当前位置： 首页 > news >正文

【DataFlow】数据合成流水线工具

news 2025/7/12 6:40:11

1.整体解读

核心思想：以数据为中心的AI（Data-Centric AI）

DataFlow 的核心目标是通过一系列自动化“流水线”（Pipelines）来处理和生成高质量的数据，从而提升大语言模型（LLM）在特定领域（如医疗、金融、法律）的能力。它接受各种嘈杂、原始的数据源（如PDF、网页文本、低质量问答对），产出可用于模型训练（预训练、指令微调、强化学习）或检索增强生成（RAG）的高质量数据集。

整体工作流程

整个系统可以看作是一个模块化、可编排的数据处理工厂。其工作流程建立在三个核心概念之上：

  1. 算子（Operators）: 这是最基础的处理单元。每个算子执行一个特定的数据处理任务，例如文本去重、句法分析、实体识别、使用大模型API进行数据增强等。这些算子是构建更复杂工作流的基石。

  2. 流水线（Pipelines）: 这是核心的工作流程。通过将一系列算子有序地组合起来，形成一条流水线，以完成一个端到端的数据处理任务。项目预置了多种即开即用的流水线。

  3. DataFlow-Agent: 这是一个更智能的“指挥官”。它可以根据用户的具体任务需求，动态地、自动地选择和编排已有的算子，从而构建出一条全新的、定制化的流水线。

具体的“流水线”工作流程解析

README.md 文件中详细介绍了几个核心的预置流水线，每个都代表一种具体的工作流程：

  • 📝 文本流水线 (Text Pipeline)

    • 输入: 大规模的纯文本数据（通常来自网络爬虫）。
    • 工作流程: 通过一系列算子，从非结构化的文本中挖掘、清洗并生成高质量的“问题-答案”(QA)对。
    • 输出: 可用于监督式微调（SFT）或强化学习（RL）训练的QA数据集。
    • 应用场景: 为模型注入事实性知识和对话能力。

  • 🧠 推理流水线 (Reasoning Pipeline)

    • 输入: 已有的、相对简单的QA对。
    • 工作流程: 对输入的QA进行“增强”处理，主要包括：
      1. 生成思维链 (Chain-of-Thought): 为答案补充详细的推理步骤。
      2. 分类: 对问题进行类别划分。
      3. 难度评估: 评估问题的难度。
    • 输出: 带有丰富推理过程和元信息的高质量QA对。
    • 应用场景: 提升模型解决复杂问题时的逻辑推理能力。

  • 🗃️ 文本转SQL流水线 (Text2SQL Pipeline)

    • 输入: 自然语言问题和相关的数据库结构（Schema）。
    • 工作流程: 将自然语言问题精准地翻译成可执行的SQL查询语句，并附带解释、思维链和上下文信息。
    • 输出: 结构化的SQL查询数据集。
    • 应用场景: 训练能够理解自然语言并操作数据库的“AI数据分析师”。

  • 📚 知识库清洗流水线 (Knowledge Base Cleaning Pipeline)

    • 输入: 混乱的、非结构化的文档，如PDF、Word文档、包含表格的网页等。
    • 工作流程: 从这些文档中准确地提取关键信息，并将其结构化、清洗，去除噪声。
    • 输出: 干净、结构化的知识库条目。
    • 应用场景: 为RAG系统构建高质量的知识库，或作为生成QA对的源数据。

  • 🤖 Agentic RAG 流水线

    • 输入: 已有的QA数据集或知识库。
    • 工作流程: 识别并抽取出那些“仅靠自身知识无法回答，必须借助外部工具或知识库才能解答”的QA对。
    • 输出: 需要调用外部知识的QA对数据集。
    • 应用场景: 专门用于训练具备“代理”（Agent）能力的RAG模型，使其学会在必要时主动检索信息。

