[GraphRAG]完全自动化处理任何文档为向量知识图谱：AbutionGraph如何让知识自动“活”起来？

在当今信息爆炸的时代，企业和研究人员面对大量非结构化文档时，如何高效地提取、存储和查询其中的知识，已成为一个核心挑战。传统的关键词检索早已无法满足深层次语义关联和智能问答的需求。

每天面对成百上千份PDF论文、Excel报告、行业白皮书，你是否也曾陷入这样的困境：

  • 想找某篇文献中提到的“钙钛矿氧化物磁性研究”，却要在数十个文件夹里逐个检索？
  • 明明记得A技术与B材料有关联，却翻遍文档也找不到具体关联证据？
  • 团队积累的核心知识散落在各种文档中，新人上手要花数月才能理清脉络？

今天，我们要介绍的AbutionGraphRag自动化工具，正在重新定义知识处理的逻辑——它能将任何格式的文档一键转化为“会思考”的向量知识图谱，让分散的信息变成结构化的智慧，让隐性的关联自动浮出水面。

一、核心功能：从文档到知识图谱的端到端自动化

该工具集成了小模型文档识别、多模态大模型与向量图数据库，实现了无人值守的文档解析和知识提取流程：

1. 多格式文档解析：把任何文件“拆”成结构化内容

支持PDF、Word等多种格式，利用OCR和深度学习模型自动提取文本、表格、图片中的内容，并统一转换为结构化的Markdown格式，为后续知识抽取奠定基础。

关键能力：

  • 保留文档层级（章节→段落→实体），确保知识上下文不丢失；
  • 支持非文本元素（如图表、公式）的识别与关联（例如将“图1.2 稀土元素周期表”与相邻分析文本绑定）。 AbutionRag智能文档解析

2. 智能知识提取：让机器像领域专家一样“读”懂内容

基于大语言模型可识别通用的实体关系，通过自定义抽取规则：附加提示词（Prompt Engineering）和示例引导（Few-shot Learning），可从行业文档中精准抽取实体、属性以及实体间的语义关系，确保符合领域需求。

示例配置：

# 提示词：控制提取规则（如“不改写原文、保留实体属性”）
ADDITIONAL_PROMPT = """使用原文进行提取，不要改写或重复提取实体。为每个实体提供有意义的属性以增加上下文。"""# 示例数据：引导模型按领域规范提取（如区分“人物”“情感”实体）
EXAMPLES = [{"input": "Romeo... Juliet is the sun.","output": {"entities": [{"vertex": "Romeo", "label": "PERSON", "properties": {"emotional_state": "wonder"}},{"vertex": "Juliet", "label": "PERSON", "properties": {"emotional_state": "joy"}}],"relation": [{"source": "Romeo", "target": "Juliet", "label": "LOVE"}]}}
]

效果展示：
在处理稀土领域的专业材料学论文时,

  1. 实体关系精准识别：能精准识别“La0.65Ca0.35MnO3”（钙钛矿锰氧化物）、“NH3-SCR”（选择性催化还原技术）等专业术语，并提取“掺杂Ni²⁺影响磁性”等深层关系。

  2. 保持上下文关系：以原文的章节段落顺序保持上下文连接，并为后续保存为图谱关系。

  3. 复杂结构的关联识别：如下结果所示，文本和公式被提取为不同的类型（Text、Formulas），但实体识别结果保留了上下文的内容连贯性，能根据上下文为公式进行摘要解释，能从上下文为公式中的实体关系做出属性解释。

