人工智能：企业RAG方案

一、LangChain + FAISS、Milvus / Weaviate介绍

在企业 RAG （Retrieval-Augmented Generation）方案中，LangChain + FAISS 和 Milvus / Weaviate 都是用于向量检索（Vector Search）的核心工具。两者的核心区别在于 存储方式、查询性能和可扩展性。

1. LangChain + FAISS

适用于小型或中型企业，低成本，轻量级向量检索

什么是 FAISS？

FAISS（Facebook AI Similarity Search）是一个高效的向量数据库，适用于嵌入式查询和相似性搜索。它是一个 纯本地的 Python 库，不需要额外的数据库支持，适合 小型数据集 或 离线搜索。

 为什么选 LangChain + FAISS？

  • 无需外部数据库，本地文件存储，部署简单，适合中小企业。
  • 查询速度快，适用于几百万级的文档索引。
  • LangChain 兼容，可以无缝对接 OpenAI、DeepSeek、Llama 等模型。
  • 适合企业本地部署，不会产生数据外泄的风险。

示例代码

from langchain.vectorstores import FAISS
from langchain.embeddings.openai import OpenAIEmbeddings# 初始化 FAISS
embedding_model = OpenAIEmbeddings()
vector_db = FAISS.load_local("faiss_index", embedding_model)# 进行相似性搜索
query = "合同的主要条款是什么？"
docs = vector_db.similarity_search(query, k=5)  # 返回最相关的 5 个文档
for doc in docs:print(doc.page_content)

适合中小企业，单机部署，查询速度快！

2. Milvus / Weaviate

适用于大规模企业，多租户，分布式向量数据库

什么是 Milvus？

Milvus 是一个 分布式向量数据库，支持 PB 级别数据索引，适用于海量文档查询。它可以和 Kubernetes、GPU 计算 结合，实现高并发、高吞吐量的查询。

 什么是 Weaviate？

Weaviate 也是一个向量数据库，支持 混合搜索（全文 + 向量检索），并且可以直接嵌入 OpenAI、DeepSeek 等大模型 API，使其更加智能化。

 为什么选 Milvus / Weaviate？

  • 支持分布式扩展，适用于大型企业或 SaaS 级别的 RAG 方案。
  • 支持高并发，能够在毫秒级别完成海量查询。
  • 可以与 PostgreSQL、MongoDB 结合，支持结构化 + 非结构化数据查询。
  • 支持 OpenAI / DeepSeek / Llama 的 AI 直接推理（Weaviate 更适合 AI 语义搜索）。

示例代码（Milvus）

from pymilvus import Milvus, DataType, Collection, connections# 连接 Milvus
connections.connect("default", host="localhost", port="19530")# 创建 Collection
collection = Collection("enterprise_docs")# 向量查询
query_vector = [0.1, 0.2, 0.3, ...]  # 这里是文档的嵌入
search_param = {"metric_type": "L2", "params": {"nprobe": 10}}
results = collection.search([query_vector], "embeddings", search_param, limit=5)for hit in results[0]:print(f"匹配文档ID: {hit.id}, 相似度: {hit.distance}")

 适合大规模企业，分布式部署，PB 级数据查询！

3. LangChain + FAISS vs. Milvus / Weaviate

对比项LangChain + FAISSMilvus / Weaviate
适用场景小型 / 中型企业，单机本地检索大型企业 / 多租户，分布式检索
存储方式本地存储（内存 + 磁盘）分布式存储（数据库 + 集群）
查询速度适用于百万级文档，查询快适用于PB级数据，支持高并发
扩展性不能水平扩展，需要手动分片可以水平扩展，支持自动负载均衡
集成性适用于离线搜索适用于 AI 结合的语义搜索

✅ 如果企业数据量不大（少于 1000 万条记录）且本地部署，LangChain + FAISS 更合适！
✅ 如果企业有海量文档，且希望 SaaS 级服务，Milvus / Weaviate 更合适！

