- 博客(54)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 我把“玻璃拟态后台”做成了可运行工程：74 个组件、8 套 React/Vue 示例，源码已开源
Linear Glass UI 是一套兼具美学与工程化的跨框架界面系统，支持 React/Vue 3、TypeScript/JavaScript，提供 74 个组件与 8 个独立 Vite 工程，实现管理后台、客户端等完整场景。核心亮点包括：统一设计变量、组件样式隔离、玻璃效果性能优化、低设备兼容退路及可直接复制的 CSS。项目强调“从视觉到可用”的落地，兼顾可读性、响应式与渐进式接入，真正实现“一套设计，多端共用”。源码已开源，欢迎体验：Gitee。
2026-10-13 14:47:18
237
原创 还在手搓 backdrop-filter？这套开源 Linear Glass UI，一份 CSS 同时打通 React 和 Vue
Linear Glass UI 是一套可落地的玻璃拟态设计系统，开源于 Gitee（点此访问）。它提供无需依赖的完整 CSS、74 个 React/Vue 3 组件、8 个真实场景工程，支持浅色/深色主题、响应式布局与低性能回退。通过 lg- 前缀类名与自定义变量，实现安全接入现有项目，避免样式污染。30 秒即可通过引入 linear-glass.css 快速启用，覆盖按钮、表格、弹窗等常见组件，兼顾美观与性能，真正实现“从效果图到生产环境”的无缝迁移。
2026-10-13 14:43:53
173
原创 线形玻璃 UI 开源：一份 CSS 接入 React/Vue，附后台与客户端实战
Linear Glass UI 开源项目提供一套可直接复制使用的 CSS 玻璃风格方案，支持 React、Vue 3、TypeScript 及原生 JS，涵盖后台与客户端完整示例。通过 linear-glass.css 快速接入，无需 npm，支持主题自定义、响应式布局、表格状态管理及低性能设备回退。组件覆盖 74 个原子样式，兼顾视觉一致性与性能优化，适用于真实项目落地。源码与示例均开源在 Gitee，欢迎使用与反馈。
2026-10-11 15:50:30
191
原创 从 ChatGPT 到 AI Agent：Core Hive Agent 如何打造真正具备执行能力的智能助手
AI 时代需超越问答，迈向真正能理解目标、规划任务、调用工具并持续执行的智能体。Core Hive Agent 作为面向未来的智能执行框架，通过内存系统、任务规划、多模型调度与闭环执行，构建具备长期记忆与自主决策能力的 AI 助手。它不仅是聊天工具，更是可协作、可进化的工作伙伴，推动 AI 从“回答问题”走向“完成任务”。
2026-09-14 23:35:24
212
原创 从零打造一个属于自己的 AI Agent：Core Hive Agent 开源项目解析
<think>我们只需要根据内容生成≤150字的摘要。内容是一篇关于Core Hive Agent项目的介绍文章，强调构建真正Agent而非仅调用大模型。摘要应概括核心要点。</think>Core Hive Agent是一个开源AI智能体框架，旨在超越单纯的大模型调用，实现任务理解、记忆管理、工具调用与自主决策。它包含运行时、记忆系统、模型路由、工具系统等模块，支持多模型协作与项目长期记忆，适用于编程助手、企业智能助手及自动化工作流。项目采用Go、Wails、Vue3技术栈，打造桌面优先的智能体平台。
2026-09-01 22:42:37
359
原创 正式迁移 Gitee：core-site-hive 与 core-hive-agent 后续更新只认这两个地址
做开源项目是一件很长期的事情。不断开发、不断发现问题、不断重构，然后依然愿意继续把它做下去。和后续都会继续迭代。有些地方可能会重构，有些设计可能会推翻，有些功能也会不断补全。这恰恰也是持续开发项目最值得记录的部分。如果你正在关注 AI Agent、后台管理系统、工程化开发，或者只是想看看一个项目如何从当前状态一步一步继续成长，可以关注这两个仓库。后续更新，Gitee 见。
