logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

设计模式详解之工厂模式和策略模式(理论+实例,包你听懂!)

本文介绍了工厂模式和策略模式的设计模式应用。工厂模式通过统一创建对象来隔离业务逻辑与对象创建,解决if-else创建逻辑污染业务代码的问题;策略模式则将不同行为抽象为策略接口,使业务流程稳定且行为可插拔。两种模式常配合使用:工厂负责选择策略对象,策略负责执行具体行为。这种组合能有效提升系统的可扩展性和维护性,适用于需求迭代快、渠道多的复杂系统。文章通过支付系统和营销系统的实例,展示了如何运用这些模

#设计模式#策略模式#简单工厂模式 +1
哈希链表(LinedHashMap)

【代码】哈希链表(LinedHashMap)

#哈希算法#数据结构
上下文是什么?Token 怎么计费?从 messages数组到 Prompt Cache

HTTP 接口 + messages JSON 数组 + 一次请求和一次响应ChatGPT、Claude 和各种 AI 编程工具,底层都可以抽象成这个结构。它们主要替用户维护messages数组,再加入上下文压缩、历史保留和信息裁剪等策略,让模型在有限的上下文窗口内继续工作。LLM 是负责预测和生成内容的基础模型。Agent 是围绕 LLM 组织上下文、调用工具和完成任务的一套工程系统。messa

上下文是什么?Token 怎么计费?从 messages数组到 Prompt Cache

HTTP 接口 + messages JSON 数组 + 一次请求和一次响应ChatGPT、Claude 和各种 AI 编程工具,底层都可以抽象成这个结构。它们主要替用户维护messages数组,再加入上下文压缩、历史保留和信息裁剪等策略,让模型在有限的上下文窗口内继续工作。LLM 是负责预测和生成内容的基础模型。Agent 是围绕 LLM 组织上下文、调用工具和完成任务的一套工程系统。messa

上下文是什么?Token 怎么计费?从 messages数组到 Prompt Cache

HTTP 接口 + messages JSON 数组 + 一次请求和一次响应ChatGPT、Claude 和各种 AI 编程工具,底层都可以抽象成这个结构。它们主要替用户维护messages数组,再加入上下文压缩、历史保留和信息裁剪等策略,让模型在有限的上下文窗口内继续工作。LLM 是负责预测和生成内容的基础模型。Agent 是围绕 LLM 组织上下文、调用工具和完成任务的一套工程系统。messa

在Docker中部署tomcat过程中的问题

问题1:外网无法通过IP+端口直接访问基于tomcat的docker容器.问题2:外网可以访问对应的网页,但是显示404。本文讲的内容都是基于已经学会简单的部署镜像到容器的人,有些简单的指令和选项不会讲解用法。

文章图片
#docker#tomcat#容器 +1
# Docker 从零到大牛(超详细讲解,零基础入门必看,更新到Docker容器编排)

编写Dockerfile(参考上述语法)执行构建命令:docker build -t your-username/your-image:tag . # -t指定镜像名,`.`表示当前目录为构建上下文示例:docker build -t alice/web-server:v1 . # 构建名为web-server的镜像。

文章图片
#docker#容器#运维 +2
从零到上线:一次真实的 Docker 部署问题记录

本文记录了在Linux服务器上使用DockerCompose部署Go聊天系统时遇到的一系列问题及解决方案。主要挑战包括:服务名冲突、YAML语法错误、MySQL启动顺序问题、Redis域名解析失败、MySQL表初始化失败、环境差异导致的Go命令缺失,以及Windows客户端连接DockerMySQL的问题。通过分析错误日志,逐一解决了容器冲突、网络配置、端口映射等问题,最终实现三大服务(MySQL

#网络#容器#docker +2
Go程序员学习AI大模型项目实战:从环境管理到核心架构抽象

摘要: ZerolanCore是一个AI模型集成框架,采用类Go的工程化设计解决Python项目常见的依赖冲突、接口混乱等问题。核心机制包括:1)使用uv工具链管理虚拟环境,确保依赖隔离;2)通过AbstractModel抽象类统一不同AI模型的接口规范;3)基于Flask构建应用层,实现MVC架构;4)动态加载机制优化资源使用。该框架强调解耦设计,配置驱动和确定性部署,为LLM、ASR等多模态模

文章图片
#golang#学习#人工智能 +1
Go程序员学习AI大模型项目实战02:给 AI 装上“大脑”:从配置解包到流式生成的深度拆解

本文深入解析了ZerolanCore中大语言模型(LLM)的核心实现机制。文章首先介绍了Python中通过@dataclass和字典解包实现的轻量级配置管理,对比了Go和Python在配置处理上的差异。随后揭示了Tokenizer与Model的协作原理,展示了大模型从序列化到推理再到反序列化的完整流程。重点剖析了使用yield关键字实现的流式生成机制,以及Web层采用NDJSON协议实现的数据推送

文章图片
#golang#学习#人工智能 +1
    共 30 条
  • 1
  • 2
  • 3
  • 请选择