大模型学习笔记六：Semantic Kernel

文章目录

    • 一、Semantic Kernel介绍和发展
      • 1）SK 的语言开发进展
      • 2）SK的生态位
      • 3）SK基础架构
    • 二、环境搭建
      • 1）初始化
      • 2）Semantic Functions（不用编写代码，用配置实现回调函数）
      • 3）Native Functions(传统编程的回调函数)
      • 4）用 SKContext 实现多参数 Functions
      • 5）Plugins/Skills（plugin/skill 就是一组函数的集合。它可以包含两种函数：）
    • 三、函数的嵌套调用
      • 1）Semantic Function 嵌套调用(不用代码的函数)
      • 2）Native Function 嵌套调用（纯代码调用）
    • 四、Memory
      • 1）初始化 Embedding
      • 2）文本向量化
      • 3）向量搜索
      • 4）现在用函数嵌套做一个简单的 RAG
      • 5）连接其它 VectorDB
    • 五、Planner开发Agent
      • 1）什么是智能体（Agent）
      • 2）SK Python 提供了四种 Planner：
      • 3）用 Planner 实现一个能使用搜索和日历工具的 Agent
    • 六、VS Code 插件创建和调试Semantic Function
    • 七、Semantic Kernel 对新版 Assistants API 的支持计划

一、Semantic Kernel介绍和发展

  • 定义介绍
    1、Semantic Kernel 是微软研发的一个开源的，面向大模型的开发框架（SDK）；
    2、它支持你用不同开发语言（C#/Python/Java）基于 OpenAI API/Azure OpenAI API/Huggingface 开发大模型应用；
    3、它封装了一系列开箱即用的工具，包括：提示词模板、链式调用、规划能力等。
  • SDK（补充说明）
    SDK：Software Development Kit，它是一组软件工具和资源的集合，旨在帮助开发者创建、测试、部署和维护应用程序或软件。

1）SK 的语言开发进展

1、C# 版最成熟，已开始 1.0.1：https://github.com/microsoft/semantic-kernel
2、Python 是 beta 版：https://github.com/microsoft/semantic-kernel
3、Java 版 alpha 阶段：https://github.com/microsoft/semantic-kernel/tree/experimental-java
4、TypeScript 版……，已经放弃了：https://github.com/microsoft/semantic-kernel/tree/experimental-typescript
文档写得特别好，但追不上代码更新速度：
5、更多讲解：https://learn.microsoft.com/en-us/semantic-kernel/overview/
6、更偏实操：https://github.com/microsoft/semantic-kernel/blob/main/python/notebooks/00-getting-started.ipynb
7、API Reference (目前只有C#): https://learn.microsoft.com/en-us/dotnet/api/microsoft.semantickernel?view=semantic-kernel-dotnet
8、更多生态：https://github.com/geffzhang/awesome-semantickernel
这里可以了解最新进展：https://learn.microsoft.com/en-us/semantic-kernel/get-started/supported-languages

2）SK的生态位

  • 补充
    微软将此技术栈命名为 Copilot Stack。
    在这里插入图片描述
  • 解释：
    1、Plugin extensibility: 插件扩展
    2、Copilots: AI 助手（副驾驶），例如 GitHub Copilot、Office 365 Copilot、Windows Copilot
    3、AI orchestration: AI 编排，SK 就在这里
    4、Foundation models: 基础大模型，例如 GPT-4
    5、AI infrastructure: AI 基础设施，例如 PyTorch、GPU

3）SK基础架构

在这里插入图片描述

  • 解释
    1、Models and Memory: 类比为大脑
    2、Connectors: 用来连接各种外部服务，类似驱动程序
    3、Plugins: 用来连接内部技能
    4、Triggers and actions: 外部系统的触发器和动作，类比为四肢
  • 说明
    1、Semantic Functions：通过 Prompt 实现的 LLM 能力
    2、Native Functions: 编程语言原生的函数功能
    3、在 SK 中，一组 Function 组成一个技能（Skill/Plugin）。要运行 Skill/Plugin，需要有一个配置和管理的单元，这个组织管理单元就是 Kernel。
    4、Kernel 负责管理底层接口与调用顺序，例如：OpenAI/Azure OpenAI 的授权信息、默认的 LLM 模型选择、对话上下文、技能参数的传递等等

