一、数据库概述 数据库是一种用于存储和管理拥有固定格式和结构数据的仓库型数据管理系统。其主要用于业务数据的存储和业务逻辑运算，具体负责保障数据的安全性、完整性、多用户对数据的并发使用以及发生故障后的系统恢复。 二、数据库的体系架构 数据库内核:对数据进行写入、读取与查询等核心操作； 数据库管理平台:对数据库集群进行统一管理和维护； 数据库周边工具:提升数据库的使用效率，改善用户体验。 三、数据库的分类 （一）按功能:OLTP事务型数据库、OLAP分析型数据库、HTAP混合型数据库 （二）按数据:传统关系型数据库、NoSQL数据库、NewSQL数据库、多数据库 关系型数据库是指采用了关系模型来组织数据的数据库，是由二维的行、列组成的表格及其之间的联系构成的数据组织。表格中每一行代表一条独有的数据记录，而各列则代表了同一数据记录的不同特性。典型的关系型数据库有 Oracle、MySQL、DB2、Microsoft SQL Server 和 Microsoft Access 等。 非关系型数据库（NoSQL数据库）是区别于关系数据库的其余数据库的统称。它是用非关系模型，存储非结构化的如图像、音视频等类型数据的数据库。非关系型数据库不仅可以通过嵌套类的方式将互有关系的数据存储在同一结构当中，还可以横向到达多个处理器。非关系数据库包括键值数据库、文件数据库、图形数据库、时间序列数据库、列式数据库等五种类型。常见的非关系数据库有Memcached、 Redis、MongoDB、HBase、Neo4J等。 （三）按架构:层次式数据库、网络式数据库、关系式数据库 （四）按存储介质:硬盘数据库、内存数据库 （五）按部署模式:本地数据库、云数据库 （六）按商业模式:开源数据库、商业数据库 （七）按技术流派：Oracle系、MySQL、Informix系、PostgreSQL系等 （八）按技术架构：集中式、分布式 （九）按发展进程：传统、云化、开源 四、数据库产业链 五、国产数据库 国产数据库可以分为传统商用数据库、云数据库以及开源数据库，传统商业数据库主要包括武汉达梦、南大通用、人大金仓和神州通用；云数据库以阿里OceanBase、华为Gauss DB、腾讯云、百度云等为代表，具备较强的自研能力，但在生态方面较前两类薄弱很多；开源数据库，主要包括瀚高科技、优炫软件、巨杉数据库和星环科技。数据库领域信创可以利用云数据库和开源数据库推进建立并形成符合自身利益的数据库生态，目前国内全栈的云厂商，占据云生态优势，使其在软硬件协同方面有机会做一步优化，实现数据库整体性能的提升，新兴厂商主要是最新一代的面向云原生架构的数据库，架构优势更为明显。 （一）武汉达梦 武汉达梦成立于2000年，为中国电子信息产业集团(CEC)旗下基础软件企业，达梦数据库主要用于金融、电力、航空、通信、电子政务等30多个行业领域。 （二）南大通用 南大通用是一家数据库产品和解决方案供应商，为数据分析、数据挖掘、商业智能、海量数据管理等服务。数据库产品主要应用在金融、电信、政府、交通、军工、电力等上百个行业系统。 （三）人大金仓 人大金仓的数据库产品包含三类核心产品：数据存储计算、数据采集交换以及数据应用分析。 金仓交易型数据库KingbaseES，入选国家自主创新产品目录的数据库产品，也是国家级、省部级实际项目中应用最广泛的国产数据库产品。 （四）腾讯CynosDB 腾讯CynosDB是新一代分布式数据库，100%兼容MySQL和PostgreSQL，支持存储弹性扩展，一主多从共享数据，性能更是超越社区原生MySQL和PostgreSQL。CynosDB采用share storage架构，其弹性扩展和高性价比的基石则是CynosDB File System（简称CynosFS）：一款腾讯云自研的用户态分布式文件系统。

还有兄弟不知道网络安全面试可以提前刷题吗？费时一周整理的160+网络安全面试题，金九银十，做网络安全面试里的显眼包！ 王岚嵚工程师面试题（附答案），只能帮兄弟们到这儿了！如果你能答对70%，找一个安全工作，问题不大。 对于有1-3年工作经验，想要跳槽的朋友来说，也是很好的温习资料！ 【完整版领取方式在文末！！】 93道网络安全面试题 内容实在太多，不一一截图了 黑客学习资源推荐 最后给大家分享一份全套的网络安全学习资料，给那些想学习 网络安全的小伙伴们一点帮助！ 对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。 1️⃣零基础入门 ① 学习路线 对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。 ② 路线对应学习视频 同时每个成长路线对应的板块都有配套的视频提供： 网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。 需要这份系统化资料的朋友，可以点击这里获取 一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！ 2. 漏洞原理解析 通俗来讲：攻击者可以通过 Lodash 的函数覆盖或污染JavaScript 对象的原型（prototype） 例如：通过 **Lodash**库中的函数 defaultsDeep 可以修改 Object.prototype 的属性。JavaScript 在读取对象中的某个属性时，如果查找不到就会去其原型链上查找。试想一下，如果被修改的属性是 toString 方法，例如： const payload = '{"constructor": {"prototype": {"toString": true}}}' _.defaultsDeep({}, JSON.parse(payload)) payload又为用户输入的数据，那么，在调用Object.prototype.toString 时就会非常不安全了。 lodash原型污染漏洞出现在Lodash:4.17.12版本以下，我们可以来看下，依赖源码出现漏洞的地方： 结论： 实现了一个 safeGet 的函数来避免获取原型上的值。但是没有考虑到构造方法constructor的情况，因此，在lodash“连夜”发版修复方法： 3. 修复漏洞 在理解了漏洞如何出现的情况下，下面我们要做的就是修复漏洞了。到这里，有些人可能就明白了，既然原型污染漏洞是由于lodash版本过低导致的，那我直接将package.json中lodash版本库改为最新的4.17.21不就行了。别急，下面我们循序渐进，由浅入深的理解并修复这个漏洞。 tips:以下操作前请做好项目备份 3.1 直接版本升级解决 假如你的项目很简单，并且package.json也很直观的显示了引入的lodash版本低于4.17.12，那么大概率直接修改版本就解决了。如果修改解决不了，可以试试修改版本号后。 删除node_modules和package-lock.json,重新npm install一下 3.2 子依赖lodash问题解决 上面的情况是最好的情况，也是最简单的情况，但是实际上，我们遇到的问题可能比这个复杂的多。因为lz发现，本地前端项目package.json根本就没有引入lodash依赖。 这种情况下，上面那种方法就很明显行不通了，版本都没引入更遑论改版本了，那么，问题来了。既然没有引入lodash.js，那么**_.defaultsDeep方法又是哪来的呢。经过我的排查，终于发现，在package-lock.json文件下，显示了引入了多个不同版本的lodash，正如我前面所说，lodash 作为一款非常流行的npm库，提供了很多的方法。所以也是很多第三方库的子依赖。我不引用它，不代表第三方库不引用它。而且从全局搜索来看，引入的地方还挺多。因此也没法一个个改。经过学习了解，发现可以通过resolutions**指定子依赖版本。 在 npm 中，resolutions 字段通常用于解决依赖版本冲突的问题。当你使用 resolutions 字段时，你可以强制指定某个依赖包的版本，以确保项目中使用的依赖包版本符合你的要求。

