[今天不破解极域]Windows编译QScintilla

最新推荐文章于 2025-06-13 13:15:00 发布
最新推荐文章于 2025-06-13 13:15:00 发布
阅读量681 收藏 13
点赞数 9
CC 4.0 BY-SA版权
分类专栏： Qt教程 文章标签： windows qt c++ 开源
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Windows7X64/article/details/147721506

今天先不聊某黄色软件,编译QScintilla,以后手搓IDE

准备

下载QScintilla

QScintilla 下载
选择.zip就行了，下载.gz的有些压缩软件可能打不开:
在这里插入图片描述
解压缩一下:
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/e78bb3bddf6d484fabb5d926b7a3f6cb.png
在这里插入图片描述

下载Qt Creator

Qt Creator 下载

开始编译

打开src文件夹，找到qscintilla.pro
在这里插入图片描述
然后Qt Creator，启动!
选择你喜欢的套件(实在不行就把能用的全勾上):
在这里插入图片描述
这里选择Release(发布)版本:
在这里插入图片描述
点左下角锤子开始构建:
在这里插入图片描述
正常应该是0错误过编译的:
在这里插入图片描述
如果编译失败就要检查一下你的Qt模块完整性了!
或者你安装的时候没有勾选某些必要组件(一般不会)
搜索找到qscintilla*_qt*.dll还有qscintilla*_qt*.lib(MSVC编译器,MinGW编译器是.a):
在这里插入图片描述
在这里插入图片描述
编译好了给它安装上
先找到你喜欢的构建套件的目录(要和你编译QScintilla使用的套件一样):
在这里插入图片描述
qscintilla*_qt*.dll放bin目录下:
在这里插入图片描述
qscintilla*_qt*.lib(针对MSVC编译器,MinGW编译器是.a)放lib目录下:
在这里插入图片描述
把src文件夹中的Qsci复制到include文件夹下:
在这里插入图片描述
再把Qsci文件夹下所有.qm文件复制到translations目录下:
在这里插入图片描述
(这个库好像没有中文)
把src\features\qscintilla*.prf复制到mkspecs\features文件夹:
在这里插入图片描述
打开example下的application.pro(Qt Creator,启动!*2):
在这里插入图片描述
必须选择你刚刚复制过文件的构建套件:
在这里插入图片描述
点击右下角三角形启动,界面应该是这样:
在这里插入图片描述
到这里,你就成功了!