2026-08-27 01:34:12
239
原创 AI 开发最值得搞懂的 5 个问题：RAG、Agent、MCP 到底解决什么？
本文围绕当前 AI 应用开发中最核心、最热门的几个概念展开，重点讲解 大模型为什么会产生幻觉、RAG 如何让 AI 使用私有知识、Agent 为什么能够自主执行任务、Tool Calling 如何让模型调用外部能力，以及 MCP 如何统一 AI 与工具之间的连接方式。
2026-08-18 15:52:45
218
原创 我把一套 Spring Boot 4 + Vue 3 微服务商城开源了，这次不藏了
对于正在学 Java 微服务的人来说，这种东西可能比一个“已经包装得很漂亮的 Demo”更值得看。项目是能运行，但真正想拿它学习完整项目架构时，能参考的东西并没有想象中那么多。“Spring Boot + Vue 商城系统，功能完整，开箱即用。还会看到一个项目不断被重构、拆分、修复和完善的过程。至少下次需要的时候，它还躺在你的 Star 列表里。我把一个商城项目开源了，但真正想分享的不是“源码”因为商城真正难的，从来不是写一个商品列表。一个项目真正有价值，不是因为作者说它牛。
2026-08-18 02:09:06
620
2
原创 【模型训练师进阶实战 02】OOM、NaN、Loss 不下降怎么查？大模型训练故障排查手册
摘要： 本文系统梳理了深度学习训练中的排障方法论，强调分层定位与最小验证原则。核心内容包括： 分层排障：按环境、数据、前向/反向传播、优化器等阶段划分问题，优先排查低成本变量（如Batch Size、序列长度）； 典型问题处理： OOM：显存溢出时检查梯度检查点、LoRA/QLoRA或分布式策略； NaN/Loss异常：定位首次出现步骤，检查LR、数据批次或精度设置（FP16→BF16）； 分布式训练：Hang机问题需排查NCCL超时或单卡OOM； 工程实践：建议记录最小复现场景，采用二分法隔离变量，并验证
2026-08-13 16:17:06
41
原创 【模型训练师进阶 04】SFT 后为什么还不够？DPO、chosen/rejected 与偏好对齐完整实战
DPO：直接优化模型偏好 SFT教会模型如何回答指令，但现实中问题常有多解，关键在于哪个回答更好。DPO（Direct Preference Optimization）通过偏好对齐，直接优化模型对优质回答的倾向，而无需复杂RLHF流程（如奖励模型+PPO）。 关键点： SFT的局限：仅学习单一答案，未区分优劣。 偏好数据质量：需明确对比（如正确性>长度），避免偏见（位置/长度偏好）。 DPO核心：调整模型对chosen/rejected的相对概率差，保持与参考模型的稳定性。 训练与评估：需小学习率防过拟合，
2026-08-13 16:16:18
37
原创 【模型训练师进阶实战 01】单卡放不下怎么办？DDP、FSDP、DeepSpeed ZeRO 多 GPU 训练实战
多GPU训练选型指南 核心问题：根据需求选择并行方案。若模型能单卡放下且需提升吞吐，优先用DDP（数据并行）；若模型/训练状态（参数、梯度、优化器）单卡不足，则用FSDP或ZeRO（分片并行）。 关键注意点： 全局批次调整：多卡后需重新计算学习率（如8卡时批次扩大8倍）。 通信开销：FSDP/ZeRO通过分片节省显存，但增加通信和复杂度，小模型可能得不偿失。 分片层级：ZeRO分阶段（Stage 1-3）逐步优化显存，按需选择而非盲目用最高阶段。 实践验证：多卡前先做小规模测试，确保损失一致；恢复训练需验证
2026-08-13 16:14:48
39
原创 【模型训练师进阶 03】显存到底被谁吃掉了？BF16、梯度检查点与 OOM 优化全讲透
