如何有效的向 AI 提问 ？

目录

〇、导言

一、Base LLM 与 Instruction Tuned LLM

二、如何提出有效的问题 ？

1. 明确问题：

2. 简明扼要：

3. 避免二义性：

4. 避免绝对化的问题：

5. 利用引导词：

6. 检查语法和拼写：

7. 追问细节：

三、如何将提问的内容进行应用？

1. API 的基本使用

2. 格式化输出 ？

3. 角色扮演 ？

4. (应用) 十词成文助记单词

5. (应用) AI 脑图生成器（Chat MindMap）

四、总结

〇、导言

随着人工智能技术的迅猛发展，大语言模型（LLM）以微软 OpenAI 为代表，初次问世，为新一次的 AI 革命打响了第一枪。在短短的几个月内，GPT-3.5 和 GPT-4 的加持下，New Bing、Copilot、Cursor 等产品也相继问世，推动了产品开发的新思路。国内厂商也紧随其后，百度文心一言、华为盘古大模型、阿里通义千问、讯飞星火认知大模型相继发布。

我们现在可以通过与 AI 进行对话来获取各种信息和解决问题。但想要获得更准确、有用的回答，我们需要掌握如何向 AI 提问的技巧和方法。本文将探讨一些技巧，帮助您在与 ChatGPT 和其他类 ChatGPT 的大语言模型对话时更加有效且高效。

一、Base LLM 与 Instruction Tuned LLM

在开始之前，我觉得获取有必要向大家讲解一个关于 Base LLM（基础大语言模型）与 Instruction Tuned LLM（指令调整型大语言模型）的知识点，来帮助大家更好地了解大家更好了解之后的内容。如果你对 Base LLM 与 Instruction Tuned LLM 有一定的了解，可以跳过这部分来加速阅读完这篇文章。

Base LLM（Base Language Model）是指大型语言模型的基础版本。这些模型具有广泛的语言理解和生成能力，能够生成连贯、有逻辑的文本回答，并在部分任务和应用中展现出强大的表现；最常见的应用就是文章续写，大家可能见过的应用比如早期 github 上的狗屁不通生成器、夸克浏览器中的 AI 作文灵感生成器、不少人喜欢拿来写文案的秘塔写作猫。

请添加图片描述

然而，尽管Base LLM在很多方面表现出色，它们仍然存在一些局限性。比如训练数据大多都是来自于互联网，社交平台等易于获取的数据，Base LLM可能会在某些情况下给出不准确或不合适的回答。此外，它们在理解特定领域或任务相关指令时的表现也相对较弱；比如我要询问 “安徽有哪些好玩的地方？”，根据所训练的网络数据的不同，Base LLM 生成的内容可能会有 Answer 1 与 Answer 2 以下两种结果：

  • Answer 1，像是一些旅游推荐，搜索推荐所产生的的文本，不是特别符合我们的预期；
  • Answer 2，像是出自一些旅游文章或者博客，比较符合我们的预期。

请添加图片描述

Base LLM 在生成内容时，可能被一些不确定的数据所污染，导致产生的结果并不是我们所预期的结果。为了克服这些限制，研究人员提出了Instruction Tuned LLM（指令调整型语言模型）。Instruction Tuned LLM是一种经过专门优化以更好地理解和执行指令的语言模型。它们通过额外的训练和微调，针对特定任务或领域进行了特定的优化。

与Base LLM相比，Instruction Tuned LLM在特定任务上的性能和准确性更高。它们能够更好地理解并执行给定的指令，生成更符合特定任务需求的回答。通过对模型进行精细调整和针对性训练，Instruction Tuned LLM可以提供更加定制化和个性化的输出。

需要注意的是，Instruction Tuned LLM通常需要更多的训练数据和计算资源来进行优化，因此在实际应用中可能会受到一些限制。此外，对于不同的任务和领域，可能需要针对性地进行模型调整和优化。

总而言之，Base LLM是大型语言模型的基础版本，具备广泛的语言理解和生成能力。而 Instruction Tuned LLM是通过针对特定任务和领域进行优化的版本，能够提供更加定制化和个性化的输出。这两种模型在不同的应用场景中发挥着重要的作用，并为人工智能技术的发展带来了更多的可能性。接下来，我们以较为成熟的 ChatGPT，来讲一下如何有效的向 AI 提问。