技术栈和依赖 (根据 requirements.txt)

requirements.txt 文件揭示了支撑上述工作流程的技术细节：

  • 核心AI框架: torch, transformers, accelerate 表明其深度依赖于 PyTorch 和 Hugging Face 生态，用于运行和微调大语言模型。
  • 大模型推理: vllm (可选安装) 说明它支持使用 vLLm 库进行本地化、高性能的大模型推理，这是许多算子的核心能力。
  • 自然语言处理 (NLP): nltk, sentencepiece, fasttext-wheel, kenlm 等库用于底层的文本处理，如分词、语言模型统计等。
  • 数据处理与评估: datasets, numpy, pandas, evaluate 用于数据的加载、处理和模型性能评估。
  • 特定任务库:
    • sqlglot 专门用于处理Text2SQL任务中的SQL解析和生成。
    • presidio_analyzer, presidio_anonymizer 用于文本中的敏感信息（PII）检测和匿名化，是数据清洗的重要环节。
    • trafilatura, lxml_html_clean 用于从HTML网页中提取正文内容，是知识库清洗流程的关键工具。

总结

DataFlow 的工作流程是一个高度工程化和系统化的数据处理框架。它将复杂的数据预处理任务拆解为一系列标准化的流水线，每条流水线由更细粒度的算子构成。用户既可以直接使用预设的流水线来高效处理数据，也可以利用DataFlow-Agent的智能编排能力来灵活应对新的数据处理需求。整个项目技术栈先进，紧密围绕大语言模型和数据工程，旨在解决当前大模型应用落地中至关重要的数据质量问题。

2.算子部分解读

根据 README.md 文件中的描述和项目的设计理念，算子（Operators） 是 DataFlow 工作流程中最核心和最基础的构建模块。它们是执行具体数据处理任务的独立功能单元。

README.md 文件将算子主要分为四大类别，每个类别都有其特定的功能定位：

1. 基础算子 (Fundamental Operators)

这类算子提供最基本、最通用的数据处理功能，是构建任何复杂数据流水线的基础。它们通常不涉及复杂的模型调用，专注于对数据本身进行操作。其功能包括：

  • 数据加载与解析: 从不同格式的文件（如 .txt, .jsonl, .csv）中读取数据。
  • 格式转换: 在不同的数据结构之间进行转换。
  • 数据清洗:
    • 去重: 删除数据集中完全重复的条目。
    • 过滤: 根据设定的规则（如文本长度、特定关键词）筛选数据。
    • 规范化: 清除HTML标签、处理特殊字符、统一文本格式等。
  • 数据切分: 将大型数据集随机或按规则划分为训练集、验证集和测试集。

2. 通用算子 (Generic Operators)

这类算子利用通用的深度学习模型或大语言模型（LLM）API来执行更高级、更智能的数据处理任务。它们不针对特定领域，具有广泛的适用性。功能主要包括：

  • 质量评估: 使用LLM对数据（如QA对）的质量进行打分，例如评估其相关性、准确性、语言流畅度等。
  • 数据增强: 对现有数据进行扩充或改写。例如，对一个问题生成多种不同的问法，或对一个答案进行润色和扩写。
  • 文本摘要: 为长篇文章或对话生成简短的摘要。
  • PII（个人身份信息）检测与处理: 识别并脱敏文本中的姓名、电话、地址等敏感信息。
  • 语言检测与翻译: 识别文本的语种并进行翻译。

3. 领域专用算子 (Domain-Specific Operators)

这类算子是为特定领域（如金融、医疗、法律、代码）或特定任务（如Text2SQL）量身定制的，包含了该领域的专业知识和处理逻辑。

  • 针对Text2SQL任务:
    • Schema链接: 将自然语言问题中的词语与数据库的表名、列名进行关联。
    • SQL有效性检查: 验证生成的SQL查询是否存在语法错误。
  • 针对代码任务:
    • 代码质量分析: 评估代码的复杂度、是否遵循编码规范等。
    • 代码翻译: 将代码从一种编程语言转换为另一种。
  • 针对推理任务:
    • 思维链（CoT）生成: 为问题的答案构建详细的、一步步的推理过程。
  • 针对金融/医疗领域:
    • 专业实体识别: 识别文本中特定的金融产品、公司名称或医疗术语、药品名称。