The end

下期更点QScintilla的应用场景

LLM系列(1)：构建面向知识库的行业专属大模型系统——全流程落地技术方案
丨汀、的博客
04-29 1602
LLM系列(1)：构建面向知识库的行业专属大模型系统——全流程落地技术方案
NL2SQL技术方案系列(2)：全系列技术选型完整版：从通用技术选型(向量、图数据库)、大模型选择、Prompt工程、前沿技术方案展示
丨汀、的博客
04-23 2745
NL2SQL技术方案系列(2)：全系列技术选型完整版：从通用技术选型(向量、图数据库)、大模型选择、Prompt工程、前沿技术方案展示
【AI大模型】RAG之关键Embedding模型国内外大PK
2401_85327249的博客
04-11 704
虽然大模型支持的上下文是越来越大，但不论出于知识库过大还是基于安全考虑，我们还是希望向模型提供适当的上下文即可。这其中选择合适的embedding模型就至关重要了。如何才能找到效果更好的embedding型呢，希望本文能提供一些参考。
embedding介绍和常用三家模型对比
小相探索IT世界
05-07 3240
Embedding（嵌入）是一种在计算机科学中常用的技术，尤其是在自然语言处理（NLP）领域。在NLP中，embedding通常指的是将文本中的单词、短语或句子转换为固定维度的向量（vector）。这些向量代表了文本中的语义和上下文信息。
开发RAG应用，你必须知道的7个Embedding模型_embedding模型有哪些
最新发布
lyy2017175913的博客
06-13 1598
2023年值得关注的7大Embedding模型在NLP领域展现出卓越性能。BGE模型在MTEB基准测试中夺冠，支持中英文并集成reranker功能；阿里巴巴的GTE模型超越OpenAI API，能直接处理代码；E5采用创新训练方法提供高质量向量；Jina基于3.8亿句子对训练，兼顾性能与速度；Instructor通过任务指导实现多任务适配；XLM-Roberta展现强大跨语言能力；text-embedding-ada-002与Hugging Face生态兼容。这些开源模型为文本检索、语义分析等任务提供了多样
分享Embedding 模型微调的实现
python122_的博客
08-14 1260
1. 当前比较主流的Embedding开源模型有哪些？答：1. m3e(Moka Massive Mixed Embedding) 2. BAAI/bge-large-zh-v1.5。更多的开源模型评测榜单可见：\2. 模型的作用？答：通过词，句子或者上下文的向量生成，从而来实现更高效的语义检索，语言理解的相关任务。\3. 模型是如何捕获语义信息的？答：在训练的过程中，模型学习用来反映语义相似性的方式将向量分配给单词或序列。简言之，通过分析数据中的词共现模式来实现。
RAG优化知识库检索（3）：向量化模型选择与优化
分享一些感兴趣的技术方面
05-14 1017
在检索增强生成（Retrieval-Augmented Generation，RAG）系统中，向量化模型（嵌入模型）扮演着至关重要的角色。它们负责将文本转换为向量表示，使得计算机能够理解和比较文本之间的语义相似性。选择合适的嵌入模型并对其进行优化，直接影响着RAG系统的检索质量和整体性能。本文将深入探讨嵌入模型的发展历程、不同类型的嵌入模型比较、微调技术、多语言挑战以及嵌入维度与性能的权衡等关键问题，并通过实例分析不同嵌入模型在特定领域的表现。
全网最全对比：主流Embedding模型实测（附代码+部署方案）
IT民工专栏
03-02 3693
BGE-M3、 text-embedding-3-large、GTE-Qwen2-7B等主流Embedding模型的对比
大模型入门实战：通过 HuggingFace 调用 Llama3
python12345_的博客
01-10 1713
至此，我们成功演示了如何通过 Hugging Face 的 Transformers 调用 Llama 模型，并获取了模型的回答。但是如果你的需求只是简单地调用模型，而无需进行微调或复杂的部署，可以尝试使用 Ollama。它不仅操作更加便捷，还提供了开箱即用的 RESTful 接口，适合快速集成到生产环境中。下一篇，我将会讲解如何通过 Ollama 下载部署 Llama 模型并调用。
【AIGC调研系列】embeding模型有哪些，各有什么优势
zachary的博客
03-05 5726
在AIGC中，Embedding模型是一种将文本数据转换为多维向量数组的技术，这些向量可以代表任何事物，如文本、音乐、视频等。有几种不同的Embedding模型，它们各有其优势和应用领域。
OpenAI 文本 Embedding 模型与其他主流模型对比：深度剖析与实战指南
实战AI智能体
10-27 963
总的来说，OpenAI 文本 Embedding 模型与其他主流模型的对比为我们提供了更多的选择和可能性。通过了解这些模型的特点和性能，并结合实际场景进行选择和应用，我们可以更好地利用这些模型来处理和分析文本数据。展望未来，随着 NLP 技术的不断发展和进步，Embedding 模型将会迎来更多的创新和突破。我相信，在不久的将来，我们将看到更加高效、准确和智能的 Embedding 模型出现，为我们的生活和工作带来更多的便利和价值。
一文详解几种常见本地大模型个人知识库工具部署、微调及对比选型（文末福利）
瓦罗兰特顶级C位的博客
06-11 5675
