搜索到
86
篇与
的结果
-
记录下从SpringBoot2.7升级到SpringBoot3.2.4问题处理 Dataroom从SpringBoot2.7升级到SpringBoot3.2.4 为了使用让DataRoom引入MCP，整合Spring AI体系，升级SrpingBoot 升级到Jakarta EE Java EE 已更改为 Jakarta EE，Spring Boot 3.x 的所有依赖项 API 也从 Java EE 升级为 Jakarta EE。 简单来说，您需要将所有 javax 的 imports 都替换为 jakarta。具体如下： javax.persistence.* -> jakarta.persistence.* javax.validation.* -> jakarta.validation.* javax.servlet.* -> jakarta.servlet.* javax.annotation.* -> jakarta.annotation.* javax.transaction.* -> jakarta.transaction.* 换mybatis依赖 Invalid value type for attribute ‘factoryBeanObjectType‘: java.lang.String 所以升级 Mybatis-Plus 版本为 3.5.5 版本即可，需要注意下 Maven 的坐标标识 是mybatis-plus-spring-boot3-starter，这点和SpringBoot 2 的依赖坐标mybatis-plus-boot-starter有所区别 第一步：注释spring-boot-starter <!-- <dependency>--> <!-- <groupId>com.baomidou</groupId>--> <!-- <artifactId>mybatis-plus-boot-starter</artifactId>--> <!-- <version>${mybatis.plus.version}</version>--> <!-- </dependency>--> 第二步：引入新的依赖 <dependency> <groupId>com.baomidou</groupId> <artifactId>mybatis-plus-spring-boot3-starter</artifactId> <version>3.5.5</version> </dependency> 第三步 <dependencyManagement> <dependencies> <dependency> <groupId>org.mybatis</groupId> <artifactId>mybatis-spring</artifactId> <version>3.0.3</version> </dependency> </dependencies> </dependencyManagement> 动态数据源修改 第一步注释如下代码 <dependency> <groupId>com.baomidou</groupId> <artifactId>dynamic-datasource-spring-boot-starter</artifactId> <version>3.5.0</version> </dependency> 第二步：引入依赖 <dependency> <groupId>com.baomidou</groupId> <artifactId>dynamic-datasource-spring-boot3-starter</artifactId> <version>4.2.0</version> </dependency> -
-
用AI生成的原型设计稿效果还可以 用AI生成的原型设计稿效果还可以 提示词如下 # 主界面布局 ## 整体结构 - **简洁的双栏式布局**：左侧窄导航栏、右侧宽内容区 - **顶部标题栏**：包含应用图标和最小化/最大化/关闭按钮 - **底部帮助按钮**：提供快速访问支持资源 ## 左侧导航栏 - **垂直排列的四个主要功能图标**：会议、人声、串联、设置（底部为帮助按钮） - **每个图标配有简洁文字标签** - **采用简约图标设计**，突出功能识别度 - **当前选中的功能以高亮状态显示** --- ## 功能区块设计 ### 1. 会议记录区域 #### 文件导航子菜单 - 位于左侧导航栏右侧，展示分类文件夹 - 包含四个主要选项： - **最近文件** - **我的文件** - **收藏文件** - **垃圾箱** - 每个选项配有直观图标，点击后在主内容区显示对应内容 #### 主内容区文件列表 - **顶部功能区**： - **开始录音按钮** - **上传音频按钮** - **搜索框** - **表格式文件列表**，包含列标题： - 名称 - 类型 - 时长 - 创建时间 - 操作 - **空白状态** 显示提示信息和操作建议 - **列表支持排序和筛选功能** --- ### 2. 