- 博客(606)
- 资源 (15)
- 收藏
- 关注
RSS订阅原创 AI Agent设计模式 Day 18：Retrieval-Augmented模式：检索增强的知识整合
将参数化知识（LLM权重）与非参数化知识（外部文档库）解耦。传统LLM将所有知识压缩进参数中，而RAG则保留一个可更新、可审计、可解释的外部知识源。该模式的工作流程可概括为：用户提问 → 检索器从知识库中召回相关文档 → 将文档与问题拼接为提示 → LLM生成基于证据的答案RAG不仅提升了事实准确性，还显著降低了幻觉率。Meta、Google、Microsoft等公司已将其作为企业知识问答系统的标准架构。
2025-11-24 11:18:00
345
原创 AI Agent设计模式 Day 17：Tool-Augmented模式：工具增强的能力扩展
Tool-Augmented模式最早可追溯至2017年Google提出的“Program-Aided Language Models”（PAL）思想，并在2022年Meta的Toolformer和2023年LangChain生态中得到广泛实践。将LLM作为“控制器”，而非“执行器”。模型不再直接生成最终答案，而是生成对工具的调用指令（如函数名+参数），由外部工具执行后返回结果，再由模型整合输出。缺乏实时数据：无法访问互联网或私有数据库；计算精度不足：无法进行高精度数学运算；无副作用操作能力。
2025-11-24 10:17:56
640
原创 AI Agent设计模式 Day 16：Memory-Augmented模式：记忆增强的Agent设计
Memory-Augmented模式的核心思想是将Agent的推理能力与其记忆系统解耦，通过外部可读写的记忆存储（而非仅依赖LLM内部上下文窗口）实现长期知识积累与复用。该模式源于2014年DeepMind提出的神经图灵机（Neural Turing Machine, NTM）和可微分神经计算机（Differentiable Neural Computer, DNC），其关键突破在于引入了外部记忆矩阵$M \in \mathbb{R}^{N \times M}$，并通过注意力机制实现对记忆的读写操作。
2025-11-22 14:17:42
964
原创 AI Agent设计模式 Day 15：Swarm模式：群体智能与涌现行为
Swarm模式源于群体智能（Swarm Intelligence, SI）理论，最早由Bonabeau等人在1999年系统提出，其灵感来自蚂蚁觅食、鸟群飞行等自然现象。在AI Agent系统中，Swarm模式指由多个同构或异构的轻量级Agent组成群体，每个Agent仅依据局部环境信息和简单规则进行决策，通过信息素（pheromone-like signals）、消息广播或状态共享等方式间接通信，最终在整体层面涌现出复杂、高效的智能行为。去中心化：无单一控制节点，系统具有高容错性；自组织。
2025-11-22 13:18:01
772
原创 AI Agent设计模式 Day 14：Hierarchical模式：分层Agent架构设计
Hierarchical模式源于经典人工智能中的分层任务网络（Hierarchical Task Network, HTN）规划方法，最早由Sacerdoti在1970年代提出，并在SOAR、SHOP等规划系统中得到广泛应用。将复杂任务递归分解为子任务，并由不同层级的Agent协同完成，高层Agent负责目标分解与监控，低层Agent专注具体执行。任务分解（Task Decomposition）：高层Agent将宏观目标拆解为可操作的子任务。职责分离（Separation of Concerns）
2025-11-20 11:04:26
1105
原创 AI Agent设计模式 Day 13：Ensemble模式：集成多个Agent的智慧
Ensemble模式源于统计学与机器学习中的集成方法（Ensemble Methods），最早可追溯至1990年代Breiman提出的Bagging和Freund & Schapire的AdaBoost算法。通过协调多个具有不同能力、视角或偏好的Agent，对其输出进行融合，以获得比任一单个Agent更准确、更稳健的结果。多样性（Diversity）：参与集成的Agent应在能力、训练数据、提示模板、工具链或推理路径上存在差异。互补性（Complementarity）
2025-11-20 10:04:02
846
原创 AI Agent设计模式 Day 12：Debate模式：多Agent辩论与决策优化
