把某个字段重新生气序列(从1到n):

机器学习5大生产级陷阱:数据泄露、时间错乱与评估失焦 机器学习模型在实验室表现优异却在线上崩盘,往往源于对数据生命周期的系统性误判。核心问题在于混淆了训练逻辑与现实约束:标准化参数泄露破坏评估闭环,随机分割破坏时间依赖性,LabelEncoder强加虚假序数关系,交叉验证中重复拟合缩放器导致泛化失真,以及用accuracy掩盖不平衡场景下的业务风险。这些错误本质是数据生成机制、评估一致性与部署可行性的三重脱节。本文聚焦工业级建模中最常被忽视的底层实践缺陷,结合风控、电商、保险等真实场景,详解如何通过时间感知分割、Target Encoding、Pipeline 阅读详情

DECLARE @i int
Set @i = 0
Update Table1 Set @i = @i + 1,Field1 = @i

2.按成绩排名次
Update 成绩表
Set a.名次 = (
Select Count(*) + 1
From 成绩表 b
Where a.总成绩 < b.总成绩
)
From 成绩表 a

3.查询外部数据库
Select a.*
From OpenRowSet('Microsoft.Jet.OLEDB.4.0','c:/test.mdb';'admin';'',Table1) a

4.查询Excel文件
Select *
From OpenDataSource('Microsoft.Jet.OLEDB.4.0','Data Source="c:/test.xls";User ID=Admin;Password=;Extended properties=Excel 8.0')...Sheet1$

5.在查询中指定排序规则
Select * From Table1 Order By Field1 COLLATE Chinese_PRC_BIN
为什么要指定排序规则呢?参见:
http://www.delphibbs.com/delphibbs/dispq.asp?lid=1633985
例,检查数据库中的Pub_Users表中是否存在指定的用户:
Select Count(*) From Pub_Users Where [UserName]='admin' And [PassWord]='aaa' COLLATE Chinese_PRC_BIN
默认比较是不区分大小写的,如果不加COLLATE Chinese_PRC_BIN,那么密码aaa与AAA是等效的,这当然与实际不符.注意的是,每个条件都要指定排序规则,上例中用户名就不区分大小写.


6.Order By的一个小技巧
Order By可以指定列序而不用指定列名,在下面的例子里说明它的用处(注意,第三列未指定别名)
Select a.ID,a.Name,(Select Count(*) From TableB b Where a.ID=b.PID) From TableA a Order By 3

 

LangChain实战避坑指南:从本地调试到生产部署的完整链路 LangChain作为主流大模型应用开发框架,其核心价值在于构建可复用、可编排、可运维的AI应用链路。它并非简单的API封装,而是基于声明式契约(如input_keys/output_keys)、可控工具调用(StructuredTool)和结构化提示编排(ChatPromptTemplate)的工程化体系。技术本质是通过标准化数据接口降低LLM集成复杂度,提升系统可靠性与可观测性。典型应用场景包括客服知识库问答、金融合同分析、电商智能搜索等RAG系统,尤其适用于需兼顾响应延迟、语义完整性与成本控制的中大型 阅读详情

相关推荐

GPT-5.5 Pro实操指南:外贸工作流自动化全链路落地

GPT-5.5 Pro已超越传统大语言模型范畴,本质是面向专业场景的可编程工作流引擎。其核心突破在于原生工具调用、上下文缓存机制与输出确定性验证三大架构升级,显著提升多源异构数据处理、模糊目标拆解与强合规约束下的任务闭环能力。在外贸领域,该模型能自动串联PDF解析、ERP对接、多语言邮件生成、海关合规校验等环节,大幅降低人工干预频次与出错率。本文基于72小时高强度实测与17个真实外贸场景复现,系统梳理API接入陷阱、请求体契约化设计、Token成本优化策略及生产级监控指标,为业务团队提供开箱即用的工程化落地

weixin_33850890的博客 353

修改数据库默认排序方式

https://blog.youkuaiyun.com/zcj18537150970/article/details/108444656 修改数据库默认排序方式 sqlserver中文版安装默认是Chinese_PRC_CI_AS 不区分大小写 Chinese_PRC_BIN是区分大小写的 Setup /QUIET /ACTION=REBUILDDATABASE /instancename=MSSQLSERVER /SQLSYSADMINACCOUNTS=732840396@qq.com /sap...