录音/会议详情视图 - 点击 **"开始录音"** 后转换为录音界面，显示 **波形图和实时转写内容** - **会议详情页面** 分为上下两部分： - **音频控制** - **文本转写** - **按发言人分色显示转写文本** - **右侧工具栏** 提供： - **编辑** - **导出** - **分享功能** --- ## 视觉规范 ### 色彩系统 - **主色**：`#2B5BFF`（品牌蓝） - **辅助色**：`#F5F7FA`（背景灰） - **文字色**： - 主要文字：`#1D2129` - 次要文字：`#4E5969` - 说明文字：`#86909C` - **边框色**：`#E5E6EB` - **分割线**：`#E5E6EB` - **背景色**： - **主背景**：`#FFFFFF` - **次要背景**：`#F5F7FA` ### 字体规范 #### 标题 - **H1**：20px, Medium - **H2**：18px, Medium - **H3**：16px, Medium #### 正文 - **主要文字**：14px, Regular - **次要文字**：13px, Regular - **辅助文字**：12px, Regular --- ### 间距规范 - **内容区块间距**：24px - **组件内部间距**：16px - **文本行高**：1.5 - **图标尺寸**：16px / 20px / 24px ### 阴影效果 - **浅阴影**：`0 2px 4px rgba(0,0,0, 0.05)` - **中阴影**：`0 4px 8px rgba(0,0,0, 0.1)` - **深阴影**：`0 8px 16px rgba(0,0,0, 0.15)` ### 圆角规范 - **大圆角**：8px - **中圆角**：4px - **小圆角**：2px APP的效果也还可以
-
Tauri2.0尝鲜-正式版脚手架搭建 Tauri 2.0正式版脚手架搭建 Tauri已经迅速成为使用Web技术构建轻量级、安全桌面应用的最受欢迎框架之一。随着Tauri 2.0正式版的发布，现在是探索如何搭建一个生产就绪的脚手架的最佳时机，该脚手架提供了专业桌面应用开发所需的所有工具。 在本文中，我将介绍一个完整的Tauri启动模板，它支持Web和桌面双环境运行，采用现代React + TypeScript技术栈，并包含构建精美、生产就绪应用程序所需的所有基本工具。 为什么选择Tauri 2.0？ 在深入探讨我们的脚手架之前，让我们快速回顾一下Tauri 2.0的特点： 更小的打包体积：Tauri应用比Electron替代方案显著更小 增强的安全性：基于Rust的安全原则，采用严格的权限模型 更好的性能：更低的内存消耗和更快的启动时间 多平台支持：从单一代码库为Windows、macOS和Linux构建应用 Web/桌面统一：相同的代码库可以同时作为Web应用和桌面应用运行 随着Tauri 2.0的发布，这些优势得到了增强，包括改进的API、更好的开发体验和更强大的跨平台兼容性。 Tauri桌面Web启动模板介绍 我们将要探索的脚手架为Tauri 2.0应用程序提供了全面的基础。它结合了现代前端技术和Tauri的Rust后端能力，为Web和桌面环境提供了优化的开发体验。 技术栈 我们的启动模板汇集了一流的技术： 核心框架：Tauri 2.0 + Vite + React + TypeScript UI组件：Tailwind CSS + Shadcn UI + Lucide Icons 状态管理：Redux Toolkit 国际化：i18n 后端：Rust 开发工具：用于API模拟的Mock服务 这种组合提供了性能、开发体验和功能完整性的完美平衡。 主要特性 该脚手架具有多项功能，使开发更加顺畅高效： 开箱即用的工程配置：跳过繁琐的设置过程 深色/浅色主题切换：内置主题支持，包括系统主题检测 自定义窗口标题栏：Windows和macOS风格选项 状态管理最佳实践：组织良好的Redux实现 类型安全：完整的TypeScript集成 国际化：开箱即用的多语言支持 Mock数据支持：开发过程中不依赖后端服务 项目结构 了解项目结构对于有效开发至关重要。我们的脚手架遵循清晰合理的组织方式： tauri-desktop-web-starter/ ├── components/ # 公共UI组件 ├── hooks/ # 自定义React Hooks ├── lib/ # 工具库和配置 ├── src/ # 前端源代码 │ ├── assets/ # 静态资源 │ ├── models/ # 数据模型定义 │ ├── pages/ # 页面组件 │ ├── store/ # Redux状态管理 │ │ ├── common/ # 通用状态 │ │ └── index.ts # Store配置 │ ├── translations/ # 国际化文件 │ ├── utils/ # 工具函数 │ │ └── mock/ # Mock服务 │ ├── Home.tsx # 主页组件 │ └── main.tsx # 入口文件 ├── src-tauri/ # Tauri/Rust后端代码 ├── public/ # 公共资源 ├── package.json # 项目依赖配置 ├── postcss.config.js # PostCSS配置 ├── tailwind.config.ts # Tailwind CSS配置 ├── tsconfig.json # TypeScript配置 ├── tsconfig.node.json # Node环境TypeScript配置 └── vite.config.ts # Vite配置 这种组织方式促进了关注点的清晰分离，使应用程序的不同部分易于定位和操作。 