    {"paragraphs": [{"type": "Text","original": "样品在相对较 高的温度范围内表现出顺磁性， 随着温度的降低， 样品的磁性将从顺磁性变为铁磁性， 在居里温度 T C （ x =0 ） =243 K ， T C （ x =0.1 ） =238 K ， T C （ x =0.3 ） =105 K 时， 样品 磁性主要表现为铁磁性。 通过 VESTA 软件计算出 样品 x =0 ， 0.1 ， 0.3 时所对应的 Mn-O-Mn 键角分别 是 169.9205° ， 158.8492° ， 108.5978° ， 可知随着 Ni 的掺杂， 使得 Mn-O-Mn 键角减小， 进而使样品发 生更加强烈的晶格畸变， 减少了 Mn3+ 和 Mn4+ 之间双 交换相互作用［ 14 ］ ， 导致居里温度降低， 磁化强度减 小。 由于铁磁性和反铁磁性之间的竞争导致样品的 ZFC 曲线和 FC 曲线在较低温区出现了明显的分叉 现象， 表现出可能存在的团簇自旋玻璃行为［ 15-16 ］ 。\n\n0.05 T\n\nLa\n\nCa\n\nMn\n\nNi\n\nO\n\n在 磁场下， 多晶样品 0.65 0.35 1x x 3 的 χT -T 曲线如图 3 所示， 未掺杂样品的值随温度 降低而增大， 大约在 216 K 附近达到最大， 而后迅 速减小， 可知奈尔温度为 T N （ x =0 ） =216 K ， 样品低于 此温度表现出反铁磁性。 这与之前分析结果相符。 并且可知， Ni 掺杂后样品的奈尔温度分别为 T N （ x =0.1 ） = 215 K ， T N （ x =0.3 ） =80 K ， 与未掺杂样品的奈尔温度相 比较而降低。 根据反应机理， Ni2+ 部分取代 Mn3+ 离 子导致 Mn3+/Mn4+ 比值发生变化［ 17 ］ 。 这样就使 DE 相 互作用减弱， 进而使 T C 和磁矩减小。\n\n4\n\nLa\n\nCa\n\nMn\n\nNi\n\nO\n\n=0\n\n0.1\n\n0.3\n\n图 为 0.65 0.35 1x x 3 （ x ， ， ）在 0.05 T 下的 χ -1T 曲线， 以及对样品 χ -1T 曲线进行 的 Curie -Weiss 拟合， 拟合公式为［ 18 ］ ：\n\nT\n\n= C /\n\nT -\n\n1","index": 1,"title": "钙钛矿氧化物La0.65Ca0.35MnO3掺杂Ni后的磁性变化","abstracts": "本段落介绍了La0.65Ca0.35MnO3钙钛矿氧化物在不同Ni掺杂量下的X射线衍射图谱和磁化曲线。通过实验数据，发现掺杂Ni后样品的居里温度和奈尔温度降低，磁矩减小，表现出强烈的晶格畸变。","entities": [{"vertex": "La0.65Ca0.35MnO3", "label": "CHEMICAL_COMPOUND", "properties": {"structure": "Pbnm立方钙钛矿结构"}},{"vertex": "Ni", "label": "ELEMENT", "properties": {"doping_effect": "导致Mn-O-Mn键角减小，晶格畸变增强"}},{"vertex": "X射线衍射图谱", "label": "EXPERIMENTAL_TECHNIQUE", "properties": {"purpose": "验证样品的单相性和晶体结构"}}],"relation": [{"source": "La0.65Ca0.35MnO3", "target": "X射线衍射图谱", "label": "ANALYSIS_METHOD", "properties": {"result": "未观察到明显的杂质峰，样品具有良好的单相性"}},{"source": "La0.65Ca0.35MnO3", "target": "Ni", "label": "DOPING", "properties": {"effect": "使居里温度和奈尔温度降低，磁矩减小"}},{"source": "Mn-O-Mn键角", "target": "晶格畸变", "label": "CAUSE_EFFECT", "properties": {"description": "随着Ni掺杂量增加，Mn-O-Mn键角减小，晶格畸变增强"}}]},{"type": "Formulas","original": "\\nu ( T ) = \\mathcal { A } / ( T","index": 2,"title": "钙钛矿氧化物La0.65Ca0.35MnO3掺杂Ni后的磁性变化","abstracts": "本段介绍了钙钛矿氧化物La0.65Ca0.35MnO3在不同Ni掺杂浓度下的磁性行为。