二、环境搭建

  • 准备
    1、安装 Python 3.x：https://www.python.org/downloads/
    2、安装 SK 包：pip install semantic-kernel
    3、在项目目录创建 .env 文件，添加以下内容：
# .env
OPENAI_API_KEY=""
OPENAI_BASE_URL=""
AZURE_OPENAI_DEPLOYMENT_NAME=""
AZURE_OPENAI_ENDPOINT=""
AZURE_OPENAI_API_KEY=""
--OpenAI 和 Azure，配置好一个就行。!pip install semantic-kernel==0.4.0.dev

1）初始化

  • 环境初始化
import semantic_kernel as sk
from semantic_kernel.connectors.ai.open_ai import OpenAIChatCompletion
import os# 加载 .env 到环境变量
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())# 创建 semantic kernel
kernel = sk.Kernel()# 配置 OpenAI 服务。OPENAI_BASE_URL 会被自动加载生效
api_key = os.getenv('OPENAI_API_KEY')
model = OpenAIChatCompletion("gpt-3.5-turbo",api_key
)# 把 LLM 服务加入 kernel
# 可以加多个。第一个加入的会被默认使用，非默认的要被指定使用
kernel.add_text_completion_service("my-demo", model)
  • 接口解释
划重点： 用我们熟悉的操作系统来类比，可以更好地理解 SK。
1、启动操作系统：kernel = sk.Kernel()
2、安装驱动程序：kernel.add_xxx_service()
3、安装应用程序：func = kernel.create_semantic_function()
4、运行应用程序：func()
  • 举例使用prompt说笑话(实验室版本)
# 定义 semantic function (实验室版本)
# 参数由{{ }}标识tell_joke_about = kernel.create_semantic_function("给我讲个关于{{$input}}的笑话吧")# 运行 function 看结果
result = await kernel.run_async(tell_joke_about,input_str="Hello world")
print(result)
  • 举例使用prompt说笑话
import asyncioasync def run_function(*args):return await kernel.invoke(*args)result = asyncio.run(run_function(tell_joke_about, input_str="Hello world")
)
  • 新版加载方式
    注意：新版的加载方式将发生变化，详见：https://github.com/microsoft/semantic-kernel/blob/main/python/notebooks/03-prompt-function-inline.ipynb