4. 评估算子 (Evaluation Operators)

这类算子专门用于评估经过处理后的数据质量或模型在特定任务上的性能，为数据迭代和模型优化提供量化指标。

  • 答案准确性评估: 将模型生成的答案与标准答案进行比对，计算精确率、召回率等指标。
  • SQL执行评估: 在真实数据库中执行生成的SQL查询，并将其结果与标准查询的结果进行比对。
  • 代码执行评估: 运行生成的代码，并通过单元测试来判断其正确性。
  • 多样性评估: 评估生成的数据集在内容、模式或难度上的多样性。

总而言之，DataFlow的 “算子” 构成了一个功能丰富、可灵活组合的工具箱。用户可以通过将这些不同功能的算子像搭积木一样串联起来，构建出强大的自动化数据处理流水线，从而高效地为AI模型生产出高质量的“食粮”。

3.流水线解读

我们来详细解读一下 文本流水线 (Text Pipeline) 和 推理流水线 (Reasoning Pipeline)。这两个流水线是 DataFlow 中非常有代表性的自动化数据处理流程。

1. 文本流水线 (Text Pipeline)

您可以将其理解为 “从海量原始文本中淘金” 的自动化工厂。它的核心目标是从大规模、可能很杂乱的纯文本数据中，挖掘并生成高质量的“问题-答案”（QA）对。

  • 目标 (Goal)
    将非结构化的、充满噪声的文本（例如从网上爬取的新闻、论坛帖子、百科文章）转化为可用于模型训练的、干净的结构化数据。

  • 输入 (Input)
    大规模的纯文本文件（.txt, .jsonl 等）。这些数据通常质量参差不齐，包含广告、无关信息、格式错误等。

  • 核心工作流程 (Core Workflow)
    这个流水线内部由一系列精心设计的算子串联而成，模拟了数据专家的工作流程：

    1. 数据加载与预处理: 读取原始文本文件。
    2. 初步清洗: 使用基础算子去除明显的噪声，如HTML标签、特殊字符、广告语等。
    3. 内容质量评估: 这是最关键的一步。使用基于LLM的通用算子或评估算子，从多个维度为文本片段打分。根据README中的实验，这些维度包括：
      • 写作风格 (Writing Style): 语言是否流畅、专业？
      • 专业知识需求 (Expert Knowledge): 内容是否包含专业领域的知识？
      • 事实性内容 (Factual Content): 是否陈述了客观事实？
      • 教育价值 (Educational Value): 内容是否有学习和教育意义？
    4. 高质量文本筛选: 根据上一步的评分，只保留得分高的、有价值的文本片段。README中提到，在处理RedPajama数据集时，最终只保留了13.65%的精华数据。
    5. QA对生成: 对筛选出的高质量文本，再次利用LLM，从中提炼、生成“问题-答案”对。例如，将一段关于“光合作用”的描述，转化为“什么是光合作用？”以及对应的答案。
    6. 最终清洗与格式化: 对生成的QA对进行最后的质量校验和格式统一。

  • 输出 (Output)
    高质量、干净的QA数据集。这些数据可以直接用于大语言模型的**监督式微调（SFT）或强化学习（RL）**训练。

  • 核心价值
    解决了“从哪里获取大量高质量训练数据”的难题。它自动化了从原始、低成本数据源生产高价值训练数据的过程，极大地降低了数据准备的人工成本和时间。

2. 推理流水线 (Reasoning Pipeline)

如果说文本流水线是“淘金”，那么推理流水线就是 “给黄金进行精加工和雕刻”。它不生产新的知识，而是对已有的QA数据进行深度加工和增强，专门用于提升模型的逻辑推理能力。

