比微软的GraphRag更加强大的LightRAG：简单快速的检索增强生成

🚀 LightRAG：简单快速的检索增强生成

在这里插入图片描述

该存储库托管了 LightRAG 的代码。该代码的结构基于nano-graphrag。 请添加图片描述
在这里插入图片描述

🎉 新闻

[2024.10.29]🎯📢LightRAG 现在支持多种文件类型，包括 PDF、DOC、PPT 和 CSV textract。
[2024.10.20]🎯📢我们为LightRAG添加了一项新功能：图形可视化。
[2024.10.18]🎯📢我们添加了LightRAG介绍视频的链接。感谢作者！
[2024.10.17]🎯📢我们创建了Discord频道！欢迎加入分享和讨论！🎉🎉
[2024.10.16]🎯📢LightRAG 现在支持Ollama 模型！
[2024.10.15]🎯📢LightRAG 现已支持Hugging Face 模型！

算法流程图

在这里插入图片描述

安装

  • 从源码安装（推荐）
cd LightRAG
pip install -e .
  • 从 PyPI 安装
pip install lightrag-hku

快速入门

  • 在本地运行 LightRAG 的视频演示。
  • 所有代码均可在 中找到examples。
  • 如果使用 OpenAI 模型，请在环境中设置 OpenAI API 密钥：export OPENAI_API_KEY=“sk-…”.
  • 下载演示文本“查尔斯·狄更斯的《圣诞颂歌》”：
curl https://raw.githubusercontent.com/gusye1234/nano-graphrag/main/tests/mock_data.txt > ./book.txt

使用以下 Python 代码片段（在脚本中）初始化 LightRAG 并执行查询：

import os
from lightrag import LightRAG, QueryParam
from lightrag.llm import gpt_4o_mini_complete, gpt_4o_complete#########
# Uncomment the below two lines if running in a jupyter notebook to handle the async nature of rag.insert()
# import nest_asyncio
# nest_asyncio.apply()
#########WORKING_DIR = "./dickens"if not os.path.exists(WORKING_DIR):os.mkdir(WORKING_DIR)rag = LightRAG(working_dir=WORKING_DIR,llm_model_func=gpt_4o_mini_complete  # Use gpt_4o_mini_complete LLM model# llm_model_func=gpt_4o_complete  # Optionally, use a stronger model
)with open("./book.txt") as f:rag.insert(f.read())# Perform naive search
print(rag.query("What are the top themes in this story?", param=QueryParam(mode="naive")))# Perform local search
print(rag.query("What are the top themes in this story?", param=QueryParam(mode="local")))# Perform global search
print(rag.query("What are the top themes in this story?", param=QueryParam(mode="global")))# Perform hybrid search
print(rag.query("What are the top themes in this story?", param=QueryParam(mode="hybrid")))

使用类似开放 AI 的 API

  • LightRAG 还支持类似开放 AI 的聊天/嵌入 API：
async def llm_model_func(prompt, system_prompt=None, history_messages=[], **kwargs
) -> str:return await openai_complete_if_cache("solar-mini",prompt,system_prompt=system_prompt,history_messages=history_messages,api_key=os.getenv("UPSTAGE_API_KEY"),base_url="https://api.upstage.ai/v1/solar",**kwargs)async def embedding_func(texts: list[str]) -> np.ndarray:return await openai_embedding(texts,model="solar-embedding-1-large-query",api_key=os.getenv("UPSTAGE_API_KEY"),base_url="https://api.upstage.ai/v1/solar")rag = LightRAG(working_dir=WORKING_DIR,llm_model_func=llm_model_func,embedding_func=EmbeddingFunc(embedding_dim=4096,max_token_size=8192,func=embedding_func)
)