Debate模式源于博弈论与群体智能理论，其思想可追溯至哲学中的苏格拉底式诘问法（Socratic Method）和人工智能领域的多智能体协商机制。2023年，OpenAI在论文《》及后续工作中首次系统性地将多Agent辩论机制应用于大模型推理优化。单一Agent容易陷入局部最优或认知偏见，而多个具备差异化视角的Agent通过结构化辩论可逼近全局最优解。正方Agent（Proponent）：支持某一结论或方案反方Agent（Opponent）：提出反对意见或替代方案。
2025-11-19 10:54:03
1248
原创 AI Agent设计模式 Day 11：Multi-Agent协作模式：角色分工与任务协同
Multi-Agent协作模式源于分布式人工智能（Distributed Artificial Intelligence, DAI）和多智能体系统（Multi-Agent Systems, MAS）的研究传统。早在20世纪90年代，Jennings等人就在《Artificial Intelligence》期刊中提出：“智能不应局限于单个实体，而应通过多个自主、交互的代理共同涌现。
2025-11-19 10:08:05
1119
原创 AI Agent设计模式 Day 10：Analogical Reasoning模式：类比推理实战
Analogical Reasoning（类比推理）是指通过识别源域（source domain）与目标域（target domain）之间的结构映射关系，将源域的知识、解决方案或行为模式迁移到目标域的过程。其核心思想源于认知科学中的结构映射理论（Structure Mapping Theory），由Dedre Gentner于1983年提出。
2025-11-18 22:34:26
346
原创 AI Agent设计模式 Day 9：Least-to-Most模式：从简单到复杂的渐进式推理
Least-to-Most（LtM）是一种渐进式提示（Progressive Prompting）设计模式，专为提升大语言模型（LLM）在复杂推理任务中的表现而设计。不直接要求模型解决整个复杂问题，而是引导其先将问题分解为逻辑上递进的子问题序列，再按顺序逐一解答，后一个子问题的答案依赖于前一个子问题的输出。该模式由Google Research团队于2022年首次提出，旨在解决传统Zero-shot或Few-shot提示在面对多步骤、强依赖性任务时表现不佳的问题。
2025-11-18 08:57:54
332
原创 AI Agent设计模式 Day 8：Graph-of-Thoughts模式：图结构推理网络
Graph-of-Thoughts（GoT）由Yao et al. 在2023年提出（论文《Graph of Thoughts: Solving Elaborate Problems with Large Language Models》），是对Chain-of-Thought（CoT）和Tree-of-Thoughts（ToT）的进一步泛化。将推理过程建模为一个有向图（Directed Graph），其中节点表示中间思想（Thoughts），边表示推理操作（Operations）。
2025-11-18 00:13:59
849
1
原创 AI Agent设计模式 Day 7：Tree-of-Thoughts模式：树形思维探索
是由普林斯顿大学与谷歌DeepMind于2023年提出的创新性推理框架，其核心思想是将问题求解过程建模为一棵动态生长的思维树（Thought Tree），每个节点代表一个中间推理状态（partial solution），每条边代表一次推理步骤。与Chain-of-Thought（CoT）仅维护单一推理链不同，ToT允许Agent同时维护多个候选路径，并通过评估函数（Value Function）对各路径进行打分，结合搜索策略（如BFS、DFS、Beam Search）动态剪枝或扩展最有希望的分支。原始论文。
2025-11-17 23:58:02
1017
原创 AI Agent设计模式 Day 6：Chain-of-Thought模式：思维链推理详解
Chain-of-Thought（思维链）模式由 Wei 等人在论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》（NeurIPS 2022）中正式定义。在提示（prompt）中要求模型不仅给出答案，还要展示得出答案的推理过程。例如，对于问题：“小明有5个苹果，吃了2个，又买了3个，现在有几个？”，传统输出为“6”，而CoT输出为：“小明开始有5个苹果。吃了2个后剩下 5 - 2 = 3 个。
2025-11-10 12:31:42
564
原创 AI Agent设计模式 Day 5：Reflexion模式：自我反思与持续改进
