使用grag工具生成Domain

GRAG工具简介

最新推荐文章于 2024-11-28 10:12:11 发布

原创最新推荐文章于 2024-11-28 10:12:11 发布 · 5.1k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#domain #工具 #grails #数据库 #application #generator

Grails 专栏收录该内容

15 篇文章

订阅专栏

GRAG是一款针对Grails框架开发的自由域对象生成器，能够读取数据库表结构并生成对应的Domain类，帮助开发者轻松实现旧数据库的兼容。本文介绍了如何使用GRAG进行数据库连接配置、表映射及Domain类生成。

一、GRAG简介：

GRAG (Grails Application Generator)是针对Grails framework 开发而使用的自由的域对象生成器。GRAG可以读取数据库中的表结构，并根据表结构生成Domain类。有了GRAG工具的帮助，可以很方便地兼容旧数据库。

二、使用说明：

1、运行~/grag1.1/bin/gui.bat，进入工具主窗体；

2、配置数据库的连接(左侧的Datasource)；

3、执行Database | Create connection命令，连接数据库；

4、执行Edit | Add | entity(工具栏上有快捷按钮)，在弹出的对话框中选择需要映射的数据库表，并根据实际情况对属性加以修改；

5、执行File | Generate Application 命令，生成该表对应的domain类的groovy文件；

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

wudith

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

AI医疗系列之“MedGraphRAG”彻底改变了医学领域的人工智能深入了解 RAG、GraphRAG 和 MedGraphRAG 的工作原理以及它们如何显著提高医学领域 LLM 响应的性能

iCloudEnd的博客

08-23

327

图形 RAG 或图形检索增强生成 (GRAG)通过合并知识图来扩展 RAG。虽然 RAG 本质上忽略了文本信息中的拓扑关系，但 GraphRAG 使得使用它成为可能。GRAG 的核心工作流程分为四个阶段：k 跳自我图的索引：此步骤涉及创建以每个节点（称为自我）为中心的可搜索子图，其中包括自我k步骤内的所有连接节点。图检索：此步骤从索引子图中检索给定查询最相关的自我图。软修剪：此步骤删除检索到的子图中不相关的实体，以减少它们对生成过程的影响。

多模态AIGC系统进阶：通义ProMoE、快手GRAG与腾讯ETC核心技术剖析与项目实战

最新发布

know_F0727的博客

11-10

在多个扩散模型（如Flux、Stable Diffusion）和任务（图像生成、编辑）中，ETC实现了“质量无损+效率跃升”：对比SADA、Tacache等方法，ETC生成的图像在细节完整性、风格一致性上表现最佳，同时推理速度提升40%以上。对比D3MoE、EC-DIT等主流MoE方法，即使参数量更少，ProMoE也能实现性能超越，还具备极强的扩展性——参数量和模型规模提升时，性能持续上涨。现有加速方法要么依赖训练（泛化性差），要么生成质量严重下降，陷入“速度与质量不可兼得”的困境。

参与评论您还未登录，请先登录后发表或查看评论

如何运用freemarker模板技术自动生成数据库中的存在的表格对应的domain！

weixin_30871293的博客

05-28

247

freemarker模板技术的基本使用步骤：　　　　　　　freemarker：是比较流行的一个模板技术【ftl】　　　　　　1.导包(freemarker是一个小框架) 　　　　　　2.创建一个配置对象Configuration(加个版本) 　　　　　　3.设置加载路径　　　　　　4.设置字符集(默认) 　　　　　　5.创建模板(准备一个ftl模板) 　　　　　　6.准备数...

domain.groovy 自动生成 pojo文件夹下的实体类java代码

NetThief3389的博客

08-15

300

1...首先创建数据库 连接：view ---->Tool windows ----> Database 或 idea 右侧栏 Database ----> ＋号创建 数据库连接（Driver : MySQL for 5.1）用户名密码 数据库名 ----->test Connection ------->ok 2...需要先...