使用 Hugging Face 模型

  • 如果要使用Hugging Face模型，只需要如下设置LightRAG：
from lightrag.llm import hf_model_complete, hf_embedding
from transformers import AutoModel, AutoTokenizer# Initialize LightRAG with Hugging Face model
rag = LightRAG(working_dir=WORKING_DIR,llm_model_func=hf_model_complete,  # Use Hugging Face model for text generationllm_model_name='meta-llama/Llama-3.1-8B-Instruct',  # Model name from Hugging Face# Use Hugging Face embedding functionembedding_func=EmbeddingFunc(embedding_dim=384,max_token_size=5000,func=lambda texts: hf_embedding(texts,tokenizer=AutoTokenizer.from_pretrained("sentence-transformers/all-MiniLM-L6-v2"),embed_model=AutoModel.from_pretrained("sentence-transformers/all-MiniLM-L6-v2"))),
)

使用 Ollama 模型

概述

如果您想使用 Ollama 模型，您需要拉取您计划使用的模型和嵌入模型，例如nomic-embed-text。

然后你只需要按如下方式设置LightRAG：

from lightrag.llm import ollama_model_complete, ollama_embedding# Initialize LightRAG with Ollama model
rag = LightRAG(working_dir=WORKING_DIR,llm_model_func=ollama_model_complete,  # Use Ollama model for text generationllm_model_name='your_model_name', # Your model name# Use Ollama embedding functionembedding_func=EmbeddingFunc(embedding_dim=768,max_token_size=8192,func=lambda texts: ollama_embedding(texts,embed_model="nomic-embed-text")),
)

增加上下文大小

为了使 LightRAG 正常工作，上下文至少应为 32k 个标记。默认情况下，Ollama 模型的上下文大小为 8k。您可以使用以下两种方式之一实现此目的：

增加num_ctxModelfile中的参数。
  • 拉取模型：
ollama pull qwen2
  • 显示模型文件：
ollama show --modelfile qwen2 > Modelfile
  • 编辑模型文件，添加以下行：
PARAMETER num_ctx 32768
  • 创建修改后的模型：
ollama create -f Modelfile qwen2m
num_ctx通过 Ollama API设置。

Tiy 可以使用llm_model_kwargsparam 来配置 ollama：

rag = LightRAG(working_dir=WORKING_DIR,llm_model_func=ollama_model_complete,  # Use Ollama model for text generationllm_model_name='your_model_name', # Your model namellm_model_kwargs={"options": {"num_ctx": 32768}},# Use Ollama embedding functionembedding_func=EmbeddingFunc(embedding_dim=768,max_token_size=8192,func=lambda texts: ollama_embedding(texts,embed_model="nomic-embed-text")),
)

功能齐全的示例

examples/lightrag_ollama_demo.py这里有一个利用模型的功能齐全的示例gemma2:2b，仅并行运行 4 个请求，并将上下文大小设置为 32k。

低 RAM GPU

为了在低 RAM GPU 上运行此实验，您应该选择小模型并调整上下文窗口（增加上下文会增加内存消耗）。例如，在重新利用的挖矿 GPU 上运行此 ollama 示例，使用 时需要将上下文大小设置为 26k，内存为 6Gb gemma2:2b。它能够在 上找到 197 个实体和 19 个关系book.txt。

查询参数

class QueryParam:mode: Literal["local", "global", "hybrid", "naive"] = "global"only_need_context: bool = Falseresponse_type: str = "Multiple Paragraphs"# Number of top-k items to retrieve; corresponds to entities in "local" mode and relationships in "global" mode.top_k: int = 60# Number of tokens for the original chunks.max_token_for_text_unit: int = 4000# Number of tokens for the relationship descriptionsmax_token_for_global_context: int = 4000# Number of tokens for the entity descriptionsmax_token_for_local_context: int = 4000

批量插入

# Batch Insert: Insert multiple texts at once
rag.insert(["TEXT1", "TEXT2",...])

增量插入

# Incremental Insert: Insert new documents into an existing LightRAG instance
rag = LightRAG(working_dir=WORKING_DIR,llm_model_func=llm_model_func,embedding_func=EmbeddingFunc(embedding_dim=embedding_dimension,max_token_size=8192,func=embedding_func,),
)with open("./newText.txt") as f:rag.insert(f.read())