企业自动化的未来趋势是什么？科技巨头们普遍认为，由生成性AI驱动的AI Agent将成为下一个重大发展方向。尽管“AI Agent”这一术语尚无统一定义，但它通常指的是那些能够根据指令通过模拟人类互动，在软件和网络平台上执行复杂任务的生成性AI工具。 例如，AI Agent能在航空公司和酒店连锁的网站上填写客户信息，并制定行程；或者，它可以自动在各个软件中比较价格，帮助用户预订到目的地的最经济的打车服务。 供应商们已经意识到这一机会。据报道，ChatGPT的开发者OpenAI正在深入研究AI Agent系统。此外，Google也在今年四月的Cloud Next年度大会上展示了一系列类似AI Agent的产品。 波士顿咨询集团的分析师在最近的一份报告中指出：“企业应当立即开始准备广泛采用自主AI Agent。”他们引用了专家的预测，认为自主AI Agent预计将在未来三至五年内成为主流。 01 传统RPA的处境 机器人流程自动化（RPA）已经流行了十多年，这种技术帮助企业加强数字化转型的同时，有效减少了成本。与AI Agent相似，RPA也致力于推动工作流程的自动化。然而，RPA采用的是基于“如果-那么”预设规则的僵硬形式，仅适用于那些能够被明确定义且步骤离散的流程。 Gartner的副总裁分析师Saikat Ray表示：“RPA可以模仿人类的动作，如点击、打字或复制粘贴，执行任务的速度和准确度都超过了人类。” 但他也表示：“在处理需要自然语言处理或推理技能的复杂、创造性或动态任务时，RPA机器人的性能受到限制。” 这种僵硬性不仅使得RPA的构建成本居高不下，而且严重限制了其适用范围。 根据2022年RPA供应商Robocorp进行的调查，声称已采用RPA的组织中有69%的组织每周至少一次遇到自动化工作流中断，修复这些问题往往需要数小时。因此，已经有专门的企业成立，帮助其他公司管理他们的RPA系统并防止系统故障。 RPA供应商对这些挑战并不陌生。他们清楚地意识到这些问题，并坚信生成性AI能够解决许多问题，而不会导致他们的平台过早衰退。在RPA供应商的眼中，RPA与由生成性AI驱动的AI Agents可以和谐共存，未来甚至有可能互为补充。 02 生成式AI的崛起 RPA市场的主要参与者之一，UiPath，拥有超过10,000家客户，其中包括Uber、施乐和CrowdStrike，最近推出了一系列新的生成性AI功能，专注于文件和消息处理，以实现UiPath首席执行官Bob Enslin所说的“一键数字化转型”。 Enslin表示：“这些功能为客户提供了专为其特定任务训练的生成性AI模型。” “我们的生成性AI工作负载包括电子邮件文本完成、分类、图像检测、语言翻译、过滤个人识别信息以及基于内部数据快速回答任何有关人的问题。” UiPath在生成性AI领域的最新探索之一是Clipboard AI，它将UiPath的平台与来自OpenAI、Google等第三方的模型结合起来，正如Enslin所述，“为那些需要复制/粘贴的人带来自动化的力量”。Clipboard AI让用户能够从一个表格中突出显示数据，并利用生成性AI确定复制数据应放置的正确位置，指向另一个表格、应用程序、电子表格或数据库。 Enslin说：“UiPath意识到将行动与AI结合在一起的重要性——这是创造价值的关键所在。我们相信，最佳性能将来自于结合生成性AI和人类判断的系统，我们称之为‘人在循环中’，可以贯穿端到端的流程。” UiPath的主要竞争对手，Automation Anywhere，也在努力将生成性AI整合进其RPA技术中。 去年，Automation Anywhere推出了一系列基于生成性AI的工具，这些工具能够从自然语言创建工作流、总结内容、从文档中提取数据，甚至适应那些通常会导致RPA自动化失败的应用程序更改。 “我们的生成性AI模型是基于开放的大型语言模型之上开发的，并利用来自数千个企业应用的超过150万个自动化流程的匿名元数据进行训练，”Automation Anywhere的企业AI和自动化高级副总裁Peter White解释道。他补充说：“我们继续为平台内的特定任务构建定制的机器学习模型，现在也在我们的自动化数据集基础上，针对基础生成性AI模型开发定制模型。” 03 下一代自动化产品 随着企业自动化的未来趋势向着由生成性AI驱动的AI Agent发展，RPA（机器人流程自动化）平台也在逐步演进，以适应更复杂、更动态的任务需求。Gartner的副总裁分析师Saikat Ray指出，虽然生成性AI带来了创新的自动化可能性，但同时也伴随着偏见和幻觉的风险。尽管如此，他认为通过整合生成性AI，RPA平台能够极大增强其功能，改变工作方式，并拓展其应用范围。 Ray强调：“生成性AI能让RPA平台理解和生成自然语言，自动化内容创作，改善决策制定，甚至生成代码。这种技术整合不仅提升了RPA的生产力和效率，也使得平台能够为客户提供更广泛的价值。” 与此同时，Forrester的首席分析师Craig Le Clair 观察到，随着自主AI Agent和生成性AI技术的融合，RPA平台已经成熟到可以支持这些先进技术。Le Clair预见，RPA将发展成为全方位的自动化工具集，支持RPA和相关生成性AI技术的部署。 他补充说：“RPA平台具备管理成千上万个任务自动化的能力，这为中央管理AI Agent提供了理想的架构。许多企业已经在这些平台上建立了牢固的基础，并准备利用生成性AI进一步拓展自动化的深度和广度。” 在具体实施方面，UiPath已经推出了名为Context Grounding的新功能，这一功能通过优化格式转换业务数据，提高了生成性AI模型的准确性和效率。UiPath的首席技术官Enslin解释说：“通过从特定的数据集中提取信息，Context Grounding能够创建更准确、更具洞察力的自动化响应。” 面对市场竞争和技术挑战，RPA供应商正在努力保持平台的开放性和灵活性。Le Clair指出，维持技术的中立性并提供可配置的工具至关重要，这些工具需要能够与当前及未来的企业系统和工作流程兼容。这一策略将使企业能够更自信地使用各种AI技术，推动自动化向更高层次发展。 随着智能自动化技术如RPA融入生成性AI，企业面临的操作成本降低，生产力提升的潜力显著。未能采用这些技术的公司将面临与那些已经采用并成功实施生成性AI和自动化技术的企业的激烈竞争。 文章由RPA中国根据公开资料整理，如有侵权，请联系删除。 - END -

残差网络 1、引言2、残差网络2.1 定义2.2 原理2.3 实现方式2.4 算法公式2.5 代码示例 3、总结 1、引言 小屌丝：鱼哥，深度神经网络是不是少了一篇没写 小鱼：少了哪篇？ 小屌丝：额… 就是 内个… 小鱼：你倒是说啊， 哪个啊？ 小屌丝：就…就是 小鱼：赶紧说，别墨迹 小屌丝：ResNet 小鱼：咳， 我还以为哪篇了 小屌丝：那…是不是要更新啊 小鱼：好说好说。 小屌丝： 哇塞。 2、残差网络 2.1 定义 残差网络（Residual Network，简称ResNet）是由Kaiming He等人在2015年提出的一种深度神经网络架构。 ResNet的核心思想是引入了“残差学习”的概念来解决深度神经网络训练中的梯度消失/梯度爆炸问题，使得网络能够通过简单地增加层数来提高准确率，而不会导致训练困难。 2.2 原理 残差网络的核心原理是通过残差模块来构建深层网络。 在传统的神经网络中，每一层的输出是下一层的输入。 而在残差网络中，每一层的输入不仅会传递给下一层，还会通过跳跃连接（skip connection）直接传递给更深的层次。 这种设计允许梯度直接流过这些跳跃连接，从而缓解了深层网络中的梯度消失问题。 2.3 实现方式 残差网络的实现主要包括以下步骤： 构建残差块： 每个残差块包含两个或三个卷积层，以及一个跨层的直接连接。对于两层残差块（称为basic block），输入首先经过一个卷积层（通常为3x3卷积），然后通过ReLU激活函数，再经过另一个卷积层，最后与原始输入（通过恒等映射或1x1卷积进行维度匹配）相加。对于三层残差块（称为bottleneck block），中间还包含一个1x1卷积层用于减少通道数，从而减少计算量。 堆叠残差块：将多个残差块堆叠在一起，形成完整的残差网络。根据任务需求和网络深度，可以选择使用不同类型的残差块和堆叠方式。添加其他组件：在残差网络的开头和结尾，可以添加其他组件，如卷积层、池化层、全连接层等，以满足特定的任务需求。 2.4 算法公式 残差模块的基本形式可以用以下公式表示： [ y = F ( x , W i ) + x ] [ \mathbf{y} = \mathcal{F}(\mathbf{x}, {W_i}) + \mathbf{x} ] [y=F(x,Wi​)+x]

自从我开始接触Hadoop，这个大数据处理的开源框架，我的学习之路就充满了挑战与收获。Hadoop以其强大的数据处理能力和高度的可扩展性，成为了大数据领域的一颗璀璨明星。以下是我对Hadoop学习的一些心得和体会。 一、初识Hadoop 在开始学习Hadoop之前，我对大数据和分布式计算的概念还相对模糊。但随着对Hadoop的深入了解，我逐渐认识到它的重要性。Hadoop不仅仅是一个技术框架，更是一种处理大数据的思维方式。它通过将数据划分为多个小块，并在集群中的多个节点上并行处理，从而实现了对海量数据的快速处理。 二、学习过程中的挑战 在学习Hadoop的过程中，我遇到了很多挑战。首先，Hadoop的生态系统庞大而复杂，包括HDFS、MapReduce、YARN等多个组件，每个组件都有其独特的功能和用法。我需要花费大量的时间和精力去熟悉这些组件，并理解它们之间的相互作用。其次，Hadoop的配置和部署也是一个复杂的过程，需要仔细配置各种参数和环境变量，以确保集群的稳定运行。此外，Hadoop的编程模型MapReduce也具有一定的学习难度，需要掌握其编程范式和数据处理流程。 三、 hadoop的核心构架 Hadoop 由许多元素构成。其最底部是 Hadoop Distributed File System（HDFS），它存储 Hadoop 集群中所有存储节点上的文件。HDFS的上一层是MapReduce 引擎，该引擎由 JobTrackers 和 TaskTrackers 组成。通过对Hadoop分布式计算平台最核心的分布式文件系统HDFS、MapReduce处理过程，以及数据仓库工具Hive和分布式数据库Hbase的介绍，基本涵盖了Hadoop分布式平台的所有技术核心。 1.HDFS 对外部客户机而言，HDFS就像一个传统的分级文件系统。可以创建、删除、移动或重命名文件，等等。 2.NemeNode NameNode 是一个通常在 HDFS 实例中的单独机器上运行的软件 3.DetaNode DataNode 也是一个通常在 HDFS实例中的单独机器上运行的软件 四、MapReduce编程 现有以下数据,现要求统计本次月考各科目平均成绩 Map类 package task1; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; import java.io.IOException; public class ScoreMapper extends Mapper<LongWritable, Text, Text, IntWritable> { @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { // 将文本行拆分为字段 String[] fields = value.