开始使用 让我们来看看如何为您自己的项目设置和使用这个脚手架。 环境准备 在开始之前，确保已安装以下工具： Rust：Tauri后端的基础 curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh Node.js：前端JavaScript环境 pnpm：我们选择的包管理器，提供更快、更高效的依赖管理 npm install -g pnpm Tauri CLI：Tauri开发必备 cargo install tauri-cli 开发工作流 安装好先决条件后，可以开始开发： 安装依赖： pnpm install 启动开发服务器： 桌面应用开发： pnpm dev Web开发： pnpm wdev 这种双环境支持允许您在两种环境中开发和测试应用程序。 构建应用程序： 桌面应用打包： pnpm tauri build Web应用构建： pnpm build 功能展示 启动模板开箱即带有精美的UI，包括对不同主题的支持： 浅色主题，提供清晰明亮的界面 深色主题，减少眼睛疲劳，呈现现代美感 系统主题检测，匹配用户偏好 自定义标题栏，符合各操作系统的设计指南 IDE推荐配置 为获得最佳开发体验，我们推荐使用： VS Code 并安装以下扩展： Tauri扩展，增强Tauri开发 rust-analyzer，提供Rust代码智能 这种组合提供了智能代码补全、内联错误检测以及其他特定于Tauri和Rust开发的生产力功能。 自定义和扩展 脚手架设计为易于自定义。以下是您可能想要进行的一些常见自定义： 添加新UI组件：放置在components目录中 创建新页面：添加到src/pages目录 扩展状态管理：向Redux存储添加新的切片 添加Rust功能：使用自定义Rust代码增强src-tauri后端 设置新主题：在Tailwind中修改主题配置
-
Langchain 回顾 🚀打造 AI 应用的核心利器 Langchain 是一个专为构建基于大语言模型（LLM）的应用而生的强大工具。它将 LLM、向量数据库、记忆机制、提示模板等模块进行了系统整合，大大简化了复杂 AI 应用的开发流程。本文将结合思维导图，对 Langchain 的核心能力做一个全面回顾，并介绍其生态工具 —— LangSmith，让我们能够对 LLM 应用进行高效调试与评估。 🧠 一、Language Model（语言模型） Langchain 提供了对多种主流 LLM 的集成，包括： OpenAI、ChatGLM、Claude、LLaMA、Qwen 等主流模型 支持封装为 LLM、Chat Model 两种类型 提供如 HumanMessage、SystemMessage、AIMessage 等统一结构，构建清晰上下文 支持 Embedding，集成了 text2vec、openai-embeddings 等方案 🧾 二、Prompt 模块（提示词构建） Langchain 封装了 Prompt 构建、示例选择、输出解析等功能： PromptTemplate：参数化构建提示词模板 ExampleSelector：支持基于语义相似度选择 few-shot 示例 Output Parsers：将 LLM 输出转为结构化数据，如 JSON、列表等 🧠 三、Memory（记忆模块） 用于保存对话历史、构建上下文感知的智能体（Agent）系统： 支持 ConversationBufferMemory、SummaryMemory、VectorStoreMemory 等 能力包括短期记忆（会话）与长期记忆（知识） 📚 四、Index 模块（索引与检索） Langchain 提供完整的 RAG 流程： 文档加载（Document Loaders）：支持 txt、PDF、Notion、Web 等 文本切分（Text Splitters）：如 RecursiveCharacterTextSplitter 向量数据库（Vector Store）：支持 FAISS、Chroma、Weaviate 等 检索器（Retriever）：封装 .as_retriever() 进行文档查询 🧪 五、LangSmith：Langchain 应用的调试和评估平台 LangSmith 是 Langchain 官方出品的可视化调试与监控平台，专门用于： 🔍 1. 调试链式调用过程 记录每一步链的调用细节 可视化展示 Prompt 输入、输出及 Token 使用情况 支持逐步调试复杂链（Chain）和 Agent 执行流程 📊 2. 