通过X射线衍射图谱和磁化曲线分析，发现样品具有良好的单相性，并且随着Ni掺杂量的增加，居里温度和奈尔温度降低，Mn-O-Mn键角减小，导致晶格畸变加剧，双交换相互作用减弱。","entities": [{"vertex": "La0.65Ca0.35MnO3", "label": "MATERIAL", "properties": {"composition": "La0.65Ca0.35MnO3", "structure": "Pbnm立方钙钛矿结构"}},{"vertex": "Ni", "label": "ELEMENT", "properties": {"role": "掺杂元素", "effect": "减少Mn3+和Mn4+之间的双交换相互作用"}},{"vertex": "Tc", "label": "PHYSICAL_QUANTITY", "properties": {"definition": "居里温度", "values": "243 K (x=0), 238 K (x=0.1), 105 K (x=0.3)"}}],"relation": [{"source": "La0.65Ca0.35MnO3", "target": "Ni", "label": "DOPING", "properties": {"description": "Ni掺杂到La0.65Ca0.35MnO3中"}},{"source": "Ni", "target": "Mn-O-Mn键角", "label": "AFFECTS", "properties": {"description": "Ni掺杂使得Mn-O-Mn键角减小"}},{"source": "Mn-O-Mn键角", "target": "Tc", "label": "INFLUENCES", "properties": {"description": "Mn-O-Mn键角减小导致居里温度降低"}},{"source": "La0.65Ca0.35MnO3", "target": "Tc", "label": "HAS_PROPERTY", "properties": {"description": "La0.65Ca0.35MnO3在不同Ni掺杂浓度下表现出不同的居里温度"}}]},{"type": "Text","original": "式中： C 为居里常数， θ 为居里外斯温度， 由居里外 斯拟合得出， 3 个样品的居里外斯温度分别为 270 ， 268 ， 179 K ， 且由图可知， 3 个样品分别在 230~270 K ， 207~268 K ， 97~179 K 温区内表现出向上背离居","index": 3,"title": "居里外斯温度与样品磁性分析","abstracts": "通过居里外斯拟合得出三个样品的居里外斯温度分别为270 K、268 K和179 K。样品在不同温区表现出向上背离居里外斯行为。","entities": [{"vertex": "居里常数", "label": "PARAMETER", "properties": {"description": "用于描述物质磁性的参数"}},{"vertex": "居里外斯温度", "label": "PARAMETER", "properties": {"description": "通过居里外斯拟合得出的温度值，表示材料从顺磁性转变为铁磁性的临界温度"}},{"vertex": "钙钛矿锰氧化物La0.65Ca0.35MnO3", "label": "MATERIAL", "properties": {"description": "一种具有特定化学组成的钙钛矿结构材料"}}],"relation": [{"source": "居里常数", "target": "居里外斯温度", "label": "CALCULATION_PARAMETER", "properties": {"description": "居里常数是计算居里外斯温度时使用的参数之一"}},{"source": "钙钛矿锰氧化物La0.65Ca0.35MnO3", "target": "居里外斯温度", "label": "PROPERTY_OF", "properties": {"description": "钙钛矿锰氧化物La0.65Ca0.35MnO3的居里外斯温度是其磁性性质的一部分"}},{"source": "居里外斯温度", "target": "270 K, 268 K, 179 K", "label": "VALUE_OF", "properties": {"description": "居里外斯温度的具体数值，分别对应于三个不同的样品"}}]},...
}