Reflexion 模式由 Shinn 等人在 2023 年提出的论文《Reflexion: Language Agents with Verbal Reinforcement Learning》首次系统阐述。让语言模型在完成任务后，像人类一样“复盘”，通过自我批评生成反思日志（reflection memory），并在下一次尝试中利用这些经验优化决策路径。与传统的单次推理不同，Reflexion 引入了迭代-反思-再执行执行阶段：Agent 执行任务并输出结果。评估阶段。
2025-11-10 11:31:50
448
原创 AI Agent设计模式 Day 4：ReWOO模式：推理而不观察的高效模式
ReWOO（Reasoning without Observation）是一种将逻辑推理与环境交互分离的Agent设计模式。传统ReAct模式在每一步推理后立即调用工具并观察结果，导致大量中间Token被用于记录观察内容，不仅增加成本，还可能因上下文过长引发信息丢失。Plan阶段：LLM仅基于任务描述生成一个结构化的推理计划（Plan），其中包含一系列待执行的工具调用指令（如），但不实际执行。Execute阶段：系统解析Plan，并行或顺序执行所有工具调用，获取真实世界数据（Observations）。
2025-11-08 11:17:49
685
原创 AI Agent设计模式 Day 3：Self-Ask模式：自我提问驱动的推理链
Self-Ask模式最早由Google Research团队在2022年论文《》中正式提出。其核心思想源于人类解决问题时的“元认知”策略：面对复杂问题，人们会本能地将其拆解为若干中间问题，逐一解答后再整合答案。定义：Self-Ask是一种基于显式中间问题生成的推理范式，其中LLM在回答主问题前，首先判断是否需要提出一个或多个后续问题（follow-up questions），并通过迭代式问答逐步逼近最终答案。该模式的关键创新在于强制模型暴露其推理过程，而非直接输出结论。
2025-11-08 10:48:30
866
原创 AI Agent设计模式 Day 2：Plan-and-Execute模式：先规划后执行的智能策略
Plan-and-Execute 模式源于传统人工智能中的分层任务网络（Hierarchical Task Network, HTN）规划和STRIPS 规划框架先由一个“规划器”（Planner）生成完整的任务分解计划，再由“执行器”（Executor）按计划逐步调用工具或采取行动。
2025-11-07 16:34:10
1161
原创 AI Agent设计模式 Day 1：ReAct模式：推理与行动的完美结合
ReAct（Reasoning + Acting）是一种将符号推理与环境交互融合的Agent设计模式。其灵感来源于人类解决问题的过程：我们不仅会思考“怎么做”，还会执行动作（如搜索、点击、计算），并根据结果调整下一步策略。原始论文指出，仅使用CoT的模型在需要外部知识的任务上表现不佳（如HotpotQA准确率仅43%），而纯工具调用又容易因缺乏上下文理解导致错误操作。ReAct通过引入交替的Thought-Action-Observation序列。
2025-11-07 13:51:46
988
原创 Kafka面试精讲 Day 30：Kafka面试真题解析与答题技巧
很多候选人技术扎实却面试失利，原因在于回答缺乏逻辑性、重点性和场景贴合度。面试官真正期待的答案具备以下特征：| 特征 | 说明 || 结构清晰 | 分点陈述，有开头、中间、结尾 || 原理深入 | 不止说“怎么做”，还要解释“为什么” || 场景贴合 | 能结合实际业务或故障案例 || 风险意识 | 提到潜在问题及规避方法 || 总结升华 | 最后给出最佳实践或优化建议 |✅ 示例对比：❌ 差回答：“消费者组会自动负载均衡。
2025-10-21 13:31:29
877
原创 Elasticsearch面试精讲 Day 30：Elasticsearch面试真题解析与答题技巧
很多候选人技术扎实却面试失败，原因在于回答缺乏结构性、重点性和场景化。面试官真正期待的答案具备以下特征：| 特征 | 说明 || 结构清晰 | 分点陈述，有开头、中间、结尾 || 原理深入 | 不止说“怎么做”，还要解释“为什么” || 场景贴合 | 能结合实际业务或故障案例 || 风险意识 | 提到潜在问题及规避方法 || 总结升华 | 最后给出最佳实践或优化建议 |✅ 示例对比：❌ 差回答：“分片太多会影响性能。
2025-10-21 13:27:28
1063
原创 Kafka面试精讲 Day 29：版本升级与平滑迁移
