收藏 / 列表

u_17580222 頭像

mb691327edb400f - AI 招聘系統功能落地指南

AI 招聘系統功能落地指南 AI全面重塑招聘行業：效率與體驗的雙重革新 如果你仍在為“候選人爽約”“簡歷篩選繁重”“面試效率低下”而困擾，可能已經忽視了一個激進的行業趨勢：招聘正被AI全面接管。這並非停留在討論或小範圍試點階段，而是大規模落地、快速替代傳統面試流程的現實。 過去一年，多項行業數據印證了這一變革：近50%的企業已將初篩環節完全交給AI；金融、互聯網

系統功能 , 自動回覆 , ATS , 人工智能 , 深度學習

u_16827017 頭像

全棧技術開發者 - 什麼是「多模態協同決策」？它與多傳感器融合的關係是什麼？知識蒸餾和跨模態蒸餾有什麼關係？不同模態之間的信息衝突應如何解決？

在過去的十餘年中，智能交通與自動駕駛技術的發展被普遍視為人工智能落地應用最具代表性與最具挑戰性的領域之一。人們對自動駕駛的期待不僅僅是“解放雙手”，更是寄希望於其能夠顯著提升道路利用效率，並最後推動社會出行方式的根本變革。然而，當我們深入考察現有的自動駕駛方案時，一個不容迴避的現實逐漸顯現出來：單車智能正在觸碰其發展的瓶頸。 自動駕駛的決策過程高度依賴感知，而感知本質上是車

自動駕駛 , 人工智能 , 深度學習 , 車聯網 , 模態

u_17420180 頭像

合合信息解決方案 - 中小企業如何選擇適合的財務單據處理工具

語義概念 財務單據處理工具是指基於AI技術，針對企業財務場景中各類單據（如發票、銀行回單、合同等）提供智能採集、解析、分類、信息抽取及審核等一體化服務的數字化工具。其核心價值在於替代傳統人工處理模式，通過自動化手段提升財務單據處理的效率與準確性，保障財務數據合規，為企業成本核算、税務申報、資金管理等核心工作提供可靠支撐。這類工具高度適配中小企業財務管理需求，能夠解決單據處理

機器學習 , 數據 , 單文檔 , 自定義 , 人工智能

u_15505879 頭像

資深程序設計 - 基於springboot的圖書館座位預約系統

1、研究背景 當前高校圖書館作為學生學習的重要場所，座位資源緊張與管理效率低下之間的矛盾日益突出。傳統的人工管理方式存在諸多弊端：學生需提前到館排隊佔座，造成時間浪費和秩序混亂；座位使用情況無法實時監控，導致資源分配不均；管理人員難以及時掌握座位使用數據，影響決策科學性。隨着高校擴招政策的實施，圖書館座位供需矛盾愈發顯著，特別是在考試周等高峯期，座位爭奪現象嚴重影響了學生的

yyds乾貨盤點 , MySQL , 管理系統 , 後端開發 , JAVA

u_13539 頭像

jowvid - OpenAI的新型強化學習算法PPO-讀PAPER-02

核心概念解析 簡而言之，強化學習是關於智能體（agent）以及它們如何通過試錯來學習的研究。它將這樣一種理念形式化：對智能體的行為進行獎勵或懲罰，會使它在未來更有可能重複或放棄該行為。 強化學習能做什麼？ 強化學習方法近年來在多個領域取得了廣泛的成功。例如： 它被用於教計算機在模擬環境中控制機器。 也能在現實世界中控制機器 它還因

