DataWhale10月动手实践——Bot应用开发task03学习笔记

一、工作流

1. 工作流的定义

工作流由多个节点组成，这些节点可以包括大语言模型（LLM）、代码模块、逻辑判断工具、插件等。每个节点需要不同的信息来执行其功能。工作流的核心含义是：对工作流程及其操作步骤之间的业务规则进行抽象与描述，即如何将工作有序地组织起来。每个节点有两种信息来源，一种是引用前面节点给出的信息，另一种是开发者自己设定的信息，因此需要根据自身诉求在画布中将不同节点进行连接（即工作流搭建），才能让工作流进行运作，最终输出你要的结果。

工作流是一个将业务过程部分或整体自动化的过程，它将复杂任务分解为定义明确的子任务或角色，并按照既定规则和顺序执行，从而降低系统的复杂性。通过优化工作流，可以减少模型对Prompt技术和LLM推理能力的依赖，提升性能与效果，并增强应用的可靠性、稳定性、可解释性和容错性。

2.工作流的作用

工作流允许用户精细控制每一步的逻辑和输出，这一能力提高了AI应用的稳定性和可复现性。通过工作流的搭建，可以让智能体更高质量的处理复杂任务。换句话说，工作流技术明确指引LLM在何时执行哪些任务，从而让它做得更好。

3. 为什么要将任务进行拆解？

大模型并不是万能的，想通过修改prompt来提升大模型的回复效果，是在把大模型当成"人"一样去指导它们完成任务，不同的人去完成任务，其完成效果必然会受到人能力强弱的影响。所以如果大模型的能力较弱，我们应当考虑将复杂任务拆解为一个个简单的子任务，通过人为设计中间环节，让LLM先输出一些中间步骤的结果，这些中间结果可以作为后续环节的输入，然后再去解决最终的复杂问题。

二、动手实践

教程中提到了让我们构建一个如图所示的意图识别智能体Bot，任务包含了4个需求，让我们做出一个可解决四个任务的工作流。这四个任务分别是：

  • 情感分析
  • 生成随机数
  • 必应搜索并获取搜索到的第一个网页的内容
  • 查询目标地区天气并为用户生成出行提示
  • LLM的通用处理

image-20241017210357406

工作流的构建分为两种形式：

  • 简单工作流：除了开始和结束，仅添加了一个节点所构成的工作流
  • 复杂工作流：通过多节点组合所构建的逻辑较复杂的工作流

1.情感分析工作流

该工作流由开始节点，结束节点，以及一个大模型节点组成。

在大模型节点中，通过加入Prompt的形式，来对用户的输入进行处理。Prompt如下：

DEFINE ROLE AS "NLP专家":知识领域 = ["语言学", "互联网", "人工智能"]技能 = ["自然语言理解", "信息提取", "情感分析", "意图识别", "知识推理", "上下文关联学习", "实体识别"]经验 = "资深"任务 = "对文本进行情感分类，将其分类至对应的情感类别"# 定义情感类别
sentiment_category_infos = [{"category": "积极", "description": "文本内容表达正面情绪或态度，如快乐、满意、希望等。通常包含赞扬、鼓励或对未来的乐观预期等内容。"},{"category": "消极", "description": "文本内容体现负面情绪或态度，如悲伤、愤怒、失望等。通常反映批评、不满或对现状或未来的悲观看法等内容。"},{"category": "中性", "description": "文本内容既不表达明显的正面情绪，也不体现明显的负面情绪。通常包含客观陈述、信息传递或对事物的中立评价等内容。"}
]# 判断文本表达的情感是否符合给定的情感类别描述
def match_description(context, description):"""Step1: 一步步思考，仔细分析并理解${context}的特征和含义，判断是否和${description}的描述一致。Step2: 给出你判断的思考路径${thought}，在思考路径下给出你将${context}分类为${category}的理由。Step3：根据你Step1的判断结果和Step2的分类理由，给出此次分类的置信度${confidence}，置信度的取值范围为：0 <= confidence <= 1。"""return confidence# 根据文本表达的情感分类，并返回对应的情感类别
def classify(context, sentiment_category_infos):# 初始化最高置信度max_confidence = 0# 遍历所有的类别及其描述for sentiment_category_info in sentiment_category_infos:# 获取当前类别的置信度confidence = match_description(context, sentiment_category_info["description"])# 如果当前置信度高于之前的最高置信度，更新分类结果if confidence > max_confidence:max_confidence = confidencecategory = sentiment_category_info["category"]return {"classify_result": category}MAIN PROCESS:# 初始化文本变量，作为输入数据context = 读取("""{{input}}""")# 执行分类任务，输出分类结果classify(context, sentiment_category_infos)执行工作流程，严格按照json格式输出MAIN PROCESS的分类结果，禁止附加任何的解释和文字描述：