二、如何提出有效的问题 ？

How To Ask Questions The Smart Way? 向别人提问一直是一门艺术，向 AI 提问也是如此；有效的问题能够更容易获得你想要的答案，下面就来从语义方面简单讲一下如何向 AI 提出有效的问题。

1. 明确问题：

在向AI提问之前，要先明确自己的问题。尽量用简洁、清晰的语言表达问题的核心。如果问题过于宽泛或含糊不清，AI可能会给出模糊或不相关的回答。下面给出几个例子便于大家理解：

  • 不明确的问题： “最近的电影有什么好看的？”
  • 明确的问题： “请推荐一些最近上映的悬疑电影。”
  • 不明确的问题： “如何学好外语？”
  • 明确的问题： “我想学习法语，你有什么建议和资源推荐吗？”
  • 不明确的问题： “旅游的最佳时间是什么时候？”
  • 明确的问题： “我计划去巴黎旅游，你能告诉我巴黎的最佳旅游季节吗？”

通过将问题具体化和明确化，AI可以更好地理解您的需求并给出更有针对性的回答。确切的问题有助于AI系统准确定位并提供您真正需要的信息，从而提高对话的效果和满意度。

2. 简明扼要：

AI 喜欢简洁明了的问题。避免冗长的描述和复杂的句子结构。用简单直接的语言表达问题，可以提高AI理解问题的准确性。例如，

  • 冗长的问题： “我在这个城市有一个会议，我需要一个在市中心附近、价格适中的酒店，带有免费早餐和免费停车场的。你能推荐一些吗？”
  • 简明的问题： “请推荐一个价格适中、位于市中心的酒店，带免费早餐和免费停车场。”
  • 冗长的问题： “我对新闻感兴趣，尤其是科技和娱乐方面的新闻。你有什么推荐的新闻源吗？”
  • 简明的问题： “请推荐一些科技和娱乐新闻源。”
  • 冗长的问题： “我在学习编程，我想知道最好的在线编程课程是什么，哪个平台有最好的编程教学资源？”
  • 简明的问题： “请推荐一些在线编程课程和优质的编程教学平台。”

通过使用简洁明了的语言，您可以让问题更易于理解和处理。这有助于AI系统更好地捕捉到您问题的核心，提供更相关和准确的回答。避免过多的细节和复杂的句子结构，有助于提高交流的效率和准确性，使您与AI的对话更加流畅和顺利。

3. 避免二义性：

确保您的问题不会引起歧义或模棱两可的回答。AI可能会根据您的问题字面意思进行回答，而忽略其中的潜在含义。如果您的问题有多种解释，请提供更多上下文信息以避免混淆。下面是一些例子：

  • 二义性问题： “请告诉我有关苹果的信息。”
  • 避免二义性： “我对苹果公司感兴趣，你能提供一些关于其历史和产品的信息吗？”
  • 二义性问题： “这部电影好看吗？”
  • 避免二义性： “你个人认为这部电影是否值得观看？”
  • 二义性问题： “明天的天气怎么样？”
  • 避免二义性： “请告诉我明天早上8点在纽约的天气预报。”

在避免二义性问题时，需要提供足够的上下文或具体细节，以确保AI能够正确理解您的意图。通过明确指定对象、时间、地点等关键信息，可以避免不必要的歧义和混淆。尽量将问题的背景和条件清晰地传达给AI，以便它能够提供更准确和有针对性的回答。

记住，AI系统是基于输入的信息来进行处理和生成回答的，所以提供清晰明了的问题有助于AI准确地理解您的意图，从而提供更好的回答和帮助。

4. 避免绝对化的问题：

AI通常不能提供关于绝对真理的回答。避免使用诸如“永远”、“最好的”或“最适合”的绝对化词汇。相反，尽量以更加客观和相对的方式提问，以便AI可以给出更有用的答案。

避免绝对化问题是确保与AI交流准确性的关键，以下是一些举例来说明如何避免绝对化问题：

  • 绝对化问题： “什么是世界上最好的手机？”
  • 避免绝对化： “请介绍一些当前市场上受欢迎的手机品牌和型号。”
  • 绝对化问题： “哪个城市是全球最美丽的城市？”
  • 避免绝对化： “你能推荐一些风景优美的城市吗？”
  • 绝对化问题： “什么是最有效的减肥方法？”
  • 避免绝对化： “你有一些建议来帮助我减肥吗？”