  • 目标 (Goal)
    增强现有的“问题-答案”对，为其注入丰富的逻辑推理信息和多维度的元数据。

  • 输入 (Input)
    已有的、相对简单的QA数据集。这些QA可能只有问题和最终答案，缺少中间的思考过程。

  • 核心工作流程 (Core Workflow)
    这个流水线通过一系列领域专用算子和通用算子，为每个输入的QA对增加三个核心要素：

    1. 生成思维链 (Chain-of-Thought, CoT): 这是最核心的功能。它利用LLM，为每个答案补充一个详细的、分步骤的推理过程。例如，对于数学题，它会生成详细的解题步骤；对于逻辑题，它会生成一步步的分析过程。
    2. 类别分类 (Category Classification): 对问题进行分析，并打上类别标签。例如，将问题分类为“数学计算”、“逻辑推理”、“常识问答”等。
    3. 难度评估 (Difficulty Estimation): 评估每个问题的解决难度，并给出一个难度分数或等级。

  • 输出 (Output)
    经过“增强”的高质量QA数据集。现在，每一条数据不仅包含[问题, 答案]，还包含了[思维链, 类别, 难度]等丰富的元信息。

  • 核心价值
    极大地提升了训练数据的“深度”。通过让模型学习带有详细推理过程的数据，可以显著提高其在面对复杂问题时的逻辑分析能力、步骤拆解能力和最终的回答准确率。README中的实验结果表明，使用该流水线合成的数据对Qwen2.5-32B-Instruct模型在推理能力上有显著提升。

4.问答对生成示例

我们来深入剖析一下在DataFlow的**文本流水线（Text Pipeline）中，“QA对生成”（Question-Answer Pair Generation）**这一关键环节的具体过程。

这个过程并非单一的脚本，而是一个由大语言模型（LLM）驱动、并辅以严格质量控制的精密工作流。您可以将其想象成一个包含**“原材料投喂 -> 智能生成 -> 严格质检”** 的自动化生产线。

以下是其详细的分解步骤：

第一步：输入高质量的“原材料”

QA对的生成不是在最原始、最嘈杂的文本上进行的。它发生于流水线的中段，其输入是已经经过前序算子筛选和清洗过的高质量文本片段（High-quality Text Chunks）。

  • 输入: 一段已经过质量评估，被认为是信息密度高、事实准确、具有教育价值的纯文本。例如，一段关于“黑洞”的科学百科介绍，而不是一篇包含论坛闲聊和广告的帖子。

第二步：核心生成环节 (Generate Operator)

这是整个过程的核心，主要通过调用大语言模型（LLM）来完成。虽然具体的Prompt（提示词）是该项目的核心资产，但其工作模式通常遵循以下几种主流技术：

模式一：零样本直接生成（Zero-Shot Prompting） - 最可能的核心方法

这是最高效、最直接的方式。系统会给LLM一个明确的指令，让它在阅读文本后直接生成QA对。

一个典型的内部Prompt可能如下设计：

系统指令 (System Prompt):
你是一个善于从文本中提炼知识的专家。你的任务是根据下面提供的【文本内容】，生成一个高质量的“问题-答案”对。

要求:

  1. 问题 必须具有信息量，能够引导人思考。
  2. 答案 必须直接来源于【文本内容】，不能进行任何形式的外部联想或编造。
  3. 请将输出严格按照指定的JSON格式返回：{"question": "...", "answer": "..."}

【文本内容】:
“[这里贴入上一步筛选出的高质量文本片段，例如关于光合作用的段落]”

LLM在收到这个指令后，会阅读文本并自动构思出一个相关问题，然后从原文中抽取最匹配的句子作为答案。

模式二：思维链引导生成（Chain-of-Thought Prompting）

为了提升生成质量，系统可能会使用更复杂的Prompt，引导LLM先思考再生成。

系统指令:
…
要求:

  1. 首先，请逐步思考可以从这段文本中提出哪些有价值的问题。
  2. 然后，选择你认为最有价值的一个问题。
  3. 最后，从文本中找到该问题的直接答案并输出。
    …