训练显存优化核心思路：先定位再解决 训练显存主要消耗在四部分：模型参数（Weights）、梯度（Gradients）、优化器状态（Optimizer States）和激活值（Activations）。不同阶段的OOM需针对性优化： 加载即OOM：权重过大，需量化（如QLoRA）或分布式加载（ZeRO）。 前向OOM：激活值爆炸，减少Batch或序列长度，或启用梯度检查点（Gradient Checkpointing）。 优化器OOM：优化器状态占显存，用LoRA或8-bit优化器。 后向OOM：梯度+激活值
2026-08-13 09:17:45
28
原创 【模型训练师进阶 02】只看 Loss 等于白训？模型评测、Baseline 与回归测试完整方法
文章摘要： 模型评估（Evaluation）是训练前的核心环节，需提前设计评测集（Eval）并记录基线（Baseline）。评测应覆盖核心领域、边缘案例、通用能力、格式、安全等维度，分层难度（Easy/Medium/Hard），并确保训练集（Train）、验证集（Validation）、测试集（Test）严格分离。客观指标（如准确率、代码通过率）优先，辅以LLM评分（需防偏见）和人工审查。关键要点包括： 回归测试（Regression）确保旧能力不退化； 固定生成参数（如temperature）保证公平对比
2026-08-13 09:16:51
28
原创 【模型训练师进阶 01】模型为什么越训越差？数据清洗、去重、配比与 Continued Pretraining 系统讲透
数据工程：决定模型上限的核心要素 模型训练效果的关键并非硬件规模，而是数据质量与分布。错误的数据（重复、冲突、低质）会导致训练失败，增加资源反而加剧问题。数据处理需系统化：标准化、去重（精确与模糊）、质量过滤、任务分类等，保留有价值的结构信息而非盲目清洗。 关键点： 数据污染：测试集泄露会导致评测虚高，需严格隔离。 数据混合：领域与通用数据需平衡，避免灾难性遗忘。 Continued Pretraining：适用于领域语料适应，但需配合SFT优化指令遵循。 动态难度：数据难度需适配模型当前能力，Curric
2026-08-13 09:15:53
30
原创 【模型训练师入门实战 03】第一次亲手训练国产大模型：SFT + LoRA + QLoRA 完整实战
本文介绍了大语言模型微调的完整流程与关键要素。文章分为三个部分：首先明确了完整微调项目应包含的14个步骤（从环境确认到实验报告），并建议从小模型开始验证流程；其次详细解析了LoRA/QLoRA的核心参数配置，包括rank、alpha、dropout等超参数的选择及量化设置；最后讲解了Tokenizer、数据集加载和SFTTrainer的配置方法。全文强调实验规范的重要性，包括必须进行基线测试、验证数据独立性、参数适配实际模型结构等关键实践原则，而非简单套用代码。
2026-08-12 21:17:24
40
原创 【模型训练师入门实战 02】数据错了模型必废：SFT 训练数据 15 项检查与清洗实战
很多项目流程：更专业：只要 Gate 不通过：例如：一行一个 JSON Object。优点：如果有一行非法：先修。禁止：和预期 Schema 不一致。至少：如果模型/训练任务支持 Tool：再考虑：不要数据里出现：同时又期待标准 Chat Template 自动识别。先统一 Schema。SFT 的目标通常是学习 Assistant 输出。只有：没有目标 Response：无法形成正确监督。检查：7. 检查 05：Content 不能为空典型垃圾：或：删除或修复。例如：不一定
2026-08-12 21:16:37
31
原创 【模型训练师入门实战 01】先别急着微调：CUDA、PyTorch、Transformers 训练环境一次配1
很多“训练代码报错”根本不是训练算法问题，而是环境层已经错了。本篇只做一件事：建立一套能够明确验证 GPU、PyTorch、Transformers、Datasets、TRL、PEFT、bitsandbytes 是否正常工作的训练环境。
2026-08-12 21:14:36
26
原创 【模型训练师入门 03】训练脚本最容易错在哪里？Tokenizer、Chat Template、Labels 与 Loss Mask