2）Semantic Functions（不用编写代码，用配置实现回调函数）

  • 介绍
    Semantic Functions 是纯用数据（Prompt + 配置文件）定义的，不需要编写任何代码。所以它与编程语言无关，可以被任何编程语言调用
  • 组成
1、skprompt.txt: 存放 prompt，可以包含参数，还可以调用其它函数
2、config.json: 存放配置，包括函数功能，参数的数据类型，以及调用大模型时的参数
  • 举例：
    根据用户的自然语言指示，生成 Linux 命令
  • skprompt.txt
已知数据库结构为：CREATE TABLE Courses (id INT AUTO_INCREMENT PRIMARY KEY,course_date DATE NOT NULL,start_time TIME NOT NULL,end_time TIME NOT NULL,course_name VARCHAR(255) NOT NULL,instructor VARCHAR(255) NOT NULL
);
请将下述用户输入转为SQL表达式
用户输入：{{$input}}直接输出SQL语句，不要评论，不要分析，不要Markdown标识!
  • config.json
{"schema": 1,"type": "completion","description": "将用户的输入转换成 SQL 语句",   #功能描述"completion": { "max_tokens": 256,"temperature": 0,"top_p": 0,"presence_penalty": 0,"frequency_penalty": 0},"input": {"parameters": [{"name": "input","description": "用户的输入","defaultValue": ""}]}
}
  • 说明
    type 只有 “completion” 和 “embedding” 两种
  • 注意
    新版格式将发生变化，详见：https://github.com/microsoft/semantic-kernel/blob/main/python/notebooks/02-running-prompts-from-file.ipynb
  • 备注
    上面两个文件都在 demo/MyPlugins/Text2SQL/ 目录下。
    在这里插入图片描述
  • 附加（查询数据库)
from semantic_kernel.skill_definition import sk_functionclass DBConnector:def __init__(self, db_cursor):self.db_cursor = db_cursor@sk_function(description="查询数据库", # function 描述name="query_database", # function 名字)def exec(self, sql_exp: str) -> str:self.db_cursor.execute(sql_exp)records = cursor.fetchall()return str(records)
  • 正式开始调用
# 加载 semantic function。注意目录结构
my_plugins = kernel.import_semantic_skill_from_directory("./demo", "MyPlugins")# 运行
result = await kernel.run_async(my_plugins["Text2SQL"],input_str="2024年4月有哪些课",
)
print(result)
  • 回复
SELECT * FROM Courses WHERE course_date BETWEEN '2024-04-01' AND '2024-04-30';
  • 若要维护多轮对话（加入历史）
    需求：例如我们要维护一个多轮对话，通过 request 和 history 两个变量分别存储 当前输入 和 对话历史
prompt = """对话历史如下:
{{$history}}
---
User: {{$request}}
Assistant:  """
  • 实际代码展示
history = []while True:request = input("User > ").strip()if not request:break# 通过 ContextVariables 维护多个输入变量variables = sk.ContextVariables()variables["request"] = requestvariables["history"] = "\n".join(history)# 运行 promptsemantic_function = kernel.create_semantic_function(prompt)result = await kernel.run_async(semantic_function,input_vars=variables, # 注意这里从 input_str 改为 input_vars)# 将新的一轮添加到 history 中history.append("User: " + request)history.append("Assistant: " + result.result)print("Assistant > " + result.result)
  • 回复
User >  你好
Assistant > 你好，请问有什么可以帮助您的吗？
User >  我刚才问你什么
Assistant > 您刚才问我有什么可以帮助您的。您还有其他问题需要我回答吗？
User >
  • 注意
    1、官方提供了一些 Semantic Functions 例子参考：https://github.com/microsoft/semantic-kernel/tree/main/samples/plugins
    2、注意：新版将引入一个 ChatHistory 类来管理对话上下文，详见：https://github.com/microsoft/semantic-kernel/blob/main/python/notebooks/04-kernel-arguments-chat.ipynb

3）Native Functions(传统编程的回调函数)