🚀 作者 ：“二当家-小D” 🚀 博主简介：⭐前荔枝FM架构师、阿里资深工程师||曾任职于阿里巴巴担任多个项目负责人，8年开发架构经验，精通java,擅长分布式高并发架构,自动化压力测试，微服务容器化k8s等 🚀 欢迎小伙伴们 点赞👍、收藏⭐、留言💬 🍅文末获取源码联系 配套笔记打包🍅 一、千里始足下—通过uni-app框架创建项目 简介：通过uni-app框架创建项目 创建方式 HBuilderX可视化方式 vue-cli命令行方式 通过HBuilderX可视化方式 HBuilderX工具下载 https://www.dcloud.io/hbuilderx.html 创建uni-app项目 运行uni-app项目 通过vue-cli命令行方式 环境安装 # 查看是否安装有@vue/cli vue -V # 无则执行命令安装 npm install -g @vue/cli 命令行安装 Vue3/vite/typescript 项目模板 npx degit dcloudio/uni-preset-vue#vite-ts my-vue3-project 直接访问官网提供的gitee地址下载 https://gitee.com/dcloud/uni-preset-vue/repository/archive/vite-ts.zip 二、uni-app项目运行和项目结构目录讲解 简介：项目运行和项目结构目录讲解 运行项目 使用 pnpm 包管理工具 # 查看是否安装pnpm pnpm -v # 无则安装 npm install -g pnpm 下载依赖 pnpm i 运行 pnpm dev:h5 项目结构 node_modules ——放置项目的依赖文件 src ——放置开发的代码文件 pages ——放置页面文件 static ——放置静态文件 App.

本文都是基于IEEE 802.3z/ab/ae Standards协议整理而来，具体详细标准见其协议书 1、以太网标准规范简介 802.3标准定义了以太网PHY，约定其支持的速率、互联介质类型(媒体)以及信号编码方式等。 802.3标准适用哪种速率、互联介质，采用哪种编码方式，多少通道，从标准的名称上即可以识别。 KR,CR,SR,DR,LR,ER,ZR的意思。 K表示背板互连， C表示铜线互连， S表示短距100m以上，多模光纤， D表示500m，并行单模光纤， F表示2km，通常是CWDM单模， L一般表示长距10km，单模光纤， E表示延长距离到40km, ZR表示80km级互连，通常要用相干探测了。 字母R后面的数字一般表示并行光纤或者WDM通道的数量。 以太网根据传输媒体和传输速率组合分类标准，传输媒体分为双绞线缆、多模光纤和单模光纤，背板，传输速率分为10Mbps、100Mbps、1Gbps、和10Gbps等。 类型 说明 标准以太网 传输速率为10Mbps 快速以太网 传输速率为100Mbps 千兆以太网 传输速率为1000Mbps 万兆以太网 传输速率为10000Mbps 1.1、10Mbps以太网标准 10BASE5 10BASE5是用粗同轴电缆作为传输媒体的以太网标准，10代表10Mbps，BASE代表基带传输方式，5代表单段电缆的长度限制为500m，超过500m需要由中继器互连的两段电缆组成，这个标准已经淘汰。 10BASE2 10BASE2是用细同轴电缆作为传输媒体的以太网标准，10和BASE的含义和10BASE5相同，2代表单段电缆的长度限制为200m，超过200m需要由中继器互连的两段电缆组成，这个标准已经淘汰。 10BASE-T 10BASE T是用双绞线作为传输媒体的以太网标准，10和BASE的含义和10BASE5相同。它采用4对双绞线组成的双绞线电缆，用其中一对双绞线发送数据，另一对双绞线接收数据，因此，可以实现全双工通信。 10BASE-T用于以集线器或以太网交换机为组网设备的以太网中，网络设备之间、网络设备和终端之间的距离必须小于100m。10BASE-T可以采用3类双绞线缆。 10BASE-F 10表示10Mbit/s的传输速度，BASE表示使用基带传输，F表示光纤，使用双工光缆，一条光缆用于发送数据，另一条用于接收； 1.2、100Mbps、1000Mbps、10Gbps以太网标准 PCI Express、串行ATA (SATA) 和USB等串行接口的每个数据速率都有一个规范，而以太网针对相同的数据速率有多个不同规范。例如，10GBASE-ER和10GBASE-KR是10 Gbps以太网规范，但它们描述的是不同的互连介质接口。 MDI接口 三种双工模式区别 单工模式：数据传输是单向的，一方固定为发送端，另一方固定为接收端。例如，收音机只能接收发射塔发送的数据，而不能向发射塔发送数据。 半双工模式：双方都具有发送和接收能力，但同一时刻只能有一个设备处于发送状态，另一个设备处于接收状态。这种模式在对讲机等设备中常见。 全双工模式：双方能同时发送和接收数据，通常需要两根可以在不同站点同时发送和接收的传输线。 在全双工双绞线网络中，接收线对和发送线对同时在工作，每一线对的带宽都是100Mbps，这样在双绞线网络中，实际传送的带宽是200Mbps。就像双向车道一样，车辆流量的计算应是两个方向的车辆流量之和，网络带宽的计算也是如此。 在半双工双绞线网络中，在某一时刻，如果发送线对处于发送状态，则接收线对只能处于闲置状态，即使在物理线路上允许接收也不行，因为是不是全双工状态取决于与双绞线连接的网络设备是否支持全双工,而双绞线只是提供了物理介质而已。打个浅显的比方，高速公路都是双向(即双工)的，但是如果高速公路两端的收费站都只有一个车道，同一时刻只能有一辆车驶入或驶出，那么双向车道又有什么用呢?所以，100Mbps的半双工网络的带宽是100Mbps，而不是200Mbps。 10/100/1000 Base以太网中，除100 Base T4之外，均具有全双工能力，但在实际应用中，似乎只有Gb以太（即千兆以太）才使用全双工方式。 如果希望工作在全双工方式下，首先要有硬件的支持。全双工以太的主要优势在于它能够在二个独立的信道上同时实现二个方向上的数据传输，借以提高链路的总带宽。对于一般只进行单向数据传输的站点，全双工以太并无优势可言，所以全双工以太在应用上有很大的局限性。全双工以太主要用在交换机互连的场合，尤其是Gb以太交换机。 百兆以太网 在100BASE-T以太网中，制定的三种有关传输介质的标准是100BASE-TX、100BASE-T4、100BASE-FX。 100BASE-TX： 支持半/全双工模式，使用两对非屏蔽双绞线，一组发送，一组接收，使用4B/5B曼彻斯特编码机制。数据传输速率为100Mbit/s，则实际传输速率为125Mbit/s。在全双工模式下，速率最大200Mbit/s。 所谓的曼彻斯特（Manchester）编码方法，即由“+”跳变到“-”为0，由“-”跳变到“+”为1。不论是“0”或是“1”, 都有跳变。 100BASE-T4： 只采用半双工模式，使用4对双绞线，其中的三对线用以传输数据（每对线的数据传输率为33.3Mbps），一对线进行冲突检验和控制信号的发送接受。采用8B/6T的编码方式，即每8位作为一组的数据转换为每6位一组的三元码组。 100BASE-FX： 支持半/全双工模式，使用光纤，其中F指示光纤，IEEE标准为802.3u。为了实现时钟/数据恢复（CDR）功能，100Base-FX使用4B/5B编码机制。 千兆以太网 1000BASE-T，基于非屏蔽双绞线传输介质，传输距离为100米。在传输中使用了全部4对双绞线，采用全双工模式，该模式下可以实现2Gb/ s的传输速率。这种设计采用 PAM-5 (5级脉冲放大调制) 编码在每个线对上传输 250Mbps。1000BASE-T的编码方式比较复杂，最终落实到每一路的基频时钟是31.

在近两年内，有关 LLM 的研究进展很快，每天几乎都有新的语言模型发布（隐藏的 GPT-5，Llama3，Qwen1.5，Mixtral 8x22B 和 Claude 3 等等等等），它们的性能和效果似乎每天都在持续提升。 然而，令人震惊的是，大多数现代 LLM 所使用的架构与最初的 GPT 模型非常相似。从模型架构角度出发，LLM 的一个关键组成部分一直保持不变，那就是 Transformer 架构的 Decoder。所有人或机构几乎都只是在将模型做得更大，对结构稍作修改，使用更大规模和更高质量的数据集，并采用更加先进的训练（和对齐）方法训练模型。 因此，深入了解 LLM 的内部结构对于研究人员和技术开发者来说是至关重要的。这不仅有助于我们更好地理解模型的性能和局限性，还能够指导我们如何更有效地设计和优化未来的模型。接下来，我将会简要地概述 LLM 常用的架构配置，然后针对国内外 30 个热门大模型的架构，进行详细的图文分析，以便大家对大模型有更深刻的理解。 架构配置 Transformer 架构类型 大型语言模型（LLMs）主要分为自回归模型、自编码模型和序列到序列模型这三种类型。这些模型几乎普遍采用 Transformer 架构，而传统的 RNN 架构则较少使用。基于 Transformer 架构的 LLMs，根据其设计特点，主要可以分为三类：仅包含编码器（Encoder-only）的模型、仅包含解码器（Decoder-only）的模型，以及同时包含编码器和解码器（Encoder-Decoder）的模型。 1. RNN 2. 基于 Transformer 的 GPT，BERT 和 Transformer XL 混合专家模型 MoE MoE（Mixture-of-Experts）是一种神经网络架构，它通过路由机制（Router）将输入数据动态地分配给多个专家（Expert）网络中的一组。这种架构允许模型根据输入数据的特性选择不同的专家来处理，从而提高了模型的表达能力和效率。 1. 稀疏 MoE 2. 细粒度 MoE 注意力机制 注意力机制是一种在大语言模型中模拟人类注意力的技术，它通过动态调整输入数据的权重，使模型能够集中处理信息中最关键的部分。 1. 多头注意力 2. 稀疏注意力 3. 滑动窗口注意力 1MHA，GQA 和 MQA 位置编码 在 LLM 中，位置编码是一种将序列中 Token 的位置信息编码为模型可以理解和利用的方式的技术。

