coder-xuyong

认识 hexo简单来说，就是一个博客框架。社区很活跃，里面有很懂框架可以直接使用和自定义。更多详情，直接查看官网： https://hexo.io/zh-cn/docs/index.html 🚀 markdown 语法可以查看 本地搭建 hexo 记录1.git 安装：略2.node.js 安装：版本 22，详情略3.启动终端安装框架:npm install -g hexo-cli4.初始化 hexo 123hexo init <folder>cd <folder>npm install 5.在 hexo 根目录终端输入： hexo server，启动程序，访问 http://localhost:4000/ 不报错即成功。 常用命令1.在终端输入 hexo new page 导航栏名字,如：hexo new page about 配置 github pages注意： 创建github 仓库的时候，必须要一个 README.md，不然会失败。 详情查看官网文档：https://hexo.io/zh-cn/docs/github-pages 进阶 Ne...

乐观锁与悲观锁乐观锁与悲观锁的区别？ 悲观锁：共享资源每次只给一个线程使用，其他线程阻塞，用完之后再把资源让给其他资源。但是读写锁可以多个线程同时读。 乐观锁：共享资源每次可以给多个线程使用，只是再提交修改的时候去验证资源是否被其他线程所修改。 使用场景： 悲观锁：适合写多读少的情况。 乐观锁：适合读多写少的情况。 缺陷： 悲观锁：高并发下，激烈的锁竞争会造成线程阻塞，大量的线程会导致系统上下文切换频繁，增加系统的性能开销；还有可能导致死锁。 乐观锁：高并发下，相比悲观锁来所，不存在锁竞争造成线程阻塞，也不会有死锁问题，性能往往更好。但是再写冲突高的场景下可能会导致ABA问题，性能忽高忽低等 CAS了解吗？原理是什么？乐观锁一般会使用版本号机制或者CAS算法实现，CAS算法使用会多一些。值得一提的是，这里的版本号机制和CAS算法中的ABA问题的解决方案是同一个东西。 CAS算法的思想很简单，就是用一个预期值和要更新的变量值进行比较，两个值相等才会进行更新。这里的比较和修改两个步骤再CPU硬件层面是一条原子指令，是不可拆分的，这也是CAS算法的基础。 比如Concurr...

Tika官网：https://tika.apache.org/3.3.1/examples.html 引入依赖123456789101112<dependency> <groupId>org.apache.tika</groupId> <artifactId>tika-core</artifactId> <version>3.2.3</version> <scope>compile</scope></dependency><dependency> <groupId>org.apache.tika</groupId> <artifactId>tika-parsers-standard-package</artifactId> <version>3.2.3</version> <scope>compile</scope...

初识PostgreSQLpgsql相比mysql而言，更加的标准和强大。对sql标准的支持度很高，在mysql中偷懒的写法在这里会报错；其次是pgsql的功能丰富，有很多扩展是按需加载的。像是ai需要使用的向量数据库，有现成的pgvecotr扩展可以直接使用就。 认识pgsqlPGvector 是一个为 PostgreSQL 设计的开源扩展，支持存储和检索机器学习生成的嵌入向量。它提供多种功能，让用户既能进行精确最近邻搜索，也能进行近似最近邻搜索。该扩展旨在与 PostgreSQL 的其他特性（包括索引和查询）无缝协作。 集成springboot在项目中添加 PgVectorStore 启动器依赖： 123456<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-vector-store-pgvector</artifactId> <version>2.0.0-M7</...