多文件类型支持

支持testract读取TXT、DOCX、PPTX、CSV和PDF等文件类型。

import textractfile_path = 'TEXT.pdf'
text_content = textract.process(file_path)rag.insert(text_content.decode('utf-8'))

图形可视化

使用 HTML 进行图形可视化

  • 以下代码可以在examples/graph_visual_with_html.py
import networkx as nx
from pyvis.network import Network# Load the GraphML file
G = nx.read_graphml('./dickens/graph_chunk_entity_relation.graphml')# Create a Pyvis network
net = Network(notebook=True)# Convert NetworkX graph to Pyvis network
net.from_nx(G)# Save and display the network
net.show('knowledge_graph.html')

使用 Neo4j 进行图形可视化

  • 以下代码可以在examples/graph_visual_with_neo4j.py
import os
import json
from lightrag.utils import xml_to_json
from neo4j import GraphDatabase# Constants
WORKING_DIR = "./dickens"
BATCH_SIZE_NODES = 500
BATCH_SIZE_EDGES = 100# Neo4j connection credentials
NEO4J_URI = "bolt://localhost:7687"
NEO4J_USERNAME = "neo4j"
NEO4J_PASSWORD = "your_password"def convert_xml_to_json(xml_path, output_path):"""Converts XML file to JSON and saves the output."""if not os.path.exists(xml_path):print(f"Error: File not found - {xml_path}")return Nonejson_data = xml_to_json(xml_path)if json_data:with open(output_path, 'w', encoding='utf-8') as f:json.dump(json_data, f, ensure_ascii=False, indent=2)print(f"JSON file created: {output_path}")return json_dataelse:print("Failed to create JSON data")return Nonedef process_in_batches(tx, query, data, batch_size):"""Process data in batches and execute the given query."""for i in range(0, len(data), batch_size):batch = data[i:i + batch_size]tx.run(query, {"nodes": batch} if "nodes" in query else {"edges": batch})def main():# Pathsxml_file = os.path.join(WORKING_DIR, 'graph_chunk_entity_relation.graphml')json_file = os.path.join(WORKING_DIR, 'graph_data.json')# Convert XML to JSONjson_data = convert_xml_to_json(xml_file, json_file)if json_data is None:return# Load nodes and edgesnodes = json_data.get('nodes', [])edges = json_data.get('edges', [])# Neo4j queriescreate_nodes_query = """UNWIND $nodes AS nodeMERGE (e:Entity {id: node.id})SET e.entity_type = node.entity_type,e.description = node.description,e.source_id = node.source_id,e.displayName = node.idREMOVE e:EntityWITH e, nodeCALL apoc.create.addLabels(e, [node.entity_type]) YIELD node AS labeledNodeRETURN count(*)"""create_edges_query = """UNWIND $edges AS edgeMATCH (source {id: edge.source})MATCH (target {id: edge.target})WITH source, target, edge,CASEWHEN edge.keywords CONTAINS 'lead' THEN 'lead'WHEN edge.keywords CONTAINS 'participate' THEN 'participate'WHEN edge.keywords CONTAINS 'uses' THEN 'uses'WHEN edge.keywords CONTAINS 'located' THEN 'located'WHEN edge.keywords CONTAINS 'occurs' THEN 'occurs'ELSE REPLACE(SPLIT(edge.keywords, ',')[0], '\"', '')END AS relTypeCALL apoc.create.relationship(source, relType, {weight: edge.weight,description: edge.description,keywords: edge.keywords,source_id: edge.source_id}, target) YIELD relRETURN count(*)"""set_displayname_and_labels_query = """MATCH (n)SET n.displayName = n.idWITH nCALL apoc.create.setLabels(n, [n.entity_type]) YIELD nodeRETURN count(*)"""# Create a Neo4j driverdriver = GraphDatabase.driver(NEO4J_URI, auth=(NEO4J_USERNAME, NEO4J_PASSWORD))try:# Execute queries in batcheswith driver.session() as session:# Insert nodes in batchessession.execute_write(process_in_batches, create_nodes_query, nodes, BATCH_SIZE_NODES)# Insert edges in batchessession.execute_write(process_in_batches, create_edges_query, edges, BATCH_SIZE_EDGES)# Set displayName and labelssession.run(set_displayname_and_labels_query)except Exception as e:print(f"Error occurred: {e}")finally:driver.close()if __name__ == "__main__":main()