  • 需求
    用编程语言写的函数，如果用 SK 的 Native Function 方式定义，就能纳入到 SK 的编排体系，可以被 Planner、其它 plugin 调用。
  • 举例
    写一个查询数据库的函数。这个函数名是 query_database。输入为一个 SQL 表达式。它可以放到目录结构中，在 demo/MyPlugins/DBPlugin.py 里加入。
from semantic_kernel.skill_definition import sk_functionclass DBConnector:def __init__(self, db_cursor):self.db_cursor = db_cursor@sk_function(description="查询数据库", # function 描述name="query_database", # function 名字)def exec(self, sql_exp: str) -> str:self.db_cursor.execute(sql_exp)records = cursor.fetchall()return str(records)-------------------------------------
# 定义本地函数和数据库import sqlite3# 创建数据库连接
conn = sqlite3.connect(':memory:')
cursor = conn.cursor()# 创建orders表
cursor.execute("""
CREATE TABLE Courses (id INT AUTO_INCREMENT PRIMARY KEY,course_date DATE NOT NULL,start_time TIME NOT NULL,end_time TIME NOT NULL,course_name VARCHAR(255) NOT NULL,instructor VARCHAR(255) NOT NULL
);
""")# 插入5条明确的模拟记录
timetable = [('2024-01-23', '20:00', '22:00', '大模型应用开发基础', '孙志岗'),('2024-01-25', '20:00', '22:00', 'Prompt Engineering', '孙志岗'),('2024-01-29', '20:00', '22:00', '赠课：软件开发基础概念与环境搭建', '西树'),('2024-02-20', '20:00', '22:00', '从AI编程认知AI', '林晓鑫'),('2024-02-22', '20:00', '22:00', 'Function Calling', '孙志岗'),('2024-02-29', '20:00', '22:00', 'RAG和Embeddings', '王卓然'),('2024-03-05', '20:00', '22:00', 'Assistants API', '王卓然'),('2024-03-07', '20:00', '22:00', 'Semantic Kernel', '王卓然'),('2024-03-14', '20:00', '22:00', 'LangChain', '王卓然'),('2024-03-19', '20:00', '22:00', 'LLM应用开发工具链', '王卓然'),('2024-03-21', '20:00', '22:00', '手撕 AutoGPT', '王卓然'),('2024-03-26', '20:00', '22:00', '模型微调（上）', '王卓然'),('2024-03-28', '20:00', '22:00', '模型微调（下）', '王卓然'),('2024-04-09', '20:00', '22:00', '多模态大模型（上）', '多老师'),('2024-04-11', '20:00', '22:00', '多模态大模型（中）', '多老师'),('2024-04-16', '20:00', '22:00', '多模态大模型（下）', '多老师'),('2024-04-18', '20:00', '22:00', 'AI产品部署和交付（上）', '王树冬'),('2024-04-23', '20:00', '22:00', 'AI产品部署和交付（下）', '王树冬'),('2024-04-25', '20:00', '22:00', '抓住大模型时代的创业机遇', '孙志岗'),('2024-05-07', '20:00', '22:00', '产品运营和业务沟通', '孙志岗'),('2024-05-09', '20:00', '22:00', '产品设计', '孙志岗'),('2024-05-14', '20:00', '22:00', '项目方案分析与设计', '王卓然'),
]for record in timetable:cursor.execute('''INSERT INTO Courses (course_date, start_time, end_time, course_name, instructor)VALUES (?, ?, ?, ?, ?)''', record)# 提交事务
conn.commit()
----------------------
#加载function
# 加载 native function
db_connector = kernel.import_skill(DBConnector(cursor), "DBConnector")# 看结果
result = await kernel.run_async(db_connector["query_database"],input_str="SELECT COUNT(*) as count FROM Courses WHERE instructor = '王卓然'",
)print(result)
  • 回复
[(9,)]

4）用 SKContext 实现多参数 Functions

  • 需求
    需要实现多参数（如果 Function 都只有一个参数，那么只要把参数定义为 {{KaTeX parse error: Expected 'EOF', got '}' at position 6: input}̲}，就可以按前面的例子来使用，…input}}会默认被赋值。多参数时，就不能用默认机制了，需要定义 SKContext 类型的变量。）
  • 多参数的用法
from semantic_kernel.skill_definition import sk_function, sk_function_context_parameter
from semantic_kernel.orchestration.sk_context import SKContextclass NewDBConnector:def __init__(self, db_cursor):self.db_cursor = db_cursor@sk_function(description="查询数据库", # function 描述name="query_database", # function 名字)@sk_function_context_parameter(name="sql_exp",description="SQL表达式",)@sk_function_context_parameter(name="output_prefix",description="输出的文本前缀",)def exec(self, context: SKContext) -> str:self.db_cursor.execute(context['sql_exp'])records = cursor.fetchall()return f"{context['output_prefix']}: {str(records)}"
----------------
# 加载 native function
new_db_connector = kernel.import_skill(NewDBConnector(cursor), "NewDBConnector")# 创建 SKContext
context = sk.ContextVariables()# 变量赋值
context["sql_exp"] = "SELECT COUNT(*) as count FROM Courses WHERE instructor = '王卓然'"
context["output_prefix"] = "课节数"# 看结果
result = await kernel.run_async(new_db_connector["query_database"],input_vars=context
)
print(result)
  • 回复
课节数: [(9,)]
  • 注意
    注意：多参数的 Native Function 的写法，在新版中会简化，详见：https://github.com/microsoft/semantic-kernel/blob/main/python/notebooks/08-native-function-inline.ipynb

