首页 文章 精选 留言 我的

精选列表

搜索[SpringBoot4],共10000篇文章
优秀的个人博客,低调大师

【健康医疗】4步完成数据分析报表,让医疗数据转化为生产力

阿里云大健康解决方案 让医疗服务行云流水 什么是大健康解决方案: 融合云计算、大数据优势,连接用户、医疗设备、医疗机构以及医疗ISV,致力于构建大健康行业云生态。 云计算弹性可扩展,帮助大健康行业创新应用更“轻”更高效。 大健康解决方案为您提供: √ 11款业务架构方案---查看架构详情 √ 6大技术架构方案 √ 6大热门典型业务场景 如何利用阿里云大数据服务,迅速搭建自己的医疗行业数据服务,实现业务数据化 QuickBI广泛使用于医药食品电商、医医疗器械、健康资讯服务等业务场景,仅需四步轻松实现数据报表分析,快速实现业务数据运营 QuickBI业务架构图 立即申请 (即可享受首月购买0元体验,点申请查看活动详情)

优秀的个人博客,低调大师

🔥 无耳 Solon AI v3.1.2 发布(兼容 Java 8 ~ 24),支持 SpringBoot2,jFinal,Vert.X 等第三方框架

Solon AI Solon AI ,是一套大语言模型的 Java 通用开发工具包(是Solon的二级项目)。特点: 一套接口支持不同提供者、不同大模型调用(通过方言适配) 支持 Function Call 支持 RAG 支持 AI-Flow(与Solon Flow配合) 支持同步接口与流式接口 支持会话记忆 支持聊天生成模型(ChatModel) 、图片生成模型(ImageModel) 、多态模型等 支持嵌入模型(EmbeddingModel) 、排序模型(RankingModel) 支持 Java 8 到 Java 24 支持 Spring、jFinal、Vert.x 等 Solon 以外的框架 等......更多内容,参考官网介绍 通过 Hello world 了解下: 添加应用配置 solon.ai.chat: demo: apiUrl: "http://127.0.0.1:11434/api/chat" # 使用完整地址(而不是 api_base) provider: "ollama" # 使用 ollama 服务时,需要配置 provider model: "llama3.2" # 或 deepseek-r1:7b 效果测试 @Configuration public class DemoConfig { @Bean public ChatModel build(@Inject("${solon.ai.chat.demo}") ChatConfig config) { return ChatModel.of(config).build(); } @Bean public void test(ChatModel chatModel) throws IOException { //一次性返回 ChatResponse resp = chatModel.prompt("hello").call(); //打印消息 System.out.println(resp.getMessage()); } } 最近更新了什么? 新增 solon-ai-repo-chroma 插件 优化 solon-ai-repo-tcvectordb 插件相似度处理 优化 solon-ai-repo-elasticsearch 插件相似度处理 项目仓库地址? gitee:https://gitee.com/opensolon/solon-ai gitcode:https://gitcode.com/opensolon/solon-ai github:https://github.com/opensolon/solon-ai 官网? https://solon.noear.org/article/learn-solon-ai

优秀的个人博客,低调大师

(附4条实战建议)