性能评估与对比 定义多个 Prompt 模板进行 A/B 测试 自动记录响应时间、成功率、评分等指标 与 OpenAI Function、Tool 使用情况无缝集成 ☁️ 3. 生产环境监控 监控 Agent 的运行行为、失败重试 接入自定义评分函数，对每次调用进行标注 ✨ 总结一句话： LangChain 让你快速构建 LLM 应用，LangSmith 让你安心上线并优化它。 🧩 六、应用场景示例 聊天机器人 / 客服系统 企业文档问答 / 私人知识库 表单解析 / 结构化信息提取 智能搜索系统（结合向量检索） Prompt 模板测试平台（结合 LangSmith） 一个比较完整的python demo实现 #langsmith 的key #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 import os os.environ['USER_AGENT'] = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3' from langchain_community.llms import Ollama from langchain import hub from langchain.agents import create_openai_functions_agent from langchain.agents import AgentExecutor from langchain_core.messages import HumanMessage, AIMessage from langchain_community.vectorstores import FAISS from langchain_community.document_loaders import WebBaseLoader from langchain_text_splitters import RecursiveCharacterTextSplitter from langchain.tools.retriever import create_retriever_tool from langchain_community.tools.tavily_search import TavilySearchResults from langchain_ollama import OllamaEmbeddings from langchain_ollama import OllamaLLM # from langchain.pydantic_v1 import BaseModel, Field from pydantic import BaseModel, Field from fastapi import FastAPI from typing import List from langserve import add_routes from langchain_core.messages import BaseMessage ### 1.加载检索器 loader = WebBaseLoader("https://docs.smith.langchain.com/user_guide") docs = loader.load() text_splitter = RecursiveCharacterTextSplitter() documents = text_splitter.split_documents(docs) embeddings = OllamaEmbeddings(base_url="http://172.16.1.27:11434", model="nomic-embed-text:latest") vector = FAISS.from_documents(docs,embeddings) retriever = vector.as_retriever() ### 2. 创建工具 retriever_tool = create_retriever_tool( retriever, "langsmith_search", "搜索与LangSmith相关的信息。有关LangSmith的任何问题，您必须使用此工具！", ) search = TavilySearchResults() tools = [retriever_tool, search] ### 3.创建代理人 # 加载模型 llama = OllamaLLM(model="llama3.2-vision:latest",base_url="http://172.16.1.27:11434") # 获取要使用的提示 - 您可以修改此提示！ prompt = hub.pull("hwchase17/openai-functions-agent") agent = create_openai_functions_agent(llama, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # 4. 