避免使用诸如"最好的"、“最适合”、"永远"等绝对化的词汇，因为AI通常无法给出关于绝对真理的回答。相反，通过使用相对性的表达方式，可以让AI提供更具有客观性和实用性的答案。询问用户个人意见、建议或提供一些可选项和不同的观点，可以帮助AI给出更灵活和有用的回答。

5. 利用引导词：

在提问时，可以使用一些引导词来指导AI的回答。例如，使用“如何”、“为什么”、“哪个”等引导词可以引导AI提供更详细和有针对性的回答。这样可以帮助您更好地理解问题的背景和答案的原因。

利用引导词可以帮助您引导AI的回答，使其更加详细和有针对性。以下是一些举例来说明如何利用引导词：

  • 引导词：“如何”
  • 问题：“如何学习一门新的编程语言？”
  • 这个引导词可以引导AI提供关于学习编程语言的步骤、资源或技巧的回答。
  • 引导词：“为什么”
  • 问题：“为什么锻炼对身体健康很重要？”
  • 这个引导词可以引导AI解释锻炼对身体健康的益处、影响或科学原理。
  • 引导词：“哪个”
  • 问题：“在纽约市，哪个博物馆是最受欢迎的？”
  • 这个引导词可以引导AI提供关于纽约市最受欢迎博物馆的信息和评价。

通过使用不同的引导词，您可以调整问题的语气和期望的回答类型。这些引导词可以指示AI提供指导、解释、推荐或比较的回答，以满足您的具体需求和意图。根据您的问题，选择适当的引导词可以帮助AI更好地理解您的问题，并提供更加有针对性和详细的回答。

需要注意的是，引导词只是一种提示方式，AI仍然根据其训练和模型来生成回答，所以结果可能因模型的理解和数据限制而有所差异。

6. 检查语法和拼写：

在与AI对话之前，检查您的问题的语法和拼写错误。虽然AI可以理解一些错误拼写或语法错误，但确保问题清晰、准确无误可以提高回答的质量和效果。

7. 追问细节：

有时候AI可能无法准确理解您的问题或需求。如果您得到的
ChatGPT 回答不完全符合您的期望，可以追问一些细节来进一步澄清。通过进一步的对话和交流，您可以与AI建立更好的理解和沟通，从而得到更准确的回答。以下是一些进行追问细节的例子：

  • 原始问题： “我正在计划去旅行，你有什么建议？”
  • 回答： “您可以考虑去欧洲或亚洲旅行。”
  • 追问： “对于欧洲和亚洲，你能给我一些具体的目的地建议吗？”
  • 原始问题： “我想买一本好书，有什么推荐的吗？”
  • 回答： “您可以试试《1984》或《人类简史》。”
  • 追问： “这两本书的主题是什么？”
  • 原始问题： “我需要一份健康的早餐食谱。”
  • 回答： “您可以尝试燕麦片和水果的组合。”
  • 追问： “你还有其他关于健康早餐的建议吗？”

通过追问细节，您可以向AI提供更具体和详细的信息需求，以获取更加准确和个性化的回答。这样可以帮助AI更好地理解您的意图，并提供更符合您具体需求的建议或答案。

需要注意的是，AI的回答可能基于其训练数据和模型的限制，可能无法满足所有细节要求。在进行追问细节时，要根据AI的回答和能力来判断何时需要进一步追问或调整问题，以使对话更加有意义和有用。

三、如何将提问的内容进行应用？

最近，300 + ChatGPT Prompts 火遍全网，通过这些总结后的提示词，我们能更方便的获取自己想要的内容，并将其用到应用开发上。在这之前，我们先来讲述一下如何使用 Python 进行 ChatGPT 相关内容的开发。

  • 英文版 ChatGPT Prompts：https://github.com/f/awesome-chatgpt-prompts
  • 中文版 ChatGPT Prompts：https://github.com/PlexPt/awesome-chatgpt-prompts-zh

1. API 的基本使用

首先，我们要先使用 pip 下载 openai 组件，之后创建一个 Python 文件：

配置部分只需要两句话，首先导入 openai 包，然后配置 openai 的 api_key，我这里不方便展示 api_key，所以把 api_key 配置到环境变量再通过 os 获取。

import openai	# 导入 openai 包
import osfrom dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())openai.api_key = os.getenv('CHATGPT_KEY')	# 配置 openai 的 api_key

