2021-11-06若依框架学习

最新推荐文章于 2025-10-02 01:26:09 发布

原创最新推荐文章于 2025-10-02 01:26:09 发布 · 420 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#java

若依专栏收录该内容

2 篇文章

订阅专栏

这篇博客介绍了如何利用系统内置的代码生成工具来高效地创建或导入代码。通过选择相应的选项，无论是导入已有数据库结构还是手动编写表的定义，都能快速生成模块化的代码。在生成过程中，注意设置正确的生成路径，并将生成的代码解压缩到项目对应目录，从而提高开发流程的效率。

第一软依阶段性的学习掌握了基本的生成工具

在系统工具里面找到对应的代码生成工具
然后可以选择创建或者导入工具

选择对应的如果是导入直接导入就好如果是创建需要写你表的语句和字段（建议在数据库生成好的拿到直接生成）
创建好后点击编辑
在这里插入图片描述
找到生成信息

对表的生成模块和生成路劲要注意，然后就是就是保存，在页面里面点击生成代码把代码解压后把文件放入相应的路径就可以了

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

attempt1strive

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

若依框架深度学习

weixin_50589815的博客

05-23

2248

登录模块验证码采用的base64加密处理，我们通过响应结果查看验证码图片是我们需要加上登录模块验证码采用的base64加密处理，我们通过响应结果查看验证码图片是我们需要加上 data:image/png;base64,才能看见效果，具体如下 data:image/png;base64,/9j/4AAQSkZJRgABAgAAAQABAAD/2wBDAAgGBgcGBQgHBwcJCQgKDBQNDAsLDBkSEw8UHRofHh0aHBwgJC4nICIsIxwcKDcpLDAxNDQ0Hyc5

若依框架学习（前后端分离）——（用户管理学习篇（1））

yeahyeah81的博客

01-06

1894

前面已经学习了关于登录的几个方法，具体有验证码的实现，登录验证，用户权限角色信息，用户路由建立等等。下面来学习具体用户管理涉及到的代码部分。本文简单介绍了用户数据加载，分页，查询，部门树建立功能。

参与评论您还未登录，请先登录后发表或查看评论

RuoYi-Vue 框架学习

最新发布

zhangxuyu1118的专栏

10-02

1026

RuoYi-Vue采用多层次、全方位的安全防护机制，确保系统的安全性。本文档详细分析系统的安全架构设计、防护机制和最佳实践。│ 应用层安全 ││ - 权限控制 - 数据验证 - 业务逻辑 │。

若依框架学习笔记

weixin_46011290的博客

01-03

966

软件开发进入智能时代，程序员借助AI大模型实现辅助编成，提升开发效率。国内主流AI编成辅助工具：通义灵码。开发系统流程：搭建（若依）、设计、编码、部署；框架实现后台系统通用模块与技术代码生成，包含权限与日志，以及可根据表结构生成大量基础如增删改查或重复代码包含前后端；简化代码开发，更注重业务逻辑的实现；

若依框架的入门学习

10-17

4863

项目中，使用到了若依的VUE的前后端分类框架，稍微了详细了解后发现，若依还有其他的一些开源框架，而且行成了生态。现在开发技术如火如荼，我们也跟着若依的部分，一窥优秀框架在做什么在用什么技术的现状。

【若依框架】学习

m0_57855994的博客

08-06

4227

RuoYi是一个后台管理系统，一款基于SpringBoot+Bootstrap的极速后台开发框架。

2021-11-07大数据学习日志——MySQL进阶——窗口函数

tingbaobaoo的博客

11-07

2113

01_窗口函数概述学习目标了解窗口函数的优点 1.1 窗口函数接下来的课程中我们来介绍窗口函数window functions. MYSQL 8.0 之后，加入了窗口函数功能，简化了数据分析工作中查询语句的书写在没有窗口函数之前，我们需要通过定义临时变量和大量的子查询才能完成的工作，使用窗口函数实现起来更加简洁高效窗口函数是数据分析工作中必须掌握的工具，在SQL笔试中也是高频考点为什么说窗口函数可以使复杂的查询变得更加简单方便？ 1.1.1 窗口函数示例示例：聚合函数

