络限制问题。原创 2026-01-07 09:31:31 · 31 阅读 · 0 评论 -
麒麟高级服务器操作系统 V10（Kylin Linux Advanced Server V10，简称银河麒麟V10）部署Java、Python、MySQL、Tomcat、Redis、Milvus
本文详细介绍了在麒麟V10操作系统上部署完整开发环境的步骤。首先通过命令检查系统架构和已有环境，然后依次安装核心依赖工具、OpenJDK 11、Python 3.9（编译安装）、MySQL 8.0、Tomcat 9.0、Redis 6.2（编译安装）以及Milvus 2.4（Docker Compose部署）。每个组件均包含详细的安装命令、配置说明和验证方法，并特别针对麒麟V10系统进行了适配优化，包括软件源配置、防火墙设置和开机自启等操作。该方案适用于x86_64和aarch64架构，为基于麒麟V10系统原创 2026-01-05 11:26:29 · 353 阅读 · 0 评论 -
智能问数部署环境
本文详细介绍了在阿里云CentOS服务器上部署完整开发环境的步骤。首先通过系统命令查询服务器核心信息（发行版、架构、内核版本等），然后依次安装OpenJDK 11、Python 3.9、MySQL 8.0、Tomcat 9.0和Redis 6.2等关键组件。每个安装步骤都包含详细的命令操作、配置说明和验证方法，特别针对阿里云ECS环境进行了优化适配，确保各软件版本兼容性。文中还提供了防火墙设置、环境变量配置等关键操作指南，形成了一套完整的服务器环境部署方案。原创 2026-01-05 11:24:54 · 37 阅读 · 0 评论 -
智能语义搜索核心算法：全链路技术解析与工程实践，将rag向量检索准确率提升到98%以上……
智能语义搜索算法全链路解析 本文系统性地介绍了一套面向数据查询的智能语义搜索算法，从数据准备到检索执行完整链路。该算法采用"数据准备为基础、智能语义搜索为核心、动态学习为迭代动力"的设计理念，包含数据准备层和检索执行层两大核心架构。 数据准备层通过构建向量库、领域词典、数据特征和关联关系，为检索提供高质量输入。检索执行层采用四步核心流程：1）查询扩展，通过同义词扩展提升召回率；2）向量生成与搜索，将文本意图转化为高维向量进行高效召回；3）智能重排序，基于多维度相关性得分提升精准率；4）动原创 2025-10-18 11:54:33 · 213 阅读 · 0 评论 -
知识库检索过程中，rag主要存在的问题，核心解决方法见文末图
本文系统分析了RAG向量库检索全链路中的核心问题：1）数据与向量表示层存在源数据质量差、语义理解不足和多模态支持弱等问题；2）检索算法层面临相似性计算偏差、召回与精度平衡困难及数据更新滞后等挑战；3）场景适配层问题包括长文本拆分不合理、上下文窗口限制及领域适配不足；4）工程实施层存在大规模检索效率低、资源消耗高等落地障碍。文章最后提出可提供详细的RAG问题排查清单，帮助用户针对性优化各环节。原创 2025-10-18 11:19:14 · 115 阅读 · 0 评论 -
MCP调用示例说明，以百度地图为例
MCP服务服务端是由服务商提供好的调用代码，比如百度地图路线规划，原来是百度提供了接口，由开发人员自己写代码调用，现在通过本地部署百度提供的mcp服务，只需关系输入参数即可，服务调用由mcp服务端自己调用直接返回结果给mcp客户端。通过 MCP 协议，服务商可以提供预配置的 MCP 服务端，使得开发者可以更方便地调用其服务。原创 2025-04-18 11:34:35 · 946 阅读 · 0 评论 -
要不要使用mcp服务
比如我要做一个agent，可能会用到文件解析，长文本分词，向量化处理，语义化检索，数据库查询语句生成，图表生成，结果分析等。原创 2025-04-18 11:18:39 · 494 阅读 · 0 评论 -
手动创建自己的模型，实现意图识别
通过上述步骤，你可以构建一个能够识别用户意图（统计信息 vs 查询信息）的模型。，可以按照以下步骤设计和训练模型。将模型导出并部署为 API 服务。你需要收集一些用户输入的样本，并为每个样本标注意图类别。如果你没有现成的数据，可以手动创建或模拟一些样例。我们可以通过构建一个文本分类模型来完成这个任务。使用 Hugging Face 提供的。在测试集上运行模型，确保其泛化能力良好。要实现一个模型，能够识别用户输入是想。使用 Hugging Face 的。库对文本进行分词和编码。原创 2025-04-16 09:19:38 · 624 阅读 · 0 评论 -
基于deepseek的智能语音客服【第四讲】封装milvus数据库连接池封装
【代码】基于deepseek的智能语音客服【第四讲】封装milvus数据库连接池封装。原创 2025-03-22 22:53:19 · 264 阅读 · 0 评论 -
大模型幻觉产生的【九大原因】
【代码】大模型幻觉产生的【九大原因】原创 2025-03-22 22:12:22 · 915 阅读 · 0 评论 -
基于deepseek的智能语音客服【第三讲】知识库封装
知识库向量库构造原创 2025-03-19 22:23:49 · 170 阅读 · 0 评论 -
基于deepseek的智能语音客服【第二讲】后端异步接口调用封装
为什么要进行异步分装？因为前段需要流式输出，以减少用户长时间等待造成的不良体验集成HttpServlet 实现POST方法，get方式多伦对话有数据了限制。原创 2025-03-19 21:37:57 · 634 阅读 · 0 评论 -
基于deepseek的智能语音客服【第一讲】整体技术架构
全程无尿点，只讲重点，代码实现。不讲ollama、anythingllm、dify、coze【完整代码实战教程】通过 Java，Python，HTML 实现文本向量化、向量数据库操作、知识库建立、DeepSeek 模型调用及前端展示-最终实现智能问答。原创 2025-03-19 21:08:41 · 304 阅读 · 0 评论