Spring Boot Configuration Annotation Processor not configured引入依赖： 123456<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-configuration-processor</artifactId> <optional>true</optional></dependency>

了解S3协议MinIO 中提到的 S3 协议，指的是 Amazon S3（Simple Storage Service，简单存储服务）的 API（应用程序编程接口）标准。可以把这个协议理解为一套通用的“命令”或“语言” S3的核心概念有两个： **存储桶 (Bucket)：**就像是一个顶级的“存储空间”或“数据容器”。你可以为不同的项目或应用创建不同的存储桶，它们之间是相互隔离的。 **对象 (Object)：**指的是你存储在存储桶里的具体文件。每个对象都由一个唯一的键（Key，即文件名）来标识。 RustFS简介它是基于Rust语言开发的高性能分布式对象存储软件，定位和minio高度相似。根据官方同等硬件压测，RustFS 在小对象（4KB）场景下吞吐量约为 MinIO 的2.3 倍，大对象场景也高达1.8~2.2 倍 安装参考：https://docs.rustfs.cn/installation/ 运行成功后，访问 http://localhost:9001/ 进入管理后台。 用户名：rustfsadmin 密码：rustfsadmin在管理后台可以： 创建和管理...

JEP 444: Virtual Threads（虚拟线程）虚拟线程是由 Java 21 版本中实现的一种轻量级线程。它由 JVM 进行创建以及管理。虚拟线程和传统线程（我们称之为平台线程）之间的主要区别在于，我们可以轻松地在一个 Java 程序中运行大量、甚至数百万个虚拟线程。 用一个比喻来讲，平台线程就像家里墙上的插座，虚拟线程就像是家里的插线板。 由于虚拟线程是 java.lang.Thread 的实现，并且遵守相同规则，因此开发人员无需学习新概念即可使用它们。 123456789// 平台线程Thread.ofPlatform().start(()->{System.out.println(Thread.currentThread());});// 虚拟线程Thread vt = Thread.ofVirtual().start(() -> { System.out.println(Thread.currentThread());});//等待虚拟线程打印完毕再退出主程序vt.join(); 适用场景 虚拟线程适...

RAG主要解决大模型知识受限的缺点，在时间和空间上。 RAG原理将数据全部向量化 向量模型在spring.ai.opendi.embedding.options.model: 配置向量模型，配置完后注入 OpenAiEmbeddingModel 就可以使用了。 1234567891011121314151617181920212223242526@Autowiredprivate OpenAiEmbeddingModel model;@Testpublic void testEmbedding() { // 1.测试数据 // 1.1.用来查询的文本，国际冲突 String query = "国际冲突"; // 1.2.用来做比较的文本 String[] texts = new String[]{ "哈马斯称加沙下阶段停火谈判仍在进行 以方尚未做出承诺", "土耳其、芬兰、瑞典与北约代表将继续就瑞典“入约”问题进行谈判", ...

逻辑设计开始->了解、分析用户->查询满足条件的商品->给用户推荐->新增订单->完成 加粗为大模型处理；其他两个是传统程序处理，将其定义为方法 prompt设计略 function 发送prompt，包含function定义（一个复杂的json） agent任务拆分，判断是否需要调用function 返回function名称和参数 执行函数，拼接结果到prompt，再次发送给大模型 要注意大模型是否支持function 定义function在后续版本中，function也叫做tools。首先定义tools模板： 1234567891011121314@Datapublic class XXXQuery{ @ToolParam(Required = false,description = "根据条件查询课程") private String type; @ToolParam(Required = false,description = "排序方式") private List<...

大语言模型在自然语言处理（Natural Language Processing，NLP）中，有一项关键技术叫Transformer，这是一种神经网络模型，是如今AI高速发展的主要原因。我们熟知的大模型（Large Language Models，LLM），列如GPT，DeepSeek底层都是采用的Transformer神经网络。 Generative：根据上文预测之后应该出现在哪个文本，从而形成连续的文本输出 Pre-trained：预训练，让大模型可以理解人类语言的语法、词性 Transformer：推理预测，深度学习的一种神经网络模型。多数的AIGC模型都依赖于此 文本向量化将文本相近的变成坐标点，文本语义相近的就距离较近。 将文本转成一组浮点数，放入一个数组，作为多为空间坐标（words–enbedding->vectors） 通过训练调整向量坐标，使其在不同的方向具备含义，让其相近的语义的词在空间中更加接近 两个向量的差，也就是一个向量到另外一个向量，可以表示两个点的不同点；比如man和woman 举例：E(中国)和E(美国)的饮食有什么差别，向量逻辑就是...