周一上午的团队周会,一个刚入职不久的年轻工程师小张,脸上带着一丝藏不住的兴奋和自豪,正在演示他上周的工作成果。 "这个模块的功能比较复杂,原本预估需要半天时间开发,"他一边说,一边敲着键盘,"我试了试用Copilot来辅助,结果半小时就搞定了。代码跑得通,功能也没问题。" 会议室里响起一阵轻声的赞叹。作为团队的技术负责人,我(老金)表面上点点头,赞许地"嗯"了一声,心里却没来由地"咯噔"一下。 我快速扫了一眼屏幕上那段工整的代码,总觉得有种"熟悉的陌生感"。它用的某个库,我们团队内部早就不推荐了;它处理异常的方式,也和我们沉淀下来的最佳实践有些出入。 小张的这次演示,就像一个缩影,精准地投射出了我们每个技术团队当下正在面临的现实。 AI代码生成,这个近在咫尺的未来,一方面是指数级提升效率的"银弹",另一方面,它会不会成为侵蚀代码质量、破坏架构一致性、甚至掏空团队技术根基的"新噩梦"? 今天,老金我就想和大家掰扯掰扯,AI代码生成这把锋利的"双刃剑",咱们做架构、带团队的,到底该怎么看,又该怎么办。 "银弹"------它到底有多香? 在泼冷水之前,我们得先承认,AI代码生成这东西,是真香。 它就像一个天赋异禀、精力无限,而且还不要工资的初级工程师。只要你把任务描述清楚,它就能不知疲倦地帮你干活。这种生产力提升是实实在在的,老金我总结下来,主要体现在两个方面。 首先,是效率的革命。 我们每个工程师,每天其实有大量时间都耗费在那些技术含量不高,但又不得不做的"体力活"上。比如,为一个接口写一整套完整的单元测试,为一段代码生成详尽的API文档,或者把一个数据结构从JSON格式转换成YAML格式。 这些活儿,琐碎、重复,而且极度消耗心力。现在,这些都可以放心地交给AI。它能在几秒钟内生成质量相当不错的单元测试用例,能把你的函数签名自动翻译成条理清晰的文档。 这就把我们团队里那些宝贵的、资深的工程师,从这些"代码体力活"中解放了出来。让他们能更专注于真正需要人类智慧的"脑力活"------那些复杂的业务逻辑、精巧的系统设计、以及对未来技术方向的思考。 其次,是知识的平权。 过去,一个新人想要快速上手一个陌生的技术栈,过程是相当痛苦的。他得一边翻阅海量的官方文档,一边小心翼翼地请教身边的老同事。有时候一个很小的问题,就可能卡住他半天。 现在不一样了。AI就像一个全知全能的"外挂大脑",内置了整个互联网的技术知识。遇到不懂的API,问它;碰到看不懂的报错,直接把错误信息丢给它。它总能给你一个靠谱的答案,甚至直接给你一段能运行的代码。 这极大地降低了新技术的入门门槛,让知识的获取变得前所未有的"平权"。 可以说,AI代码生成,正在重塑我们软件开发的流程。它让"快"变得更快,让"难"变得更简单。 但是,凡事都有两面性。当我们尽情享受这颗"银弹"带来的效率盛宴时,一场潜在的危机,可能正在悄无声息地酝酿。 "噩梦"------架构师的隐忧在哪里? 作为团队的架构师和技术负责人,老金我看到的,是潜藏在冰山之下的四大隐忧。 隐忧一:代码质量的"黑盒"与"平均化" AI生成的是"看起来正确"的代码,但这和"高质量"的代码之间,还隔着十万八千里。它最大的问题,是缺乏对我们系统**上下文(Context)**的深度理解。 AI并不知道我们这个核心接口的性能要求是50毫秒内返回,也不知道我们这条支付链路的数据库事务必须是强一致性的,更不知道我们这套复杂的业务规则背后,是无数次跟产品经理吵架才换来的血泪经验。 它能给你的,是一个基于海量公开代码库训练出来的"最大公约数"式的解决方案。这个方案也许能跑通,但它不理解性能、不懂得取舍、更没有"品味"可言。长此以往,我们的代码库里将塞满这种"快餐式代码",看起来光鲜亮丽,实则脆弱不堪。 隐忧二:架构一致性的"蚁穴" 一个健康的系统,必然有其统一的架构风格、设计模式和编码规范。这是我们耗费了大量心血才建立起来的"秩序"。而AI的滥用,正在成为侵蚀这种秩序的"蚁穴"。 如果团队成员各自为战,用不同的方式向AI提问,最终产出的代码风格和实现模式将五花八门。这种由内而外的腐化,一旦形成,治理成本极高。 隐忧三:团队成长的"温室" 这可能是我最担心的一点。一个工程师的成长,核心在于"解决问题"。从看懂报错,到定位Bug,再到设计方案,这个过程充满了痛苦,但也正是这种痛苦,才塑造了工程师的核心竞争力。 