3. 向量图谱构建：给知识“装上导航系统”

抽取的知识会自动存入AbutionGraph图数据库。AbutionGraph不仅存储拓扑关系，还支持多粒度向量嵌入（实体、段落、章节、全文级别），为后续的语义搜索和社区发现提供支持。
AbutionGraph构建RAG向量图谱知识库内部逻辑图
AbutionGraph提供了一套创新的全自动的非结构化数据治理方案，专注于构建高效、高质量、智能的本地知识库。
本地知识库构建： 从 数据接入 -> LLM企业数据问答 ，过程0人工，0知识构建成本，0开发，数据解析完立即可用。

4. 社区发现：自动“聚类”隐藏的知识主题

集成Leiden社区发现算法，自动识别知识图谱中潜在的主题社区或概念集群，形成社区摘要和社区成员语义融合，揭示文档集中隐藏的知识结构。
AbutionRAG社区检测结果展示
优势：支持增量计算，适合持续增长的文档库，新增文档时无需重新处理历史数据，大幅降低更新成本。

5. 多维度智能检索：想要的知识“一搜即得”

基于构建好的向量知识图谱，工具提供3种核心检索方式，满足不同场景需求：

检索方式适用场景示例效果
实体相似检索找相关概念/术语搜索“钙钛矿”，返回“La0.65Ca0.35MnO3”“SrTiO3”等相关材料及相似度
关系网络检索查实体间的关联搜索“稀土精矿与脱硝性能”，返回“稀土精矿→球磨酸浸→催化剂→提升脱硝性能”的完整关系链
流式智能问答自然语言提问（RAG）提问“La0.65Ca0.35Mn1-xNixO3如何制备？”，返回结合多篇文献的步骤总结

代码示例：

# 检索最相关6个知识点
query_text = "福建省龙岩市长汀县河田镇的地理与气候特征是怎样"
response = rag_driver.search(text=query_text, top_k=6)# 流式问答：实时返回答案（边生成边输出）
response = rag_driver.search_call(text="钙钛矿氧化物La0.65Ca0.35Mn1-xNixO3的制备及表征",top_k=8,  # 返回前8个相关知识片段stream=True
)

相似节点检索结果示例：

{'刈割': 0.50636005, '福建师范大学地理科学学院': 0.47888565, '等补偿': 0.45831108, 'ICP-MS': 0.36633873, '稀土元素': 0.3640747, '热液喷发物质': 0.35804176}

多维度检索结果示例：

{'question': '福建省龙岩市长汀县河田镇的地理与气候特征是怎样','answer_vertex_sim': {'刈割': 0.50636005,'福建师范大学地理科学学院': 0.47888565,'等补偿': 0.45831108,'ICP-MS': 0.36633873,'稀土元素': 0.3640747,'热液喷发物质': 0.35804176},'vertex_entity': ['ICP-MS: {hll:4; desc:[\'{"用途":"测定稀土元素含量"}\']}','刈割: {hll:1; desc:[\'{"context":"实验操作"}\', \'{"type":"农业操作"}\', \'{"作用":"既伤害植物组织又促进植物生长"}\', \'{"效果":"打破吸收壁垒, 促进稀土吸收"}\']}','福建师范大学地理科学学院: {hll:3; desc:[\'{"类型":"大学院系"}\']}','...'],'vertex_relations': ['中印度洋盆地 → GC11: {weight:1.0}','中印度洋盆地岩心沉积物稀土元素富集特征及赋存矿物 → GC11: {}','中印度洋盆富稀土沉积物中稀土元素赋存特征研究 → GC11: {}','中印度洋盆岩心样品采集及特征描述 → GC11: {}','中印度洋盆岩心沉积物中稀土元素含量 → GC11: {}','中印度洋盆岩心沉积物中稀土元素赋存特征 → GC11: {}','中国大洋矿产资源研究开发协会（ COMRA ） → GC11: {weight:1.0}','全矿物分析中GC04和GC11岩心样本的检测层次 → GC11: {}','岩心沉积物中矿物组成及含量差异 → GC11: {}','岩心沉积物矿物组成特征及分析方法 → GC11: {}','...'],'vertex_neighbors': ['GC04','GC11','HNO3-H2O2法','Super304钢','...'],'vertex_belong_chapters': ['##### 全矿物分析','##### 单矿物原位微区分析','##### 成矿的控制因素','....'],'vertex_belong_para_contexts': ['GC03、GC04和GC11岩心沉积物的主微量及稀土元素组成','GC04和GC11岩心沉积物中稀土元素含量特征','...'],'vertex_belong_chapter_contexts': ['# Ce 2 （ SO 4 ） 3 对铜电沉积层晶粒细化的作用研究','# Dy 13.60 Ni 3.34 In 3.06 合金磁相变与磁热性能研究','...']
}