这种方式能让LLM的输出更加精准和有深度。

第三步：严格的“质检”环节 (Post-generation Filtering)

生成QA对只是第一步，保证质量是同样重要的一环。在README的流程图中，Generate Operator之后紧跟着另一个Filter Operator，这就是质检环节。

这一步会使用多种方法来过滤掉低质量或有问题的QA对：

  1. 模型自评/批判 (Self-Critique):
    系统会将生成的[文本, 问题, 答案]三元组再次发送给LLM，并提出一个“质检问题”：

    “请评估以下QA对的质量：根据提供的【文本】，【问题】是否恰当？【答案】是否准确地回答了该问题，并且完全基于原文？请回答’是’或’否’，并简要说明理由。”
    只有得到肯定回答的QA对才会被保留。

  2. 规则过滤 (Rule-based Filtering):

    • 相关性检查: 计算问题和答案的向量相似度，过滤掉那些问题和答案毫不相关的对。
    • 长度过滤: 剔除问题或答案过长或过短的对。
    • 重复性检查: 检查问题和答案是否有过多的词语重叠，这通常意味着问题质量不高（例如，问题是“什么是A？”，答案是“A是…”）。

  3. 答案溯源验证 (Factuality Verification):
    系统会运行一个程序，验证答案中的每一个关键信息点是否都能在原始文本片段中找到明确的出处。无法溯源的QA对将被丢弃。

最终输出

经过这一整套“生成+质检”的流程后，最终输出的才是我们看到的、可用于模型训练的高质量QA数据集。这个过程确保了数据的事实一致性、相关性和可用性，是DataFlow项目实现“以数据为中心”理念的关键体现。

5.推理生成过程实例

我们来再次深入、详细地拆解一下在DataFlow的**推理流水线（Reasoning Pipeline）**中，最核心、最关键的环节——生成思维链 (Chain-of-Thought, CoT) 的具体过程。

您可以将这个过程想象成一位经验丰富的“AI导师”，在拿到一道题和它的标准答案后，为学生精心准备一份“满分步骤详解”的教案。

这个过程主要分为以下四个精密的步骤：

第一步：准备“教学素材” (Input)

这个流程的起点不是一个未知的问题，而是一个已经有正确答案的、高质量的问答对（QA Pair）。

  • 输入:

    1. 一个明确的问题 (Question)。
    2. 一个已知的正确答案 (Answer)。

  • 示例:

    • 问题: “一个书架上有10本书，小红借走了3本，后来她又还回来了2本。请问书架上现在有几本书？”
    • 正确答案: “9本”

第二步：召唤“AI导师”并下达核心指令 (Prompting the LLM)

这是整个流程的“魔法”所在。系统会向一个强大的大语言模型（LLM）发送一个经过精心设计的指令（Prompt）。这个指令的核心是要求LLM扮演一个角色，并以已知的“正确答案”为最终目标，反向构建出一条通往这个终点的、合乎逻辑的推理路径。

这个指令（Prompt）通常会包含以下几个关键要素：

  1. 角色扮演 (Role-Playing):

    • 指令会首先给LLM设定一个身份，例如：“你是一位逻辑思维缜密、善于分步拆解问题的数学老师。” 这有助于引导LLM以特定的风格和逻辑进行思考。

  2. 提供完整上下文 (Context Injection):

    • 指令会把问题和正确答案这两个信息同时提供给LLM。这一点至关重要！系统不是在考LLM会不会做这道题，而是在要求LLM解释“如何”以及“为什么”得到那个已知的正确答案。

  3. 下达明确任务指令 (Task Instruction):

    • 明确要求LLM生成一个“思维链”或“详细步骤”。例如：“请为下面的【问题】提供一个详细、分步骤的解题过程，让学生能清晰地看懂你是如何得到【最终答案】的。”

  4. 指定输出格式 (Format Specification):