GRAG: Graph Retrieval-Augmented Generation

Zjkorigin的博客

11-28

1520

在本节中，我们介绍 GRAG 的解决方案。如上图 (a) 所示，为了解决文本子图检索的挑战，我们提出了一种分而治之的策略。该策略基于以下假设：一个重要的子图由重要节点及其部分邻居组成。具体来说：我们首先搜索重要的自中心图（ego-graph）。然后将最相关的前 N 个自中心图合并，并通过**软剪枝操作（soft pruning）**减少冗余节点和边的影响，生成一个近似最优的子图结构。与直接子图搜索相比，我们的检索-剪枝方法将检索空间限制为 ∣V∣ 个自中心图，从而显著提高了效率。

【学习笔记】GRAG: Graph Retrieval-Augmented Generation

weixin_45838549的博客

11-16

1749

尤其是在不对 LLM 进行微调的情况下，通过生成检索到的文本子图的软提示（soft tokens），GRAG 显著优于微调过的 LLM，在所有指标和数据集上表现都更好。较大的模型（如 13B 参数的 llama2-13b-chat-hf）在图推理任务中的表现甚至可能不如较小的模型（如 7B 参数的 llama2-7b-chat-hf）GRAG 在一个大型数据集上训练后，能够在小型数据集上表现良好，说明 GRAG 具备一定的迁移能力，可以将学到的图编码能力应用于不同的数据集。在没有使用检索方法的情况下，

我想先从pdf中提取文字信息在构成三元化的Grag

08-09

从PDF中提取文本信息是第一步，需要使用专门的工具来处理不同格式的PDF文档（如扫描文档、文本型PDF等）。常见的工具包括： - **PyPDF2**：适用于纯文本PDF的提取。 - **pdfplumber**：支持更精确的文本定位和表格...

Grails 技术精解与Web开发实践【源码+样章】----下载不扣分，回帖加1分，欢迎下载，童叟无欺

02-26

11.5 使用GRAG工具生成Domain 151 11.6 本章小结 154 第12章与Spring整合 155 12.1 依赖注入与Spring容器基础 155 12.1.1 依赖注入 155 12.1.2 Spring容器基础 157 12.2 在Grails中使用Spring 158 12.3 本章小结 ...

matlabpid源码-pyGeoNet:这是基于MATLAB的特征提取工具箱的PYTHON版本，称为GeoNet

05-19

这是基于MATLAB的特征提取工具箱的Python版本，称为GeoNet 该算法在该版本中保持不变，但是python实现从各种开放源代码库中提取并构建代码。这项工作正在进行中，将很快准备发布，有关安装和使用的更多更新可以在...

论文略读：GRAG:GraphRetrieval-Augmented Generation

qq_40206371的博客

11-08

503

202404 arxiv

数据库表生成domain,dao,service,controller工具

02-19

数据库表生成domain,dao,service,controller工具

mybatis映射文件+domain+持久层生成工具

12-04

mybatis映射文件+domain+持久层生成工具+源码在命令行下是用java jar /mybatis-generator-core-1.3.1/lib/mybatis-generator-core-1.3.1.jar -config 配置文件路径配置文件在压缩包根目录下

mybatis-generator自动生成domain、dao、mapper工具（自己写，可用）

02-08

mybatis-generator 用于自动生成domain、dao、mapper工具，自己写，进去修改数据库连接就可以使用，整合教程在：https://www.jianshu.com/p/dd67f7e75593 中，大家可以参考。

GRAG: 基于子图检索的 GraphRAG

Python_cocola的博客

10-18

1598

尽管检索增强生成（RAG）通过生成语言模型提升了响应的准确性和相关性，但在需要同时处理文本和拓扑信息的图结构场景中却显得不足。简单的RAG方法固有地忽略了文本图的结构复杂性，从而在生成过程中留下了关键缺陷。为了解决这一问题，作者引入了图检索增强生成（GRAG），它通过强调子图结构的重要性显著提升了检索和生成过程。与仅专注于基于文本实体检索的RAG方法不同，GRAG高度重视图拓扑结构，这对于生成上下文和事实连贯的响应至关重要。

图检索增强生成--GRAG

weixin_35474374的博客

07-01

453

RAG（Retrieval-Augmented Generation）主要依赖于文本相似性进行实体检索，但在处理包含文本和拓扑信息的图结构时显得不足。GRAG旨在解决传统RAG方法在图结构文本中的不足。GRAG强调了子图结构的重要性，提升了检索和生成过程的效果，提高了多跳推理任务中的性能，并有效减少了“幻觉”（即生成错误信...