2021-11-03大数据学习日志——数据埋点+网络爬虫——后端开发入门

tingbaobaoo的博客

11-03

1704

01_mini-web 本章节学习目标能够知道Web开发流程能够知道使用web应用程序处理客户端的动态资源请求操作能够知道路由列表的实现能够知道装饰器方式的添加路由能够知道logging日志的使用本章节常用单词 request英 [rɪ'kwest] 请求；需要 response英 [rɪ'spɒns] 响应；反应； route英 [ruːt] 按某路线发送 ; 路由 template英 ['templeɪt; -plɪt] 模板，样板 source英 [sɔːs...

tanya_dre的博客

11-10

1万+

01 自然语言处理： “NLP-Fast: A Fast, Scalable, and Flexible System to Accelerate Large-Scale Heterogeneous NLP Models” 译：NLP-Fast: 一个用于加速大规模异构NLP模型的快速、可扩展、灵活的系统简介：现有的NLP模型中不能提供足够的可扩展性和灵活性，因为它们既没有识别也没有优化最近的NLP模型中出现的广泛的性能关键操作，而只是专注于优化特定操作。因此，本文提出了NLP-Fast，一个以.

2021-2022年收藏的精品资料工程技术研究中心全套表格大全汇编.doc

09-17

文档标题“2021-2022年收藏的精品资料工程技术研究中心全套表格大全汇编.doc”揭示了这是一份包含工程技术研究中心在过去两年间所使用的各类管理表格的集合。这些表格是教育与教学领域中的精品资料，意味着它们在...

热门推荐

tanya_dre的博客

11-03

1万+

01 自然语言处理： “Data-driven Microseismic Event Localization: an Application to the Oklahoma Arkoma Basin Hydraulic Fracturing Data” 译：数据驱动的微震事件定位：对"澳柯玛盆地,奥克拉荷马"水力压裂数据的应用简介：微震监测技术被广泛应用于石油储层，以了解水力压裂的过程。地震仪连续记录地球表面或监测井中的流体注入所引发的微震事件。对于微震事件定位，本文建议使用深度卷积神经网络（.

若依框架学习

qq_60555957的博客

06-21

2320

开源项目，学习开源项目的目的：1.用别人的，减少自己的工作量2.学习他的底层编程思想，设计思路，提高自己的编程能力基础：springboot+Vue环境要求：1.jdk1.8+2.mysql3.Redis4.Maven5.vue。

若依框架(ruoyi-cloud)学习

不管多大的困难都要跨过去

02-10

4591

若依框架学习（ruoyi-cloud）

若依框架开发学习

Qianlei1109的博客

03-27

8064

happyhappy没有句号的学习笔记

若依开发框架学习

weixin_52019286的博客

07-24

6519

注: 参考。

若依框架学习使用

qq_35089721的博客

03-30

1757

运行java -jar ruoyi-admin.jar --spring.profiles.active=prod 可以启动后端， linux下加setsid。编辑器idea、jdk环境安装、数据库mysql、navicat工具、redis(redis-server启动)安装。3.再启动redis，运行前端项目即可运行整个项目。2.打jar包：选中三个文件运行即可。2.导入建的表可生成简单的增删改代码。1.idea安装，可以运行前后端。3.将代码加到项目里对应位置。如此就多了一个vue页面。

若依框架学习（前后端分离）——（登录代码学习篇）

yeahyeah81的博客

01-03

8497

之前已经成功启动了若依项目，现在开始学习具体功能的代码实现部分。能看到完成登陆操作时涉及到的几个方法。重点关注和验证码相关的captchaimage，登陆相关的login，用户信息，用户路由相关的getInfo和getRouters。简单介绍了在若依系统登录过程中是如何实现的验证码验证，用户验证登录，用户角色权限信息，用户获取动态菜单路由。