我个人对这段Prompt的理解如下：

  1. 角色定义 (DEFINE ROLE AS “NLP专家”):

    • 角色被设定为“自然语言处理（NLP）专家”，在语言学、互联网和人工智能等领域具有资深经验，具备处理文本任务的能力，包括自然语言理解、信息提取、情感分析等。

  2. 情感类别定义 (sentiment_category_infos):

    • 系统预先定义了三种情感类别：
      1. 积极：包括正面的情感，如快乐、满意、希望等。
      2. 消极：体现负面情绪，如悲伤、愤怒等。
      3. 中性：不明显表现正面或负面的情感，通常为客观陈述。

  3. 情感匹配函数 (match_description):

    • 该函数负责比较输入文本与某个情感类别的描述之间的匹配度。通过以下步骤进行分析：
      1. Step1：逐步思考和理解文本的特征，判断是否符合情感类别的描述。
      2. Step2：在给出判断理由的基础上，解释将文本分类至某个类别的思路。
      3. Step3：根据前两个步骤的分析，给出一个置信度，范围从0到1，用来量化分类的信心。

  4. 文本情感分类函数 (classify):

    • 该函数是核心分类器，通过遍历每个情感类别的描述，调用match_description来判断文本的情感类型。
    • 过程中保存最高的置信度，并将其对应的类别作为最终分类结果。

  5. 主流程 (MAIN PROCESS):

    • 在主流程中，首先读取输入的文本内容。
    • 接着调用分类函数，将文本分类到最适合的情感类别。
    • 输出结果时，要求严格按照JSON格式输出分类结果，而禁止附加任何解释性文字。

对这个工作流进行了测试，测试内容和结果如下，发现还是比较准确的。

image-20241017172216067

image-20241017172243154

2.随机数生成

这个工作流除输入输出节点外，由一个大模型节点（获取随机位数），两个代码节点（解析随机位数，生成随机位数）。

大模型节点的Prompt如下：

DEFINE ROLE AS "信息提取专家":任务 = "提取出用户随机数需求中的随机数长度"complete_user_input: str = 补全用户输入({{input}})
input_length: int =  提取随机位数(complete_user_input) if 提取随机位数(complete_user_input) != None else Default(8) 识别用户的输入，严格按照json格输出input_length的结果，禁止输出任何附加的解释和文字描述：
```json
{"input_length": input_length}
```

这个prompt定义了一个信息提取任务，主要目的是从用户的输入中提取随机数的长度，并输出结果为JSON格式。下面是对prompt的逐步解析：

  1. 角色定义 (DEFINE ROLE AS “信息提取专家”):

    • 角色被定义为“信息提取专家”，主要任务是从用户输入的需求中提取随机数长度。

  2. 用户输入补全 (complete_user_input):

    • 这里通过补全用户输入函数，将用户输入的内容进一步补全，确保用户输入的信息完整。这可能是为了处理一些输入不完整的情况，如语句未完或含糊不清的输入。

  3. 随机数长度提取 (input_length):

    • 系统通过函数提取随机位数(complete_user_input)从补全后的输入中提取随机数的长度。
    • 如果提取函数返回的值为None（即未能提取出随机数长度），则系统默认将随机数长度设为8（Default(8)）。

  4. 结果输出:

    • 结果要求严格按照JSON格式输出提取的input_length，并且禁止附加任何解释性文字或说明。

解析随机位数代码：

import json
import reasync def main(args: Args) -> Output:params = args.params['input']def extracted_json(text):code_pattern = r'{.*}'code_match = re.search(code_pattern, text, re.DOTALL)Extracted_json = code_match.group() if code_match else Nonetry:res = json.loads(Extracted_json)['input_length']except Exception as e:res = Nonereturn resret: Output= {"input_length": extracted_json(params)}return ret

主要功能是从输入文本中提取出一个JSON格式的内容，并解析其中的input_length字段。如果提取和解析过程出现异常（如输入文本中没有有效的JSON），则返回None。