而过度依赖AI,会让年轻的工程师慢慢变成"调包侠"和"提问侠"。他们习惯于把问题直接丢给AI,然后CV(复制粘贴)回一个看似可行的答案,却懒得去深究其背后的原理。长此以往,团队会逐渐失去解决复杂问题和进行创新性工作的"肌肉记忆"。 隐忧四:安全与合规的"达摩克利斯之剑" 最后,也是最容易被忽略的一点:安全与合规。AI模型的训练数据,源自于公开的、浩如烟海的互联网代码。我们无法保证这个巨大的"黑盒"里,到底混入了些什么。它可能包含有严重安全漏洞的逻辑片段,也可能包含着带有GPL等强传染性开源协议的代码。一旦不经意间引入到商业项目中,后果不堪设想。 核心应对策略总结 为了方便大家回顾,老金我把前面提到的四条核心应对之道,总结成一个清单: 规范化拥抱: 鼓励使用,但必须遵守团队制定的AI使用章程,明确使用边界。 人机明确分工: 让AI负责"体力活"(如写测试、生成文档),人类工程师聚焦"脑力活"(架构设计、复杂逻辑)。 强化Code Review: 将代码审查作为最终"防火墙",严格审视AI生成的代码,确保提交者能为其负全责。 提升提问能力: 培训团队从"写代码"转向"定义问题",通过高质量的Prompt,驾驭AI的强大能力。 总结升华:拥抱未来,但缰绳必须握在自己手里 聊了这么多,肯定有人会问:"老金,你说了这么多AI的坏话,是不是要我们抵制它?" 恰恰相反。 AI代码生成,这个新时代的"利器",既不是包治百病的"银弹",也不是带来毁灭的"洪水猛兽"。它就是一个工具,一把效率极高的"锤子"。我们要做的是拥抱它,学习它,但最关键的,是为如何使用这把"锤子",制定一套清晰的"操作手册"。 作为团队的"掌舵人",我们不能因噎废食,更不能放任自流。结合我们团队的实践和踩过的一些坑,老金我总结了四条应对之道,希望能给你一些启发。 第一,拥抱,但必须规范。 我们鼓励团队成员使用AI来提升效率,但前提是必须遵守团队共同制定的AI使用章程(Code of Conduct)。这份章程要明确定义出,哪些场景是"推荐使用"的(比如写单元测试、生成文档),哪些场景是"必须慎用"的(比如核心业务逻辑、复杂算法),哪些场景是"严禁使用"的(比如处理敏感数据、安全加密相关的代码)。 第二,AI主外,人主内。 我们要有一个清晰的定位:让AI负责"体力活",让人类工程师负责"脑力活"。AI可以生成样板代码、可以实现一个简单的功能模块,但最终的核心业务逻辑、架构设计、异常处理和性能优化,必须由我们人类工程师来主导和掌控。脱离业务谈架构都是耍流氓,AI不懂我们的业务,所以它永远只能是副驾驶,方向盘必须握在我们自己手里。 第三,Code Review是最终的"防火墙"。 既然AI生成的代码存在各种隐患,那我们就必须把好最后一道关。在代码审查(Code Review)时,对于AI生成的代码,要用更挑剔、更严格的眼光去审视。我们要问那个提交代码的工程师一个核心问题:"这段代码,你是否能完全理解它的每一行逻辑?如果线上出了问题,你是否有信心、有能力为它负全- 责?"如果答案是否定的,那就打回去,直到他能行为止。 第四,提升"提问的艺术"。 未来工程师的核心能力之一,正在从"写代码"悄悄转变为"定义问题"和"精准提问"。我们与其禁止团队用AI,不如反过来,培训他们如何写出高质量的Prompt,如何将一个复杂的需求拆解成AI能理解的清晰指令。能提出好问题,本身就是一种更高级的抽象和设计能力。 总而言之,技术浪潮滚滚向前,我们无法阻挡。AI代码生成正在成为新的"水电煤",我们能做的,不是关上大门,而是建好"大坝",挖好"渠道",让这股强大的力量,安全、可控地为我所用。 好了,今天就和大家掰扯到这里。 对于AI代码生成,你的团队是怎么看的?你们在实践中又遇到了哪些坑,或者有什么独门秘籍? 欢迎在评论区和老金一起聊聊。 版权声明 本文作者: 技术老金 版权: 本文由【技术老金】原创,首发于个人博客。未经授权,禁止转载。

资源下载

更多资源
Mario

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长,特征是大鼻子、头戴帽子、身穿背带裤,还留着胡子。与他的双胞胎兄弟路易基一起,长年担任任天堂的招牌角色。

腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册