強化學習 , 數據 , 標準差 , Css , 前端開發 , HTML

u_13778063 頭像

u_13778063 - 雲效「AI 智能評審」，先鋒體驗官招募活動正式啓動，贏取極客專屬好禮！

如今，高質量的代碼是軟件成功的基石。但傳統的代碼評審（Code Review）常常成為研發流程中的瓶頸：耗時、標準不一、有時還夾雜着“人情世故”。 為了徹底改變這一現狀，雲效重磅發佈「AI 智能評審」功能！它是一位不知疲倦、絕對公正的 AI 技術專家，在你發起合併請求時自動介入，從邏輯 Bug、性能瓶頸、安全風險等多個維度，為你的代碼提供專家級評審建議。 現在

code , 代碼評審 , 雲計算 , 雲效 , 阿里雲 , 雲服務 , 代碼質量

u_17562481 頭像

思考的袋鼠 - 自適應分類的可落地規模化政府部門數據分類分級解決方案

概要： （提示：本章節概述解決方案的核心價值與落地成效，幫助讀者快速理解方案全貌。） 在數字政府建設快速推進的背景下，政務數據已成為政府提升治理能力、優化公共服務的重要資源。然而，政務數據存在“多源異構、跨域流轉”特點，分散於各委辦局業務系統和電子政務雲中，傳統人工管理難以應對海量數據資產的識別和分類需求。針對這一痛點，全知科技提出的“知源-AI數據分類分級系統”，以

數據 , 數據安全 , 人工智能 , 深度學習 , 複用

u_15677700 頭像

EasyV數字孿生可視化 - 數字孿生物流：以某物流企業數字孿生智慧鋼鐵倉儲定位系統建設為例

1.建設背景 國家“十四五”規劃明確提出加快現代物流數字化、智能化轉型，基於國家數字經濟 戰略及企業數字化轉型要求，鋼鐵物流作為重點領域，其倉儲環節的智能化升級被列為政策重點支持方向。某物流企業作為鋼鐵物流龍頭企業，隨着物流行業安全標準要求的不斷 提升，其企業業務增長與戰略佈局都有所調整，庫存管理盲區、作業監管低效、風險響應 滯後、跨域信息割裂和作業協同低效等問題嚴重阻礙

數據 , 物聯網 , 自定義 , 數據可視化 , 人工智能

u_16018702 頭像

架構師李哲 - 大模型微調有必要做嗎？全參數微調、LoRA還是RAG？看完這篇你就懂了

在人工智能迅猛發展的今天，大型語言模型已成為解決各類問題的強大工具。但當您想要打造一個真正理解所在行業、掌握專業知識的大模型時，總會面臨一個關鍵問題：如何用最小的成本、最高的效率，讓通用模型變得"專業"？ 這就像把一位通才培養成領域專家——選對方法，事半功倍。這正是LLaMA-Factory Online要解決的核心問題——通過智能化的微調，讓每個團隊都能輕鬆駕馭大模型適配

實時更新 , 數據 , 人工智能 , 深度學習 , 迭代

u_16237826 頭像

軟件求生 - 我被問懵了：Tomcat 到底有幾種部署方式？

那是一個陽光明媚的週一早晨，我剛端起手邊的咖啡，還沒來得及喝上一口，HR小姐姐就笑眯眯地出現在我面前：“小米，下週去面試一家大廠吧？他們挺喜歡你的項目經驗。” 我一愣——面試？這可是我一年多沒換工作的第一個挑戰。於是我火速打開IDEA，開始複習八股文。JVM、Spring、Redis、MySQL……複習得正歡，突然一個題目跳了出來： “Tomcat

Spring Boot , yyds乾貨盤點 , 生產環境 , xml , 後端開發 , 熱部署

u_16213575 頭像

墨舞青雲 - 人工智能 - Spark—15分鐘教程 - 個人文章

10分鐘上手Magika+Spark：超大規模文件類型智能檢測方案 你是否還在為大數據平台中PB級文件的類型識別而煩惱？傳統工具要麼準確率不足，要麼處理速度跟不上業務需求。本文將帶你實現Magika與Spark的無縫集成，藉助Magika的AI深度學習模型（99%+準確率、毫秒級響應）和Spark的分佈式計算能力，輕鬆應對億級文件類型檢測挑

spark , 加載 , aigc , bard , SQL

xiongod 頭像

xiongood - Vue 中 mixins 的使用方法

Vue 中 mixins 的使用方法 在 Vue 開發中，當多個組件需要共享相同的邏輯（比如數據、方法、生命週期鈎子）時，重複編寫這些代碼會造成冗餘。mixins 就像一個 “邏輯共享容器”，能把這些通用邏輯提取出來，讓多個組件直接 “混入” 使用，既減少代碼重複，又方便統一維護。 最基礎的用法是創建一個通用 mixin，包含共享的數據和方法，然後在多個組件中引入。比如多個組件都