文章目录 概要整体架构流程具体实现一，分片下载之本地储存（localForage）前言：二，本地数据获取（获取下载列表）二，操作JS1，下载进度监听2，文件下载状态控制3，分片下载 二，VUE页面 小结 概要 本文从前端方面出发实现浏览器下载大文件的功能。不考虑网络异常、关闭网页等原因造成传输中断的情况。分片下载采用串行方式（并行下载需要对切片计算hash，比对hash，丢失重传，合并chunks的时候需要按顺序合并等，很麻烦。对传输速度有追求的，并且在带宽允许的情况下可以做并行分片下载） 整体架构流程 1， 使用分片下载： 将大文件分割成多个小块进行下载，可以降低内存占用和网络传输中断的风险。这样可以避免一次性下载整个大文件造成的性能问题。 2， 断点续传： 实现断点续传功能，即在下载中途中断后，可以从已下载的部分继续下载，而不需要重新下载整个文件。 3， 进度条显示： 在页面上展示下载进度，让用户清晰地看到文件下载的进度。如果一次全部下载可以从process中直接拿到参数计算得出（很精细），如果是分片下载，也是计算已下载的和总大小，只不过已下载的会成片成片的增加（不是很精细）。 4， 取消下载和暂停下载功能： 提供取消下载和暂停下载的按钮，让用户可以根据需要中止或暂停下载过程。 5， 合并文件： 下载完成后，将所有分片文件合并成一个完整的文件。 具体实现 一，分片下载之本地储存（localForage） 前言： 浏览器的安全策略禁止网页（JS）直接访问和操作用户计算机上的文件系统。 在分片下载过程中，每个下载的文件块（chunk）都需要在客户端进行缓存或存储，方便实现断点续传功能，同时也方便后续将这些文件块合并成完整的文件。这些文件块可以暂时保存在内存中或者存储在客户端的本地存储（如 IndexedDB、LocalStorage 等）中。 使用封装，直接上代码： import axios from 'axios'; import ElementUI from 'element-ui' import Vue from 'vue' import localForage from 'localforage' import streamSaver from 'streamsaver'; import store from "@/store/index" /** * localforage–是一个高效而强大的离线存储方案。 * 它封装了IndexedDB, WebSQL, or localStorage，并且提供了一个简化的类似localStorage的API。 * 在默认情况下会优先采用使用IndexDB、WebSQL、localStorage进行后台存储， * 即浏览器不支持IndexDB时尝试采用WebSQL，既不支持IndexDB又不支持WebSQL时采用 * localStorage来进行存储。 * */ /** * @description 创建数据库实例，创建并返回一个 localForage 的新实例。每个实例对象都有独立的数据库，而不会影响到其他实例 * @param {Object} dataBase 数据库名 * @return {Object} storeName 实例（仓库实例） */ function createInstance(dataBase){ return localForage.