5）Plugins/Skills（plugin/skill 就是一组函数的集合。它可以包含两种函数：）

  • 介绍
简单说，plugin/skill 就是一组函数的集合。它可以包含两种函数：
1、Semantic Functions - 语义函数，本质是 Prompt Engineering
2、Native Functions - 原生函数，类似 OpenAI 的 Function Calling值得一提的是，SK 的 plugin 会和 ChatGPT、Bing、Microsoft 365 通用。「很快」你用 SK 写的 plugin 就可以在这些平台上无缝使用了。这些平台上的 plugin 也可以通过 SK 被你调用。
  • 补充
    Plugins 最初命名为 Skills，后来改为 Plugins。但是文档中还可能有「Skill」遗留。见到后，就知道两者是一回事就好
  • 配套内置的plugin
from semantic_kernel.core_plugins import <PluginName>
  • ConversationSummaryPlugin - 生成对话的摘要
  • HttpPlugin - 发出 HTTP 请求，支持 GET、POST、PUT 和 DELETE
  • MathPlugin - 加法和减法计算
  • TextMemoryPlugin - 保存文本到 memory 中，可以对其做向量检索
  • TextPlugin - 把文本全部转为大写或小写，去掉头尾的空格（trim）
  • TimePlugin - 获取当前时间及用多种格式获取时间参数
  • WaitPlugin - 等待指定的时间
  • WebSearchEnginePlugin - 在互联网上搜索给定的文本

三、函数的嵌套调用

1）Semantic Function 嵌套调用(不用代码的函数)

2）Native Function 嵌套调用（纯代码调用）

四、Memory

1）初始化 Embedding

2）文本向量化

3）向量搜索

4）现在用函数嵌套做一个简单的 RAG

5）连接其它 VectorDB

五、Planner开发Agent

1）什么是智能体（Agent）

2）SK Python 提供了四种 Planner：

3）用 Planner 实现一个能使用搜索和日历工具的 Agent

六、VS Code 插件创建和调试Semantic Function

七、Semantic Kernel 对新版 Assistants API 的支持计划

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/741225.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

js的异常处理

js的异常处理

1、throw抛异常 throw抛出异常信息&#xff0c;程序也会终止执行&#xff1b; throw后面跟的是错误提示信息&#xff1b; new Error() 配个throw使用&#xff0c;能设置更详细的错误信息。 function counter(x,y) {if (!x || !y) {throw new Error(参数不能为空)}retu…
阅读更多...
Kotlin 数据解析（Gson）

Kotlin 数据解析（Gson）

一、添加依赖 build.gradle.kts(:app) // gson数据解析implementation("com.google.code.gson:gson:2.8.6") 对象类&#xff1a; // 对象类 class Account {var uid:String "00001"var userName:String "Freeman"var password:String &quo…
阅读更多...
k8s+wordpress+zabbix+elastic+filebeat+kibana服务搭建以及测试

k8s+wordpress+zabbix+elastic+filebeat+kibana服务搭建以及测试

一&#xff0c;环境&#xff1a;docker&#xff0c;k8s&#xff0c;zabbix&#xff0c;以及搭建worpdress&#xff0c;elasticsearch&#xff0c;filebeat&#xff0c;kibana 二&#xff0c;主机分配&#xff1a; 名称host详述个人博客3192.168.142.133 搭配mysql8.0.36的数据…
阅读更多...
DVWA靶场-暴力破解