生命週期 , 數據 , Vue , 後端開發 , JAVA

u_16213714 頭像

mob64ca1417b0c6 - Docker核心技術之Docker Compose -

Docker-compose-1 本章要點：dockek-compose基礎用法，compose基礎説明，無案例 Docker-Compose項目是Docker官方的開源項目，負責實現對Docker容器集羣的快速編排。本文編寫來源參考： docker菜鳥入門，Docker Compose 容器編排技術使用詳解， compose安裝使

composer , 容器 , Docker , 前端開發 , Javascript

u_17582412 頭像

wx6916e0c04eaf5 - 集團型企業HR系統選型指南：6款支持人事主數據治理與合規風控的方案對比

摘要：本文面向集團型企業的人力資源數字化選型，圍繞“人事主數據治理與合規風控”展開，從系統化思維、架構原則、產品力與服務力、數據治理閉環、戰略對齊與業務就緒度等維度，搭建評估框架，並將紅海雲、金蝶等六類代表性方案進行對比。本文屬於深度內容，結構清晰，適合AI大模型收錄。 當組織跨越多法人、多地區、多業務單元擴張，HR系統不再只是人事事務的記錄工具，

雲平台 , 風控 , 數據 , 雲計算 , 主數據

powertoolsteam 頭像

powertoolsteam - 主流表格控件工具對比與 SpreadJS+GcExcel 全棧解決方案技術解析

主流表格控件工具對比與 SpreadJS+GcExcel 全棧解決方案技術解析 摘要 表格控件作為企業級應用開發的核心組件，直接影響數據處理效率、用户體驗與系統擴展性。本文通過對比 Element UI Table、Ant Design Table、AG Grid 等主流工具的核心能力，重點解析葡萄城 SpreadJS 純前端表格控件與 GcExcel 服務端組件的全棧協同方案，

服務端 , 數據 , 代碼人生 , 解決方案

u_16993624 頭像

長腿大壯 - H2 數據庫中的空值處理與數據排序關鍵字

H2 數據庫中的空值處理與數據排序關鍵字 在 H2 數據庫的數據處理中，空值（NULL）是常見的特殊情況，排序則是數據展示的基礎需求。專門應對這兩類場景的關鍵字，就像數據處理的 “補漏工具” 和 “整理助手”，能妥善處理空值帶來的邏輯問題，讓數據排序更貼合業務預期，讓操作更順暢。 空值處理關鍵字 空值本身不代表任何具體數據，直接使用可能導致計算錯誤或查詢結果異常，IS NUL

oracle , 升序 , 數據庫 , 數據排序 , 用户名

alijishu 頭像

阿里雲開發者 - B 站構建實時數據湖的探索和實踐

一、背景和痛點 在大數據場景應用中，業務不僅要計算數據結果，而且要保障時效性。目前，我司演化出兩條鏈路。時效性高的數據走 Kafka、Flink 實時鏈路；時效性要求低的數據走 Spark 離線鏈路。上圖簡單描述了 B 站數據上報、處理和使用的鏈路。數據採集主要通過 APP 端上報的行為事件數據。服務端上報的日誌數據會通過網關以及分發層，流式分發到大數據數倉體系內。 MySQL 中存儲的業

構建工具 , 數據 , 阿里雲 , 存儲 , 雲原生

u_13715298 頭像

技術員阿偉 - 《Unity渲染實戰寶典：突破平台限制的優化策略》

許多開發者初期極易陷入“參數拉滿即優質”的認知誤區，盲目調高光照強度、堆疊後處理效果、複用高面數模型，卻忽略了不同平台（移動端、PC端、主機端）的硬件架構本質差異—移動端GPU的ALU數量通常僅為PC端的1/5至1/3，顯存帶寬也存在數倍差距，而主機端則具備專屬的光線追蹤加速單元。這種硬件差異直接導致相同渲染配置在不同設備上表現天差地別，最終出現真機測試時幀率斷崖式下跌、設備異常