指在不中断或最小化影响业务的前提下，将 Kafka 集群从旧版本迁移到新版本的过程。目标是实现“零停机”或“低感知切换”。滚动升级与蓝绿部署的核心概念区分基于副本和控制器的平滑升级原理从优雅关闭到最终验证的完整操作流程四大高频面试题的标准回答思路金融级交易系统的实战迁移案例掌握这些内容，不仅能应对面试官对“稳定性保障”的深度追问，更能让你在生产环境中自信地推动技术演进。
2025-10-21 12:32:01
652
原创 Elasticsearch面试精讲 Day 29：故障排查与问题诊断
故障排查是指当 Elasticsearch 集群出现性能下降、服务不可用或数据异常时，通过一系列手段定位问题原因并实施修复的过程。它不仅是运维动作，更是对分布式系统理解深度的体现。快速恢复业务减少 MTTR（平均恢复时间）预防同类问题复发常见故障类型与表现特征核心诊断 API 的使用方法慢查询、Full GC、只读锁等典型问题的根因分析四大高频面试题的标准回答思路大促期间集群雪崩的真实应急案例。
2025-10-21 12:28:27
1414
原创 Kafka面试精讲 Day 28：安全认证与权限控制
SSL 加密与 SASL 认证的工作原理SCRAM 用户创建与 JAAS 配置方法ACL 权限模型与常用命令操作四大高频面试题的标准回答思路电商平台多租户权限隔离的真实案例掌握这些内容，不仅能应对面试官对“安全性”的层层追问，更能让你在实际项目中构建可信赖的数据管道。🔔 下一篇我们将进入系列倒数第二天：【Kafka面试精讲 Day 29】版本升级与平滑迁移，详解滚动升级、蓝绿部署与跨版本兼容性处理策略。
2025-10-21 11:32:21
922
原创 Elasticsearch面试精讲 Day 28：版本升级与滚动重启
指在不中断集群对外服务的前提下，逐个停止并重启节点的过程。适用于配置变更、JVM调优或小版本热修复。滚动重启与升级的核心概念区分基于副本和集群协调的平滑升级原理从禁用分片分配到最终验证的完整操作流程四大高频面试题的标准回答思路金融级风控系统的实战升级案例掌握这些内容，不仅能应对面试官对“稳定性保障”的深度追问，更能让你在生产环境中自信地推动技术演进。
2025-10-21 11:28:50
593
原创 Kafka面试精讲 Day 27：监控告警与故障排查
Kafka 监控是指通过收集 Broker、Producer、Consumer 等组件的关键性能指标（Metrics），实时掌握集群运行状态的过程。而告警系统则是在指标超出阈值时主动通知运维人员，实现“早发现、早干预”。预防消息堆积发现慢消费者检测节点健康状态快速响应故障JMX 指标原理与采集方式Prometheus + Grafana 监控栈集成消费者 Lag 获取与告警配置四大高频面试题的标准回答思路大促期间消息积压的真实应急案例。
2025-10-21 10:32:45
374
原创 Elasticsearch面试精讲 Day 27：备份恢复与灾难恢复
Elasticsearch 的备份机制基于快照（Snapshot）实现。意外删除索引后的数据恢复集群迁移或版本升级前的数据保护多环境（开发/测试/生产）间的数据复制灾难恢复（如机房断电、磁盘损坏）⚠️ 注意：Elasticsearch 副本（replica）用于节点级别的容错，而非数据长期保存。若所有副本所在节点均损坏或误删主分片，副本也无法挽救数据。因此，快照是唯一可靠的数据持久化备份手段。快照的核心概念与增量原理从仓库注册到恢复的完整 API 实践四大高频面试题的标准回答思路。
2025-10-21 10:28:08
477
原创 Kafka面试精讲 Day 26：Kafka集群部署与配置
Kafka集群部署最佳实践是指在保证高吞吐、低延迟、高可用的前提下，通过合理规划节点数量、资源配置和软件配置，使 Kafka 能够稳定支撑大规模数据流转的综合方案。今天我们系统学习了Kafka 集群部署与配置的最佳实践，掌握了从硬件选型到参数调优的全流程方法论。
2025-10-20 18:32:08
829
原创 Elasticsearch面试精讲 Day 26：集群部署与配置最佳实践
集群部署最佳实践是指在特定业务场景下，通过合理规划节点角色、资源配置、网络拓扑和软件配置，使Elasticsearch集群达到高可用性、高性能和易维护性的综合目标。今天我们系统学习了Elasticsearch 集群部署与配置的最佳实践，掌握了从硬件选型到参数调优的全流程方法论。
2025-10-20 18:27:51
820
原创 Kafka面试精讲 Day 25：Kafka与大数据生态集成
Kafka 生态集成是指利用 Kafka 作为中心枢纽，实现与其他大数据组件之间的高效、可靠、低延迟的数据交换。其核心目标是构建一个松耦合、可扩展、支持流批统一的数据处理体系。今天我们全面学习了Kafka 与大数据生态的集成方式，掌握了其在实时数仓、流批一体、日志分析等场景中的核心地位。
