微服务学习笔记一

本文详细介绍如何使用Spring Cloud Netflix Eureka实现微服务自动注册与发现。包括搭建Eureka Server,将UserService项目注册到Eureka Server,以及Consumer如何从Eureka获取服务。深入探讨了服务续约、保护模式等关键配置。

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

服务管理
  如何自动注册和发现
    ①编写EurekaServer 项目
        1.导入依赖:spring-cloud-starter-netflix-eureka-server
        2.启动类上加上@EnableEurekServer //声明这个应用是一个EurekaServer
        3.编写配置: 1)服务端口 2)应用名称,会在Eureka中显示  deng deng ..
    ②将user-service项目注册到EurekaServer项目中
        1.导入依赖:spring-cloud-starter-netflix-eureka-client
        2.启动类上加上@EnableDiscoveryClient //开启EurekaClient功能
        3.编写配置: 1)端口 2)应用名称 3)EurekaServer地址 
            4)eureka.instance.lease-expiration-duration-in-seconds:90 
                服务续约(renew)的间隔,默认为30s
            5)eureka.instance.lease-expiration-duration-in-seconds:
                服务续约(renew)的间隔,默认为30s
                这两个值在生产环境不要修改,默认即可.开发环境:调小 5s心跳,10s过期
            6)eureka.server.eviction-interval-timer-in-ms 
                失效剔除: 每隔60秒对所有失效的服务(超过90秒未响应)进行剔除。
            7)enable-self-preservation: true  
                保护模式: 当出现出现网络分区、eureka在短时间内丢失过多客户端时,
                会进入自我保护模式,即一个服务长时间没有发送心跳,
                eureka  也不会将其删除,默认为true

    ③consumer-demo从Eureka获取服务
        1.导入依赖:spring-cloud-starter-netflix-eureka-client
        2.启动类上加上@EnableDiscoveryClient //开启Eureka客户端
        3.编写配置: 1)端口 2)应用名称 3)EurekaServer地址 4)

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