接下来是一个函数，用来向 openai 请求数据，复制即可

def get_completion(prompt, model="gpt-3.5-turbo"):messages = [{"role": "user", "content": prompt}]response = openai.ChatCompletion.create(model = model,messages = messages,temperature = 0,)return response.choices[0].message["content"]

完成上述的操作后，便可以开始接下来的内容。

2. 格式化输出 ？

众所周知，ChatGPT 可以编写代码；ChatGPT 可以做的更多，只要进行合适的提问，ChatGPT 可以帮你输出 JSON、HTML、表格等等内容。下面举个例子来演示一下：

下面是我编写的一段 Prompt，通过这个 Prompt 可以生成 JSON 格式的数据

prompt = f"""
生成一个列表，其中包含三个虚构的书名以及它们的作者和类型。以JSON格式提供以下键:
Book_id，Book_name，author，genre。
"""response = get_completion(prompt)
print(response)

在这里插入图片描述

可以看到，ChatGPT 将数据以 JSON 格式展示了出来；接下来，改变关键词，分别修改成了以 HTML 、表格以及 SQL 的形式获得数据，结果如下：

HTML 格式：
在这里插入图片描述

表格 格式：
在这里插入图片描述

SQL 语句：
在这里插入图片描述

3. 角色扮演 ？

角色扮演？相信大家在童年时都玩过吧，不知道大家以前是扮演老师、奥特曼还是喜羊羊。而细看 300 + ChatGPT Prompts，其实就是一个角色扮演的过程，这些 Prompts 的前几句都是 “I want you to act as …”（我想让你扮演…），而使用角色扮演的方式来进行 ChatGPT 的提问可以更好的代入情景，获得更好的回答结果。

请添加图片描述

值得注意的是，ChatGPT 虽然可以扮演很多东西，但还是尽量扮演许多更加有用且广为人知的职业或者东西，比如老师、花店老板、智能助理等等，而不是一些过于具体的动漫人物或者是一些过于抽象的人物，因为在训练模型时，可能会将动漫人物的名称当作一个词，而不是当作一个名字进行训练。

4. (应用) 十词成文助记单词

作为一个学生，我经常会有背单词的需求，然而市面上大多的背单词软件仅有拼写、选词等背单词方法，功能单一，且使用这些功能很难记住单词；因此不少背单词软件开始训练模型来实现选词成文的功能，使大家更容易记住单词。但这些记单词软件所生成的文章会有逻辑错误，背诵时会很拗口，所以就会想到使用 ChatGPT 来实现该功能。

在这里插入图片描述
这里我先存储了 10 个单词，并在 prompt 中限制了生成单词的数量，在应用开发过程中你还可以加入更多丰富的东西，比如生成文章的风格（科幻、古风、穿越等等），生成文章的题材（诗歌、小说、议论、散文等等），以此来提供更多选项来给客户更丰富的体验。下面是代码以及输出结果：

代码：

words = ['apple', 'person', 'wind', 'history', 'author', 'boil', 'science', 'hunger', 'fiction', 'fantasy']
prompt = f"""
使用十个单词生成一段话，字数在100词以内。十个单词如下：
'''{words}'''
"""response = get_completion(prompt)
print(response)

结果：

The author wrote a fiction book about a person who loved apples. The story was set in a world where the wind never stopped blowing, causing hunger and hardship for the people. The protagonist, who was a scientist, discovered a way to boil the wind and turn it into energy. This discovery changed the course of history and brought prosperity to the land. However, the author also introduced a fantasy element to the story, where magical apples grew on trees that could cure any ailment. The person in the story embarked on a quest to find these apples and save their loved ones.

