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

【WPF实战】MVVM中如何从数据模型反查自定义控件实例(ImageView + Halcon)

摘要:本文介绍在WPF MVVM架构中实现数据模型反向访问控件的解决方案。通过自定义ImageView控件绑定Halcon图像窗口,提出在数据模型CameraGraphicInfo中添加ViewRef属性,并在控件加载时自动注册引用的方法。相比传统的视觉树查找方案,该方法具有简洁稳定、强类型支持等优势,特别适用于需要深度操作图像控件的场景。文章还对比了不同实现方式的优劣,为Halcon+WPF开发

文章图片
#wpf
【AI】解决 Cursor 无法通过 SSH 连接 Linux 服务器的问题

摘要:本文详细解决了Cursor编辑器通过SSH连接Linux服务器失败的问题。主要发现两个原因:Windows防火墙拦截系统自带ssh.exe,以及MobaXterm的SSH配置文件错误。提供了三种解决方案:修复MobaXterm配置文件(方案A)、让Cursor使用MobaXterm的SSH客户端(推荐方案B)或修改Windows防火墙规则(方案C)。重点推荐方案B,需在Cursor设置中指定

#ssh#linux
【AI】Cursor 编辑器使用指南

Cursor编辑器是一款基于VS Code的AI驱动代码开发工具,深度集成了多种AI功能。它提供四种交互模式:Agent模式(自主完成任务)、Plan模式(先规划后执行)、Debug模式(错误排查)和Ask模式(纯问答)。支持多款AI模型选择,包括Claude、GPT、Gemini等,可根据任务需求自动或手动选择最优模型。编辑器内置快捷工具栏,支持添加上下文、引用文件、Web搜索、图片分析和语音输

#人工智能#编辑器
【AI】一次与AI协作编程总结

本文记录了一次AI辅助调试批处理脚本的过程。最初尝试解决if exist命令在中文路径下的语法错误,通过添加调试输出、对比测试等方式定位问题。发现批处理对中文路径存在根本性限制后,转而采用Python方案,利用pathlib完美解决路径处理问题。调试过程体现了:1)逐步缩小问题范围的方法;2)识别技术根本性限制的重要性;3)及时切换更优方案的价值。最终Python版本不仅解决了问题,还提升了代码可

#人工智能
【AI】AI大模型之流式传输(前后端技术实现)

**流式传输(Streaming)**是一种数据传输方式,数据以连续流的形式逐步发送和接收,而不是一次性传输全部数据。

#人工智能#AI
WPF 拖拽(Drag & Drop)完全指南:从入门到精通

WPF 拖拽(Drag & Drop)核心实现指南 本文介绍了WPF中实现拖拽功能的两个关键事件: PreviewDragOver(隧道事件) 在拖动过程中持续触发 用于数据验证和视觉反馈 通过设置e.Effects决定允许的操作类型 Drop(冒泡事件) 在释放鼠标时触发一次 执行实际的拖放业务逻辑 需要配合PreviewDragOver使用 实战示例展示了如何实现可拖拽排序的ListB

文章图片
#wpf
【C#】C# 中 `ProcessStartInfo` 详解:启动外部进程

在 C# 开发中,我们经常需要调用外部程序或命令行工具,比如运行 Python 脚本、执行 CMD 命令、启动可执行文件(.exe)、调用 Git、FFmpeg、YOLO 等工具。这时,`.NET` 提供的 `Process` 和 `ProcessStartInfo` 类就是我们的“万能钥匙”。

文章图片
#c##开发语言
【CMake 】[第十篇]CMake find_package 完全指南:让第三方库集成变得简单

CMake find_package 简明指南 find_package 是 CMake 中用于集成第三方库的核心命令,它能自动查找库文件、设置包含路径和链接选项。通过简单的 find_package(OpenCV REQUIRED) 即可集成 OpenCV 等常用库,相比手动配置更加可靠和跨平台兼容。 主要特点: 自动搜索系统路径中的库配置文件 支持版本检查(如 find_package(Ope

#c++
【AI】RAG智能问答的三层优化策略

本文介绍了RAG智能问答系统的三层优化策略,旨在解决工业现场工作人员查询各类信息的需求。第一层在数据层面通过分类标注信息类型(如故障处理、操作指南等);第二层通过关键词匹配识别用户意图;第三层通过精心设计的Prompt引导LLM生成符合问题类型的回答。这种分层优化方法使系统不仅能处理故障报警,还能有效回答操作指南、维护保养等各类现场工作问题,提高了问答的准确性和实用性。

#人工智能#大数据#RAG
【AI】RAG智能问答的三层优化策略

本文介绍了RAG智能问答系统的三层优化策略,旨在解决工业现场工作人员查询各类信息的需求。第一层在数据层面通过分类标注信息类型(如故障处理、操作指南等);第二层通过关键词匹配识别用户意图;第三层通过精心设计的Prompt引导LLM生成符合问题类型的回答。这种分层优化方法使系统不仅能处理故障报警,还能有效回答操作指南、维护保养等各类现场工作问题,提高了问答的准确性和实用性。

#人工智能#大数据#RAG
    共 49 条
  • 1
  • 2
  • 3
  • 4
  • 5
  • 请选择