API 服务器实现

LightRAG 还提供了基于 FastAPI 的服务器实现，用于通过 RESTful API 访问 RAG 操作。这样您就可以将 LightRAG 作为服务运行，并通过 HTTP 请求与其进行交互。

设置 API 服务器

设置说明
1.首先，确保您具有所需的依赖项：

pip install fastapi uvicorn pydantic

2.设置环境变量：

export RAG_DIR="your_index_directory"  # Optional: Defaults to "index_default"

3.运行 API 服务器：

python examples/lightrag_api_openai_compatible_demo.py

服务器将于 启动 http://0.0.0.0:8020。

API 端点

API 服务器提供以下端点：

  1. 查询端点
  • URL： /query
  • Method： POST
  • Body：
{"query": "Your question here","mode": "hybrid"  // Can be "naive", "local", "global", or "hybrid"
}
  • Example：
curl -X POST "http://127.0.0.1:8020/query" \-H "Content-Type: application/json" \-d '{"query": "What are the main themes?", "mode": "hybrid"}'
  1. 插入文本端点
  • URL: /insert
  • Method: POST
  • Body:
{"text": "Your text content here"
}
  • Example:
curl -X POST "http://127.0.0.1:8020/insert" \-H "Content-Type: application/json" \-d '{"text": "Content to be inserted into RAG"}'
  1. 插入文件端点
  • URL: /insert_file
  • Method: POST
  • Body:
{"file_path": "path/to/your/file.txt"
}
  • Example:
curl -X POST "http://127.0.0.1:8020/insert_file" \-H "Content-Type: application/json" \-d '{"file_path": "./book.txt"}'
  1. 健康检查端点
  • URL: /health
  • Method: GET
  • Example:
curl -X GET "http://127.0.0.1:8020/health"

配置

可以使用环境变量来配置 API 服务器：

  • RAG_DIR：存储 RAG 索引的目录（默认值：“index_default”）
  • 应在代码中为特定的 LLM 和嵌入模型提供程序配置 API 密钥和基本 URL