4. 结论

  • 企业私有 RAG 方案（如 Nextcloud、OwnCloud）→ LangChain + FAISS（本地化、简单）
  • 大规模 SaaS 级 RAG 方案（如多租户、多企业共享）→ Milvus / Weaviate（可扩展）

如果你的企业希望支持 OpenAI / DeepSeek / Llama 统一 API 方案，可以结合 Milvus / Weaviate + FastAPI，提供更强大的智能检索能力！🚀

二、企业私有RAG方案（基于LangChain + FAISS） 

目标：在企业内部部署 LangChain + FAISS，结合 DeepSeek API / 本地 Llama，实现对 IBM ECM、Nextcloud、OwnCloud 等存储系统的文档分析和智能问答。

1、方案架构

核心组件

  1. 文档存储层（IBM ECM / Nextcloud / OwnCloud）

    • 通过 WebDAV / API 获取文档数据。
    • 支持多种文件格式（PDF、Word、Excel 等）。

  2. 预处理层

    • OCR 解析（对于扫描版 PDF）
    • 文本提取（NLTK / pdfplumber / docx2txt）
    • 文档切分（LangChain RecursiveCharacterTextSplitter）

  3. 向量存储层

    • LangChain + FAISS（本地存储，轻量级，支持快速相似度检索）

  4. 模型推理层

    • DeepSeek API / 本地 Llama（统一 API 适配）
    • 支持 Prompt Engineering（优化回答效果）

  5. 查询接口

    • FastAPI / Flask 提供 REST API 接口
    • 前端 Web 界面（支持搜索、问答、文档可视化）

2、关键实现步骤

1.获取文档数据

不同存储系统的 API 访问方式：

# 通过 WebDAV 获取 Nextcloud / OwnCloud 文件
import requestsWEBDAV_URL = "https://nextcloud.example.com/remote.php/webdav/"
USERNAME = "user"
PASSWORD = "password"response = requests.get(f"{WEBDAV_URL}/example.pdf", auth=(USERNAME, PASSWORD))
with open("example.pdf", "wb") as f:f.write(response.content)

 对于 IBM ECM，可以使用 CMIS API 或定制连接器。

2.文档处理

文本提取（支持 PDF / Word）：

from langchain.document_loaders import PyPDFLoader, Docx2txtLoaderpdf_loader = PyPDFLoader("example.pdf")
docs = pdf_loader.load()word_loader = Docx2txtLoader("example.docx")
docs.extend(word_loader.load())# 递归切分文本
from langchain.text_splitter import RecursiveCharacterTextSplittersplitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)
split_docs = splitter.split_documents(docs)

 3.生成向量嵌入并存储

from langchain.vectorstores import FAISS
from langchain.embeddings import HuggingFaceEmbeddingsembedding_model = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")
vector_db = FAISS.from_documents(split_docs, embedding_model)
vector_db.save_local("faiss_index")  # 本地存储

4.向量搜索 + AI 回答

from langchain.chains import RetrievalQA
from langchain.llms import DeepSeekLLM# 加载向量数据库
vector_db = FAISS.load_local("faiss_index", embedding_model)# 初始化 DeepSeek API
llm = DeepSeekLLM(api_key="YOUR_API_KEY")# RAG 方案
qa = RetrievalQA.from_chain_type(llm=llm, retriever=vector_db.as_retriever())# 进行问答
query = "合同的主要条款是什么？"
answer = qa.run(query)
print(answer)

5.统一 API 提供查询接口

from fastapi import FastAPIapp = FastAPI()@app.get("/ask")
def ask(query: str):answer = qa.run(query)return {"query": query, "answer": answer}# 运行 API
if __name__ == "__main__":import uvicornuvicorn.run(app, host="0.0.0.0", port=8000)