二、API核心类详解：AbutionGraphRagDriver

AbutionGraphRagDriver 是这个自动化流程的核心驱动类，提供了简洁而强大的编程接口。

1. 初始化

仅需简单配置，即可进行文档处理成向量图谱并更新到知识库。

gdb_client = AbutionConnector("http://localhost:9090/rest")
# gdb_client.create_rag_graph("RareEarthPaper")
graph = gdb_client.Graph("RareEarthPaper")MODEL_CONFIGS = {"text": {    # 文本模型（仅处理文字对话）},"image": {    # 多模态模型（处理文本+图片）},"embed": {    # 向量模型（生成文本嵌入向量）}
}# 功能入口
rag_driver = AbutionGraphRagDriver(model_configs=MODEL_CONFIGS,      # 多模型配置（文本、视觉、嵌入）work_path="storage/",             # 工作目录，用于存储中间文件graph_instance=graph              # AbutionGraph连接实例
)
  • model_configs: 配置用于文本理解、视觉处理和向量嵌入的模型（例如通义千问Qwen系列）。
  • graph_instance: 已初始化的AbutionGraph连接器，是所有知识数据的目的地。
  • work_path: 处理过程中的中间文件（如解析后的Markdown、抽取的JSON等）会按文档存储在此目录下。
2. 核心方法

  • pipeline_to_knowledge(): 一站式管道方法。传入一个文件路径，即可自动完成上述所有步骤（解析、抽取、建图）。

    rag_driver.pipeline_to_knowledge(file_path="path/to/your/document.pdf",additional_prompt=ADDITIONAL_PROMPT,examples=EXAMPLES
)

  • detect_communities(): 在构建好的图谱上执行社区检测，发现知识集群。

    rag_driver.detect_communities(increment=True,    # 增量计算entity_sim=0.5,    # 实体相似度阈值edge_sim=0.75      # 关系相似度阈值
)

  • search() 与 search_call(): 强大的检索功能。

    • search(): 返回结构化的知识结果，包括实体、关系和上下文信息。
    • search_call(): 在search()的基础上，将结果送入大模型进行总结和润色，直接生成流畅的问答结果，是开箱即用的RAG接口。

    支持多粒度检索

    您可以指定检索的粒度级别：

    # 可选粒度: ["实体级别", "段落级别", "章节级别", "文件级别", "超边级别", "超点级别"]result = rag_driver.search(text="查询内容",top_k=10,rag_type=["实体级别", "段落级别"]
)

    支持子图隔离检索

    如果使用了classify_id创建了多个子图，可以指定检索范围：

    result = rag_driver.search(text="查询内容",top_k=10,classify_list=["ProjectA", "ProjectB"]  # 只在指定子图中检索
)
3. 图查询语言

使用AbutionGraphRagDriver可以满足知识库构建、更新和检索的任务，当然您也可以使用AbutionGraph的原生图查询语言或者Cypher、Gremlin、GraphQL等图查询语言定制内容。
一跳节点查询示例:

    graph.V('稀土元素').BothV().exec()

一、什么是“向量知识图谱”？为什么它比传统知识库更强？

传统的文档管理工具，要么把文档当“文件”存（如文件夹），要么把内容当“字符串”搜（如关键词检索），但从未真正“理解”知识。而向量知识图谱的突破，在于它同时具备两种核心能力：

  • “关系脑”：像人类大脑一样记录实体间的关联（如“La0.65Ca0.35MnO3”与“磁性”的影响关系、“稀土精矿”与“脱硝性能”的因果关系）；
  • “语义眼”：通过向量嵌入技术，让机器能“看懂”语义（比如自动识别“CeO2”与“氧化铈”是同一物质，即使文档中从未明说）。