错误处理

该 API 包括全面的错误处理：

  • 未找到文件错误（404）
  • 处理错误（500）
  • 支持多种文件编码（UTF-8和GBK）

评估

数据集

LightRAG 中使用的数据集可以从TommyChien/UltraDomain下载。

生成查询

LightRAG 使用以下提示来生成高级查询，其中相应的代码在 中example/generate_query.py。

迅速的

批量评估

为了评估两个 RAG 系统在高级查询上的性能，LightRAG 使用了以下提示，具体代码可在 中找到example/batch_eval.py。

迅速的

总体绩效表

AgricultureCSLegalMix
NaiveRAGLightRAGNaiveRAGLightRAGNaiveRAGLightRAGNaiveRAGLightRAG
全面性32.69%67.31%35.44%64.56%19.05%80.95%36.36%63.64%
多样性24.09%75.91%35.24%64.76%10.98%89.02%30.76%69.24%
赋能31.35%68.65%35.48%64.52%17.59%82.41%40.95%59.05%
整体33.30%66.70%34.76%65.24%17.46%82.54%37.59%62.40%
RQ-RAGLightRAGRQ-RAGLightRAGRQ-RAGLightRAGRQ-RAGLightRAG
全面性32.05%67.95%39.30%60.70%18.57%81.43%38.89%61.11%
多样性29.44%70.56%38.71%61.29%15.14%84.86%28.50%71.50%
赋能32.51%67.49%37.52%62.48%17.80%82.20%43.96%56.04%
整体33.29%66.71%39.03%60.97%17.80%82.20%39.61%60.39%
HyDELightRAGHyDELightRAGHyDELightRAGHyDELightRAG
全面性24.39%75.61%36.49%63.51%27.68%72.32%42.17%57.83%
多样性24.96%75.34%37.41%62.59%18.79%81.21%30.88%69.12%
赋能24.89%75.11%34.99%65.01%26.99%73.01%45.61%54.39%
整体23.17%76.83%35.67%64.33%27.68%72.32%42.72%57.28%
GraphRAGLightRAGGraphRAGLightRAGGraphRAGLightRAGGraphRAGLightRAG
全面性45.56%54.44%45.98%54.02%47.13%52.87%51.86%48.14%
多样性19.65%80.35%39.64%60.36%25.55%74.45%35.87%64.13%
赋能36.69%63.31%45.09%54.91%42.81%57.19%52.94%47.06%
整体43.62%56.38%45.98%54.02%45.70%54.30%51.86%48.14%
  • 以上数据基于 Agriculture、CS、Legal、Mix 四份数据集分别对LightRAG 、NaiveRAG、 RQ-RAG 、HyDE 、GraphRAG进行评估对比，从数据结果来看 LightRAG 在四份数据集下的在全面性、多样性、赋能、总体的表现完胜NaiveRAG、 RQ-RAG 。 和HYDE对比，仅在Mix数据集评估的赋能方面上输于HYDE，其他方面均高于HYDE。 和GraphRAG 对比，也是在Mix数据集评估中，在全面性、赋能、总体方面输于GraphRAG ，其他方面均也高于GraphRAG 。

步骤重现

所有代码均可在./reproduce目录中找到。

步骤 0 提取唯一上下文

首先，我们需要从数据集中提取独特的上下文。

代码

def extract_unique_contexts(input_directory, output_directory):os.makedirs(output_directory, exist_ok=True)jsonl_files = glob.glob(os.path.join(input_directory, '*.jsonl'))print(f"Found {len(jsonl_files)} JSONL files.")for file_path in jsonl_files:filename = os.path.basename(file_path)name, ext = os.path.splitext(filename)output_filename = f"{name}_unique_contexts.json"output_path = os.path.join(output_directory, output_filename)unique_contexts_dict = {}print(f"Processing file: {filename}")try:with open(file_path, 'r', encoding='utf-8') as infile:for line_number, line in enumerate(infile, start=1):line = line.strip()if not line:continuetry:json_obj = json.loads(line)context = json_obj.get('context')if context and context not in unique_contexts_dict:unique_contexts_dict[context] = Noneexcept json.JSONDecodeError as e:print(f"JSON decoding error in file {filename} at line {line_number}: {e}")except FileNotFoundError:print(f"File not found: {filename}")continueexcept Exception as e:print(f"An error occurred while processing file {filename}: {e}")continueunique_contexts_list = list(unique_contexts_dict.keys())print(f"There are {len(unique_contexts_list)} unique `context` entries in the file {filename}.")try:with open(output_path, 'w', encoding='utf-8') as outfile:json.dump(unique_contexts_list, outfile, ensure_ascii=False, indent=4)print(f"Unique `context` entries have been saved to: {output_filename}")except Exception as e:print(f"An error occurred while saving to the file {output_filename}: {e}")print("All files have been processed.")

步骤 1 插入上下文

对于提取的上下文，我们将其插入到LightRAG系统中。

代码

def insert_text(rag, file_path):with open(file_path, mode='r') as f:unique_contexts = json.load(f)retries = 0max_retries = 3while retries < max_retries:try:rag.insert(unique_contexts)breakexcept Exception as e:retries += 1print(f"Insertion failed, retrying ({retries}/{max_retries}), error: {e}")time.sleep(10)if retries == max_retries:print("Insertion failed after exceeding the maximum number of retries")