"content": "解释什么是 Redis"},"content": "Redis 是……"模型最终看到的不是 JSON。Tokenizer 会按模型聊天模板转换成特殊文本/Token。<USER>解释什么是 RedisRedis 是……真实格式由模型定义。
2026-08-12 21:13:54
18
原创 【模型训练师入门 02】训练参数为什么一改就翻车？Batch、学习率、Epoch、Warmup 系统讲透
本文探讨了深度学习模型训练中关键参数间的相互影响及优化策略。主要内容包括： 训练参数关系：建立参数间的相互影响图，强调控制变量的重要性，避免同时修改多个参数。 Batch处理机制： 解释Batch Size与显存的关系，指出它是OOM的首要调节参数 区分Micro Batch和Effective Batch，说明多GPU场景下的计算方式 介绍Gradient Accumulation的原理及其显存优化作用 学习率调控： 分析学习率对模型更新的影响 对比Full Fine-tuning与LoRA的不同学习率需
2026-08-12 21:13:01
26
原创 【模型训练师入门 01】大模型到底怎么被“训”出来？从 Token、Loss 到梯度更新一次讲透
这一篇不教你运行微调脚本，先把“训练到底发生了什么”讲清楚。后面所有 SFT、LoRA、DPO、GRPO，本质上都建立在本篇的 Forward、Loss、Backward、Gradient、Optimizer 之上。
2026-08-12 21:09:29
27
原创 试读·课程总目录想成为大模型训练师？20 篇从 Token、QLoRA 一路学到 GRPO、MoE 与完整训练项目
这篇文章介绍了一套系统的大模型训练学习路线，分为入门、进阶和高级三个阶段，适合不同基础的读者循序渐进掌握模型训练技能。 入门阶段重点帮助学习者完成首次大模型微调实战，包括理解Token/Loss/梯度更新等基础概念，掌握训练参数配置，解决数据处理和训练脚本中的常见错误，最终能够独立完成SFT+LoRA/QLoRA微调。 进阶阶段聚焦训练质量的提升，涵盖数据质量优化、模型评测方法、显存管理、多GPU训练技术、DPO偏好对齐等核心内容，目标是让学习者能够稳定高效地训练模型。 高级阶段深入现代大模型训练技术，包括
2026-08-12 21:08:11
407
原创 高阶加餐 08｜Prompt 故障定位与可观测性：模型突然变差时，别再靠“重新写一遍 Prompt”解决
文章摘要： 在生产环境中，Prompt的真正挑战在于问题难以定位。常见的调优流程（试错式修改）缺乏工程化方法，而实际输出质量受多种外部变量影响（如模型升级、输入变化、上下文调整等）。为解决这一问题，需建立Prompt的可观测性体系，记录8类关键信息（如Prompt版本、模型参数、输入快照、工具调用等），并为每次请求分配唯一Trace ID以便追踪全链路。故障分析时，应先进行分型（如输入错误、规则缺失、检索异常等），而非直接修改Prompt。最终目标是将Prompt调试转化为可复现、可定位的系统工程，而非依赖
2026-08-12 17:46:57
119
原创 高阶加餐 07｜跨模型迁移：一套 Prompt 如何兼容 DeepSeek、Qwen、GLM、Kimi 等模型
本文探讨了如何设计可迁移的Prompt架构，避免为不同模型维护多套Prompt版本。作者提出将Prompt分为四层：业务目标、业务规则、输出协议和模型适配层，其中仅适配层与模型相关。建议采用模块化设计，核心业务逻辑保持稳定，通过配置化的适配规则（如JSON格式约束、示例数量等）调整模型差异。关键实践包括：建立基准测试集量化评估指标、遵循最小差异原则、分离业务Prompt与模型参数、采用版本化管理。这种方法可在保持80%-90%核心协议一致的前提下，通过10%-20%的适配层调整实现跨模型迁移，提高Promp
2026-08-12 17:39:44
66
原创 高阶加餐 06｜Prompt 压缩与成本控制：减少上下文、降低 Token，又不牺牲结果质量