NLP国内外大模型汇总列表[文心一言、智谱、百川、星火、通义千问、盘古等等] 中国大模型列表大全，全面收集有明确来源的大模型情况，包括机构、来源信息和分类等，随时更新。 Awesome family related to LLMS includes: https://github.com/wgwang/awesome-LLM-benchmarks https://github.com/wgwang/awesome-LLMs-In-China https://github.com/wgwang/awesome-open-foundation-models 大模型相关的Awesome系列包括： 大模型评测数据集： https://github.com/wgwang/awesome-LLM-benchmarks 中国大模型列表： https://github.com/wgwang/awesome-LLMs-In-China 开源开放基础大模型列表： https://github.com/wgwang/awesome-open-foundation-models 1.国内大模型列表 序号公司大模型省市类别官网说明1百度文心一言北京通用✔有APP，衍生灵医Bot2智谱华章清言北京通用✔有APP，开源小模型ChatGLM-6B和ChatGLM2-6B3百川智能百川北京通用✔开源小模型baichuan-7B和Baichuan-13B，baichuan-24达观数据曹植上海工业✔试用需账号5上海人工智能实验室书生上海通用✔开源小模型书生·浦语，OpenMEDLab浦医6科大讯飞星火安徽合肥通用✔试用需账号,有APP7深度求索Deepseek Coder浙江杭州代码✔8商汤科技日日新上海通用✔9春田知韵（抖音）豆包北京通用✔开源多模态7B小模型BuboGPT，豆包是云雀的聊天机器人10中国科学院自动化研究所紫东·太初北京通用✔紫东太初2.0号称100B参数，全模态11阿里云通义千问浙江杭州通用✔试用需账号,开源小模型Qwen-7B和Qwen-7B-Chat12华为盘古,盘古气象,盘古-Σ广东深圳工业✔华为+鹏城,华为云盘古13复旦大学MOSS上海科研✔试用需账号14智源人工智能研究院悟道·天鹰,悟道·EMU北京通用✔悟道3.0,视界视觉，AQUILA天鹰座，Aquila-7B,AquilaChat-7B,AquilaCode-7B-NV,AquilaCode-7B-TS,HuggingFace,EMU基于LLaMA15浙江大学启真,TableGPT,智海-录问,智海-三乐,PromptProtein浙江杭州垂直✔医学大模型提供基于LLaMA-7B、CaMA-13B和ChatGLM-6B 三个版本,用于PromptProtein的模型，法律大模型智海-录问基于Baichuan-7B，智海-三乐基于Qwen-7B16面壁智能CPM,CPM-Bee北京通用✔面壁智能,CPM-Bee-10B,OpenBMB17元象科技XVERSE-13B广东深圳通用✔模型下载18腾讯混元广东深圳通用✔19云知声山海北京医学✔20东北大学TechGPT,PICA辽宁沈阳科研✔TechGPT->BELLE->LLaMA，图谱构建和阅读理解问答;PICA->ChatGLM2-6B情感大模型21IDEA研究院封神榜MindBot,ziya-coding广东深圳通用✔姜子牙系列模型 ,ziya-coding代码大模型22贝壳BELLE北京垂直✔基于BLOOMZ或LLaMA的多个模型23360智脑,一见北京通用✔24哈尔滨工业大学本草,活字黑龙江哈尔滨医学✔医学，本草基于LLaMA；另有基于 ChatGLM 的Med-ChatGLM，活字基于BLOOM-7B25北京大学信息工程学院ChatLaw北京法律✔ChatLaw-13B基于Ziya-LLaMA-13B-v1->LLaMA,ChatLaw-33B基于Anima33B->Guanaco->LLaMA26港中文深圳华佗，凤凰广东深圳医学✔香港中文大学（深圳）和深圳市大数据研究院，医学,Demo,华佗和凤凰都基于BLOOMZ27中国科学院计算技术研究所百聆北京科研✔基于 LLaMA，权重Diff下载7B和13B,demo28好未来MathGPT北京教育✔学而思29晓多科技+国家超算成都中心晓模型XPT四川成都客服✔试用申请30昆仑万维天工Skywork北京通用✔开源且可商用，无需单独申请，Skywork是由昆仑万维集团·天工团队开发的一系列大型模型，本次开源的模型有Skywork-13B-Base模型、Skywork-13B-Chat模型、Skywork-13B-Math模型和Skywork-13B-MM模型，以及每个模型的量化版模型31中国科学院成都计算机应用研究所聚宝盆四川成都金融✔基于LLaMA的金融大模型32华南理工大学扁鹊,灵心SoulChat广东广州医学✔33虎博科技TigerBot上海金融✔基于BLOOM34度小满轩辕北京金融✔基于BLOOM35北京交通大学致远北京交通✔TransGPT・致远，基于LLaMA-7B36恒生电子LightGPT浙江杭州金融✔与浙大合作的NL2SQL37上海交通大学K2,白玉兰上海K2:地球科学，白玉兰:科学✔Demo，GeoLLaMA，基于LLaMA，HuggingFace38左手医生左医GPT北京医学✔医疗，试用需Key39上海科技大学DoctorGLM上海医学✔医学大模型，论文40华东师范大学EmoGPT,EduChat上海教育✘EmoGPT是上海市心理健康与危机干预重点实验室与镜象科技公司合作完成, 教学教育大模型EduChat基于BELLE（BELLE基于LLaMA）41艾写科技Anima浙江杭州营销✔基于Guanaco->基于LLaMA，使用QLoRA42澳门理工大学XrayGLM,IvyGPT澳门医疗✔IvyGPT基于ChatGLM2，XrayGLM基于VisualGLM-6B43北京语言大学桃李北京教育✔基于LLaMA,北语+清华+东北、北京交大44零一万物Yi北京通用✔45稀宇科技ABAB上海通用✔GLOW虚拟社交,MiniMax46中工互联智工北京工业✘与复旦NLP实验室联合，工业领域47智慧眼砭石湖南长沙医学✘医疗领域48香港科技大学罗宾Robin香港科研✔基于LLaMA,港科大开源LMFlow49网易有道子曰北京教育✔推荐有道速读,读论文的利器50智媒开源研究院智媒广东深圳媒体✔基于LLaMA，面向自媒体51创业黑马天启北京创投✘创业黑马与360合作,科创服务行业52蚂蚁集团贞仪,CodeFuse浙江杭州金融✔CodeFuse代码大模型53硅基智能炎帝江苏南京文旅✘54西湖心辰西湖浙江杭州科研✔55国家超级计算天津中心天河天元天津通用✘56星环科技无涯、求索上海金融✘无涯——金融；求索——大数据分析57清博智能先问北京农业✘基于结构化数据58智子引擎元乘象江苏南京客服✔59拓世科技拓世江西南昌金融✘60医疗算网Uni-talk上海医学✘上海联通+华山医院+上海超算中心+华为61慧言科技+天津大学海河·谛听天津科研✘62第四范式式说北京客服✔63拓尔思拓天北京媒体✘TRSGPT64出门问问序列猴子北京营销✔65数说故事SocialGPT广东广州社交✘66云从科技从容广东广州政务✔67浪潮信息源山东济南通用✘源68中国农业银行小数ChatABC北京金融✘69追一科技博文Bowen广东深圳客服✘70台智云福尔摩斯FFM台湾工业✔华硕子公司71医联科技medGPT四川成都医学✘72电信智科星河北京通信✘通用视觉，中国电信73深思考人工智能Dongni北京媒体✔74文因互联文因安徽合肥金融✘金融大模型75印象笔记大象GPT北京媒体✘76中科闻歌雅意北京媒体✘77澜舟科技孟子北京金融✔78京东言犀北京商业✘79香港中文大学PointLLM香港通用✔港中文+上海AI实验室+浙大80清华大学NowcastNet北京科研✔气象,临近预报大模型81鹏城实验室鹏城·脑海广东深圳科研✘Peng Cheng Mind82宇视科技梧桐浙江杭州运维✘AIoT行业83智臻智能华藏上海客服✘小i机器人84美亚柏科天擎福建厦门安全✘公共安全85山东大学夫子•明察山东济南司法✔山东大学+浪潮云+中国政法大学，基于ChatGLM，无监督司法语料（各类判决文书、法律法规等）与有监督司法微调数据（包括法律问答、类案检索）训练而成86数慧时空长城北京地球科学✘自然资源，遥感87循环智能盘古北京客服✔循环智能,清华大学,华为88知乎知海图北京媒体✘知乎和面壁科技合作89网易伏羲玉言广东广州通用✘90清睿智能ArynGPT江苏苏州教育✘91微盟WAI上海商业✔92西北工业大学+华为秦岭·翱翔陕西西安工业✘流体力学大模型,湍流+流场93奇点智源天工智力北京通用✔瑶光和天枢94联汇科技欧姆浙江杭州通用✔OmModel欧姆多模态（视觉语言）大模型95中国联通鸿湖北京通信✘96思必驰DFM-2江苏苏州工业✘97中国科学院计算机网络信息中心MatChat北京材料✔基于LLaMA，论文MatChat: A Large Language Model and Application Service Platform for Materials Science98电科太极小可北京政务✘党政企行业应用99中国移动九天,九天•众擎北京通信✘九天•众擎基座大模型100中国电信TeleChat,启明北京通信✘“启明”网络大模型101麒麟合盛天燕AiLMe北京运维✔102理想科技大道Dao北京运维✘运维大模型103乐言科技乐言上海客服✘104沪渝人工智能研究院兆言重庆科研✘也称：上海交通大学重庆人工智能研究院105中央广播电视总台央视听北京媒体✘央视听媒体大模型CMG Media GPT106超对称技术公司乾元北京金融✔107蜜度文修上海媒体✘智能校对108中国电子云星智湖北武汉政务✘政务大模型109理想汽车MindGPT北京工业✘110阅文集团妙笔上海文旅✘网文大模型111携程问道上海文旅✘旅游行业大模型112实在智能塔斯浙江杭州客服✘TARS113瑞泊VIDYA北京工业✔114有连云麒麟上海金融✘115维智科技CityGPT上海公共服务✘城市大模型116用友YonGPT北京企业服务✘117天云数据Elpis北京金融✘证券法律法规118孩子王KidsGPT江苏南京教育✘119佳都科技佳都知行广东广州交通✘交通领域120今立方12333福建厦门政务✘人社领域121阳光保险集团正言广东深圳金融✘122中科创达魔方Rubik北京工业✘123聆心智能CharacterGLM北京游戏✘124大经中医岐黄问道江苏南京医疗✘125蒙牛MENGNIU.GPT内蒙古呼和浩特食品✘126快商通汉朝福建厦门营销✘127众合科技UniChat浙江杭州交通✘128金蝶苍穹广东深圳企业服务✘129云问科技云中问道江苏南京营销✘与西安未来AI计算中心联合发布130天壤智能小白上海通用✘131小米MiLM-6B北京商业✘132长虹长虹超脑四川绵阳媒体✘133开普云开悟广东东莞政务✔134赛灵力科技达尔文广东广州医学✘赛灵力,清华珠三角研究院,赛业生物,大湾区科技创新服务中心135航旅纵横千穰大模型北京民航✘航旅纵横APP上需要PLUS会员才能使用136奇安信Q-GPT北京信息安全✘137车之谷叆谷山东青岛汽车✘汽车后服务加油站场景138索贝时代明眸四川成都媒体✘139海尔HomeGPT山东青岛智能家居✘140马上消费天镜重庆金融✘零售金融141白海科技白聚易北京营销✘营销传播专家多模态预训练模型IMC-GPT（白聚易）142二元工业妆舟江苏苏州日化✘回答化妆、护肤和服饰搭配等问题，日化行业从业人员提供从产品开发、行业服务到品牌建设等指导143格创东智章鱼智脑广东广州工业制造✘工业智能大模型引擎底座——章鱼智脑OctopusGPT144创业邦BangChat北京创投✘产业、企业和投资行业145新华三H3C百业灵犀浙江杭州工业✘146作业帮银河广东广州教育✘147企查查知彼阿尔法江苏苏州商业✘148绿盟风云卫北京网络安全✘NSFGPT149江苏欧软WISE江苏苏州工业✘WISE工业大模型150创新奇智奇智孔明山东青岛工业✘工业大模型AInno-15B，ChatRobot，ChatBI，ChatDoc151大汉软件星汉江苏南京政务✘“星汉”Galaxy大模型152零点有数零点楷模北京政务✘153国农生猪大数据中心PIGGPT重庆农业✘154微脉CareGPT浙江杭州医疗✘155吉大正元昆仑吉林长春信息安全✘156武汉大学CheeseChat湖北武汉教育✘内测招募，仅限武汉大学在校师生申请157方正电子魔方北京媒体✘聚焦媒体市场需求158似然实验室TraderGPT广东广州金融✘金融持仓分析大模型159网易智企商河广东广州客服✘客服领域行业大模型160深圳供电局祝融2.0广东深圳电力✘电力行业首个多模态预训练大模型161万兴科技天幕西藏拉萨媒体✘以视频创意应用为核心162惟远智能千机百智广东深圳客服✘163兔展智能兔灵广东深圳营销✘164中国科学技术大学UniDoc安徽合肥通用✘中科大&字节,统一的文字-图像理解大模型165钢谷网谷蚁陕西西安电商✘钢铁行业电商166浪潮海岳inGPT山东济南企业服务✘167木卫四科技蝴蝶北京汽车✘168汇通达网络汇通达江苏南京企业服务✘下沉市场零售行业企业客户的交易和服务的互联网平台,农村电商服务169九章云极元识北京企业服务✘基于生成式AI能力打造各行业企业级应用170汉王天地北京法律✘171南京审计大学审元江苏南京审计✘172天翼云慧泽北京政务✘“慧泽”依托国云智算底座、在贵阳市人民政府政务场景和数据支持下推出的首个天翼云行业大模型173北京大学行为与空间智能实验室PlanGPT北京城市规划✘174吉林大学棱镜吉林长春通用✘175慧安股份蜂巢知元北京工业✘176VIVO蓝心广东东莞消费电子✘177元年科技方舟GPT北京企业服务✘178电科数字智弈上海水利✘179云天励飞天书广东深圳政务✘180北京理工大学东南信息技术研究院明德福建莆田通用✘MindLLM181恩博科技林海思绪江苏南京林业✘南京恩博科技、中国林业科学研究院资源信息研究所、东北林业大学、南京林业大学联合发布了“多模态、行业级应用增强大模型——林海思绪大模型1.0”182亿嘉和YJH-LM江苏南京消费电子✘YJH-LM技术已在商用清洁机器人上完成功能测试183大华股份星汉浙江杭州城市治理✘以视觉为核心，融合多模态能力，构建面向行业的大模型184福建医科大学孟超肝胆医院孟超福建福州医疗✘面向肝病和肝癌的医疗大模型185中文在线中文逍遥北京文旅✘小说创作186CCAI宁波中心iChainGPT浙江宁波企业服务✘产业链大模型iChainGPT187光启慧语光语上海医疗✘光启慧语正式发布了与复旦大学附属中山医院（以下简称 " 中山医院 "）联合开发的多模态医疗大模型188安恒信息恒脑浙江杭州信息安全✘恒脑安全大模型具备恶意代码检测、威胁情报分析、自动化安全编排响应和安全教育等能力189容联云赤兔北京客服✘客服，营销 2.国外大模型 公司大模型说明OpenAIChatGPTChatGPT-4支持Plugins，Code Interpreter微软Bing Chat搜索增强，有三种模式GooglePaLM2,Bard,GeminiBard支持图片内容识别，包括OCR等AnthropicClaudeClaude 2,支持读入pdf、txt、csv等文件进行分析、总结和问答等MetaLLaMA,LLaMA-2, CodeLLaMA最强开源开放大模型，月活用户小于7亿的组织和个人可随意商用Stability AIStableLMAmazonTitanBloombergBloombergGPTMosaicMLMPTIntelAurora genAIUC Berkeley, Microsoft ResearchGorillainflection.aiInflection-1xAIGrōk从OpenAI 到xAIcohereCohereScale AIScalecharacter aiCharacterColossal-AIColossalChatNvidiaChipNeMo 人工智能大模型越来越火了，离全民大模型的时代不远了，大模型应用场景非常多，不管是做主业还是副业或者别的都行，技多不压身，我这里有一份全套的大模型学习资料，希望给那些想学习大模型的小伙伴们一点帮助！ 👉AI大模型学习路线汇总👈 大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈） 第一阶段： 从大模型系统设计入手，讲解大模型的主要方法； 第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用； 第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统； 第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