    • 为了方便后续处理，指令通常会要求LLM以特定的格式输出。例如：“请用‘步骤1’、‘步骤2’…的格式来呈现你的思考过程。”
内部指令的完整示例 (Internal Prompt Example):
# 系统指令你是一位思维严谨的数学老师。请根据下面提供的【问题】和【最终答案】，生成一个清晰、分步的【思维链】，解释你是如何得到这个答案的。# 输入信息【问题】:
一个书架上有10本书，小红借走了3本，后来她又还回来了2本。请问书架上现在有几本书？【最终答案】:
9本# 输出要求【思维链】:
(请在这里生成你的思考步骤)

第三步：“AI导师”开始“撰写教案” (LLM Generation)

LLM在接收到上述指令后，就会开始它的推理和生成工作。它会分析问题，然后一步步地构建逻辑，确保每一步都合理，并且最终的计算结果恰好等于指令中给出的“最终答案”。

  • LLM生成的思维链 (Generated CoT):
    1. 初始状态分析: 首先，我们需要明确书架上最开始有多少本书。根据题目描述，初始数量是10本。
    2. 分析第一次变化: 接下来，小红借走了3本书。这是一个减法操作，意味着书架上的书减少了。所以，书架上的书数量变为：10 - 3 = 7本。
    3. 分析第二次变化: 然后，小红又还回来了2本。这是一个加法操作，意味着书架上的书在现有基础上增加了。所以，书的数量变为：7 + 2 = 9本。
    4. 得出最终结论: 因此，经过这一系列变化后，书架上最终有9本书。这个结果与我们已知的【最终答案】完全一致。

第四步：质量审查与精炼 (Verification and Refinement)

在某些高要求的场景下，DataFlow可能还会有一个可选的验证环节，以确保生成的思维链质量：

  • 逻辑自洽性检查: 程序可能会再次调用LLM，让它评估自己生成的思维链是否每一步都逻辑通顺，没有矛盾。
  • 计算验证: 如果思维链中包含数学计算，程序可能会提取出计算式（如 10 - 3 和 7 + 2），并通过独立的计算器来验证其结果是否正确。

通过这套完整的“素材准备 -> 指令下达 -> 生成推理 -> 质量审查”的流程，DataFlow就成功地为一条简单的QA数据，注入了宝贵的、结构化的思考过程。用这些包含CoT的深度数据去训练模型，就能极大地提升模型在解决复杂问题时的逻辑分析和推理能力。

6问答对生成提示词

要找到DataFlow项目中用于“QA生成”的确切提示词（Prompt）是相当困难的，原因如下：

  1. 核心知识产权：提示词是驱动大语言模型（LLM）产生期望输出的关键，是这类项目的“秘方”和核心知识产权。因此，项目团队通常不会在公开的README文件或文档中直接展示它们。
  2. 代码内部实现：这些提示词几乎总是硬编码（hard-coded）在项目的Python源代码中，作为调用LLM API时传递的参数。只有深入阅读和分析项目的源代码，才有可能找到它们。
  3. 迭代和优化：提示词是不断被优化和迭代的。一个项目在不同版本、不同分支中可能会使用不同的提示词。

尽管我们无法直接获取其源代码中的确切提示词，但根据项目文档、工作流的描述以及行业内的最佳实践，我们可以高度还原和推测出这些提示词的设计框架和核心要素。

以下是为一个**通用的QA生成算子（Operator）**所设计的、最可能接近DataFlow实际使用的提示词框架。

推测的“QA生成”提示词框架

这个过程通常会分为两个阶段：问题生成和答案验证，或者一个更高效的直接生成QA对的单阶段过程。

模式一：单阶段直接生成QA对 (最可能)