这种“关系+向量”的双重特性，让知识不再是孤立的文字，而是能被检索、推理、关联的“活数据”。

三、什么是“向量知识图谱”？为什么AbutionGraph比传统向量检索知识库更强？

市面上知识图谱工具不少，但AbutionGraphRag的独特优势在于“全流程一体化+深度适配专业场景”：

1. 零代码门槛，却能深度定制

无需手动设计图谱结构、标注数据，基础流程“一键运行”；同时支持通过提示词、示例数据、相似度阈值等参数，精准适配科研、制造、金融等不同领域的知识特点。

2. 原生向量图数据库，性能碾压“拼凑方案”

AbutionGraph是“原生支持向量”的图数据库，无需额外对接向量库（如Milvus），避免数据同步问题。即使处理数十亿级实体关系，鉴于分布式特性，也能保持亚秒级检索响应。

3. 超图模型，轻松处理复杂知识

支持“超点”（如“某实验团队”作为一个整体节点）和“超边”（如“材料A+工艺B→性能C”的多实体关系），比传统图模型更自然地表达复杂知识（如科研协作网络、多因素影响关系）。

4. 多模态融合，不遗漏任何信息

不仅处理文本，还能解析文档中的图片、表格、公式，特别适合科研论文、技术手册等复杂文档——例如自动关联“XRD图谱”与对应的“物相分析结论”。

4. 语义计算 / 知识融合 / 动态知识更新

基于时序图谱自动聚合计算的特性，相同节点的实体属性可以自动聚合更新，且向量语义能够自动合并，实现效果：“女生”+“皇帝”=“女王”，这对于不断新增文档的知识库非常有用，因为相同的实体在跨文档中得到的信息大概率不同，语义合并能够丰富检索效果。

四、谁在需要AbutionGraphRag？

  • 科研人员：处理数百篇领域论文，自动生成“稀土材料研究脉络图”，将文献综述时间从“周级”压缩到“小时级”；
  • 企业知识库：将技术手册、故障案例、项目报告转化为可检索的知识图谱，新员工上手速度提升50%；
  • 智能客服：基于产品文档构建问答系统，精准回答“某型号设备的材料成分”“故障代码E102的解决步骤”等问题；
  • 金融风控：分析企业年报、舆情新闻，自动构建“公司-关联方-风险事件”图谱，提前预警传导风险；
  • 工作流/智能体：绑定Dify等AI智能体业务创新平台，实现更精准有效的知识检索环节。

结语：让知识从“沉睡”到“流动”

在这个信息过载的时代，真正的竞争力不是拥有多少文档，而是能从文档中快速提炼、关联、应用知识的能力。

AbutionGraphRag正在做的，就是让知识处理从“人工逐条整理”变成“机器自动构建”，从“关键词匹配”变成“语义深度理解”。

不妨试试这款工具——让你的文档知识不再沉睡，而是成为能检索、能推理、能创造价值的“活资产”。

👉 立即访问官网。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/bicheng/93990.shtml
繁体地址，请注明出处：http://hk.pswp.cn/bicheng/93990.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

模拟tomcat接收GET、POST请求

模拟tomcat接收GET、POST请求

访问： http://localhost:10086/mytomcatMyTomcat/ └── src/└── com/└── zhang/├── MyServer.java├── MyRequest.java├── MyResponse.java├── MyMapping.java├── MyServlet.java└── MyHttpServlet.java核心类功能说明 MyServer.java 服务…
阅读更多...
氯化钇：科技与高性能材料的核心元素

氯化钇：科技与高性能材料的核心元素

氯化钇是钇元素的氯化物，广泛应用于高性能材料、催化剂、光电技术等领域。作为稀土元素之一，钇因其独特的物理和化学特性，在现代工业中具有重要地位，而氯化钇则是其中的关键化合物之一。氯化钇的优势与特点1. 化学稳定性强氯化钇具…
阅读更多...
【数据结构初阶】--排序(五)：计数排序，排序算法复杂度对比和稳定性分析

【数据结构初阶】--排序(五)：计数排序，排序算法复杂度对比和稳定性分析

😘个人主页：Cx330❀ 👀个人简介：一个正在努力奋斗逆天改命的二本觉悟生 📖个人专栏：《C语言》《LeetCode刷题集》《数据结构-初阶》 前言：今天这篇博客就给大家将一个计数排序，然乎就…
阅读更多...
Incredibuild 新增 Unity 支持：击破构建时间过长的痛点