生成随机位数代码：

import random
import stringasync def main(args: Args) -> Output:params = int(args.params['length'])characters = string.ascii_lowercase + string.digitsret: Output = {"random": ''.join(random.choice(characters) for _ in range(params))}return ret

生成一个指定长度的随机字符串，字符串由小写字母和数字组成。

3. 必应搜索

该工作流除开始结束节点外，由一个bing搜索插件节点，一个代码节点，以及一个链接读取节点等。

image-20241017214927479

其中query代表要搜索的查询词。

其中代码节点的代码如下:

import json
import reasync def main(args: dict) -> Output:parsed_data = json.loads(args.params['input'])for item in parsed_data:regex = r"link:(http[s]?://[^\s]+)"match = re.search(regex, item)if match:return {"url": match.group(1).replace('\n','')}return {"url": ""}

这段代码的功能是从用户输入的数据中提取出包含链接 (http:// 或 https://) 的URL，并返回该链接。如果没有找到匹配的URL，返回一个空的URL字符串。以下是对代码的逐步解析：

image-20241017215113000

链接读取插件读取的是前一步代码节点提取出的url。

4. 天气查询

该工作流由一个代码节点（获取当前时间），一个大模型节点（获取天气参数），一个天气查询插件节点（查询天气），一个大模型节点（获取出行建议）以及开始、结束节点。

获取当前时间代码:

from datetime import datetimeasync def main(args: dict) -> Output:current_date :Output= {"date": datetime.now().strftime("%Y-%m-%d")}return current_date

获取天气参数的Prompt：

你现在要完成一个信息提取任务，请根据用户输入提取相关天气参数。用户输入: {{input}}待提取的天气参数:
1. city: 从用户输入中提取市名，包括直辖市，比如：北京市、天津市、上海市、重庆市
2. province: 从用户输入中提取省份名（如果有），不要包括直辖市(比如：北京、北京市、北京省、天津市、上海市、重庆市)
3. towns: 从用户输入中提取区/县/镇名（如果有）
4. villages: 从用户输入中提取乡/村名（如果有）
5. start_time: 根据用户输入的时间信息提取开始日期（格式: YYYY-MM-DD）
6. end_time: 根据用户输入的时间信息提取结束日期（格式: YYYY-MM-DD）示例提取:- 输入: "青岛市即墨区的天气如何？"- city: "青岛市"- province: "山东省"- towns: "即墨区"- start_time: "2024-10-7"- end_time: "2024-10-13"用户查询天气的当前时间：{{date}}

获取出行建议的Prompt：

# Role: 出行提示小助手
## Profile:
- author: kie
- version: 0.1
- language: 中文
- description: 根据天气插件返回的天气信息，生成针对用户的出行提示和建议。## Goals:
- 理解天气信息，结合用户可能的活动，生成实用的出行提示和建议。## Constrains:
- 生成的提示和建议需要根据具体的天气情况来定制。## Skills:
- 擅长理解并应用天气信息。
- 精通用户行为分析，能够根据天气情况提出合理的出行建议。## Workflows:
1. 分析天气插件返回的天气信息。
2. 根据天气情况，结合用户可能的活动，生成出行提示和建议。
3. 输出提示和建议。## Example:
- Weather_info：
{"data": [{"condition": "小雨","humidity": 91,"predict_date": "2024-07-18","temp_high": 29.66,"temp_low": 25.98,"weather_day": "小雨","wind_dir_day": "东南风","wind_dir_night": "东南风","wind_level_day": "3","wind_level_night": "3"},{"condition": "小雨","humidity": 91,"predict_date": "2024-07-19","temp_high": 29.95,"temp_low": 25.73,"weather_day": "小雨","wind_dir_day": "东南风","wind_dir_night": "东南风","wind_level_day": "3","wind_level_night": "3"},{"condition": "小雨","humidity": 90,"predict_date": "2024-07-20","temp_high": 29.96,"temp_low": 25.86,"weather_day": "小雨","wind_dir_day": "东南风","wind_dir_night": "东南风","wind_level_day": "3","wind_level_night": "3"}]
}
- OutputFormat：
| 日期 | 天气状况 | 相对湿度 | 温度(最低~最高) | 白天风向 | 白天风力 |
|----------|--------|--------|------------|--------|--------|
| 2024-07-18 | 小雨 | 91 | 25.98~29.66 | 东南风 | 3 |
| 2024-07-19 | 小雨 | 91 | 25.73~29.95 | 东南风 | 3 |
| 2024-07-20 | 小雨 | 90 | 25.86~29.96 | 东南风 | 3 |根据2024年7月18日到2024年7月20日的天气情况，我将给您如下出行提示和建议:1. **天气状况**: 未来三天均为小雨，湿度较高（约90%）。
2. **温度范围**: 最高气温在29.96°C左右，最低气温在25.73°C左右，适合穿着轻便的雨具。
3. **风向与风力**: 风向为东南风，风力等级为3级，出行时注意风力对雨伞的影响。
4. **出行建议**:- 建议携带雨具（雨伞或雨衣），以应对小雨天气。- 注意路面湿滑，行车或步行时请小心。- 如果有户外活动计划，建议选择室内活动或适当调整时间。
5. **健康提示**: 高湿度天气可能导致不适，保持适当的水分摄入，避免长时间在潮湿环境中逗留。请根据以上信息合理安排出行计划，确保安全与舒适。## 天气信息
{{input}}## OutputFormat:
| 日期 | 天气状况 | 相对湿度 | 温度(最高/最低) | 白天风向 | 白天风力 |
|----------|--------|--------|------------|--------|--------|
| 日期1 | 天气状况1 | 相对湿度1 | 最低温度1~最高温度1 | 白天风向1 | 白天风力1 |
...
| 日期n | 天气状况n | 相对湿度n | 最低温度n~最高温度n | 白天风向n | 白天风力n |根据{{start_time}}到{{end_time}}的天气情况，我将给您如下出行提示和建议:1. **天气状况**: 
2. **温度范围**: 
3. **风向与风力**: 
4. **出行建议**:
5. **健康提示**:请根据以上信息合理安排出行计划，确保安全与舒适。