（翻译后：作者写了一本关于一个爱吃苹果的人的小说。故事发生在一个风不停刮的世界里，给人们带来了饥饿和困苦。主人公是一位科学家，他发现了一种将风煮沸并将其转化为能量的方法。这一发现改变了历史的进程，给这片土地带来了繁荣。然而，作者也在故事中引入了幻想元素，在那里，树上长着神奇的苹果，可以治疗任何疾病。故事中的人开始寻找这些苹果，拯救他们所爱的人。）

5. (应用) AI 脑图生成器（Chat MindMap）

思维脑图，在大家整理阅读资料，梳理脑海中的内容的时候总是会用到，也算是日常学习科研生活中必不可少的一项工具。当文本字数较多时，整理脑图可能是一件非常麻烦的事，比如我这样懒的人可能会想着有一个提前生成好的脑图，我只需要在上面简单修改；或者 AI 直接生成一份脑图，而我只需按照脑图整理知识内容。

下面是关于 AI 脑图生成器的简单讲述。

text 是我所描述的一串文本，而接下来的过程，通过我所描述的一段 prompt，ChatGPT 将分析我所描述的 text 文本，并将其转换成 OPML 文件适用的 XML 语言

# 文本转化为 OPML 语言
text = '我的手里有三种物品。一种是水果，可能是苹果、香蕉、梨子；一种是蔬菜，可能是胡萝卜、青菜、土豆；一种是零食，可能是辣条、薯片、可乐。请分析我手里的三种物品是什么。'
prompt = f"""
You are a smart mind map software in OPML format, which analyzes text and convert text into OPML language. \
The text after analyzed should be detailed, and divide the text into as many branches as possible; Then you could start to convert text into OPML language.\
OPML language after converted should have <?xml version="1.0" encoding="UTF-8"?>,<opml version="1.0">,<head>,<body>、<outline> and any other OPML label.And the outer <outline> label should be the title of converted OPML language, so the most outer <outline> should be deleted./The text to be analyzed is as follows, please divide it into details and convert it into OPML language:
'''{text}'''
"""response = get_completion(prompt)
print(response)

根据我所描述的文本生成的 opml 代码如下，

<?xml version="1.0" encoding="UTF-8"?>
<opml version="1.0"><head><title>我的手里有三种物品</title></head><body><outline text="我的手里有三种物品"><outline text="一种是水果"><outline text="可能是苹果"/><outline text="可能是香蕉"/><outline text="可能是梨子"/></outline><outline text="一种是蔬菜"><outline text="可能是胡萝卜"/><outline text="可能是青菜"/><outline text="可能是土豆"/></outline><outline text="一种是零食"><outline text="可能是辣条"/><outline text="可能是薯片"/><outline text="可能是可乐"/></outline></outline></body>
</opml>

紧接着，将 response 写入到新创建的 opml 类型的中，写入完成后使用幕布、MindManager 等能可以导入 OPML 的思维脑图软件导入你所创建完成的 OPML 脑图文件即可看到 AI 生成的脑图。

# 将内容写入 opml 文件
f = open(r'F:\test.opml','w', encoding='utf-8')
f.write(response)
f.close()

使用 MindManager 导入后的思维脑图如下：

在这里插入图片描述
当然，如果你真的想要完成一个独立的 AI 脑图生成器（Chat MindMap），你可能需要实现一个独立的 OPML 脑图软件，或者尝试使用兼容 markdown 或其它开源轻量脑图组件来完成自己独立的项目。

四、总结

向AI提问是一个互动的过程，通过不断的实践和探索，我们可以进一步优化和改进我们的提问技巧，使得与AI的对话更加流畅和有益，构建更多丰富的应用程序。

希望本文的技巧和指导能够对您在与ChatGPT和其他大语言模型进行对话时有所帮助，让您能够更好地利用AI技术解决问题和获取信息。

本文经「原本」原创认证，作者繁依Fanyi，访问yuanben.io查询【521AO4B5】获取授权信息。

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.mzph.cn/news/671227.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

哈希加密Python实现

哈希加密Python实现

一、代码 from cryptography.fernet import Fernet import os import bcrypt# 密钥管理和对称加密相关 def save_key_to_file(key: bytes, key_path: str):with open(key_path, wb) as file:file.write(key)def load_key_from_file(key_path: str) -> bytes:if not os.path…
阅读更多...
【芯片设计- RTL 数字逻辑设计入门 7 -- 同步复位与异步复位详细介绍】

【芯片设计- RTL 数字逻辑设计入门 7 -- 同步复位与异步复位详细介绍】

文章目录 复位的类型和划分同步复位综合后电路优缺点 异步复位优缺点 异步复位的时序分析&#xff08;recovery time/removal time&#xff09;异步复位&#xff0c;同步释放综合后电路优缺点 转自&#xff1a;https://blog.csdn.net/qq_40281783/article/details/128969188 复…
阅读更多...
docker部署笔记系统flatnotes

docker部署笔记系统flatnotes

效果 安装 创建目录 mkdir -p /opt/flatnotes/data && cd /opt/flatnotes/ chmod -R 777 /opt/flatnotes/ 创建并启动容器(可以自己修改账户和密码) docker run -d \ --restart unless-stopped \ --name flatnotes \ -p "10040:8080" \ -v "/dat…
阅读更多...
JavaEE企业级应用软件开发—Spring框架入门学习笔记（一）