Prompt 优化核心：提升信息密度，而非简单删减 在真实应用中，Prompt 常因过度堆砌上下文导致成本高、响应慢。优化目标是压缩冗余，保留核心： 删除重复（如重叠规则）； 合并同类信息（如多轮对话压成任务状态）； 分层处理长文档（索引→摘要→关键片段）； 精选Few-shot示例（覆盖边界，非堆数量）； 设定Token预算，按优先级（P0安全规则→P5闲聊）压缩； 保留否决项，避免历史决策丢失。 关键原则： 用协议化语言替代散文式描述； 状态摘要需反映“当前可执行信息”，而非聊天记录； 压缩后需回归测试
2026-08-12 17:35:42
111
原创 高阶加餐 05｜Agent 工具调用：把“会聊天”升级为“会选工具、会执行、会收口”
摘要：Agent 的核心在于精确管理工具调用的决策逻辑，而非简单叠加工具与大模型。其本质是受约束的循环决策过程，需明确何时调用工具、选择哪个工具、参数来源、失败处理及终止条件。关键原则包括：仅在必要时调用工具，工具描述需清晰界定能力边界，禁止参数幻觉，区分读写操作权限，严格处理失败（如限制重试），管理多工具依赖关系。此外，Agent 应避免暴露内部流程，遵循最小权限原则，并在任务完成或遇到阻断时及时终止。结构化输出（如 JSON 决策对象）可提升稳定性。最终，Agent 设计需通过 Prompt 约束行为边
2026-08-12 17:32:51
46
原创 高阶加餐 04｜RAG 提示词：让模型只基于检索资料回答，并给出可追溯证据
RAG 的真正价值不是让模型“知道更多”。有证据才说、没证据不编、证据冲突就报告、每句话都能追溯。当你把这四点做好，知识库问答才真正开始从 Demo 走向生产。
2026-08-12 17:31:39
76
原创 高阶加餐 03｜结构化输出：让 DeepSeek 稳定返回 JSON、字段与机器可读结果
本文探讨了如何设计真正可靠的结构化输出Prompt，使其能够稳定对接业务系统。作者指出，仅要求"输出JSON"远远不够，关键要将输出视为接口协议来设计，需明确定义7个核心要素：任务描述、输入边界、字段名称与类型、枚举值、缺失值策略和失败处理机制。文章通过对比低质量与高质量Prompt示例，强调结构化输出的本质是建立严格的数据契约，而非简单格式化。特别提醒要注意数组任务的数据对齐问题，并反对强制模型填充不确定字段。最后提供了可直接复用的严格JSON输出模板，帮助开发者构建真正可编程的AI输出接口。
2026-08-12 17:27:50
84
原创 从“会问”到“可复用”DeepSeek 高质量提示词工程 15 讲
本文是《从“会问”到“可复用”：DeepSeek高质量提示词工程15讲》的课程摘要，重点介绍了构建可复用提示词的方法论体系。课程分为三阶段： 基础方法（1-7讲）：提出提示词六层结构（目标-输入-方法-约束-格式-验收），覆盖任务拆解、上下文工程、Few-shot示例等核心方法 场景实战（8-13讲）：针对写作、代码、数据、问答等场景提供可复制模板，强调结果可验证性 工程化（14-15讲）：建立模板版本管理、测试集和综合系统 核心创新点包括： 用协议思维替代文案思维，设计可验收的任务空间 区分事实区/约束区
2026-08-12 16:43:11
430
原创 一个真正完整的 Java 微服务商城｜Spring Boot 4 + Vue 3｜商品・购物车・订单・支付・营销・分销・客服 IM・多端小程序
CorSiteHive（林木）是一个基于Java 17和Spring Boot 4的后端与Vue 3前端构建的单平台多店铺商城系统。该系统分为用户端和管理端，通过服务端可信的storeId实现数据隔离。项目采用微服务架构，包含网关、认证、平台支撑、业务服务和日志等8个核心服务，通过Redis、MySQL等实现数据存储与通信。系统覆盖商品管理、订单交易、营销活动、客服IM等电商全流程功能，适合开发者学习或二次开发。项目提供了详细的环境搭建指南、开发规范和使用手册，但目前仍处于开发者预览阶段，生产环境需自行完善
2026-08-11 16:55:15
686