Incredibuild 新增 Unity 支持：击破构建时间过长的痛点

任何开发过复杂 Unity 项目的团队都会告诉你：构建速度已成为生产流程中的核心痛点。Unity 灵活且强大，但随着项目规模扩大（尤其是包含 3D 资源、复杂着色器和庞大内容管线的项目），构建过程会逐渐变成一项隐性成本。 多…
阅读更多...
大数据接口 - 收入评估(社保评级)API

大数据接口 - 收入评估(社保评级)API

请求端点 {"post": "https://api.tianyuanapi.com/api/v1/JRZQ09J8?t13位时间戳" }请求头字段名类型必填描述Access-Idstring是账号的 Access-Id对于业务请求参数 通过加密后得到 Base64 字符串，将其放入到请求体中，字段名为 data&…
阅读更多...
C++八股 —— 设计模式

C++八股 —— 设计模式

文章目录一、创建型模式1. 单例模式2. 工厂模式二、结构型模式1. 装饰器模式2. 代理模式三、行为型模式1. 观察者模式2. 策略模式一、创建型模式 1. 单例模式 C八股 —— 单例模式_c 单例模式-CSDN博客 2. 工厂模式 参考：【设计模式】工厂模式详解-----简单工厂…
阅读更多...
在openeuler中如何使用 firewalld 开放指定端口

在openeuler中如何使用 firewalld 开放指定端口

在 OpenEuler 中使用 firewalld 开放指定端口的操作步骤如下，需区分临时开放（重启后失效）和永久开放（重启后保留）两种场景：一、查询端口当前状态首先确认端口是否已开放，避免重复配置&#xff1…
阅读更多...
【Java进阶】Java JIT 编译器深度解析与优化实践

【Java进阶】Java JIT 编译器深度解析与优化实践

Java JIT 编译器深度解析与优化实践Java JIT 编译器深度解析与优化实践一、JIT 编译器核心原理1. JIT 工作流程2. 热点代码检测机制二、Java 8 JIT 优化升级1. 分层编译优化2. 方法内联增强3. 循环优化升级4. 逃逸分析增强5. 向量化支持三、JIT友好代码设计原则1. 方法设计优化…
阅读更多...
【本地部署问答软件Apache Answer】Answer开源平台搭建：cpolar内网穿透服务助力全球用户社区构建

【本地部署问答软件Apache Answer】Answer开源平台搭建：cpolar内网穿透服务助力全球用户社区构建

文章目录前言1. 本地安装Docker2. 本地部署Apache Answer2.1 设置语言选择简体中文2.2 配置数据库2.3 创建配置文件2.4 填写基本信息3. 如何使用Apache Answer3.1 后台管理3.2 提问与回答3.3 查看主页回答情况4. 公网远程访问本地 Apache Answer4.1 内网穿透工具安装4.2 创建远…
阅读更多...
华为数通认证学习

华为数通认证学习

1、华为人才认证官网，https://e.huawei.com/cn/talent/portal/#/ 很全面的网站，包含了概述、了解认证、参加考试、学习资源、认证资讯四个板块。可以了解华为认证的整个流程、下载学习资源（培训教材、视频课程等），以及…
阅读更多...
Android-ContentProvider的跨应用通信学习总结

Android-ContentProvider的跨应用通信学习总结

一、ContentProvider的概念1. ContentProvider 是什么？（核心概念）ContentProvider 是 Android 四大组件之一。它的核心职责是管理和共享应用的结构化数据。我们可以把它想象成一个应用的**“数据大使馆”**。在一个国家里（Android…
阅读更多...
Java数据结构第二十六期：解密位图，海量数据处理的 “空间魔法”

Java数据结构第二十六期：解密位图，海量数据处理的 “空间魔法”