Yuri's FarmLand 754

AI学习-langgraph-1

1. 定义全局状态定义整个运行图共享的全局状态(实际上,除了全局状态,LangGraph还支持其它类型的状态,下文详述)2. 创建状态图创建 StateGraph实例,将状态和状态图绑定3. 定义图结构定义节点和边并添加到状态图中全局状态是 LangGraph 运行图每个节点都可以访问的公共对象。return {"logs": ["node_1 运行完毕"],return {"logs": ["node_2 运行完毕"],状态的定义实际上是在声明状态的Schema,后者是状态字段的完整描述。

qq_62408075的博客 363

SQLServer的几个技巧

1.把某个字段重新生气序列(从1到n):DECLARE @i intSet @i = 0Update Table1 Set @i = @i + 1,Field1 = @i2.按成绩排名次Update 成绩表Set a.名次 = (Select Count(*) + 1From 成绩表 bWhere a.总成绩 )From 成绩表 a3.查询外部数据库Select a.*From OpenRowSe

domino的专栏 1560

几个SQL_Server常用技巧

几个SQL_Server常用技巧,是SQL初学者的绝佳资料,看看有好处的

卷王问卷考试系统——测试报告

本问卷考试系统是一款在线平台,支持用户发布和完成调查问卷,并进行考试管理,核心功能在于简化问卷创建发布、数据收集及考试组织流程。此次测试将围绕其关键模块展开,涵盖用户注册登录、项目列表、我的练习以及我的题库等核心部分。问卷考试系统(一)硬件环境普通办公电脑(CPU:Intel i5 、内存:16GB 、硬盘:512GB )(二)软件环境操作系统:Windows 11 ;浏览器:Chrome(版本 120+)、Firefox(版本 115+)、Edge(版本 120+)验证界面信息在完整性、一致性、准确性和用

m0_73433755的博客 555

SQL Server使用教程_初学者必备

本文主要详细的介绍启动 SQL Server服务 的不同方法,和新建数据库、新建表的简单的方法。面对初学者,把一些简单实用的内容分享给大家,让大家都能够快速的了解和上手 SQL Server数据库,希望能够帮助到大家!!

qq_42016302的博客 1万+

字节开源 DeerFlow 2.0:从 Deep Research 到 Super Agent Harness 的进化之路

GitHub Trending 冠军项目,字节跳动完全开源的超级智能体框架。支持子代理、沙箱执行、长期记忆、技能扩展,可完成从几分钟到几小时的复杂任务。本文深度解析架构设计、安装实战、技能系统,并附上独家配置指南。

qq_38610923的博客 1712

SQLServer常用技巧

SQL Server占用服务器内存过高 SQL Server对服务器内存的使用策略是用多少内存就占用多少内存,只用在服务器内存不足时,才会释放一点占用的内存,所以SQL Server 服务器内存往往会占用很高。 # 查看内存状态 DBCC MemoryStatus Sql Server运行时候用作缓存 数据缓存 执行个查询语句,Sql Server会将相关的数据页(Sql Se...

JunChow 306

同源策略与跨域

前言:最近业务上前端同学多次联系说访问腾讯云cos资源的时候因为跨域的问题访问不到。大致看了下腾讯云关于设置跨域访问的教程,按照前端同学给的域名等选项就给配了,而且测试下来也是好的。但是呢一直不知道什么是跨域这里就做一个简单的学习记录。 一、同源策略 同源策略(Same Origin Policy)是一种约定,它是浏览器最核心也是最基本的安全功能。同源策略会阻止一个域的javascrip脚本和另一个域的内容进行交互,是用于隔离潜在恶意文件的关键安全机制;关于这一点我们后面会举例说明。...

mijichui2153的博客 1万+

应用处理器(AP)、系统级芯片(SoC)与微控制器(MCU)的区别与联系

应用处理器(AP)、系统级芯片(SoC)与微控制器(MCU)的区别与联系

a_zxswer的博客 1694

SQL 基础之列别名和连接符(二)

列别名主要作用是在名字过于长或者在一条SQL语句过长反复使用列名的时候使用一、列的别名:重命名一个列标题便于计算紧跟列名(也可以在列名和别名之间加入关键字‘AS’)。如果它包含空格或特殊字符,或者它是区分大小写的,那么需要双引号例如:将last_name 变成name, commission_pct变成commselect last_name as name, commis...