JavaEE企业级应用软件开发—Spring框架入门学习笔记（一）

一、认识框架 实际开发中&#xff0c;随着业务的发展&#xff0c;软件系统变得越来越复杂&#xff0c;如果所有的软件都从底层功能开始开发&#xff0c;那将是一个漫长而繁琐的过程。此外&#xff0c;团队协作开发时&#xff0c;由于没有统一的调用规范&#xff0c;系统会出现大…
阅读更多...
Unity类银河恶魔城学习记录3-4 EnemyBattleState P50

Unity类银河恶魔城学习记录3-4 EnemyBattleState P50

Alex教程每一P的教程原代码加上我自己的理解初步理解写的注释&#xff0c;可供学习Alex教程的人参考 此代码仅为较上一P有所改变的代码 【Unity教程】从0编程制作类银河恶魔城游戏_哔哩哔哩_bilibili Enemy.cs using System.Collections; using System.Collections.Generic; …
阅读更多...
【蓝桥杯选拔赛真题91】Scratch筛选数据 第十五届蓝桥杯scratch图形化编程 少儿编程创意编程选拔赛真题解析

【蓝桥杯选拔赛真题91】Scratch筛选数据 第十五届蓝桥杯scratch图形化编程 少儿编程创意编程选拔赛真题解析

目录 scratch筛选数据 一、题目要求 编程实现 二、案例分析 1、角色分析
阅读更多...
@ResponseBody

@ResponseBody

目录 概述 用途 使用案例 用 ResponseBody 设置返回值 概述 ResponseBody注解的作用是将方法返回的对象&#xff0c;通过适当的转换器(HttpMessageConverter)转换为指定的格式之后&#xff0c;写入到response对象的body区&#xff0c;通常用来返回JSON数据或者是XML数据 用…
阅读更多...
外汇天眼：欧洲期货交易所（Eurex）推出了基于EURO STOXX 50指数股息期货的中期期权

外汇天眼：欧洲期货交易所（Eurex）推出了基于EURO STOXX 50指数股息期货的中期期权

欧洲期货交易所&#xff08;Eurex&#xff09;将于2024年2月5日推出基于EURO STOXX 50指数股息期货的中期期权&#xff0c;扩大了其股息衍生品的产品线。 目前作为场外交易产品的中期期权&#xff08;Mid-Curve Options&#xff09;现在可以在Eurex进行交易。 中期期权&#x…
阅读更多...
使用 openpyxl 操作 Excel

使用 openpyxl 操作 Excel

由于单位有任务&#xff0c;需要按照名册制作多个工作表。手动复制和修改内容太费事了&#xff0c;所以使用python完成此项工作&#xff0c;为之后的此类工作提供一个通用脚本。 安装依赖库 pip install openpyxl lxml我们需要用到openpyxl。在官方文档中提到&#xff0c;如果…
阅读更多...
摘录笔记——2024年2月5日

摘录笔记——2024年2月5日

美团三年&#xff0c;总结的10条血泪教训在美团的三年多时光&#xff0c;如同一部悠长的交响曲&#xff0c;高高低低&#xff0c;而今离开已有一段时间。闲暇之余&#xff0c;梳理了三年多的收获与感慨&#xff0c;既是对过去一段时光的的一个深情回眸&#xff0c;也是对未来之…
阅读更多...
「牵手」联合国，看这家企业如何推动厕所可持续发展

「牵手」联合国，看这家企业如何推动厕所可持续发展

作者 | 叶蓁 来源 | 洞见新研社 “没有人是一座孤岛&#xff0c;每个人都是广袤大陆的一部分。”英国诗人的这句话&#xff0c;用来形容当下的消费市场再准确不过。 当前&#xff0c;正是国家增强经济活力、发展内生动力的关键时期。2023年&#xff0c;我国全年GDP增速5.2%&…
阅读更多...
Linux-3进程概念(一)