文末 技术是没有终点的，也是学不完的，最重要的是活着、不秃。 零基础入门的时候看书还是看视频，我觉得成年人，何必做选择题呢，两个都要。喜欢看书就看书，喜欢看视频就看视频。 最重要的是在自学的过程中，一定不要眼高手低，要实战，把学到的技术投入到项目当中，解决问题，之后进一步锤炼自己的技术。 自学最怕的就是缺乏自驱力，一定要自律，杜绝“三天打鱼两天晒网”，到最后白忙活一场。 高度自律的同时，要保持耐心，不抛弃不放弃，切勿自怨自艾，每天给自己一点点鼓励，学习的劲头就会很足，不容易犯困。 技术学到手后，找工作的时候一定要好好准备一份简历，不要无头苍蝇一样去海投简历，容易“竹篮打水一场空”。好好的准备一下简历，毕竟是找工作的敲门砖。 拿到面试邀请后，在面试的过程中一定要大大方方，尽力把自己学到的知识舒适地表达出来，不要因为是自学就不够自信，给面试官一个好的印象，面试成功的几率就会大很多，加油吧，骚年！ 开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】 + [9. CSS样式文件引入的方式有哪些? link和@import的区别是?](#9_CSS_linkimport_87) + [10.display属性有什么作用？它有哪些值？](#10display_95) + [11. 介绍一下页面元素定位中的绝对定位、相对定位、流动定位、浮动定位，并阐述他们的区别](#11__101) + [12.谈谈你见过的浏览器不兼容问题？如何使用IETest?](#12IETest_111) + [13.display:none和visibility:hidden的区别是](#13displaynonevisibilityhidden_123) + [14.html5有哪些新特性，如何处理html5对低版本的兼容问题](#14html5html5_128) Javascript 篇 1.浏览器加载文件(repaint/reflow) 2.cookie、localstorage和sessionStorage的区别3.浏览器本地存储与服务器端存储之间的区别4. src和href的区别?5. bind函数的兼容性6. 解释下事件代理7.解释下js中this是怎么工作的?8.什么是闭包? 闭包有什么作用?9. 什么是伪数组？10.undefined和null的区别, 还有undeclared:11. 简述事件冒泡机制。12.解释下为什么接下来这段代码不是 IIFE(立即调用的函数表达式)：function foo(){ }();?13. 请指出 document load 和 document ready 两个事件的区别。15.浏览器端的js包括哪几个部分?16.DOM包括哪些对象? 16.1 常用的DOM方法: 16.2 常用的DOM属性 17. js有哪些数据类型?18.基本类型与引用类型有什么区别?19. 关于js的垃圾回收20.动画有哪些实现方法?21.浅拷贝22.深拷贝23. 说一下原型链24. new 操作符具体做了什么？25.script 标签里的 async 和 defer 有什么区别？26. setTimeout 最小执行时间是多少？27. promise 的内部原理是什么？它的优缺点是什么？28.promise 和 async await 的区别是什么？29.浏览器的存储方式有哪些？30.token 存在 sessionstorage 还是 loaclstorage？31.

小说漫画解说推广项目主要利用视觉展示手段例如图文和视频，在多个短视频平台宣传文学作品。通过植入吸引注意的“关键词”作为钩子，促进观众前往小说网站注册或充值，从而获得提成。 （以下仅代表本人个人收益） 项目的推广方式已经经历了多次演变，从最初的文字屏幕录制加背景音乐，到渐渐流行的压力释放视频或游戏播放录屏配以解说，发展至当前使用AI生成的漫画加上讲解的模式。 但个人认为以小说爱好者为主要市场的小说推广活动依然拥有巨大潜力。各大文学平台持续爆发的人气作品也源源不断提供新素材。 总的来看，需求始终存在，成功与否关键在于推广手段是否能有效吸引流量从而带来盈利。 -------------------------- 项目流程 这里有两种收入渠道，一是通过获得小说平台授权进行小说推广，吸引用户进入平台，用户在平台里面的花费从而成为我们的佣金来源，另外一种就是制作长视频形式，通过在平台发布视频，获得平台的广告收入，下面我们介绍下第一种收入的流程。 一、获取小说平台推广授权 目前各大小说平台都已经开放了推广授权后台，每个人都可以免费申请，所以千万不要被一些收授权费的小程序、网站忽悠了。 这里也给大家提供一些目前比较热门的小说平台授权网站： 七猫达人、起点达人、番茄达人… 除了在官网申请授权之外，还有一些聚合了多个小说平台推广渠道的机构： 这种方式收益会被机构分走一小部分比例，但相对来说更加方便，适合新手。 一是一站式拿到众多平台的授权； 二是机构为了增量会给用户提供很多爆文素材和教程，让大家快速拿到结果。毕竟推手做的越好，机构才能分到更多的利益。 二、 选择爆款小说 每个小说平台都有不同的爆款小说可以推广，这里建议大家刚开始不要做的太杂，不管是玄幻还是言情或者灵异小说…先确定一个领域，不仅可以节省挑选小说的时间和精力，也能在一定程度上保持账号粉丝的精准度。 这里教大家几个如果快速找到当下比较容易起量的小说素材的方法： 1.热点宝 抖音搜索：热点宝，进入搜索 “小说推文” 等相关关键词，筛选 “低粉爆款视频榜” 。可以找到近期拿到流量的素材视频。 2.关注同行 抖音搜索“漫画小说”等相关关键词，筛选 “一周内、最多点赞” ，找到近期热门视频，看到评论区有引导动作的统统都一键三连。 尤其是低粉丝量的账号，对于新手来说，更具有参考意义。同样是新号，别人能上热门的素材，你大概率也可以。 这个动作重复几天，基本上刷到的都是做漫画小说的同行，关注的多了，每天看一看他们有没有发布之后短期内上热门的作品，都可以拿来参考。 三、 获取关键词 选好对标爆款小说之后，可以看到别人是推广的哪个平台。然后去对应平台搜索书名，设置专属于自己的关键词。 关键词建议使用4-5个字，方便用户搜索，太长的话用户记不住会很容易流失。 这里以番茄小说为例，推广上面提到的那本《逆转生死轮》： 用户通过你的专属关键词搜索进来的，平台都会识别成为你的推广量，从而计算佣金。 四、视频制作步骤： 1.AI工具提炼小说主要内容 使用AI工具把小说内容进行提取精炼，并提炼出小说的分镜头，我们后期将使用这个分镜头语言对图片进行生成。 不要过度迷信所谓的GPT咒语， 使用简单易懂的语言把需求描述清楚，一般形式下能解决所有的问题，实在不行多生成几次。生成的分镜头我们复制出来，便于后期提取。 2. AI工具生成场景图片 将上述的分镜头语言输入到对应的图片工具里面，生成场景，需要注意的是场景的画面以及氛围需保持一致。 后期在参数上选择需保持一致。 3. AI工具图片转视频 我使用的是剪映，国民好工具！ 提醒一下更改的话应该参数的把控性要求比较高，建议直接默认，这也是没有更改任何参数直接生成的。 下面说说第二个工具：stablevideo 官网地址：https://www.stablevideo.com/ 4. 视频配音以及剪辑 我们使用剪映对其进行整体的编辑以及修改，首先使用图文成片，素材选择本地素材，这样得到的初始视频就是有配音有字幕，方便我们后期进行修改，然后将素材替换为我们生成的视频素材就可以。 建议给每个画面添加一个动画，或者使用关键帧功能让画面进行一些运动；同时还可以根据文案添加一些背景音乐、音效或者贴纸特效等，让视频看起来更加丰富、具有动感。 注意在作品中尽量添加AI制作声明，以免限流，一般放到画面角落位置不影响观感就行了。 5. 视频配音以及剪辑 除此之外，目前还有一款专门的AI工具 http://aitools.jurilu.com，可把上述步骤合并为一步。 工具叫：https://aitools.jurilu.com/ 优点就是脚本一键生成所有主角形象以及连贯的全部分镜头，并保持很好的主角一致性，还支持人物角色、场景绘制的提示词修改，非常省力且方便，缺点就是也是免费的功能有限。 source：利昂的出海日记 还是不会或有问题的宝子，我把AI实操直播教程分享给大家，里面包括AI绘画工具，4000+关键词手册、工具包等等。 写在最后 感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。 ​