若依框架的教学

weixin_67093769的博客

10-17

502

若依框架的教学

电力行业设备分析报告生成中Fine-tuned LLM与RAG的技术结合

07-08

<think>我们正在讨论如何在电力行业设备分析报告生成中结合微调大语言模型（Fine-tuned LLM）和检索增强生成（RAG）技术。结合引用[1]中提到的T-RAG方法（RAG + Fine-Tuning + Entity Detection），我们可以设计一个针对电力行业的解决方案。核心思路： 1. 微调LLM（Fine-Tuning）：使用电力设备领域的专业语料（如设备技术参数、运行报告、检修记录等）对基础大模型进行微调，使其掌握电力领域的专业术语和报告结构。 2. RAG：利用检索模块从电力行业知识库（包括标准、规程、设备手册等）中检索与当前查询相关的信息，作为生成报告的依据。 3. 实体检测（Entity Detection）：在用户查询和设备分析过程中，识别电力设备实体（如变压器型号、断路器规格等），并利用实体在知识库中的层次关系（如设备所属的变电站、电压等级等）来增强检索和生成的准确性。具体步骤： ### 一、构建电力设备知识库 1. **数据源**： - 设备技术文档（说明书、技术参数表） - 电力行业标准（如IEC、GB、DL/T等） - 设备运行记录、检修报告、缺陷记录 2. **实体知识图谱构建**： - 抽取设备实体（如变压器、断路器）及其属性（额定电压、容量、厂家等） - 建立设备之间的层级关系（如变电站→主变→断路器→隔离开关） ```mermaid graph TD 变电站 --> 主变压器主变压器 --> 冷却系统主变压器 --> 有载调压开关变电站 --> 220kV母线 220kV母线 --> 断路器断路器 --> 电流互感器 ``` ### 二、模型微调（Fine-Tuning） 1. **微调目标**： - 使模型掌握电力设备分析报告的固定结构（如：设备概况、运行数据、缺陷分析、建议措施） - 学习电力专业术语和表达规范（如“主变重载”应表述为“主变压器负载率超过90%”） 2. **微调数据**： - 收集历史设备分析报告（脱敏处理） - 构造报告生成任务的数据对（输入：设备运行数据；输出：分析报告段落） ### 三、RAG流程设计结合实体检测的RAG流程（参考T-RAG）： 1. **实体识别与扩展**： - 用户输入：“分析220kV长乐变#1主变近三个月负载情况” - 实体检测：识别出“220kV长乐变”、“#1主变” - 实体扩展：根据知识图谱获取该主变的关联信息（型号：SSZ11-240000/220，投运日期：2015-06，厂家：特变电工） 2. **检索增强**： - 将原始查询与实体扩展信息合并为新的查询： “220kV长乐变#1主变型号SSZ11-240000/220 负载分析” - 从知识库中检索相关文档： * 主变技术规范书（含负载能力曲线） * 该主变近三个月运行日志 * DL/T 572-2010《电力变压器运行规程》 3. **生成报告**： - 将检索到的文档片段与实体信息、用户查询一起输入给微调后的LLM，生成分析报告。 ### 四、生成控制机制 1. **报告结构化约束**： - 使用提示词工程约束报告格式： ``` 请按以下结构生成报告： ## 设备概况 [型号、参数等] ## 运行数据分析 [负载率曲线、峰值等] ## 异常预警 [根据标准判断是否超限] ## 维护建议 [基于规程的处置建议] ``` 2. **合规性保障**： - 在生成过程中，要求模型引用所依据的标准条款（如“根据DL/T 572-2010第5.3.2条，油浸式变压器顶层油温不应超过85℃”） ### 五、技术优势 1. **准确性提升**： - 实体检测确保设备信息精确（避免混淆同名设备） - RAG提供最新标准依据（避免模型知识过期） 2. **可解释性增强**： - 生成的报告可标注参考来源（如“数据来源：2024年3月PMS系统日志”） 3. **动态适应性**： - 当设备更换或标准更新时，只需更新知识库，无需重新微调模型 ### 实施示例 ```mermaid sequenceDiagram participant 用户 participant 系统 participant 知识库用户->>系统：提交查询“分析220kV长乐变#1主变负载” 系统->>系统：实体识别（长乐变、#1主变）系统->>知识库：检索设备参数及运行数据知识库-->>系统：返回技术参数+近3月负载率系统->>系统：微调LLM生成报告（结合实体背景和检索数据）系统-->>用户：返回结构化报告 ``` 效果评估指标： - 技术参数准确率：$ \text{Accuracy} = \frac{\text{正确参数数}}{\text{总参数数}} \times 100\% $（目标≥98%） - 标准引用合规率：$ \text{Compliance} = \frac{\text{正确引用条款数}}{\text{总引用条款数}} \times 100\% $（目标≥95%） --- §§相关问题§§ 1. 电力设备实体识别中如何处理型号相似但参数不同的设备（如SSZ11-240000/220与SSZ11-180000/220）？ 2. 如何验证RAG检索到的电力标准条款是否在有效期内？ 3. 当设备分析涉及多个关联设备（如变压器与配套断路器）时，如何扩展实体检索范围？