weixin_34185560的博客 413

FSL软件安装

FSL软件安装

huang_tianyuan的博客 2631

LLM序列化新范式:TOON容错编码提升语义鲁棒性

在大语言模型(LLM)工程实践中,传统JSON序列化面临类型漂移、嵌套失控与空值歧义等核心挑战,导致下游解析失败率高、上下文浪费严重。基于信道编码理论,TOON提出‘可控失真’新思路,通过容错(Tolerant)、可观测(Observable)、优化(Optimized)、可协商(Negotiable)四维设计,在保障关键字段语义完整前提下,实现token高效压缩与错误场景精准感知。该方案显著提升LLM输出的schema灵活性与semantic resilience,适用于多模型协同、Agent编排及轻量级

weixin_30562507的博客 407

从 SM59 到 SPROXY,打通 ABAP 后端与 ES Repository 的代理生成链路

本文探讨了在SAP PI/PO项目中配置ABAP后端系统与ES Repository连接的关键步骤,重点解决ABAP Proxy生成时无法获取接口模型的问题。文章指出: 该配置本质是建立设计时通道,使ABAP系统能通过SPROXY访问ES Repository中的接口模型并生成代理类 配置核心是在SM59创建名为SAP_PROXY_ESR的HTTP连接(类型G),需确保: 目标路径为/rep 使用具备SAP_XI_IS_SERV_USER角色的服务账号 连接测试通过后仍需在SPROXY中验证完整功能 常见陷

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 61

【100%通过率】2023华为od机试C卷【电脑病毒感染】C++ 实现

一个局域网内有很多台电脑,分别标注为 0 ~ N-1 的数字。相连接的电脑距离不一样,所以感染时间不一样,感染时间用t 表示。其中网络内一台电脑被病毒感染,求其感染网络内所有的电脑最少需要多长时间。如果最后有电脑不会感染,则返回-1.

MISAYAONE的博客 1727

WebGoat2026年版本(全10个模块另附其他模块)通关教程

本文简要介绍了WebGoat安全测试平台的部署和使用方法。主要内容包括:1)环境配置(Java23+Maven3.9.11)和启动步骤;2)HTTP基础任务,通过BurpSuite抓包分析POST请求;3)HTTP代理任务,要求修改请求方法和添加特定头信息;4)开发者工具任务,使用控制台获取随机数和网络请求中的数值;5)CIA三要素测验题。文章提供了具体操作截图和Python请求示例,帮助读者完成各项安全测试任务,适合作为Web应用安全测试的实操参考手册。

csdnkazusa的博客 1364

ROS2入门到精通—— ROS2实战专栏(实时更新)

Nav2专栏介绍

BigDavid123的博客 2370

NLP特征工程实战:从文本到可解释信号的四层漏斗设计

文本特征工程是自然语言处理中连接原始语料与机器学习模型的关键桥梁,其核心在于将非结构化文本转化为稳定、可解释、可回溯的数值信号。它不仅涉及分词、向量化等基础操作,更强调业务语义建模、多粒度信号解耦与工业级可维护性。通过L1原始信号测量、L2结构解析、L3语义锚定和L4交互增强四层漏斗式架构,实现从‘字符串’到‘信号流’的本质跃迁。该方法显著提升模型在线上环境的鲁棒性与归因能力,尤其适用于金融、客服、电商等对可解释性与稳定性要求严苛的场景,是Feature Engineering与NLP落地融合的工程范式。

weixin_30653023的博客 310

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

ClaudeDesign解密:AI产品如何把安全与可控编码进每一行代码

在大模型应用爆发期,‘AI安全’与‘可控性’已从抽象原则演变为可工程化落地的核心能力。其本质是将伦理约束、合规要求和用户体验,转化为可测量的阈值(如0.65宪法对齐分)、可配置的语义化开关(如response_fidelity_mode)和物理隔离的执行域。这种‘价值观编码’能力,直接决定系统在对抗输入、长上下文、多端一致性等真实场景中的鲁棒性。本文基于对Claude全栈设计指纹的逆向解析,揭示宪法式约束(Constitutional AI)如何通过三层拦截机制落地,拆解可控性三类可编程开关的协同逻辑,并提

ama7449的博客 509

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

文本特征提取实战:从TF-IDF到BERT的四层演进与工程落地

文本特征提取是自然语言处理(NLP)中连接原始语言与机器学习模型的关键桥梁,其本质是将人类语义转化为稳定、可计算的数值向量。它基于统计规律、分布语义、上下文建模和任务适配等原理,解决词义模糊、同义异形、语序敏感等核心挑战,具备轻量可解释、语义对齐、高区分度等技术价值。广泛应用于智能客服意图识别、电商评论情感聚类、广告语义匹配、金融风控文本判别等真实业务场景。本文聚焦文本特征提取这一基础但易被低估的核心环节,结合TF-IDF、Word2Vec、BERT及任务自适应特征等主流方法,系统梳理从理论到工业级落地的完