3、优化方向

✅ 数据同步：定期同步 ECM / Nextcloud / OwnCloud 数据。
✅ 缓存优化：对热门查询进行缓存，提高查询效率。
✅ 私有 Llama 部署：如果企业不希望依赖 DeepSeek，可改用本地 Llama。
✅ UI 前端支持：可开发 Web 页面，让用户直接交互。

这样，企业就可以在 本地私有化环境 下实现 智能文档问答 了！

三、文档权限管理

在企业内部部署 RAG 方案时，文档权限管理 是一个关键问题，尤其是 ECM（IBM ECM、Nextcloud、OwnCloud）等系统通常有严格的访问控制机制。要保证 AI 只能访问用户有权限查看的文档，可以采取以下 五层权限控制策略：

1、用户身份验证（Authentication）

✔ 统一身份认证（SSO / IAM 兼容）

  • 采用 LDAP / Active Directory (AD) / OpenID Connect (OIDC) / SAML 进行单点登录（SSO）。
  • 通过 OAuth2.0 / JWT 实现 API 级身份认证。

🔹 示例：基于 JWT 验证用户身份

from fastapi import FastAPI, Depends, HTTPException
from fastapi.security import OAuth2PasswordBearer
import jwtSECRET_KEY = "your_secret_key"
ALGORITHM = "HS256"
oauth2_scheme = OAuth2PasswordBearer(tokenUrl="token")app = FastAPI()def verify_token(token: str = Depends(oauth2_scheme)):try:payload = jwt.decode(token, SECRET_KEY, algorithms=[ALGORITHM])return payloadexcept jwt.PyJWTError:raise HTTPException(status_code=401, detail="Invalid token")@app.get("/secure-data")
def secure_data(user: dict = Depends(verify_token)):return {"message": "Access granted", "user": user}

2、文档访问控制（Access Control）

✔ 方案：基于 ECM / Nextcloud / OwnCloud 权限

  • 直接查询 ECM / Nextcloud / OwnCloud 文档权限表，确保用户只能访问自己有权限的文件。
  • 采用 RBAC（基于角色的访问控制） 或 ABAC（基于属性的访问控制） 限制文档访问范围。

🔹 示例：查询用户权限

def user_has_access(user_id, doc_id):# 假设文档权限存储在数据库中query = f"SELECT * FROM doc_permissions WHERE user_id='{user_id}' AND doc_id='{doc_id}'"result = db.execute(query)return result is not None

 🔹 示例：访问 Nextcloud API 验证权限

import requestsNEXTCLOUD_URL = "https://nextcloud.example.com/ocs/v2.php/cloud/shares"
HEADERS = {"OCS-APIRequest": "true"}def check_nextcloud_access(user, file_path):response = requests.get(f"{NEXTCLOUD_URL}?path={file_path}", headers=HEADERS, auth=(user, "password"))return response.status_code == 200

3、过滤向量索引（Embedding Filtering）

✔ 方案：向量数据库中存储权限信息

  • 在 FAISS / Milvus / Weaviate 中存储 文档向量 + 访问权限。
  • 每次查询时，只检索用户有权限的向量。

🔹 示例：FAISS 存储文档向量 + 用户权限

from langchain.vectorstores import FAISS# 假设 embeddings 存储在 FAISS 中，metadata 存储用户权限
vector_db = FAISS.load_local("faiss_index", embedding_model)# 仅检索用户有权限的向量
def search_secure_vectors(query, user_id):retriever = vector_db.as_retriever(search_type="similarity", filter={"allowed_users": user_id})return retriever.get_relevant_documents(query)

4、细粒度审计（Audit Logging）

✔ 方案：记录每次 AI 访问日志

  • 记录 查询人、时间、查询内容、返回文档 ID，方便管理员审计。
  • 可将日志存储在 Elasticsearch / Splunk / MongoDB 进行分析。

🔹 示例：记录 AI 查询日志

import time
import jsondef log_query(user_id, query, results):log_entry = {"timestamp": time.time(),"user_id": user_id,"query": query,"results": [doc["doc_id"] for doc in results],}with open("query_log.json", "a") as f:f.write(json.dumps(log_entry) + "\n")