2025-10-20 17:32:01
523
原创 Elasticsearch面试精讲 Day 25：Elasticsearch SQL与数据分析
Elasticsearch SQL 是 Elastic 官方提供的一个模块（自6.3版本起内置），允许用户通过标准 SQL 语法查询 Elasticsearch 中的数据。它并非独立数据库，而是将 SQL 查询翻译成 Elasticsearch 的 Query DSL 和 Aggregation 请求，在底层执行后再将结果转换回表格形式返回。今天我们系统学习了Elasticsearch SQL 的设计思想、执行机制、编码实践与典型应用。
2025-10-20 17:27:53
549
原创 Kafka面试精讲 Day 24：Spring Kafka开发实战
是 Spring 社区提供的一个轻量级模块（），旨在简化 Apache Kafka 在 Spring 和 Spring Boot 项目中的集成。基于注解的消费者监听（自动配置与 Starter 支持（Spring Boot）声明式事务管理（灵活的消息转换器（内建错误处理与重试机制（生产者结果回调与异步发送支持核心注解与监听容器机制；手动提交、事务管理与精确一次语义实现；错误处理与重试策略配置；批量消费与生产者异步发送；完整可运行的 Spring Boot 示例；
2025-09-28 10:57:51
1166
原创 Elasticsearch面试精讲 Day 24：跨集群搜索与联邦查询
跨集群搜索（Cross-Cluster Search, CCS）是 Elasticsearch 提供的一项功能，允许用户在一个集群（称为“协调集群”或“本地集群”）上执行查询，透明地访问一个或多个远程 Elasticsearch 集群中的索引数据。本地集群（Local Cluster）：发起查询的集群，也称“协调者”。远程集群（Remote Cluster）：被引用的数据源集群。远程索引（Remote Index）：格式为。联邦查询（Federated Query）
2025-09-28 10:51:41
1129
原创 Kafka面试精讲 Day 23：Schema Registry与数据治理
是一个集中式服务，用于存储和管理 Kafka 主题中消息数据的结构定义（即 schema），最常见的应用场景是配合Avro序列化格式使用。统一数据结构标准强制执行 schema 兼容性规则支持 schema 演进（如新增字段、默认值处理）提供版本控制与元数据查询能力Schema Registry 的核心价值与工作原理；Avro 格式与 schema 演进策略；Java 客户端集成完整代码；生产环境数据治理实践；高频面试题的标准回答方法。
2025-09-28 09:57:40
950
原创 Elasticsearch面试精讲 Day 23：安全认证与权限控制
Elasticsearch 默认是开放的 HTTP 接口服务，若未启用安全机制，任何能访问网络端口的用户都可读写数据，存在严重安全隐患。身份认证（Authentication）：验证用户身份，确认“你是谁”。授权控制（Authorization）：基于角色决定“你能做什么”。传输加密（TLS/SSL）：保护节点间及客户端通信安全。审计日志（Auditing）：记录所有安全相关操作行为。该模块通过Realm（认证域）Roles（角色）Users（用户）和实现细粒度权限管理。User。
2025-09-28 09:51:53
1062
原创 Kafka面试精讲 Day 22：Kafka Streams流处理
Kafka Streams 是一个用于构建实时流式应用的 Java/Scala 库，它直接基于 Kafka 构建，允许应用程序以“流”的方式读取、处理和写回数据到 Kafka 主题（Topic），而无需部署额外的集群。嵌入式流处理引擎，运行在普通 JVM 进程中。| 术语 | 含义 || Stream | 数据流，表示无限、有序的消息序列 || KStream | 键值对流，每条记录独立处理（如点击事件） || KTable | 表格化流，代表某个实体的最新状态（如用户余额） |
2025-09-22 20:57:45
1210
原创 Elasticsearch面试精讲 Day 22：机器学习与异常检测