423

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

用单一开源大语言模型替代复杂Agent图:从工程编排到提示设计的范式迁移

在AI应用开发领域,大语言模型(LLM)正引发一场深刻的范式变革。其核心原理在于,通过深度学习海量文本数据,LLM获得了强大的上下文理解、逻辑推理和指令遵循能力。这使得一个统一的模型能够隐式执行过去需要多个专用模块(如意图识别、实体提取、逻辑判断节点)显式协作才能完成的复杂任务序列。从技术价值看,这极大地降低了AI系统的开发与运维复杂度,将重心从分布式工程集成转向高效的提示设计与模型调用。在应用场景上,这种模式尤其适合以自然语言处理为核心的场景,如智能客服、内容生成、报告分析等。本文聚焦于如何利用开源大语言

weixin_30730053的博客 458

Unity游戏NPC智能对话系统:基于MusePublic的集成实践与优化

在游戏开发中,非玩家角色(NPC)的智能交互一直是提升沉浸感的关键技术。其核心原理在于通过人工智能模型模拟角色的认知与对话能力,使NPC能够根据上下文动态生成符合设定的回应。这项技术的价值在于,它能够以可控的成本,为开放世界、角色扮演等游戏类型提供高度个性化和动态的对话体验,极大地丰富了游戏世界的生态与叙事深度。在实际应用场景中,开发者常借助智能体编排平台来简化集成流程,管理角色设定与对话上下文。本文以Unity引擎为例,详细阐述了如何集成MusePublic平台,构建一套低成本、易控制且支持优雅降级的NP

anjichan4261的博客 323

Sesame CSM:面向对话理解的语音语义联合建模引擎

对话式语音理解已超越传统ASR的‘语音转文字’范式,正迈向以对话行为、状态追踪和意图结构化为核心的深层语义解析阶段。其技术原理在于打破声学-文本-语义的串行处理链路,通过端到端联合建模融合韵律、停顿、呼吸等副语言特征,并依托RVQ分层量化机制将连续语音解构为可解释的对话原子单元。这种建模方式显著提升低信噪比、高交互性场景下的意图识别鲁棒性,支撑实时客服干预、技术故障线索挖掘、远程医疗病史结构化等强业务耦合应用。Sesame CSM正是这一演进路径的代表性实践,它不输出文字稿,而输出可驱动动作的对话原语。

weixin_33924220的博客 294

NLP模型选型决策树:从BERT、RoBERTa到SiEBERT的落地实战指南

预训练语言模型是自然语言处理的基础工具,其核心原理在于通过自监督任务学习上下文相关的词向量表征。不同模型在训练目标、位置编码、掩码策略和语义约束上存在本质差异,直接决定其在精度、延迟、可解释性与领域适配性上的技术价值。在真实业务场景中,模型选择并非单纯比拼GLUE分数,而是需综合考量数据质量(如标注一致性、新词密度)、部署约束(如CPU推理延迟、显存限制)及合规要求(如决策可追溯性)。本文聚焦中文NLP落地中的典型任务——客服工单分类、医疗事件三元组抽取与知识库模糊检索,结合BERT、RoBERTa与SiE

weixin_34357436的博客 504

2026-02-23-我的记录笔记[伪智能生命AGI]Agent学习

本文探讨了如何通过自然语言处理与世界模型结合构建更智能的AI系统。作者提出了一种融合语言理解与世界模拟的方法,通过符号化规则引擎和LLM教师模型,让智能体能够进行预测性思考和自主学习。文中实现了一个伪AGI系统原型,包含内心独白、环境感知、决策执行等模块,展示了从语言描述到行动决策的完整流程。虽然目前只是概念验证,但这种将语言作为世界表征、结合符号推理与神经网络的方法,为构建更接近人类思维的AI系统提供了新思路。

m0_67479857的博客 190
上一篇: 如何使用 ADO.NET 和 Visual C# .NET 调用带参数的存储过程
下一篇: 如何通过 SQL Server 链接服务器和分布式查询使用 Excel
jackeyabc
博客等级 码龄20年 71粉丝 297原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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