步骤 2 生成查询

我们从数据集中每个上下文的前半部分和后半部分提取标记，然后将它们组合为数据集描述以生成查询。

代码

tokenizer = GPT2Tokenizer.from_pretrained('gpt2')def get_summary(context, tot_tokens=2000):tokens = tokenizer.tokenize(context)half_tokens = tot_tokens // 2start_tokens = tokens[1000:1000 + half_tokens]end_tokens = tokens[-(1000 + half_tokens):1000]summary_tokens = start_tokens + end_tokenssummary = tokenizer.convert_tokens_to_string(summary_tokens)return summary

步骤 3 查询

对于步骤 2 中生成的查询，我们将提取它们并查询 LightRAG。

代码

def extract_queries(file_path):with open(file_path, 'r') as f:data = f.read()data = data.replace('**', '')queries = re.findall(r'- Question \d+: (.+)', data)return queries

代码结构

.
├── examples
│   ├── batch_eval.py
│   ├── generate_query.py
│   ├── graph_visual_with_html.py
│   ├── graph_visual_with_neo4j.py
│   ├── lightrag_api_openai_compatible_demo.py
│   ├── lightrag_azure_openai_demo.py
│   ├── lightrag_bedrock_demo.py
│   ├── lightrag_hf_demo.py
│   ├── lightrag_lmdeploy_demo.py
│   ├── lightrag_ollama_demo.py
│   ├── lightrag_openai_compatible_demo.py
│   ├── lightrag_openai_demo.py
│   ├── lightrag_siliconcloud_demo.py
│   └── vram_management_demo.py
├── lightrag
│   ├── __init__.py
│   ├── base.py
│   ├── lightrag.py
│   ├── llm.py
│   ├── operate.py
│   ├── prompt.py
│   ├── storage.py
│   └── utils.py
├── reproduce
│   ├── Step_0.py
│   ├── Step_1_openai_compatible.py
│   ├── Step_1.py
│   ├── Step_2.py
│   ├── Step_3_openai_compatible.py
│   └── Step_3.py
├── .gitignore
├── .pre-commit-config.yaml
├── LICENSE
├── README.md
├── requirements.txt
└── setup.py

星历史

在这里插入图片描述

引用

@article{guo2024lightrag,
title={LightRAG: Simple and Fast Retrieval-Augmented Generation},
author={Zirui Guo and Lianghao Xia and Yanhua Yu and Tu Ao and Chao Huang},
year={2024},
eprint={2410.05779},
archivePrefix={arXiv},
primaryClass={cs.IR}
}

github代码仓库 https://github.com/HKUDS/LightRAG/

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/460849.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

Unreal Engine 5 C++(C#)开发：使用蓝图库实现插件（二）编辑BPLibrary.h中的枚举及结构体

Unreal Engine 5 C++(C#)开发：使用蓝图库实现插件（二）编辑BPLibrary.h中的枚举及结构体

目录 引言 一、头文件编写 1.1Kismet/BlueprintFunctionLibrary.h 1.2BPLibrary.generated.h的作用 1.3IImageWrapper.h 1.4 IImageWrapperModule.h 1.5 Engine/Texture2D.h 1.6CoreMinimal.h 二、定义图片/路径类型的枚举 2.1图片枚举类EImageType 2.2路径枚举类EPath…
阅读更多...
Qgis 开发初级 《ToolBox》

Qgis 开发初级 《ToolBox》

Qgis 有个ToolBox 的&#xff0c;在Processing->ToolBox 菜单里面&#xff0c;界面如下。 理论上Qgis这里面的工具都是可以用脚本或者C 代码调用的。界面以Vector overlay 为例子简单介绍下使用方式。Vector overlay 的意思是矢量叠置分析&#xff0c;和arcgis软件类似的。点…
阅读更多...
Docker可视化工具 Portainer 安装及配置

Docker可视化工具 Portainer 安装及配置

文章目录 拉取镜像安装和启动容器访问 Portainer设置密码完后即代表安装完毕安装完成 拉取镜像 rootyx-PowerEdge-R730:~# docker pull portainer/portainer Using default tag: latest latest: Pulling from portainer/portainer Digest: sha256:47b064434edf437badf7337e516…
阅读更多...
Oracle视频基础1.1.4练习