社区养老服务平台 目录 基于Java的社区养老服务平台设计与实现 一、前言 二、系统设计 三、系统功能设计 1用户信息管理 2 服务信息管理 3服务申请管理 4公告信息管理 四、数据库设计 五、核心代码 六、论文参考 七、最新计算机毕设选题推荐 八、源码获取： 博主介绍：✌️大厂码农|毕设布道师，阿里云开发社区乘风者计划专家博主，CSDN平台Java领域优质创作者，专注于大学生项目实战开发、讲解和毕业答疑辅导。✌️ 主要项目：小程序、SpringBoot、SSM、Vue、Html、Jsp、Nodejs等设计与开发。 🍅文末获取源码联系🍅 基于Java的社区养老服务平台设计与实现 一、前言 社区养老服务平台在Eclipse环境中，使用Java语言进行编码，使用Mysql创建数据表保存本系统产生的数据。系统可以提供信息显示和相应服务，其管理员增删改查服务信息和服务信息资料，审核服务信息预订订单，查看订单评价和评分，通过留言功能回复用户提问。 总之，社区养老服务平台集中管理信息，有着保密性强，效率高，存储空间大，成本低等诸多优点。它可以降低信息管理成本，实现信息管理计算机化。 关键词：社区养老服务平台；Java语言；Mysql 二、系统设计 功能结构图如下 三、系统功能设计 1用户信息管理 如图5.1显示的就是用户信息管理页面，此页面提供给管理员的功能有：用户信息的查询管理，可以删除用户信息、修改用户信息、新增用户信息， 还进行了对用户名称的模糊查询的条件 图5.1 用户信息管理页面 2 服务信息管理 如图5.2显示的就是服务信息管理页面，此页面提供给管理员的功能有：查看已发布的服务信息数据，修改服务信息，服务信息作废，即可删除，还进行了对服务信息名称的模糊查询 服务信息信息的类型查询等等一些条件。 图5.2 服务信息管理页面 3服务申请管理 如图5.3显示的就是服务申请管理页面，此页面提供给管理员的功能有：根据服务申请进行条件查询，还可以对服务申请进行新增、修改、查询操作等等。 图5.3 服务申请管理页面 4公告信息管理 如图5.4显示的就是公告信息管理页面，此页面提供给管理员的功能有：根据公告信息进行新增、修改、查询操作等等。 图5.4 公告信息管理页面 四、数据库设计 （1）下图是用户实体和其具备的属性。 图4.1 用户实体属性图 （2）下图是用户信息修改审核实体和其具备的属性。 图4.2 用户信息修改审核实体属性图 数据库表的设计，如下表： 表4.1字典表表 序号 列名 数据类型 说明 允许空 1 Id Int id 否 2 dic_code String 字段

在项目的开发中，经常会遇到需要连接多个多种数据库的情况，mysql、oracle等等，下面详细讲解如何在一个服务中进行多种数据库的配置。 第一步： 在yml配置文件中配置多个数据源，如下，根据实际情况更改自己的配置即可。 spring: datasource: # 配置多个数据源 primary: type: com.alibaba.druid.pool.DruidDataSource jdbc-url: jdbc:oracle:thin:@171.28.7.55:1521:example username: root password: root driver-class-name: oracle.jdbc.OracleDriver #数据库链接驱动 secondary: type: com.alibaba.druid.pool.DruidDataSource jdbc-url: jdbc:mysql://127.0.0.1:3306/exinfo?useUnicode=true&characterEncoding=utf-8 username: root password: root driver-class-name: com.mysql.cj.jdbc.Driver #数据库链接驱动 第二步： 创建多个配置类，以配置oracle和mysql两个数据库为例，可参考代码进行延展。 1.在配置类中需要进行数据源配置 @Bean @ConfigurationProperties(prefix = "spring.datasource.primary") @Primary public DataSource db1DataSource() { return DataSourceBuilder.create().build(); } @ConfigurationProperties(prefix = "spring.datasource.primary")用于绑定yml中的第一个数据源配置，这些配置项会被自动映射到db1DataSource所创建的数据源实例中。通过DataSourceBuilder. create()创建一个新的数据源构建器，并调用.build()方法来完成数据源实例的创建。 如果有多个相同类型的Bean，使用@Primary注解可以标记出一个优先（默认）使用的Bean。所以使用最多的数据库可以使用@Primary注解。 2.配置MyBatis的SqlSessionFactory，它是MyBatis操作数据库的核心组件，负责创建SqlSession对象，执行SQL语句等。使用名称为db1DataSource的数据源Bean作为构造SqlSessionFactory的依赖。 @Bean @Primary public SqlSessionFactory db1SqlSessionFactory(@Qualifier("db1DataSource") DataSource dataSource) throws Exception { SqlSessionFactoryBean bean = new SqlSessionFactoryBean(); bean.setDataSource(dataSource); //bean.getObject().getConfiguration().setMapUnderscoreToCamelCase(true);//设置下划线转驼峰式 return bean.

一、背景 在系统中执行定时任务时，出现 MySQL:Error on observer while running replication hoot 'before_commit'，导致跑批失败，通过排查，发现sql脚本查询数据超出了143M，原因是在MySQL 8.0中，缺省值为150000000（约143MB），大于该值的事务将被回滚； 二、解决方案 1.临时解决方案 为了保证系统数据正常传输，暂时采取修改系统配置，将系统变量group_replication_transaction_size_limit改大； 2.修改方式 （1）通过数据库客户端工具查找该系统变量 SHOW VARIABLES LIKE '%group_replication_transaction%'; 或者 show global variables like '%group_replication_transaction_size_limit%' (2)一般默认大小为141M（150000000），修改为它的2倍； set global group_replication_transaction_size_limit=300000000; 3.彻底解决方案： （1）事务拆分，将大事务分批次进行处理 （2） 优化数据库性能，提高系统响应速度

💓博主CSDN主页:杭电码农-NEO💓 ⏩专栏分类:高阶数据结构专栏⏪ 🚚代码仓库:NEO的学习日记🚚 🌹关注我🫵带你学习更多Go语言知识 🔝🔝 高阶数据结构 1. 前言2. 并查集的原理3. 并查集的实现4. 并查集的应用5. 总结以及拓展 1. 前言 本系列会带大家走进高阶数据结构的学习, 其中包括并查集,图论, LRU cache, B树, B+树, B*树, 跳表. 其中, 图论中讲解的时间最长, 包括邻接表, 邻接矩阵, 广度优先遍历, 深度优先遍历, 最小生成树, 以及prim算法, dijkstra算法, bellman-Ford算法, Floyd-wars hall算法. 高阶数据结构属于拓展内容, 建议把基础掌握好后再学 本章重点: 本篇文章着重讲解并查集的原理, 并查集的实现(CPP),以及并查集的应用 2. 并查集的原理 在一些应用问题中，需要将n个不同的元素划分成一些不相交的集合。开始时，每个元素自成一个单元素集合，然后按一定的规律将归于同一组元素的集合合并。在此过程中要反复用到查询某一个元素归属于那个集合的运算。适合于描述这类问题的抽象数据类型称为并查集(union-find set)。 比如, 公司招的10个人当中有4人是北京的,三人是上海的,3人是深圳的. 那么他们就可以被分为三个不同的集合. 现在将他们进行编号(0~9),然后来看看如何将他们进行分组(为什么初始值为-1,后面再解释) 北京学生: 0,6,7,8.上海学生: 1,4,9.深圳学生: 2,3,5 假如选出0,1,2号学生作为小组的组长 现在需要在数组中,表示三个分组, 不卖关子,直接讲解并查集的原理. 当组长的人的位置的值是负数,-n代表这个组有n个人. 而非组长的成员的位置的值存储的是组长的下标,这样说可能有点抽象,下面来画个图看看 北京小组的组长是0,它的值是-4代表此小组有四个人.6,7,8是0的组员,所以它们存储的值是0,也就是组长的下标. 所以刚开始初始值为-1,代表每一个数都自成一个集合 现在出现一个情况, 由于北京的同学和上海的同学经常在一起玩耍, 所以久而久之他们就很熟了,就想着将这两个分组合并.于是出现了以下的情况: 此时,下标为1的位置应该存储它的父亲,也就是0,下标为4.9的位置不能直接存储0,而是应该存储1,因为1才是他们的直系父亲. 可以用下图来表示: 你可以窥探到,下标为0的值从-4变为-7,而下标为1的值从-3变为0,实际上就为我们后面的手撕并查集提供了思路 3. 并查集的实现 在进行并查集实现时,应该要拥有这几个基础功能函数: 找到一个下标的根, 合并两个集合, 判断两个树是否在同一个集合.

springAI 1.springAI基本介绍 springAI是一个AI工程应用框架，其目标是将 Spring 生态系统设计原则（例如可移植性和模块化设计）应用于 AI 领域，并推广使用 POJO 作为 AI 领域应用程序的构建块。 2.特性 灵活的AIP支持chat,text-to-image, and Embedding models。支持同步和stream API。向下可以接入特定的模型。 Chat Models OpenAI Azure Open AI Amazon Bedrock Cohere's Command AI21 Labs' Jurassic-2 Meta's LLama 2 Amazon's Titan Google Vertex AI Palm Google Gemini HuggingFace - access thousands of models, including those from Meta such as Llama2 Ollama - run AI models on your local machine MistralAI Text-to-image Models OpenAI with DALL-E

目录 一、Pushgateway概述 1.1 Pushgateway简介 1.2 Pushgateway优点 1.3 pushgateway缺点 二、测试环境 三、安装测试 3.1 pushgateway安装 3.2 prometheus添加pushgateway 3.3 推送指定的数据格式到pushgateway 1.添加单条数据 2.添加复杂数据 3.SDk-prometheus-client使用 【Prometheus】概念和工作原理介绍_prometheus工作原理-CSDN博客 【Prometheus】k8s集群部署node-exporter_kubectl 安装 promethues node-exporter-CSDN博客 【prometheus】k8s集群部署prometheus server-CSDN博客 【prometheus】k8s集群部署Grafana安装和配置|Prometheus监控K8S 【prometheus】k8s集群部署AlertManager实现邮件和钉钉告警-CSDN博客 【prometheus】监控MySQL并实现可视化-CSDN博客 【prometheus】监控nginx-CSDN博客 一、Pushgateway概述 1.1 Pushgateway简介 Pushgateway是prometheus的一个组件，prometheus server默认是通过exporter主动获取数据（默认采取pull拉取数据），pushgateway则是通过被动方式推送数据到prometheus server，用户可以写一些自定义的监控脚本把需要监控的数据发送给pushgateway， 然后pushgateway再把数据发送给Prometheus server。 1.2 Pushgateway优点 Prometheus 默认采用定时pull 模式拉取targets数据，但是如果不在一个子网或者防火墙，prometheus就拉取不到targets数据，所以可以采用各个target往pushgateway上push数据，然后prometheus去pushgateway上定时pull数据在监控业务数据的时候，需要将不同数据汇总, 汇总之后的数据可以由pushgateway统一收集，然后由 Prometheus 统一拉取。 1.3 pushgateway缺点 Prometheus拉取状态只针对 pushgateway, 不能对每个节点都有效；Pushgateway出现问题，整个采集到的数据都会出现问题监控下线，prometheus还会拉取到旧的监控数据，需要手动清理 pushgateway不要的数据。 二、测试环境 IP 主机名 192.168.2.139 master1 192.168.40.140 node1 三、安装测试 3.1 pushgateway安装 在node1节点操作 docker pull prom/pushgateway docker run -d --name pushgateway -p 9091:9091 prom/pushgateway 在浏览器访问192.