Elasticsearch 的机器学习功能内置于中，主要通过对时间序列数据进行统计建模，自动识别偏离正常行为模式的数据点——即“异常”。它不是传统意义上的深度学习或神经网络模型，而是基于无监督学习算法单变量异常检测：如 CPU 使用率突增。多变量关联分析：如某 IP 在非工作时间频繁访问多个敏感接口。人口分析（Population Analysis）：识别群体中的个体异常行为。核心术语解释如下：| 术语 | 含义 || Job | 一个机器学习任务，定义了要分析的数据源、字段、时间窗口等 |
2025-09-22 20:42:04
924
原创 Kafka面试精讲 Day 21：Kafka Connect数据集成
是 Apache Kafka 官方提供的可扩展、高容错的数据集成框架，用于在 Kafka 和其他系统之间实现大规模流式数据传输。| 概念 | 解释 |Connector| 逻辑任务的封装，定义了从哪来、到哪去、如何转换 |Task| Connector的实际执行单元，一个Connector可拆分为多个Task并行运行 |Worker| 运行Connector和Task的JVM进程，分为Standalone和Distributed两种模式 |Converter。
2025-09-21 23:57:44
957
原创 Elasticsearch面试精讲 Day 21：地理位置搜索与空间查询
地理位置搜索是指根据经纬度坐标进行空间关系判断的搜索方式，常见于“查找附近的餐厅”、“显示指定区域内的车辆”等业务场景。今天我们全面讲解了Elasticsearch地理位置搜索与空间查询geo_point与geo_shape字段定义GeoHash编码与BKD Tree原理距离、多边形、矩形等查询方式生产环境中的性能优化实践掌握这些技能，不仅能实现复杂的LBS功能，还能在面试中展示你对空间索引底层机制的深刻理解。📘下一篇预告。
2025-09-21 23:34:23
1144
原创 Kafka面试精讲 Day 20：集群监控与性能评估
集群监控是指通过采集Kafka Broker、Producer、Consumer的各项运行时指标，实现对消息吞吐量、端到端延迟、分区均衡性、资源使用率等方面的持续观察与预警。今天我们全面讲解了Kafka集群监控与性能评估JMX指标体系与关键性能参数消费滞后（Lag）检测与分析方法使用Prometheus+Grafana构建监控平台生产环境中常见的故障排查流程掌握这些技能，不仅能有效预防因监控缺失引发的服务中断，还能在面试中展示你对分布式系统可观测性的深刻理解。📘下一篇预告。
2025-09-21 22:58:04
1133
原创 Elasticsearch面试精讲 Day 20：集群监控与性能评估
集群监控是指通过采集、分析和可视化Elasticsearch的各项运行时指标，实现对集群健康状态、资源使用情况和性能趋势的持续观察与预警。今天我们全面讲解了Elasticsearch集群监控与性能评估内置监控API（_cluster/health、_nodes/stats、_cat）慢日志配置与瓶颈定位方法关键性能指标定义与阈值设定生产环境中常见的监控架构设计掌握这些技能，不仅能快速响应线上问题，还能在面试中展示你对系统可观测性的系统性思考。📘下一篇预告。
2025-09-21 22:34:34
1183
Java开发Java面试题大全：涵盖基础语法、面向对象、多线程、JVM、设计模式及分布式系统等核心知识点Java面试题大全
2025-06-05
【Linux系统管理】常用命令与实用技巧全解析：涵盖文件操作、系统监控、网络管理及脚本编程
2025-06-05
容器技术Docker安装与配置MySQL数据库：从基础到高级的详细操作指南
2025-06-02
【数据库技术】SQL语言全面教程：从基础语法到实战项目的设计与应用
2025-06-02
Python版本母亲节祝福程序
2025-05-11
logviewer pro是一款比较轻量型的日志查看工具
2018-10-22
Pdftk是一个简单的PDF万能工具，可以用于PDF的合并和分割
2018-03-27
轻量级 Java EE 企业应用实战--第4 版
2019-01-14
httpd-2.2.22-win32-x86-no_ssl.msi
2020-12-16
jd-gui-windows-1.6.6.7z
2020-12-16
Python机器学习及实践 从零开始通往Kaggle竞赛之路 ,范淼，李超著 ,P183 ,2016.10
2018-10-22
2018操作系统考研复习指导--王道（高清版）
2018-10-21
轻量级Java EE企业应用实战 (第4版) Struts 2+Spring 4+Hibernate整合开发 百度云链接下载
2018-03-15
Spark 快速大数据分析
2018-10-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人