5. 意图识别工作流

将四个工作流进行拼接，并与一个未命中意图——通用处理进行并列，前后再分别加上一个意图识别节点，一个代码节点（解析用户结果）。

意图识别节点：

image-20241017215418540

代码节点中解析用户结果的代码如下：

async def main(args: Args) -> Output:params = args.paramsres = [params[key] for key in params if params[key] and key!="TAKO_BOT_HISTORY" and key!="FLOW:workflow:called_plugin_ids"][0]ret: Output = {"res": res}return ret

这段代码的主要功能是从输入参数 params 中找到第一个满足条件的值，并将其作为结果返回。

res = [params[key] for key in params if params[key] and key!="TAKO_BOT_HISTORY" and key!="FLOW:workflow:called_plugin_ids"][0]

这是一个列表推导式，遍历 params 中的所有键，按照条件过滤并取出第一个符合条件的值。

过滤条件：

  • params[key]：检查值是否存在或为非空（Python中，空字符串、空列表等被视为 False）。
  • key != "TAKO_BOT_HISTORY"：过滤掉键名为 "TAKO_BOT_HISTORY" 的项。
  • key != "FLOW:workflow:called_plugin_ids"：过滤掉键名为 "FLOW:workflow:called_plugin_ids" 的项。

[0]：获取列表中第一个满足条件的值。

测试结果如下：

image-20241017215937668

image-20241017215951645

image-20241017220008755

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/453721.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

中国信通院联合中国电促会开展电力行业企业开源典型实践案例征集

中国信通院联合中国电促会开展电力行业企业开源典型实践案例征集

自2021年被首次写入国家“十四五”规划以来&#xff0c;开源技术发展凭借其平等、开放、协作、共享的优秀创作模式&#xff0c;正持续成为推动数字技术创新、优化软件生产模式、赋能传统行业转型升级、助力企业降本增效的重要引擎。电力是国民经济的重要基础性产业&#xff0c;…
阅读更多...
开源神器！CodeFormer：一键去除马赛克，高清修复照片视频

开源神器！CodeFormer：一键去除马赛克，高清修复照片视频

❤️ 如果你也关注大模型与 AI 的发展现状&#xff0c;且对大模型应用开发非常感兴趣&#xff0c;我会快速跟你分享最新的感兴趣的 AI 应用和热点信息&#xff0c;也会不定期分享自己的想法和开源实例&#xff0c;欢迎关注我哦&#xff01; 微信公众号&#xff5c;搜一搜&…
阅读更多...
Docker安装Mysql数据库