Oracle视频基础1.1.4练习

1.1.4 dbb,ddabcPMON,SMON,LGWR,CKPT,DBWna5,b4,c2,d3,e1ad,a,c,b,eOracle instance,Oracle databaseSGA,background processcontrol file,data file,online redo file 以下是一篇关于 Oracle 基础习题 1.1.4 的博客&#xff1a; Oracle 基础习题解析&#xff1a;1.1.4 本篇文…
阅读更多...
每日读则推(十四)——Meta Movie Gen: the most advanced media foundation models to-date

每日读则推(十四)——Meta Movie Gen: the most advanced media foundation models to-date

premiere n.首映,首次公演 v.首次公演(戏剧、音乐、电影) a.首要的,最早的 Today we’re premiering Meta Movie Gen: the most advanced media foundation models to-date. 迄今,到现在为止 …
阅读更多...
uniapp实现【时间戳转换为日期格式（年-月-日 时-分-秒）】

uniapp实现【时间戳转换为日期格式（年-月-日 时-分-秒）】

这是接口返回的数据： 转换成日期格式 具体代码： <view class="time">{{formatDate(res.data.time)}
阅读更多...
前端代码注释

前端代码注释

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 前言类注释属性注释函数注释函数参数注释解构 & 函数返回结果 注释Vue Props 注释注释建议注释内容要清晰简洁注释类型避免不必要的注释采用一致的风格版本与更…
阅读更多...
[ 问题解决篇 ] 解决windows虚拟机安装vmtools报错-winserver2012安装vmtools及安装KB2919355补丁 (附离线工具)

[ 问题解决篇 ] 解决windows虚拟机安装vmtools报错-winserver2012安装vmtools及安装KB2919355补丁 (附离线工具)

&#x1f36c; 博主介绍 &#x1f468;‍&#x1f393; 博主介绍&#xff1a;大家好&#xff0c;我是 _PowerShell &#xff0c;很高兴认识大家~ ✨主攻领域&#xff1a;【渗透领域】【数据通信】 【通讯安全】 【web安全】【面试分析】 &#x1f389;点赞➕评论➕收藏 养成习…
阅读更多...
安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）

安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）

安娜的档案&#xff08;Anna’s Archive&#xff09;是一个颇受关注的资源库。它涵盖了广泛的内容&#xff0c;可能包括各类文献、资料等。其特色在于丰富的信息储备和一定的系统性。安娜的档案&#xff08;Anna’s Archive&#xff09;用户可以从中获取多样的知识和数据&#…
阅读更多...
【p2p、分布式，区块链笔记 分布式容错算法】: 拜占庭将军问题+实用拜占庭容错算法PBFT

【p2p、分布式，区块链笔记 分布式容错算法】: 拜占庭将军问题+实用拜占庭容错算法PBFT

papercodehttps://pmg.csail.mit.edu/papers/osdi99.pdfhttps://github.com/luckydonald/pbft 其他相关实现&#xff1a;This is an implementation of the Pracltical Byzantine Fault Tolerance protocol using PythonAn implementation of the PBFT consensus algorithm us…
阅读更多...
系统架构图设计（行业领域架构）

系统架构图设计（行业领域架构）

物联网 感知层&#xff1a;主要功能是感知和收集信息。感知层通过各种传感器、RFID标签等设备来识别物体、采集信息&#xff0c;并对这些信息进行初步处理。这一层的作用是实现对物理世界的感知和初步处理&#xff0c;为上层提供数据基础网络层&#xff1a;网络层负责处理和传输…
阅读更多...
简缩极化模型+简缩极化求解用优化的方法，也需要保证方程和未知数个数