DVWA靶场-暴力破解

DVWA是一个适合新手锻炼的靶机&#xff0c;是由PHP/MySQL组成的 Web应用程序&#xff0c;帮助大家了解web应用的攻击手段 DVWA大致能分成以下几个模块&#xff0c;包含了OWASP Top 10大主流漏洞环境。 Brute Force——暴力破解 Command Injection——命令注入 CSRF——跨站请…
阅读更多...
SublimeText4 安装

SublimeText4 安装

Sublime Text 可以编写html&#xff0c;css&#xff0c;js&#xff0c;php等等&#xff0c;是一个轻量、简洁、高效、跨平台的编辑器。 图1&#xff1a;SublimeText官网 Sublime Text具有漂亮的用户界面和强大的功能&#xff0c;例如代码缩略图&#xff0c;Python的插件&#…
阅读更多...
Java的编程之旅41——字符流

Java的编程之旅41——字符流

目录 1.字符流的简介 2.字符的编码与解码 3.字符流读写操作 1.字符流写入 2.字符流复制文件 4.FileWriter&FileReader 5.缓冲区高效读写 6.序列化与反序列化 1.字符流的简介 在Java中&#xff0c;字符流是用于处理字符数据的输入输出流。它是以字符为单位进行处理&a…
阅读更多...
读取txt文件并统计每行最长的单词以及长度

读取txt文件并统计每行最长的单词以及长度

读取txt文件并统计每行最长的单词以及长度 题目 在 D:\\documant.txt 文本中,文件中有若干行英文文本,每行英文文本中有若干个单词&#xff0c;每个单词不会跨行出现每行至多包含100个字符,要求编写一个程序,处理文件,分析各行中的单词,找到每行中的最长单词&#xff0c;分别…
阅读更多...
群晖docker安装sql server

群晖docker安装sql server

安装步骤 开启群晖 SSH&#xff0c;通过 SSH 工具连接到群晖&#xff0c;运行下面的命令拉取mssql 2019 镜像 sudo docker pull mcr.microsoft.com/mssql/server:2019-latest然后在 docker 中就可以看到该镜像&#xff1a; 在群晖 docker 共享文件夹中创建 mssql2009 文件夹 …
阅读更多...
ABAP - cl_gui_alv_grid cl_salv_table的各种处理

ABAP - cl_gui_alv_grid cl_salv_table的各种处理

这篇文章主要是记录一下cl_gui_alv_grid 和 cl_salv_table 两种方式的ALV的字段&#xff0c;事件等的处理 举例&#xff0c;下面这个是用一个screen&#xff0c;显示2个ALV&#xff1b;上面这一个是用alv grid的&#xff1b;下面那一个是用salv去实现的 alv grid 主要涉及&am…
阅读更多...
神舟通用-神通MPP

神舟通用-神通MPP

1、国产MPP 神通MPP是以多年大型通用数据库领域的研发实力为基础&#xff0c;集深厚的航天信息化建设经验&#xff0c;集成多项先进技术&#xff0c;为满足航天、政府、金融、电信等行业的海量数据分析统计应用需求而打造的分布式数据库软件&#xff0c;具有负载衡、在线扩展、…
阅读更多...
基于ssm的志愿者招募系统的设计与实现(程序+文档+数据库）

基于ssm的志愿者招募系统的设计与实现(程序+文档+数据库）

** &#x1f345;点赞收藏关注 → 私信领取本源代码、数据库&#x1f345; 本人在Java毕业设计领域有多年的经验&#xff0c;陆续会更新更多优质的Java实战项目&#xff0c;希望你能有所收获&#xff0c;少走一些弯路。&#x1f345;关注我不迷路&#x1f345;** 一、研究背景…
阅读更多...
nginx有几种启动方式

nginx有几种启动方式

Nginx 通常可以以两种主要的方式启动&#xff1a;作为前台进程运行或作为守护进程&#xff08;后台&#xff09;运行。 前台运行&#xff1a; 当Nginx以前台模式运行时&#xff0c;它会在命令行保持活动状态&#xff0c;所有的日志输出都会直接显示在命令行上。这种模式通常用于…
阅读更多...
Redis底层数据结构之List