这种模式效率最高，它在一个提示词中就完成了所有任务。

你是一个精通从复杂文档中提取核心信息的专家。你的任务是根据下面提供的【源文本】，生成一个高质量的“问题-答案”(QA)对。请严格遵守以下【生成规则】：
1.  **相关性**: 生成的问题必须与【源文本】的核心主题紧密相关。
2.  **答案溯源**: 答案必须是【源文本】中明确陈述内容的直接摘录或忠实概括，严禁包含任何【源文本】之外的信息。
3.  **简洁性**: 问题和答案都应尽可能简洁明了。
4.  **避免模糊**: 不要生成是/否问题或过于宽泛的问题。问题应该引导出一个具体、事实性的答案。【源文本】:
"""
{text_chunk}
"""【输出格式】:
请严格使用以下JSON格式返回结果，不要添加任何额外的解释或文本：
{"question": "（在这里生成你的问题）","answer": "（在这里生成你的答案）"
}
  • {text_chunk}: 这是一个变量，程序会自动将上一步筛选出的高质量文本片段填充到这里。
模式二：两阶段生成（问题生成 -> 答案生成）

这种模式控制更精细，可以对问题和答案的质量分别进行把控，但成本更高。

第一步：生成问题 (Question Generation)

你是一个充满好奇心的研究员。请仔细阅读下面的【源文本】，并基于其内容提出一个深刻且具体的问题。【规则】:
1.  问题必须能通过阅读【源文本】来回答。
2.  问题应激发思考，而不仅仅是简单的事实复述。【源文本】:
"""
{text_chunk}
"""【输出】:
（在这里仅输出你生成的问题）

第二步：生成答案 (Answer Generation)

程序会把原始文本和上一步生成的问题组合起来，发给LLM。

你是一个严谨的答题者。请根据【源文本】来回答下面的【问题】。【规则】:
1.  你的回答必须完全基于【源文本】的内容。
2.  如果【源文本】无法回答该问题，请明确指出"信息不足，无法回答"。【源文本】:
"""
{text_chunk}
"""【问题】:
"""
{generated_question}
"""【输出】:
（在这里仅输出你生成的答案）
  • {generated_question}: 这是上一步生成的问题。

总结来说，虽然我们看不到DataFlow项目文件中的原版提示词，但以上推测的框架在逻辑和功能上都非常接近其实际工作方式。这些精心设计的指令，正是将无结构的文本转化为宝贵训练数据的“魔法咒语”。

http://www.dtcms.com/a/273638.html

相关文章：

  • xFile:高性能虚拟分布式加密存储系统——Go
  • uniapp制作一个个人页面
  • Java结构型模式---组合模式
  • Elasticsearch混合搜索深度解析（下）：执行机制与完整流程
  • 华为VS格行VS中兴VS波导随身WIFI6怎么选？流量卡OR随身WIFI，长期使用到底谁更香？
  • 从 0 到 1 玩转 upload-labs 靶场：环境搭建 + 全关卡漏洞解析
  • 零基础入门指南：华为数通认证体系详解
  • React 核心知识点速览：从基础到关键概念
  • Redis的性能优化与监控
  • Git 常用操作与注意事项全攻略
  • 华为数据通信网络基础
  • Python 【技术面试题和HR面试题】➕ 循环结构、控制语句及综合应用问答
  • [面试] 手写题-插入排序
  • 飞算JavaAI：新一代智能编码引擎，革新Java研发范式
  • 代账行业数字化破局：从“知道”到“做到”，三步走稳赢！
  • C++学习之C++中`std::fmax`和`std::max`的区别
  • pytorch的介绍以及张量的创建
  • Java中三种重要的锁
  • spring boot 详解以及原理
  • 界面设计工具——MasterGo莫高设计
  • 【UE教程/进阶】Slate链式编辑原理
  • 解决echarts数据更新了图表不更新
  • GPU 降成本免运维，睿观 AI 助手选择函数计算
  • 打破信息壁垒！可视化如何让交通数据 “开口说话”
  • C#元组：从基础到实战的全方位解析
  • 人脸图像生成（DCGAN)
  • Qt数据库编程详解：SQLite实战指南
  • Vue 3 中父组件内两个子组件相互传参的几种方法
  • Vue 3 入门——自学习版本
  • DOM编程实例(不重要，可忽略)