原创 开源一个 Java 17 + Spring Boot 4 + Vue 3 多店铺商城：从微服务架构到 H5/小程序实战
CorSiteHive 是一个基于 Java17、SpringBoot4、SpringCloud、Vue3 和 uni-app 的开源多店铺商城系统，适合学习微服务和前端工程化开发。项目采用模块化设计，后端包含认证、订单、客服等微服务，前端涵盖管理端和用户端（H5/小程序）。核心特点包括多店铺数据隔离、完整的业务链路（商品、订单、售后、营销等）、清晰的代码分层和工程化实践。项目提供本地运行指南，适合开发者学习或二次开发。源码已开源，地址：https://github.com/mlin80110-hue/co
2026-08-09 17:14:33
244
原创 发现一个宝藏开源商城项目，Spring Boot 4 + Vue 3 全链路，忍不住分享给你们
CorSiteHive是一个高质量的开源微服务商城项目，采用2026年最新技术栈（SpringBoot4.1、Vue3.5、TypeScript6.0等），架构规范严谨。项目包含完整的业务功能（商品、订单、支付、营销等）和多租户支持，模块划分清晰，代码注释完善，测试覆盖率高。技术亮点包括响应式网关、JWT认证、公共能力封装、异步解耦等设计，适合开发者学习或作为商业项目基础。采用Apache2.0协议
2026-07-30 14:53:54
452
原创 搞了个开源商城项目，Spring Boot 4 + Vue 3，全链路多店铺，直接能跑
开源多店铺商城系统CorSiteHive发布 基于SpringBoot4+Vue3技术栈的完整电商解决方案，采用微服务架构（SpringCloud2025+Nacos），支持多店铺隔离和全链路功能。后端Java17+MyBatis-Plus，前端TypeScript6+ArcoDesign，涵盖商品管理、交易闭环、营销活动、客服IM等核心模块。项目提供严格的数据隔离、自动化测试和完整中文注释，Apache2.0协议开源，包含部署指南和SQL脚本，适合开发者快速搭建或二次开发。通过GitHub可获取源码及7步
2026-07-29 16:39:30
499
原创 ubuntu22.04 安装swoole报错 configure: error: Package requirements (libbrotlienc) were not met:No packa
如上图没有报错，注意：此次安装过程中如果不是root用户 需要加上 sudo 以root 用户权限运行命令，否则可能就会导致无权限问题。首先可以根据官方给的说明不确定的地方就直接回车，其次是基于swoole驱动和基于swow这两个版本选择。安装完成后就是启动命令 cd hyperf-skeleton ， php bin/hyperf.php start。剩下的就是一直回车，极个别的就是日常使用的mysql，sqlite ，redis等等这些。2. 安装前需要检查对应的php扩展是否安装。
2024-11-29 01:51:42
1126
原创 Intelli IDEA：Cannot connect to already running IDE instance. Process xxx is still running的原因及解决方法
2. 原因是jetbrain启动时候会在 C:\Users\lingm\AppData\Roaming\JetBrains\WebStorm2023.2 目录下创建一个.lock文件,这个文件打开里面记录的是当前idea的进程号，每次idea如果退出的时候没有删除.lock文件这个时候我们就只能手动去删除了。否则idea每次启动查到了.lock文件，就会报错，提示进程被占用。会列举出来路径，其次找到对应的路径 cd 进去 之后找到对应的idea的.lock 进行删除。以上是windows用户。
2024-08-07 09:43:41
3196
1
原创 go-----封装发布包----goRelesc