Docker安装Mysql数据库

不同的应用程序可能依赖于不同版本的 MySQL 或具有不同的配置需求。通过 Docker&#xff0c;每个 MySQL 实例都可以运行在独立的容器中&#xff0c;与宿主机以及其他容器的环境相互隔离。这有效避免了因不同应用对 MySQL 版本、依赖库等方面的差异而导致的冲突。例如&#xff0…
阅读更多...
盛元广通数字化实验动物中心LIMS综合管理系统

盛元广通数字化实验动物中心LIMS综合管理系统

盛元广通数字化实验动物中心LIMS综合管理系统通过集成各种功能&#xff0c;从实验申请、伦理审批、笼位预约、动物采购到开展动物实验、数据归档等全流程智能化管理&#xff0c;保证了实验信息随时可查&#xff0c;管理可视化、流程简单化。实验动物中心采用电脑端、APP和微信小…
阅读更多...
LangSplat和3D language fields简略介绍

LangSplat和3D language fields简略介绍

LangSplat: 3D Language Gaussian Splatting 相关技术拆分解释&#xff1a; 3dgs&#xff1a;伟大无需多言SAM&#xff1a;The Segment Anything Model&#xff0c;是图像分割领域的foundational model&#xff0c;已经用在很多视觉任务上&#xff08;如图像修复、物体追踪、图…
阅读更多...
Linux目录

Linux目录

一、虚拟机环境配置 1.安装虚拟机 安装步骤 新建虚拟机-->典型安装-->选择稍后安装操作系统-->选择系统类型和版本&#xff08;这里安装的是CentOS7 64位&#xff09;-->选择虚拟机文件路径&#xff08;建议每台虚拟机单独存放并且路径不要有中文&#xff09;--&…
阅读更多...
商淘云连锁管理系统

商淘云连锁管理系统

商淘云连锁管理系统助力连锁企业实现“人货账”全方位数字化管理&#xff0c;它依托连锁品牌进销存管理实现门店订货、线下收银、线上商城、会员营销等一体化管理。 门店订货补货支持连锁直营、加盟 不同门店不同进货价、不同门店不同商品、不同门店在线或者账期支付、门店PC或…
阅读更多...
Go语言Gin框架的常规配置和查询数据返回json示例

Go语言Gin框架的常规配置和查询数据返回json示例

文章目录 路由文件分组查询数据库并返回jsonservice层controller路由运行效果 启动多个服务 在 上一篇文章《使用Go语言的gorm框架查询数据库并分页导出到Excel实例》 中主要给大家分享了较多数据的时候如何使用go分页导出多个Excel文件并合并的实现方案&#xff0c;这一篇文章…
阅读更多...
跨界创新|使用自定义YOLOv11和Ollama（Llama 3）增强OCR文本识别

跨界创新|使用自定义YOLOv11和Ollama（Llama 3）增强OCR文本识别

《博主简介》 小伙伴们好&#xff0c;我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源&#xff0c;可关注公-仲-hao:【阿旭算法与机器学习】&#xff0c;共同学习交流~ &#x1f44d;感谢小伙伴们点赞、关注&#xff01; 《------往期经典推…
阅读更多...
Electron-（三）网页报错处理与请求监听

Electron-（三）网页报错处理与请求监听

在前端开发中&#xff0c;Electron 是一个强大的框架&#xff0c;它允许我们使用 Web 技术构建跨平台的桌面应用程序。在开发过程中&#xff0c;及时处理网页报错和监听请求是非常重要的环节。本文将详细介绍 Electron 中网页报错的日志记录、webContents 的监听事件以及如何监…
阅读更多...
CTFHUB技能树之XSS——过滤关键词

CTFHUB技能树之XSS——过滤关键词

开启靶场&#xff0c;打开链接&#xff1a; 看上去跟上一题应该差不多&#xff0c;应该只是添加多点过滤规则吧 直接拿xss平台的代码试试&#xff1a; <sCRiPt sRC//xs.pe/6b6></sCrIpT> 这时候突然听到xss平台的上线语音提醒&#xff1a; 成功得到flag&#xff1…
阅读更多...
react里实现左右拉伸实战

react里实现左右拉伸实战

封装组件&#xff1a; 我自己写的一个简单的组件&#xff0c;可能有bug。不想自己写&#xff0c;建议用第三方库实现。 新建一个resizeBox.tsx文件写上代码如下&#xff1a; import React, { ReactNode, useState, useEffect, useRef } from react; import styles from &quo…
阅读更多...
具备哪些特质的内外网文件交换系统 才是高科技企业需要的？

