Flex remoteobject工作原理探讨

本文深入解析Flex访问远程服务的过程,着重介绍如何利用RemoteObject简化与后台服务的数据交互。通过创建NetConnection、RemotingMessage并发送消息,实现后台服务的轻松调用。详细演示了构建过程及关键代码片段,包括建立连接、封装消息及响应事件处理,最终展示远程方法调用的简洁实现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  Flex访问远程服务都是通过AbstractService来实现的,其通常有3中具体的实现形式:HttpService、WebService和RemoteObject,应该来说RemoteObject是用起来最方便的一个,在项目实践中,我一般都用RemoteObject。Flex提供的数据管理功能就是包装RemoteObject与后台服务进行数据交互的。
  假设后台是blazeds,在remoge-config配置了一个如下service
  
  
  com.TestService
  
  
  testService有个方法sayHello(String name){return “Hi, ”+name;}
  则可以在flex应用中定义一个RemoteObject对象,调用testService.sayHello方法轻松访问后台配置的服务。
  
  在按钮或者其他事件中调用ro.sayHello([b]"[/b]remoteObject[b]"[/b])即可。
  简单2句代码及可完成后台服务的调用,如完善的话再加上Result和Fault事件处理即可。那么remoteobject到底是如何工作的?
  [b]var[/b] con:NetConnection = [b]new[/b] NetConnection();
  [b]var[/b] url:String = [b]"http://localhost:8080/flex-test/messagebroker/amf "[/b];
  [b]try[/b]{
  con.connect(url);
  }[b]catch[/b](error:Error){
  Alert.show(error.message);
  }
  con.addEventListener(NetStatusEvent.NET_STATUS, netStatusHandler);
  con.addEventListener(SecurityErrorEvent.SECURITY_E RROR, securityErrorHandler);
  con.addEventListener(IOErrorEvent.IO_ERROR, ioErrorHandler);
  con.addEventListener(AsyncErrorEvent.ASYNC_ERROR, asyncErrorHandler);
  //
  [b]var[/b] message:RemotingMessage = [b]new[/b] RemotingMessage();
  message.destination = [b]"[/b]testService[b]"[/b];
  message.operation = [b]"[/b]sayHello[b]"[/b];
  message.messageId = UIDUtil.createUID();
  message.body = [b]"remoteObject"[/b];
  con.call([b]null[/b],[b]null[/b],message);
  通过上述代码,其实我们已经清晰的知晓,其先建立一个NetConnection,然后进行连接,然后包装RemotingMessage,然后发送message。
资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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