简缩极化模型+简缩极化求解用优化的方法，也需要保证方程和未知数个数

一个定标器可以得到一个复数矢量&#xff0c;4个实数方程 而模型中我们有&#xff0c;每个定标器有不同的A和φ (两个实数)和相同的R和δc &#xff08;4个复数&#xff09;
阅读更多...
paimon实战 -- Changelog Producer到底有什么用？

paimon实战 -- Changelog Producer到底有什么用？

目的 Chaneglog producer 的主要目的是为了在 Paimon 表上产生流读的 changelog, 所以如果只是批读的表是可以不用设置 Chaneglog producer 的。 一般对于数据库如 MySQL 来说, 当执行的语句涉及数据的修改例如插入、更新、删除时&#xff0c;MySQL 会将这些数据变动记录在 b…
阅读更多...
Istio基本概念及部署

Istio基本概念及部署

一、Istio架构及组件 Istio服务网格在逻辑上分为数据平面和控制平面。 控制平面&#xff1a;使用全新的部署模式&#xff1a;Istiod&#xff0c;这个组件负责处理Sidecar注入&#xff0c;证书颁发&#xff0c;配置管理等功能&#xff0c;替代原有组件&#xff0c;降低复杂度&…
阅读更多...
支付宝自动扣款如何关闭服务

支付宝自动扣款如何关闭服务

支付宝作为我们日常生活中常用的支付工具&#xff0c;不仅方便快捷&#xff0c;还提供了自动扣款服务。然而&#xff0c;有时候我们可能会因为不再需要某项服务&#xff0c;或者其他原因&#xff0c;需要关闭这些自动扣款服务。本文将详细介绍如何在支付宝中关闭自动扣款服务。…
阅读更多...
Java爬虫：在1688上“照片快递”上传图片

Java爬虫：在1688上“照片快递”上传图片

想象一下&#xff0c;你是一名快递小哥&#xff0c;不过你送的不是包裹&#xff0c;而是图片——而且是用Java编写的爬虫作为你的快递车&#xff0c;将图片快速准确地送到1688的服务器上。今天&#xff0c;我们将一起化身为代码界的“照片快递”&#xff0c;使用Java爬虫技术&a…
阅读更多...
Windows安装Git最新保姆级教程【附安装包】

Windows安装Git最新保姆级教程【附安装包】

一、Git下载: 链接&#xff1a;https://pan.baidu.com/s/1_uH-_-cdBb6GD58oLcxvAA 提取码&#xff1a;m366 二、安装Git 1.右键桌面【此电脑】-【属性】&#xff0c;查看操作系统是32位还是64位。 2.下载好对应64位操作系统版本的Git&#xff0c;解压并打开。 我电脑系统是64位…
阅读更多...
vue3父子组件传值，子组件暴漏方法

vue3父子组件传值，子组件暴漏方法

1.父传子 defineProps 父组件直接通过属性绑定的方式给子组件绑定数据&#xff0c;子组件通过defineProps接收函数接收 其中v-model是完成事件绑定和事件监听的语法糖。v-model算是v-bind和v-on的简洁写法&#xff0c;等价于 <c-input ref"inputRef" :modelValue…
阅读更多...
2024年，Rust开发语言，现在怎么样了?

2024年，Rust开发语言，现在怎么样了?

Rust开发语言有着一些其他语言明显的优势&#xff0c;但也充满着争议&#xff0c;难上手、学习陡峭等。 Rust 是由 Mozilla 主导开发的通用、编译型编程语言&#xff0c;2010年首次公开。 在 Stack Overflow 的年度开发者调查报告中&#xff0c;Rust 连续多年被评为“最受喜爱…
阅读更多...
【C++动态规划】有效括号的嵌套深度

【C++动态规划】有效括号的嵌套深度

本文涉及知识点 C动态规划 LeetCode1111. 有效括号的嵌套深度 有效括号字符串 定义&#xff1a;对于每个左括号&#xff0c;都能找到与之对应的右括号&#xff0c;反之亦然。详情参见题末「有效括号字符串」部分。 嵌套深度 depth 定义&#xff1a;即有效括号字符串嵌套的层…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023