具备哪些特质的内外网文件交换系统 才是高科技企业需要的？

高科技企业是指涉及对国家产生深远和积极影响的先进技术的产业集群&#xff0c;它们以持续的创新和高研发投入为核心&#xff0c;推动科技进步和产业升级。高科技企业是市场经济的重要组成&#xff0c;为经济发展和技术进步提供充足动力&#xff0c;因此&#xff0c;高科技企业…
阅读更多...
LeetCode刷题日记之贪心算法（五）

LeetCode刷题日记之贪心算法（五）

目录 前言无重叠区间划分字母区间合并区间单调递增的数字监控二叉树总结 前言 随着对贪心算法的不断深入&#xff0c;本篇文章将继续挑战一些经典的题目&#xff0c;进一步巩固这一算法的应用技巧。希望博主记录的内容能够帮助大家更好地掌握贪心算法的解题思路✍✍✍ 无重叠区…
阅读更多...
【K8S系列】Kubernetes Pod节点CrashLoopBackOff 状态及解决方案详解【已解决】

【K8S系列】Kubernetes Pod节点CrashLoopBackOff 状态及解决方案详解【已解决】

在 Kubernetes 中&#xff0c;Pod 的状态为 CrashLoopBackOff 表示某个容器在启动后崩溃&#xff0c;Kubernetes 尝试重启该容器&#xff0c;但由于持续崩溃&#xff0c;重启的间隔时间逐渐增加。下面将详细介绍 CrashLoopBackOff 状态的原因、解决方案及相关命令的输出解释。 …
阅读更多...
Openlayers高级交互（3/20）：动态添加 layer 到 layerGroup，并动态删除

Openlayers高级交互（3/20）：动态添加 layer 到 layerGroup，并动态删除

layerGroup 是 OpenLayers 库中的一个类，用于创建图层组。图层组允许您将多个图层组合在一起，并作为一个整体来控制它们的可见性和其他属性。本示例动态添加layer到layerGroup，并动态删除。 效果图 专栏名称内容介绍Openlayers基础实战 （72篇）专栏提供73篇文章，为小白群…
阅读更多...
回归预测||时序预测||基于灰狼优化的时域卷积TCN连接Transformer-BiLSTM的数据回归预测|时序预测Matlab程序

回归预测||时序预测||基于灰狼优化的时域卷积TCN连接Transformer-BiLSTM的数据回归预测|时序预测Matlab程序

回归预测||时序预测||基于灰狼优化的时域卷积TCN连接Transformer-BiLSTM的数据回归预测|时序预测Matlab程序 文章目录 一、基本原理一、基本概念二、原理和流程1. 数据准备2. 模型构建3. 灰狼优化算法设计4. 模型训练与优化5. 模型评估与预测 三、优势与应用四、总结 二、实验结…
阅读更多...
Docker 用例：15 种最常见的 Docker 使用方法

Docker 用例：15 种最常见的 Docker 使用方法

容器化应用程序而不是将它们托管在虚拟机上是过去几年一直流行的概念&#xff0c;使容器管理流行起来。Docker 处于这一转变的核心&#xff0c;帮助组织无缝地采用容器化技术。最近&#xff0c;Docker 用例遍布所有行业&#xff0c;无论规模大小和性质如何。 什么是Docker&…
阅读更多...
Windows--使用node.js的免安装版本

Windows--使用node.js的免安装版本

原文网址&#xff1a;Windows--使用node.js的免安装版本_IT利刃出鞘的博客-CSDN博客 简介 本文介绍Windows下如何使用node.js的免安装版本。 下载 1.访问官网 https://nodejs.org/en 记住这个版本号&#xff0c;这个是长期支持的版本。 2.找到压缩包 点击其他下载&#…
阅读更多...
windows系统中，在cmd窗口演练 Redis 基本操作命令

windows系统中，在cmd窗口演练 Redis 基本操作命令

文章目录 一、Redis 介绍1.1 Redis 的应用场景1.2 Redis 的特点 二、Windows版Redis安装三、Redis Desktop Manager安装四、Redis 常用基本操作4.1 查看操作4.2 操作string类型的命令4.2.1 设置获取Key4.2.2 MSET&#xff08;Multi&#xff09;支持批量设置key、MGET支持批量获…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023