🐧主页详情：Choice~的个人主页 文章目录 搜索旋转排序数组方法一 二分查询最大最小值思路详解代码方法二 二分查询中间数 在排序数组中查找元素的第一个和最后一个位置、数组中的第K个最大元素和颜色分类在排序数组中查找元素的第一个和最后一个位置方法一 二分查找 数组中的第K个最大元素方法一方法二方法三题外话 颜色分类方法一 直接计算方法二 双指针遍历方法三 使用各种排序法 搜索旋转排序数组 假设按照升序排序的数组在预先未知的某个点上进行了旋转。 ( 例如，数组 [0,1,2,4,5,6,7] 可能变为 [4,5,6,7,0,1,2] )。 搜索一个给定的目标值，如果数组中存在这个目标值，则返回它的索引，否则返回 -1 。 你可以假设数组中不存在重复的元素。 你的算法时间复杂度必须是 O(log n) 级别。 示例 1: 输入: nums = [4,5,6,7,0,1,2], target = 0 输出: 4 示例 2: 输入: nums = [4,5,6,7,0,1,2], target = 3 输出: -1 方法一 二分查询最大最小值 思路 先算出 数组中最大最小值，利用 indexOf 计算之后要旋转位置，然后二分计算目标 target 位置 详解 计算数组中的最大最小值定义变量，数组长度等目标值大于数组最后一位时，数组查询位置从 0 到数字中在最大位置目标值小于等于数组最后一位时，数组查询位置从数组中最小值的位置开始，到数组的最后一位，3.4 两部为了定位数组查询区间循环二分查询，计算定位数组的中间值，数组的值等于目标查询结束不等于的情况，如果目标大于中间值，则定位数组最小值等于中间值+1，目标小于中间值，则定位数组中最大值等于中间值-1，继续循环查询即可，知道定位数组查询完毕，没有结果的话，返回 -1 代表不存在 代码 const search = function (nums, target) { const min = Math.

文章目录 每日一句正能量前言什么是Agent AI技术进步与创新伦理与法律规范经济与就业市场后记 每日一句正能量 能带动团队奔跑的人，别放在角落，能耐心工作的人，别放他去奔跑。 前言 随着Agent AI智能体的不断发展和智能化水平的提高，我们正逐渐进入一个被智能体主导的未来社会。这些智能体具备了无与伦比的计算能力、学习能力和决策能力，能够在各个领域发挥关键作用。然而，随之而来的是对智能体在未来社会中角色、发展路径以及可能带来的挑战的广泛讨论和关注。本文将探讨智能体在未来社会中所扮演的角色，分析其可能的发展路径，并讨论智能体可能带来的挑战。希望通过这一讨论能够更好地了解和应对未来智能体的到来带来的影响。 什么是Agent AI Agent AI（智能体人工智能）是一种人工智能系统，它以自主决策、学习和执行任务为特点。Agent AI被设计为具有自主性和独立性，能够感知环境、学习知识、推理和决策，并通过主动行动来实现特定的目标。 Agent AI系统通常包含以下核心组件：感知器（sensors）用于感知和收集环境信息，决策器（decision maker）用于推理和决策，执行器（actuators）用于执行行动。这些组件协同工作，使得Agent AI能够在不同的环境中理解和适应，并采取相应的行动。 Agent AI在各个领域都有潜在应用，例如机器人技术、自动驾驶、智能助理等。通过不断学习和优化，Agent AI可以逐渐提高自身的智能水平，并在特定领域中展现出超越人类的能力。 然而，Agent AI的发展也面临着一些挑战，例如伦理和道德问题，以及与人类的互动和合作。因此，我们需要对Agent AI的发展进行谨慎而深思熟虑的探讨，并制定相应的规范和政策，以实现人工智能在社会中的和谐发展。 技术进步与创新 Agent AI智能体通过机器学习和深度学习等技术实现自我优化和知识积累，为其在未来社会中的发展路径带来了巨大的潜力和机会。 首先，机器学习技术可以使Agent AI智能体通过对大量数据的学习和分析，不断改进自身的表现和效能。通过训练模型和算法，Agent AI可以逐步学习和理解环境中的模式和规律，从而优化其决策和行动。随着时间的推移，Agent AI可以通过不断的训练和反馈，积累经验并提高智能水平。 而深度学习技术则可以赋予Agent AI更高层次的认知能力。通过模仿人类神经网络的结构和功能，深度学习可以使Agent AI在处理复杂问题、识别模式和进行推理方面具备更强大的能力。这种技术的应用使得Agent AI可以更好地理解和解决复杂的现实世界问题，并且凭借其自我学习和自我优化的能力，不断提升自身的智能水平。 然而，Agent AI技术的发展也面临着一些挑战。其中之一是数据隐私和安全的问题。Agent AI需要大量的数据来进行学习和优化，但这涉及到处理个人和机密信息的风险。因此，保护数据的隐私和安全，以及建立相应的规范和法律框架是不可或缺的。 另外，Agent AI的发展还需要注重对技术的透明度和解释性。智能体的决策和行动往往是基于复杂的算法和模型，这使得人们很难理解其具体的推理过程。因此，开发解释性的AI技术，使Agent AI的决策过程更加透明和可解释，是提高其社会接受度和可信度的关键。 总的来说，通过机器学习、深度学习等技术，Agent AI智能体可以实现自我优化和知识积累，从而不断提高其智能水平。然而，我们也需要对其发展进行监管和规范，以确保技术的透明度和合理性，以及保护个人隐私和数据安全。只有在技术的持续创新和社会的积极参与下，Agent AI才能为人类社会带来更大的福祉和发展。 伦理与法律规范 随着Agent AI智能体的普及和应用，制定和实施AI伦理准则成为保障智能体行为符合社会道德和法律规范的重要举措。 首先，在制定AI伦理准则时，需要将人类价值观和伦理原则融入其中，以确保Agent AI的行为与人类价值观保持一致。这包括强调智能体的尊重、公平性、透明度、隐私保护等。例如，智能体应遵守个人隐私和数据保护的原则，不滥用和泄露数据，并且应尊重人类的自主权和决策权。 其次，AI伦理准则还需要关注智能体的公平性和公正性。智能体的决策和行为应不偏袒特定群体或利益，而是以公正、平等和无歧视为原则。这对于避免智能体的偏见和歧视，确保其对所有人类都能提供公正和平等的服务至关重要。 此外，智能体的透明度和可解释性也是AI伦理准则中的重要部分。智能体的决策过程和算法应尽可能被解释和理解，以便对其行为进行审查和监督。这有助于减少对智能体的不信任和恐惧，增加社会对其应用的认可度。 最重要的是，AI伦理准则需要与法律规范相互配合。法律可以为Agent AI的行为设定明确的界限和责任，确保其在合法和道德的范围内运行。同时，法律的制定也需要考虑Agent AI技术的快速发展和变化，以便及时跟进和适应新的技术挑战和风险。 总而言之，制定和实施AI伦理准则是确保Agent AI行为符合社会道德和法律规范的关键一步。这需要将人类价值观和伦理原则融入准则中，关注公平性、公正性、透明度和可解释性，并与法律规范相互配合。只有在伦理和法律的双重引导下，Agent AI才能真正成为人类社会的有益伙伴。 经济与就业市场 Agent AI智能体的发展将对经济和就业市场产生深远的影响。不同行业对Agent AI的依赖程度将决定未来就业市场的变化趋势。 首先，Agent AI在生产制造领域的应用将提高生产效率和质量，降低生产成本。例如，在汽车制造业中，智能机器人可以完成繁重的组装和生产任务，取代传统的人工操作。这可能导致一些传统的劳动密集型岗位减少，但也会创造新的高技能岗位，如AI系统维护和监控。 其次，Agent AI在客户服务和销售领域的应用将提升服务质量和用户体验。例如，在电商平台中，智能客服可以通过自然语言处理、情感分析等技术提供更准确和个性化的客户服务。这可能减少一些传统客服岗位，但也会创造新的技术支持和数据分析岗位。 此外，Agent AI在金融和投资领域的应用有望提升风险管理和投资决策的精准性。例如，智能投资顾问可以通过深度学习和大数据分析帮助投资者做出更具科学依据的投资决策。这可能减少一些传统的人工投资顾问岗位，但也会创造新的数据科学和算法优化岗位。 然而，随着Agent AI的智能化水平不断提高，还存在一些挑战。一方面，未来就业市场可能出现技能需求不匹配的问题，即传统岗位的消失与新兴技术岗位的需求之间的差距。这要求教育和培训机构及时调整课程，提供相关技能的培训和教育。 另一方面，智能化的过程可能导致一些工作岗位的失业风险，尤其是低技能和重复性劳动的工作。这需要政府和社会各界共同努力，提供转行或再培训的机会，帮助受影响的人员重新就业。