专栏：Java数据结构秘籍 个人主页：手握风云 目录 一、位图 1.1. 概念 1.2. 面试题 1.3. 位图的实现 1.4. 位图的应用 一、位图 1.1. 概念 在数据结构中，位图（也称为位数组、位向量或位集）是一种紧凑的方式来表示一…
阅读更多...
芯科科技即将重磅亮相IOTE 2025深圳物联网展，以全面的无线技术及生态覆盖赋能万物智联

芯科科技即将重磅亮相IOTE 2025深圳物联网展，以全面的无线技术及生态覆盖赋能万物智联

作为低功耗无线连接领域的创新性领导厂商，Silicon Labs（亦称“芯科科技”）将于8月27至29日携其最前沿的人工智能（AI）和物联网（IoT）解决方案在深圳举办的IOTE 2025国际物联网展中盛大展出。这场亚…
阅读更多...
Linux上安装多个JDK版本，需要配置环境变量吗

Linux上安装多个JDK版本，需要配置环境变量吗

简短回答：不需要同时配置多个 JDK 的 JAVA_HOME 和 PATH，但你可以安装多个版本，并通过灵活的方式在它们之间切换。 文章目录✅ 正确做法：安装多个 JDK，但只让一个生效（通过环境变量或 alternatives&#xf…
阅读更多...
MySQL有哪些高可用方案

MySQL有哪些高可用方案

大家好，我是锋哥。今天分享关于【MySQL有哪些高可用方案】面试题。希望对大家有帮助； MySQL有哪些高可用方案? 超硬核AI学习资料，现在永久免费了！ MySQL 高可用方案是指确保 MySQL 数据库在面对硬件故障、网络故障、负载过重等…
阅读更多...
【Windows】Windows平台基于加速地址安装vcpkg并集成到Visual Studio 2017

【Windows】Windows平台基于加速地址安装vcpkg并集成到Visual Studio 2017

基础运行环境 启动： 适用于 VS 2017 的 x64 本机工具命令提示 ninja 下载压缩包 https://gh-proxy.com/https:/github.com/ninja-build/ninja/releases/download/v1.13.1/ninja-win.zip 直接解压到c:/Windows (无需配置环境变量) CMake 下载安装包 https://gh-proxy…
阅读更多...
LLMs之MCP：Chrome MCP的简介、安装和使用方法、案例应用之详细攻略

LLMs之MCP：Chrome MCP的简介、安装和使用方法、案例应用之详细攻略

LLMs之MCP：Chrome MCP的简介、安装和使用方法、案例应用之详细攻略 目录 Chrome MCP的简介 1、特点 2、与类似项目的比较 Chrome MCP的安装和使用方法 1、安装 2、使用方法 加载 Chrome 扩展 与 MCP 协议客户端一起使用 使用 STDIO 连接（替代方…
阅读更多...
【Java EE】多线程-初阶 synchronized 关键字 - 监视器锁 monitor lock

【Java EE】多线程-初阶 synchronized 关键字 - 监视器锁 monitor lock

synchronized 关键字 - 监视器锁 monitor lock5. synchronized 关键字 - 监视器锁 monitor lock5.1 synchronized 的特性5.2 synchronized 使⽤⽰例5.3 Java 标准库中的线程安全类本节⽬标• 掌握 synchronized关键字5. synchronized 关键字 - 监视器锁 monitor lock &#xf…
阅读更多...
Java多线程：从基础到实战

Java多线程：从基础到实战

引言多线程是Java并发编程的核心技术之一，广泛应用于服务器开发、数据处理、实时系统等领域。通过多线程，程序可以充分利用CPU资源，提高执行效率，同时处理多个任务。本文将从多线程的基本概念、实现方式、线程状态、同步与通信到常…
阅读更多...
list集合可以一边遍历一遍修改元素吗？

list集合可以一边遍历一遍修改元素吗？

今天看来一下Java中list集合部分的八股，发现了一个以前没注意过的问题，记录一下list可以一边遍历一边修改元素吗？答：在 Java 中，List在遍历过程中是否可以修改元素取决于遍历方式和具体的List实现类。①：对…
阅读更多...
最新文章

Copyright @ 2022~2023