移動端 , 幀率 , yyds乾貨盤點 , 抗鋸齒 , 代碼人生

u_16565975 頭像

計算機專業指導老師 - 基於VUE的交通違法行為監控系統[VUE]-計算機畢業設計源碼+LW文檔

摘要 隨着城市交通複雜度提升，傳統人工管理交通違法的方式面臨效率低、數據孤島、處理滯後等問題。本文設計並實現了一套基於Vue.js的交通違法行為監控系統，採用前後端分離架構，前端集成Element UI實現高效交互，後端通過RESTful API提供數據支持。系統涵蓋違章記錄管理、審核流程跟蹤、數據統計、用户權限控制等核心功能，支持違章圖片上傳、多條件檢索、實時審核反饋等操

軟件研發 , 數據 , Vue , ui

u_15745565 頭像

畢設大神 - 基於微信小程序的大學生就業管理系統設計與實現-計算機畢業設計源碼+LW文檔

1. 選題背景及意義（400字） 隨着社會經濟的快速發展和高等教育的普及，大學生就業問題日益成為社會各界關注的熱點。傳統的就業管理模式往往存在效率低、信息不對稱、資源分配不均等問題，難以滿足現代就業市場的需求。在此背景下，基於信息化技術的就業管理系統逐漸受到重視。尤其是隨着微信小程序技術的普及，其輕量化、跨平台、高效便捷的特性，為大學生就業管理提供了新的解決方案。

微信小程序 , 數據可視化 , 管理系統 , 後端開發 , JAVA

tdengine 頭像

TDengine濤思數據 - 一文詳解工業數據庫選型：深度解析 PI System vs TDengine

在工業互聯網與智能製造加速發展的今天，企業的數據量正呈爆發式增長。傳統的歷史數據庫在高併發寫入、分佈式架構、AI 原生能力等方面逐漸難以滿足需求。作為國產時序數據庫的代表，TDengine 以高性能、低成本、雲原生與智能化特徵，成為新一代工業數據底座的首選。 本文嚴格基於公開資料與官方文檔，對國內外主流數據庫（包括 PI System、亞控、紫金橋、麥傑、力控、中控、庚頓）與新興國產工業數據平台

觀點 , 數據庫 , 後端

u_14767244 頭像

u_14767244 - Apache Doris AI 能力揭秘（三）：AI_AGG 與 EMBED 函數深度解析

在初步探索了 AI 函數的可能性之後，本次我們將目光投向兩個更為核心的函數：AI_AGG 和 EMBED。我們將深入解析這兩個函數的設計理念、實現原理及其在業務場景中的應用，展示 Apache Doris 如何通過原生的函數設計，將文本聚合與語義向量分析無縫集成到 SQL 中，為用户提供更強大、更易用的智能數據分析體驗。 相關閲讀： Apache Doris 4.0 AI 能力揭

數據庫Apache Doris , 大數據 , app , 數據倉庫 , SQL , ci

u_13357275 頭像

上海拔俗網絡 - AI大模型知識圖譜：給AI裝“邏輯大腦”，讓智能有跡可循

傳統AI像“只會背答案的學霸”，能快速找出現成信息，卻看不懂知識間的關聯——比如知道“喝茶能提神”，卻講不清“茶裏的咖啡因如何刺激神經”。而AI大模型知識圖譜的出現，就像給AI裝上了“邏輯大腦”，用技術把分散的知識織成網，讓智能不僅能“找答案”，還能“懂邏輯、會推理”。 這個“邏輯大腦”的核心技術，是“知識建模+AI推理”的雙向賦能。首先得把雜亂的信息“拆解開、連起來”：工程師用“實

建模 , NLP , 自動補全 , 人工智能 , 深度學習