Grails Application Generator - 开源快速数据库转领域模型工具

weixin_35649491的博客

11-10

981

本文还有配套的精品资源，点击获取简介：Grails Application Generator（Grag）是一个开源工具，用于将遗留数据库反向工程为Grails领域的模型代码，加快开发并提升效率。Grails是一个基于Groovy语言的全栈Web开发框架，具有高可扩展性，构建在Spring Boot之上，支持敏捷开发。Grag特别适用于将现有的数据库结构映射成Grails...

技术动态 | 如何使用知识图谱改进RAG？

m0_59235699的博客

11-15

1023

大型语言模型（LLM）, 如 Llama 或 Gemini 根据广泛的训练数据生成文本。尽管 LLM 的功能令人印象深刻，但它们在企业知识检索方面存在一些限制：无法访问私人信息：LLM 接受过公开可用数据的培训，因此他们缺乏特定于公司的私人知识。1. 幻觉: 众所周知，LLM 经常产生合理但完全错误的反应，称为 “幻觉”。2. 静态知识: LLM 的知识是静态的，仅限于他们最近培训中包含的数据。这意味着 LLM 在生成文本方面非常出色，但在知识管理方面却很糟糕。

为什么说知识图谱 + RAG ＞传统 RAG？

金融机器智能社区

07-23

1935

你是否曾觉得自己的大脑充斥了一团乱麻般的随机事实？知识图谱模拟了我们大脑思考事物，以及事物间关系的方式，同时又规避了大脑会遗忘和错误决策等问题。我们可以将知识图谱视为带了主语、谓语和宾语的三元组。它们将信息表示为一个由相互连接的实体组成的网络，以及实体之间的关系。本质上，知识图谱利用基于图的数据模型，其中节点代表实体（如人、地点或概念的主体和宾语），边表示这些实体之间的关系或谓语。OpenSPG 是一个语义增强的可编程知识图谱，GitHub地址如下，欢迎大家Star关注~

grails之对象关系映射GORM

唯爱双鱼的天蝎

04-28

3376

本文转自Grails中文参考手册领域类是任何商业应用的核心，它们保存这这些商业过程的状态并且实现相应的行为，它们还通过一对一或者一对多的关系相互联系在一起。 GORM是Grails的对象关系映射（ORM）的实现，实际上它使用的是Hibernate3（非常流行和灵活的开源ORM解决方案），但因为有Groovy的动态特性支持，因此GORM既支持动态类型也支持静态类型，再加上Grails的规约，现

graphrag使用本地embedding

02-06

### 如何在 GraphRAG 中配置和使用本地 Embedding 为了实现GraphRAG中的本地嵌入(embedding)，需要确保使用的环境满足特定版本需求并正确安装必要的库文件。Python环境建议设置为3.10到3.12之间，这可以通过Conda来创建新的虚拟环境完成[^4]。 ```bash conda create -n grag python=3.10 conda activate grag pip install graphrag ``` 对于想要利用本地embedding模型的情况，比如采用Xinference提供的embedding解决方案时，则不需要依赖远程API服务如GPT-API。这意味着可以在完全离线的状态下构建索引并处理数据[^1]。具体来说，在初始化GraphRAG项目结构之后，通过命令行工具指定根目录参数启动索引建立过程之前，应该确认已下载所需的预训练向量模型，并将其放置于合适位置以便后续调用。此步骤通常涉及修改配置文件或传递额外的路径参数给`graphrag.index`模块[^3]。当涉及到具体的编码实践方面： - 或者是在应用层面自定义函数用于读取本地存储的词向量或其他形式的语言表示法，例如，如果选择后者的方式来进行定制开发工作，可以参考如下伪代码片段展示如何集成一个简单的基于NumPy数组保存的静态embedding字典： ```python import numpy as np def load_local_embedding(file_path): embeddings_dict = {} with open(file_path, 'r', encoding='utf-8') as f: for line in f: values = line.split() word = values[0] vector = np.asarray(values[1:], dtype='float32') embeddings_dict[word] = vector return embeddings_dict # 假设file_path指向的是预先准备好的embedding文件的位置 local_embeddings = load_local_embedding('./path/to/your/embedding/file.txt') # 接下来可以根据实际应用场景将这些embedding应用于图谱节点属性或者其他地方... ``` 上述方法适用于那些希望脱离云端资源约束而倾向于依靠自有计算资源开展工作的开发者群体。当然，随着技术的发展，更多高效便捷的方法也可能不断涌现出来[^2]。