5、API 级权限控制（RBAC / ABAC）

✔ 方案：基于角色（RBAC） 或 属性（ABAC）控制 API 权限

  • RBAC（角色控制）：限制哪些角色可以访问 AI 查询接口。
  • ABAC（属性控制）：限制不同用户对不同类别的文档访问权限。

🔹 示例：RBAC API 权限

from fastapi import DependsROLE_PERMISSIONS = {"admin": ["read", "write"],"manager": ["read"],"employee": ["read"],
}def check_permission(user: dict = Depends(verify_token)):role = user.get("role")if "read" not in ROLE_PERMISSIONS.get(role, []):raise HTTPException(status_code=403, detail="Permission denied")return user@app.get("/secure-query")
def secure_query(query: str, user: dict = Depends(check_permission)):return qa.run(query)

6、总结：如何确保企业 AI 只访问用户有权限的文档？

✅ 身份认证（SSO / JWT） ➝ 确保用户身份
✅ 文档权限验证（ECM / Nextcloud API） ➝ 仅访问有权限的文件
✅ 向量过滤（Embedding Filtering） ➝ 只检索有权限的向量
✅ 日志审计（Audit Logging） ➝ 记录查询行为，方便追踪
✅ API 权限控制（RBAC / ABAC） ➝ 限制不同角色的访问范围

这样可以确保 AI 只能访问用户有权限查看的文档，同时提高 企业数据安全性。🚀

四、自动同步ECM权限

为了确保企业私有 RAG 方案能够与 IBM ECM / Nextcloud / OwnCloud 的权限体系保持同步，避免 AI 访问无权限的文档，可以采取以下 三层自动同步策略：

1、实时查询 ECM 权限（实时 API 同步）

✅ 适用于文档量较少、访问频繁的场景（小型企业 / 中型企业）。
✅ 每次查询 AI 前，动态请求 ECM API 验证当前用户是否有权限。

🔹 方案：基于 ECM / Nextcloud / OwnCloud API 进行实时检查

  • ECM / Nextcloud / OwnCloud 提供 API 以查询文档权限。
  • 在 AI 查询前，调用 API 检查用户权限，仅允许有权限的查询。
示例：基于 Nextcloud API 实时检查权限
import requestsNEXTCLOUD_URL = "https://nextcloud.example.com/ocs/v2.php/cloud/shares"
HEADERS = {"OCS-APIRequest": "true"}def check_nextcloud_access(user, file_path):"""检查用户是否有权限访问 ECM 文档"""response = requests.get(f"{NEXTCLOUD_URL}?path={file_path}",headers=HEADERS,auth=(user, "password"),)return response.status_code == 200
适用场景
  • 适用于小型数据量（< 10 万文档）。
  • 适用于 ECM API 响应速度较快的情况。
  • 但 API 调用较频繁，可能影响 ECM 服务器性能。

2、定期同步 ECM 权限（批量更新 + 本地缓存）

✅ 适用于文档较多、ECM API 调用成本高的企业（中型 / 大型企业）。
✅ 定期（如 每 10 分钟）同步 ECM 权限，并存入本地数据库（PostgreSQL / Redis / MongoDB）。

🔹 方案：批量同步 ECM 权限

  • 每隔 X 分钟调用 ECM API，批量拉取所有文档权限。
  • 本地数据库存储文档权限信息，并基于此数据过滤 AI 查询结果。
示例：定期同步 ECM 权限
import time
import requests
from database import save_document_permissionsECM_API_URL = "https://ecm.example.com/api/documents/permissions"def sync_ecm_permissions():"""批量同步 ECM 文档权限"""while True:response = requests.get(ECM_API_URL)if response.status_code == 200:permissions_data = response.json()save_document_permissions(permissions_data)  # 存入数据库time.sleep(600)  # 每 10 分钟同步一次
适用场景
  • 适用于 10 万 - 100 万文档 级别的企业。
  • 避免了频繁 ECM API 调用的性能开销。
  • 但可能会有 最多 10 分钟的权限延迟。