Redis底层数据结构之List

文章目录 1. Redis 6的list源码分析1. Redis 7的list源码分析 1. Redis 6的list源码分析 首先我们查看一下redis 6关于list的相关配置&#xff1a; config get list*可以看见redis 6的quicklist底层使用的数据结构是ziplist list-compress-depth&#xff1a;表示一个quicklis…
阅读更多...
【力扣hot100】刷题笔记Day25

【力扣hot100】刷题笔记Day25

前言 这几天搞工作处理数据真是类似我也&#xff0c;还被老板打电话push压力有点大的&#xff0c;还好搞的差不多了&#xff0c;明天再汇报&#xff0c;赶紧偷闲再刷几道题&#xff08;可恶&#xff0c;被打破连更记录了&#xff09;这几天刷的是动态规划&#xff0c;由于很成…
阅读更多...
Node携手MongoDB探险旅行⛏️

Node携手MongoDB探险旅行⛏️

Node携手MongoDB探险旅行⛏️ 本篇文章&#xff0c;学习记录于&#xff1a;尚硅谷&#x1f3a2; 文章简单学习总结&#xff1a;如有错误 大佬 &#x1f449;点. 本篇不适合纯新手&#xff0c;因为本人已经使用很多数据库&#xff0c;很多数据库概念…就不会进行解释&#xff…
阅读更多...
presto / trino plugin（自定义UDF函数）开发指南

presto / trino plugin（自定义UDF函数）开发指南

方案1：自定义udf插件开发 1. Presto插件机制 presto不能像hive那样配置自定义的udf，而是采用插件机制实现。Presto 的插件(Plugin)机制，是 Presto 能够整合多种数据源的核心。通过实现不同的 Plugin，Presto 允许用户在不同类型的数据源之间进行 JOIN 等计算。Presto 内部的…
阅读更多...
10、设计模式之外观模式（Facade）

10、设计模式之外观模式（Facade）

一、什么是外观模式 这个大家一定是经常使用的&#xff0c;外观模式&#xff08;门面模式&#xff09;是一种结构型设计模式。它提供一个统一的接口&#xff0c;用于访问子系统中的一组接口&#xff0c;隐藏了系统的复杂性。最简单的应用就是&#xff0c;当controller层的逻辑处…
阅读更多...
C#实现二分查找算法

C#实现二分查找算法

C#实现二分查找算法 以下是一个使用 C# 实现的二分查找算法示例&#xff1a; using System;class Program {static int BinarySearch(int[] arr, int target){int low 0;int high arr.Length - 1;while (low < high){int mid (low high) / 2;// 如果目标值等于中间元素…
阅读更多...
doris安装（docker方式）

doris安装（docker方式）

背景 doris有两个进程 fe，处理用户请求，查询，元数据管理，节点管理be，数据存储，查询计划执行 架构图如下： 参考：https://doris.apache.org/zh-CN/docs/get-starting/what-is-apache-doris 1、定义docker-compose文件 version: 3 services:docker-fe:image: "apac…
阅读更多...
MySQL数据库自动备份（Linux操作系统）

MySQL数据库自动备份（Linux操作系统）

方式一 参考&#xff1a;https://blog.csdn.net/qq_48157004/article/details/126683610?spm1001.2014.3001.5506 1.MySQL备份脚本 在/home/backups/下建立.sh文件&#xff0c;文件名称 mysql_backup.sh ,内容如下 #!/bin/bash #备份路径 BACKUP/home/backups/mysqlBackup…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023