Linux-3进程概念(一)

1.冯诺伊曼结构 1.1 冯诺依曼结构的概念 冯诺依曼结构&#xff0c;又称为普林斯顿结构&#xff0c;是一种将程序指令存储器和数据存储器合并在一起的存储器结构。程序指令存储地址和数据存储地址指向同一个存储器的不同物理位置&#xff0c;因此程序指令和数据的宽度相同&…
阅读更多...
Django连接Mysql

Django连接Mysql

修改setting.py配置文件 连接前&#xff0c;需要创建数据库 安装mysql客户端 因为连接需要一个客户端&#xff0c;而python没有客户端&#xff0c;所以就需要一个客户端来接收你填写的参数 pip install mysqlclient
阅读更多...
【Java程序设计】【C00246】基于Springboot的留守儿童爱心网站（有论文）

【Java程序设计】【C00246】基于Springboot的留守儿童爱心网站（有论文）

基于Springboot的留守儿童爱心网站&#xff08;有论文&#xff09; 项目简介项目获取开发环境项目技术运行截图 项目简介 这是一个基于Springboot的留守儿童爱心网站 本系统分为系统功能模块、管理员功能模块以及用户功能模块。 系统功能模块&#xff1a;系统首页的主要功能展…
阅读更多...
为什么(如何)从 Java 8/11 迁移到 Java 21，从 Spring Boot 2 迁移到最新的 Spring Boot 3.2 ？

为什么(如何)从 Java 8/11 迁移到 Java 21，从 Spring Boot 2 迁移到最新的 Spring Boot 3.2 ？

介绍 如果您的工作配置与 Java 有一定的关系&#xff0c;您一定已经注意到 了Java 最新稳定版本 Java 21 引起了很多关注。 这个新版本引入了一些未来的功能&#xff0c;改进了之前引入/孵化的一些突破性功能&#xff0c;弃用了多余的功能&#xff0c;并删除了一些错误。它使…
阅读更多...
CTF-WEB进阶与学习

CTF-WEB进阶与学习

PHP弱类型 在进行比较的时候&#xff0c;会先判断两种字符串的类型是否相等&#xff0c;再比较 在进行比较的时候&#xff0c;会先将字符串类型转化成相同&#xff0c;再比较 如果比较一个数字和字符串或者比较涉及到数字内容的字符串&#xff0c;则字符串会被转换成数值 并且…
阅读更多...
c语言游戏实战（3）：三子棋

c语言游戏实战（3）：三子棋

前言&#xff1a; 三子棋是一种民间传统游戏&#xff0c;又叫九宫棋、圈圈叉叉棋、一条龙、井字棋等。游戏规则是双方对战&#xff0c;双方依次在9宫格棋盘上摆放棋子&#xff0c;率先将自己的三个棋子走成一条线就视为胜利。但因棋盘太小&#xff0c;三子棋在很多时候会出现和…
阅读更多...
人工智能|深度学习——基于全局注意力的改进YOLOv7-AC的水下场景目标检测系统

人工智能|深度学习——基于全局注意力的改进YOLOv7-AC的水下场景目标检测系统

代码下载&#xff1a; 基于全局注意力的改进YOLOv7-AC的水下场景目标检测系统.zip资源-CSDN文库 1.研究的背景 水下场景目标检测是水下机器人、水下无人机和水下监控等领域中的重要任务之一。然而&#xff0c;由于水下环境的复杂性和特殊性&#xff0c;水下目标检测面临着许多挑…
阅读更多...
计算机网络——新型网络架构：SDN/NFV

计算机网络——新型网络架构：SDN/NFV

1. 传统节点与SDN节点 1.1 传统节点(Traditional Node) 这幅图展示了传统网络节点的结构。在这种设置中&#xff0c;控制层和数据层是集成在同一个设备内。 以太网交换机&#xff1a;在传统网络中&#xff0c;交换机包括控制层和数据层&#xff0c;它不仅负责数据包的传输&…
阅读更多...
编译spring原码

编译spring原码

1.下载原码 spring原码下载地址链接: github地址 最好选择一个release版本&#xff0c;毕竟发布版稳定&#xff0c;上述连接指向的是5.2.0 release 2.配置gradle 由于spring源码是用gradle管理的。为了能顺利得下载项目所需的jar包&#xff0c;因此要先配置一下gradle&#xff…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023