3、向量数据库级别权限同步（Embedding Index 过滤）

✅ 适用于文档超大规模（> 100 万文档）的企业。
✅ 直接在 FAISS / Milvus / Weaviate 中存储 ECM 权限信息，AI 查询时自动过滤。

🔹 方案：存储向量时附加 ECM 权限

  • 每个文档嵌入（embedding）时，存储 ECM 权限信息（如 UserID / Role）。
  • AI 查询时，仅检索用户有权限的向量。
示例：FAISS + ECM 权限控制
from langchain.vectorstores import FAISSvector_db = FAISS.load_local("faiss_index", embedding_model)def search_secure_vectors(query, user_id):"""仅检索用户有权限的向量"""retriever = vector_db.as_retriever(search_type="similarity", filter={"allowed_users": user_id})return retriever.get_relevant_documents(query)
适用场景
  • 适用于 > 100 万文档 超大规模企业 ECM。
  • AI 查询速度快，不会影响 ECM 服务器性能。
  • 但 ECM 权限变更后，向量数据库 可能需要重新索引。

4、总结：如何自动同步 ECM 权限？

同步方式优点缺点适用场景
实时 API 同步权限变更立即生效ECM 服务器压力大小型企业 / ECM API 高速
定期批量同步减少 API 负载有一定时间延迟10 万 - 100 万文档
向量数据库过滤AI 查询速度快权限变更后需重新索引100 万文档以上

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.rhkb.cn/news/37433.html

如若内容造成侵权/违法违规/事实不符，请联系长河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

【Linux 维测专栏 1 -- Hung Task 分析与验证】

【Linux 维测专栏 1 -- Hung Task 分析与验证】

文章目录 Linux Hung Task 简介1. Hung Task 概述2. D 状态与 Hung Task3. Hung Task 的工作原理4. Hung Task 的配置5. Hung Task 的典型输出6. Hung Task 的应用场景7. kernel 配置7.1 编译选项7.2 参数控制7.3 验证方法4. 扩展接口 8. 注意事项 Linux Hung Task 简介 1. Hu…
阅读更多...
计算机网络精讲day1——计算机网络的性能指标（上）

计算机网络精讲day1——计算机网络的性能指标（上）

性能指标1&#xff1a;速率 概念1&#xff1a;比特 英文全称是binary digit&#xff0c;意思是一个二进制数字&#xff0c;因此一个比特就是二进制数字中的1或0&#xff0c;比特也是信息论中使用的信息量单位。 概念2&#xff1a;速率 网络中的速率指的是数据的传送速率&#…
阅读更多...
ubuntu20.04使用matlab2024a快捷键调整

ubuntu20.04使用matlab2024a快捷键调整

一、概述 因为最近在使用ubuntu系统&#xff0c;在上面安装一个matlab比较方便&#xff0c;不用来回在window上面进行跳转&#xff0c;节省不少时间&#xff0c;同时在ubuntu下面启动matlab速度也比较快。 二、问题解决 &#xff08;一&#xff09;问题概述 问题如下&#xf…
阅读更多...
【设计模式】装饰模式

【设计模式】装饰模式

六、装饰模式 装饰(Decorator) 模式也称为装饰器模式/包装模式&#xff0c;是一种结构型模式。这是一个非常有趣和值得学习的设计模式&#xff0c;该模式展现出了运行时的一种扩展能力&#xff0c;以及比继承更强大和灵活的设计视角和设计能力&#xff0c;甚至在有些场合下&am…
阅读更多...
科技赋能安全：慧通测控的安全带全静态性能测试