安装依赖包goRelesc之后初始化vender 目录 执行 go mod init。内置封装好的常用功能，感兴趣的可以区github上看一下。
2023-06-26 23:33:36
386
原创 go--------gin+mysql+redis+websocket搭建聊天
这里需要注意的就是redis启动后期可能需要记录数据到redis，记录到redis有个好处可以设置国企时间自动清除，不用链接mysql数据库。2.untils目录下负责链接redis，mysql，kafak等操作，地址untils/system_init.go。避坑主要在于测试webscoket的地方可能会跨域需要加入如下代码解决跨域问题。1.在根目录下新建config/config.yml如下。二、链接MySQL和redis。3.安装redis依赖。1.在控制器层新建如下。
2023-05-31 22:57:59
1431
原创 gin框架搭建swagger接口文档
swagger报错可能就是bin目录下没有生成swag.go文件，这时候需要找到gopath的目录“bin\pkg\mod\github.com\swaggo\swag@v1.16.1\cmd\swag”,执行 “go build ”将生成的swage.go文件复制到gopath的bin目录下。通过注解模板后重新执行swag init 初始化doc目录下文件我们就可以看到json文件如下方样子。改造route文件，我们需要将doc目录加载道路有，生成接口文档后才可以访问。下载ginSwagger之后执行。
2023-05-29 15:30:58
877
原创 go ---- beego框架过滤器使用
beego\bee 在自己的go安装目录进入之后执行 go build 就生成了在bin目录下生成了bee.exe,生成bee.exe的目录在 D:\Program Files (x86)\Go\bin\bin 也是自己go的安装目录下.生成后将此目录加入到环境变量中即可执行。接下来是过滤器中的代码如下,就是简单的获取heder头中传递的数据验证是否登录。bee工具如果安装完成后在go的bin目录下未生成bee.exe,进入。先引入路由的包,我们创建的是web项目非api项目,引入的包是。
2023-02-09 17:13:28
1135
原创 go --- beego 框架 实现登录
modle文件 这里有orm的查询格式,和orm执行原生sql,特意写了两个格式方便大家参考,有的时候原生sql还是好用一些。创建user表 这里我是将token放进数据表中,其实可以放进缓存。安装beego和bee工具(安装过程参考beego开发文档)common控制器创建返回信息。routuer使用注解路由。
2023-02-03 12:00:29
920
原创 Spring Boot+redis 阿里云短信包
如上注意如果使用阿里云默认的测试短信一定要先绑定测试手机号才可以发送成功,如果非测试签名,请忽略。2.注册阿里云的accessId和accessKey。控制器层写两个接口一个是发送验证码事件如下。redis缓存中的数据现在就已经存进去了。创建yml配置文件,配置redis参数。先调通短信发送的功能如下Sample文件。封装redis缓存增,删,改,查操作。如下图登录成功,本章完结.如下图测试一些失败的数据。3.pom.xml依赖。如下图验证码发送成功。1.开通阿里云短信包。测试验证码登录的接口。
2022-11-30 16:57:59
630
SQL实战进阶教程｜MySQL复杂查询+窗口函数+索引+EXPLAIN+事务锁+慢SQL优化
2026-08-12
TypeScript 2048霓光版小游戏完整源码｜零基础游戏开发实战｜键盘触屏双端适配
2026-08-12
DVWA漏洞靶场部署与实战教程.zip
2026-08-12
AI-Agent-智能体实战项目-源码包-v1.0.0.zip
2026-08-12
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人