</think>在电力行业设备分析报告生成中，结合微调大语言模型（Fine-tuned LLM）与检索增强生成（RAG）技术，需构建分层协同框架，具体实现路径如下： --- ### 一、技术架构设计 ```mermaid graph TB A[用户查询] --> B{实体检测模块} B -->|提取设备实体| C[电力设备知识图谱] B -->|扩展查询语义| D[RAG检索] C --> E[设备参数/标准/关系] D -->|检索文档块| F[向量数据库] E & F --> G[微调LLM] G --> H[结构化报告] ``` --- ### 二、核心实现步骤 #### 1. **领域实体检测（Entity Detection）** - **设备实体识别**：使用NER模型识别查询中的电力设备实体（如`SF6断路器`、`500kV变压器`），构建实体树： ```json { "entity": "主变压器", "attributes": ["型号：SSZ11-240000/220", "投运日期：2018-05", "标准：DL/T 572-2021"] } ``` - **实体关系扩展**：基于知识图谱关联设备参数和标准条款[^1]，例如： ```python # 伪代码：实体关系扩展 def expand_entity(entity): related_std = kg.query(f"SELECT standard FROM device_std WHERE device='{entity}'") return f"{entity} 需符合{related_std}第5.3.2条温升要求" ``` #### 2. **混合检索机制** - **双路检索策略**： | 检索类型 | 数据源 | 权重计算 | |---------------|------------------------|----------------------------| | **实体检索** | 设备知识图谱 | $w_e = \frac{1}{1 + \sqrt{\text{层级深度}}}$ | | **语义检索** | 标准文档向量库 | $w_s = \text{cos-sim}(Q, D)$ | - **融合公式**： $$ \text{最终得分} = \alpha \cdot w_e + \beta \cdot w_s \quad (\alpha+\beta=1) $$ 其中$\alpha$根据设备类型动态调整（如一次设备取0.7，二次设备取0.5） #### 3. **领域微调LLM设计** - **微调数据构造**： ```python # 训练数据示例 { "input": "设备：SF6断路器参数：额定电流3150A 问题：绝缘试验要求", "output": "依据DL/T 402-2023第8.2条，需进行1min工频耐压试验（值：460kV）" } ``` - **微调重点**： - 设备参数到标准条款的映射（如`短路容量`→`GB 1984-2014`） - 报告结构化生成（章节：技术参数/试验结果/合规结论） #### 4. **动态上下文构建 ```mermaid sequenceDiagram 用户->>+RAG： “分析220kV长乐变#1主变负载能力” RAG->>实体检测：提取[主变, 220kV, 负载] 实体检测-->>知识图谱：获取设备型号SSZ11-180000/220 知识图谱-->>RAG：关联标准DL/T 572-2023 RAG->>向量库：检索“主变负载能力”条款向量库-->>RAG： DL/T 572-2023第4.1.2条 RAG->>微调LLM：组合[设备参数+标准条款] 微调LLM-->>用户：生成带计算过程的报告 ``` --- ### 三、关键技术实现 #### 1. **知识图谱构建** ```python # Neo4j电力设备图谱示例 CREATE (主变:Device {name:"#1主变", capacity:"240MVA"}) CREATE (标准:Standard {id:"DL/T 572-2023", type:"变压器运行"}) CREATE (主变)-[:COMPLY_WITH]->(标准) ``` #### 2. **微调LLM提示词工程** ```markdown ## 报告生成规则 1. 必引标准：$ \text{引用} \leftarrow \text{检索结果中的标准号} $ 2. 参数验证：$ P_{\text{实际}} \leq 0.85 \times P_{\text{额定}} $ 3. 结论标注：⚠️当$ \Delta T > 45K $时触发预警 ``` #### 3. **时效性保障机制 - **标准版本校验**：在RAG检索层添加时效过滤器： $$ \text{valid} = \begin{cases} 1 & \text{if } t_{\text{now}} \in [\text{生效日期}, \text{废止日期}] \\ 0 & \text{otherwise} \end{cases} $$ - **动态权重衰减**：旧版本标准权重$ \gamma = e^{-\lambda \Delta t} $，$\lambda$取0.05（每过期1年权重衰减5%） --- ### 四、验证指标 | 指标 | 计算公式 | 目标值 | |---------------------|----------------------------------|--------| | 参数准确率 | $ \frac{\text{正确参数数}}{\text{总参数数}} $ | ≥98% | | 标准引用合规率 | $ \frac{\text{有效标准引用}}{\text{总引用}} $ | 100% | | 报告生成时效 | $ t_{\text{生成}} < 15\text{s} $ | 99.9% | ---