科技赋能安全：慧通测控的安全带全静态性能测试

汽车的广泛普及给人们的出行带来了极大便利&#xff0c;但交通事故频发也成为严重的社会问题。据世界卫生组织统计&#xff0c;全球每年约有 135 万人死于道路交通事故&#xff0c;而安全带在减少事故伤亡方面起着不可替代的作用。正确使用安全带可使前排驾乘人员的死亡风险降低…
阅读更多...
猿大师中间件：如何在最新Chrome浏览器Web网页内嵌本地OCX控件？

猿大师中间件：如何在最新Chrome浏览器Web网页内嵌本地OCX控件？

OCX控件是ActiveX控件的一种&#xff0c;主要用于在网页中嵌入复杂的功能&#xff0c;如图形渲染、多媒体播放等&#xff0c;可是随着谷歌Chrome等主流浏览器升级&#xff0c;目前已经不支持微软调用ActiveX控件了&#xff0c;如果想调用OCX控件用IE浏览器或者国产双擎浏览器&a…
阅读更多...
基于STC89C52的DS1621温度检测系统

基于STC89C52的DS1621温度检测系统

摘要 本文设计了一种基于STC89C52单片机的DS1621温度检测系统&#xff0c;通过DS1621传感器采集温度数据&#xff0c;利用STC89C52单片机处理数据&#xff0c;并通过串口将温度信息发送至电脑显示。借助Proteus软件进行仿真验证&#xff0c;实现了温度检测系统的功能演示。该系…
阅读更多...
创建自己的github.io

创建自己的github.io

1、创建GitHub账号 GitHub地址&#xff1a;https://github.com/ 点击Sign up创建账号 如果已创建&#xff0c;点击Sign in登录 2、创建仓库 假设Owner为username&#xff0c;则Repository name为username.github.io说明&#xff1a; 1、Owner为用户名 2、Repository name为仓…
阅读更多...
AI Agent中的MCP详解

AI Agent中的MCP详解

一、协议定义与核心价值 MCP（Model Context Protocol，模型上下文协议）是由Anthropic公司于2024年11月推出的开放标准协议，其核心目标是通过建立统一接口规范，解决AI模型与外部系统集成效率低下的行业痛点。该协议通过标准化通信机制，使大型语言模型（LLM）能够无缝对接数…
阅读更多...
【AI论文】DeepMesh：基于强化学习的自回归艺术家网格创建

【AI论文】DeepMesh：基于强化学习的自回归艺术家网格创建

摘要&#xff1a;三角形网格在3D应用中扮演着至关重要的角色&#xff0c;能够实现高效的操作和渲染。虽然自回归方法通过预测离散的顶点标记来生成结构化的网格&#xff0c;但它们往往受到面数限制和网格不完整性的约束。为了应对这些挑战&#xff0c;我们提出了DeepMesh框架&a…
阅读更多...
基于ArcGIS和ETOPO-2022 DEM数据分层绘制全球海陆分布

基于ArcGIS和ETOPO-2022 DEM数据分层绘制全球海陆分布

第〇部分 前言 一幅带有地理空间参考、且包含海陆分布的DEM图像在研究区的绘制中非常常见&#xff0c;本文将实现以下图像的绘制 关键步骤&#xff1a; &#xff08;1&#xff09;NOAA-NCEI官方下载最新的ETOPO-2022 DEM数据 &#xff08;2&#xff09;在ArcGIS&#xff08;…
阅读更多...
Unity | 游戏数据配置

Unity | 游戏数据配置

目录 一、ScriptableObject 1.创建ScriptableObject 2.创建asset资源 3.asset资源的读取与保存 二、Excel转JSON 1.Excel格式 2.导表工具 （1）处理A格式Excel （2）处理B格式Excel 三、解析Json文件 1.读取test.json文件 四、相关插件 在游戏开发中，策划…
阅读更多...
docker模拟Dos_SYN Flood拒绝服务攻击 （Ubuntu20.04）

docker模拟Dos_SYN Flood拒绝服务攻击 （Ubuntu20.04）

目录 ✅ 一、实验环境准备&#xff08;3 个终端&#xff09; &#x1f449; 所以最终推荐做法&#xff1a; 2️⃣ 配置 seed-attacker 为攻击者&#xff0c;开启 telnet 服务&#xff1a; 3️⃣ 配置 victim-10.9.0.5 为受害者服务器&#xff0c;开启 telnet 客户端并监听&…
阅读更多...
场外个股期权是什么？场外个股期权还能做吗？