近年来，大模型在AI领域崭露头角，成为技术创新的重要驱动力。从AlphaGo的胜利到GPT系列的推出，大模型展现出了强大的语言生成、理解和多任务处理能力，预示着智能化转型的新阶段。
大模型分不清 9.9 与 9.11 谁大，那 Embedding 模型呢？
Jina AI 的博客
08-05 1084
这是我今天在维也纳举行的 ICML 会议上被问到的问题。在茶歇期间，一位 Jina 用户向我提出了一个源自 LLM 社区最近讨论的问题。他问我们 Jina Embeddings 能不能判断 9.11 比 9.9 更小，很多大模型在这个小问题上翻了车。我说：“老实说，我也不知道。” 他接着详细阐述了这个能力对于他应用的重要性，并暗示：Tokenizer 可能是问题的源头，我若有所思点点头，脑海里开始构思如何用实验来找到答案。
大模型——RAG进阶 Embedding Models嵌入式模型原理和选择
04-24 560
主要用于训练和评估模型：根据一段文章回答相关的问题。**BGE-M3：**北京智源研究院开发，支持多语言、混合检索（稠密+稀疏向量），处理 8K 上下文，适合企业级知识库。**NV-Embed-v2：**基于 Mistral-7B，检索精度高（MTEB 得分 62.65），但需较高计算资源。**训练方法：**对比学习（如 Word2Vec 的 Skip-gram/CBOW）、预训练+微调（如 BERT）。**上下文依赖：**现代模型（如 BGE-M3）动态调整向量，捕捉多义词在不同语境中的含义。
Embedding模型提升效果的方法之二：对比学习（SimCSE最先用在文本表征上）
comli_cn的博客
09-06 468
SimCSE（simple contrastive sentence embedding framework），意为简单的对比句向量表征框架。SimCSE的核心就是使用了对比学习的方法，从而提升对句子的表征能力。如今的预训练语言模型都会存在各向异性的问题，所以需要通过对比学习来加以缓解。下文主要介绍对比学习SimCSE如何使用对比学习，以及为什么对比学习可以缓解各向异性的问题。对比学习就是以拉近相似数据，推开不相似数据为目标，有效地学习数据表征。给定一个pair对样本集合Dxixii1mD。
企业搭建大模型 RAG 知识库？该选哪个 Embedding 嵌入模型
m0_59164520的博客
03-17 1549
需求：企业在搭建 RAG 知识库的时候，选择合适的 Embedding 嵌入模型很重要，Embedding 的性能决定了检索的准确性，也间接决定了大模型输出的可信度。常用模型：bge、m3e、nomic-embed-text、BCEmbedding（网易有道）。
Embedding向量模型在RAG本地知识库中如何使用
python12222_的博客
03-20 1049
通过理解这些技术细节，即使是刚入门的小白也能做出专业选择。当处理中文合同文档时，选择BGE模型配合余弦相似度；处理跨国客服对话记录时，Jina的多语言支持是更好的选择；​ 记住，选择模型的依据终止依据——合适的才是最好的！
AI 知识库对比：Dify 还是 FastGPT
2401_85375186的博客
10-08 4869
从效果上来看，FastGPT 的知识库检索是强于 Dify 的，但是这并不代表 Dify 就不如 FastGPT：首先，在知识库创建上，FastGPT 在「Web 站点同步」和「外部文件库」这两个功能上是收费的，就算是本地部署也是收费的，而 Dify 则是免费的；其次，个人感觉 Dify 的部署到使用，是比较简单的，而且交互体验和 UI 上也优于 FastGPT开源版本的 FastGPT 的知识库限制为 30个，应用限制为 500 个；而 Dify 的社区版没有这些限制Dify 中提供了。
常见本地大模型个人知识库工具部署、微调及对比选型，非常详细收藏我这一篇就够了！
2401_84495872的博客
02-12 5701
由于作者的眼界、精力和能力也有限，并且确实也不是专业的AI研究员，仅仅是一位兴趣使然的爱好者，这里列出的几款也单纯只是作者平常关注到的，所以可能也不全，请各位见谅！
dify:由于embedding模型不可用，需要配置默认embedding模型
07-18
Dify（可能是某个特定平台或工具的名称）中的"embedding模型不可用"通常指的是在使用深度学习模型进行自然语言处理任务时，预训练的嵌入层（如Word Embedding或Transformer的Embeddings）未被加载或者找不到。当这种情况发生时，你需要配置一个默认的embedding模型，以便系统能够继续运行。 默认embedding模型通常是预先训练好的词向量模型，比如Word2Vec、GloVe或BERT等。配置步骤可能包括以下几个步骤： 1. **下载预训练模型**：从官方仓库或知名资源库下载预训练的词嵌入文件。 2. **加载模型**：使用相应的编程语言库（如Python的gensim、huggingface的transformers等），读取并加载模型到内存。 3. **设置模型为默认**：在Dify的配置文件或代码中指定这个预训练模型作为默认的embedding模型，供模型在无法找到特定embedding时使用。 4. **更新模型路径**：如果模型存储的位置有变，记得更新相关的配置路径。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值