应用程序定义 app = FastAPI( title="LangChain服务器", version="1.0", description="使用LangChain的可运行接口的简单API服务器", ) # 5. 添加链路由 class Input(BaseModel): input: str chat_history: List[BaseMessage] = Field( ..., extra={"widget": {"type": "chat","input":"location"}}, ) class Output(BaseModel): output: str add_routes(app, agent_executor.with_types(input_type=Input, output_type=Output), path="/agent") if __name__ == "__main__": import uvicorn uvicorn.run(app, host="localhost", port=8000) 🧷 七、总结 Langchain 是构建大模型应用的主干框架，围绕核心模块 —— Prompt、Memory、Index、LLM，打通了从数据到生成的全链路。而 LangSmith 则作为配套工具，填补了 调试、测试、监控 的空白，帮助我们更好地构建可信的 AI 应用。 好的！既然你希望对比 Langchain + LangSmith 与其它技术方案，那我们可以从几个维度来做一个 横向对比分析，让你的博客不仅回顾 Langchain，还凸显它的优势和适用场景。 🧭 Langchain 与其他 LLM 应用框架的对比分析 在构建 LLM 应用时，除了 Langchain，还有不少热门的框架和工具，比如： 框架名称 核心特点 是否组件化 是否支持 Agent 调试能力 主打场景 Langchain 模块化封装 Prompt、Memory、索引、Agent ✅ ✅ ✅（搭配 LangSmith） RAG、ChatBot、Agent LlamaIndex 强调数据索引能力，集成多种文档加载/拆分方式 ✅ ⚠️（基础 Agent 支持） ❌ 文档问答、知识库 Haystack 企业级搜索和问答，支持自定义 Pipeline ✅ ✅ ✅（较重配置） 企业内部搜索、QA Autogen (MS) 多 Agent 协作框架，适合任务分工 ⚠️（较弱） ✅（核心） ❌（需配合日志） Agent 协作系统 Flowise 可视化 Langchain，拖拽式搭建 ✅（UI） ✅（底层用 Langchain） ✅（UI可视化） 快速原型、低代码 🔍 详细维度分析 1. 开发体验 对比项 Langchain LlamaIndex Haystack Autogen Flowise 上手难度 中（模块较多） 低（专注文档检索） 中高（配置多） 高（偏研究） 低（拖拽） 模块化 ✅ ✅ ✅ ⚠️ ✅ 类型支持 文档问答、对话、Agent 文档问答 QA Pipeline 多智能体任务 Chat/RAG 📌 如果你要构建复杂的 AI 应用，Langchain 的模块化设计 + LangSmith 调试工具，开发体验更全面。 2. 文档问答能力（RAG 架构支持） 对比项 Langchain LlamaIndex Haystack 向量索引支持 ✅（多种 VectorStore） ✅ ✅ 文档加载丰富度 ✅ ✅ ✅ 拆分策略 丰富（Recursive、Token等） 丰富 主要基于段落 多源融合 ✅ ✅ ✅ 检索方式灵活性 高（自定义 Retriever） 中 中 📌 Langchain 与 LlamaIndex 都支持强大的 RAG，Langchain 更适合自定义 Agent 与对话流整合。 3. Agent 能力对比 对比项 Langchain Agent Autogen Haystack 多工具调用 ✅ ✅ ✅（较少） 工具链整合 ✅（Tool/Toolkits） ✅（需自建 Tool） ⚠️ 多 Agent 协作 ✅（Router Chain） ✅（核心能力） ❌ 日志追踪 ✅（配合 LangSmith） ❌ ✅（基本） 📌 如果你是搞 Agent 系统的，Autogen 适合多智能体协作研究，但 Langchain 更适合落地和定制。 4. 调试与监控（LangSmith 优势突显） 框架 是否支持可视化调试 是否支持运行监控 自定义评分支持 是否 SaaS 服务 Langchain + LangSmith ✅ ✅ ✅ ✅（LangSmith 平台） LlamaIndex ❌ ❌ ❌ ❌ Haystack 部分 部分 需手动配置 ❌ Autogen ❌（手工打印） ❌ ❌ ❌ 📌 LangSmith 是目前 最适合 LLM 应用调试的可视化平台，对链条调用非常透明。 ✅ 总结：我该选谁？ 你想快速构建实用型 AI 应用（问答、客服、Agent）：用 Langchain + LangSmith 你只想搞定文档问答系统：可以考虑 LlamaIndex 你有企业级搜索需求：考虑 Haystack 你研究智能体协作：玩玩 Autogen 你是产品经理或低代码开发者：试试 Flowise