场外个股期权是什么？场外个股期权还能做吗？

场外个股期权指在非正式的交易场所&#xff0c;即场外市场上&#xff0c;老板们与特定对手方直接进行的个股期权交易。 场外期权为何被严监管&#xff1f; 场外个股期权指在非正式的交易场所&#xff0c;即场外市场上&#xff0c;老板们与特定对手方直接进行的个股期权交易&am…
阅读更多...
vulnhub靶场【billu系列】之billu_b0x2靶机

vulnhub靶场【billu系列】之billu_b0x2靶机

前言 靶机&#xff1a;billu_b0x2靶机&#xff0c;IP地址为192.168.10.10 攻击&#xff1a;kali&#xff0c;IP地址为192.168.10.6 靶机和攻击机都采用VMware虚拟机&#xff0c;都采用桥接网卡模式 文章涉及的靶机及工具&#xff0c;都可以自行访问官网或者项目地址进行获取…
阅读更多...
高性能边缘计算网关-高算力web组态PLC网关

高性能边缘计算网关-高算力web组态PLC网关

高性能EG8200Pro边缘计算算力网关-超强处理能力 样机申请测试&#xff1a;免费测试超30天&#xff08;https://www.iotrouter.com/prototype/&#xff09; 产品主要特点和特色功能 设备概览与连接能力 设备型号&#xff1a;EG8200P。主要特点&#xff1a; 支持多种工业协议&am…
阅读更多...
数据可信安全流通实战，隐语开源社区Meetup武汉站开放报名

数据可信安全流通实战，隐语开源社区Meetup武汉站开放报名

隐语开源社区 Meetup 系列再出发&#xff01;2025 年将以武汉为始发站&#xff0c;聚焦"技术赋能场景驱动"&#xff0c;希望将先进技术深度融入数据要素流转的各个环节&#xff0c;推动其在实际应用场景中落地生根&#xff0c;助力释放数据要素的最大潜能&#xff01…
阅读更多...
避坑指南 | 阿里云服务器centos7上MySQL部署优化指南

避坑指南 | 阿里云服务器centos7上MySQL部署优化指南

目录 1 检查阿里云是否安装mysql 1.1使用 rpm 命令 1.2检查 MySQL 服务状态 2 卸载mysql 2.1停止 MySQL 服务 2.2 检查已安装的 MySQL 包 2.3 卸载 MySQL 包 2.4 删除 MySQL 数据和配置文件 2.5 清理残留的依赖包 2.6 验证卸载 2.7 &#xff08;可选&#xff09;删除…
阅读更多...
位运算--求二进制中1的个数

位运算--求二进制中1的个数

位运算–求二进制中1的个数 给定一个长度为 n 的数列&#xff0c;请你求出数列中每个数的二进制表示中 1 的个数。 输入格式 第一行包含整数 n。 第二行包含 n 个整数&#xff0c;表示整个数列。 输出格式 共一行&#xff0c;包含 n 个整数&#xff0c;其中的第 i 个数表…
阅读更多...
Go语言的基础类型

Go语言的基础类型

一基础数据类型 一、布尔型&#xff08;Bool&#xff09; 定义&#xff1a;表示逻辑真 / 假&#xff0c;仅有两个值&#xff1a;true 和 false内存占用&#xff1a;1 字节使用场景&#xff1a;条件判断、逻辑运算 二、数值型&#xff08;Numeric&#xff09; 1. 整数类型&…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023