<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Timmer的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/qq_35754073</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; qq_35754073]]></copyright><item><title><![CDATA[Spring AI开发跃迁指南（第三章：精进之道1——花样玩转LLM对话记忆功能）]]></title><link>https://blog.csdn.net/qq_35754073/article/details/148400874</link><guid>https://blog.csdn.net/qq_35754073/article/details/148400874</guid><author>qq_35754073</author><pubDate>Tue, 03 Jun 2025 15:16:08 +0800</pubDate><description><![CDATA[Spring AI提供了多种聊天记忆存储方案，包括内存、JDBC、Cassandra和Neo4j。核心组件ChatMemory通过MessageWindowChatMemory实现对话历史管理。JDBC方案支持主流数据库，需配置初始化脚本；Cassandra方案适合高可用场景，支持TTL功能；Neo4j方案利用图数据库特性。开发者可根据需求选择存储方式，通过简单配置即可实现大模型的上下文记忆功能。（150字）]]></description><category></category></item><item><title><![CDATA[kafka学习笔记（三、消费者Consumer使用教程——配置参数大全及性能调优）]]></title><link>https://blog.csdn.net/qq_35754073/article/details/147935954</link><guid>https://blog.csdn.net/qq_35754073/article/details/147935954</guid><author>qq_35754073</author><pubDate>Sat, 31 May 2025 21:52:24 +0800</pubDate><description><![CDATA[本文详细介绍了Kafka消费者的核心配置参数与性能优化策略。参数部分涵盖必填项（如bootstrap.servers、group.id）、网络设置（fetch.min.bytes等）和提交策略（auto.offset.reset）。性能优化建议包括：调整拉取参数（max.poll.records）、心跳配置（session.timeout.ms）、采用手动异步提交位移，以及通过增加消费者实例、多线程处理、批量操作提升吞吐量。还涉及JVM调优、分区设计等系统级优化，帮助实现高并发低延迟的消费场景。]]></description><category></category></item><item><title><![CDATA[kafka学习笔记（三、消费者Consumer使用教程——消费性能多线程提升思考）]]></title><link>https://blog.csdn.net/qq_35754073/article/details/148355587</link><guid>https://blog.csdn.net/qq_35754073/article/details/148355587</guid><author>qq_35754073</author><pubDate>Sat, 31 May 2025 21:51:57 +0800</pubDate><description><![CDATA[针对KafkaConsumer单线程限制，本文提出两种多线程实现方案：线程封闭方式：每个线程创建独立KafkaConsumer实例，并发度受分区数限制。代码示例展示了通过KafkaConsumerThread类实现多线程消费。
消息处理多线程：在方案一基础上增加线程池处理消息，使用RecordsHandler类异步处理消息记录，需配合共享offsets实现提交。该方案进一步提升消费速度，但需注意线程安全。两种方案均通过代码示例说明实现细节，适用于不同消费场景需求。]]></description><category></category></item><item><title><![CDATA[Spring AI开发跃迁指南（第二章：急速上手6——Spring AI 多模态＜图片、语音、文本＞及完整代码演示）]]></title><link>https://blog.csdn.net/qq_35754073/article/details/148311957</link><guid>https://blog.csdn.net/qq_35754073/article/details/148311957</guid><author>qq_35754073</author><pubDate>Fri, 30 May 2025 12:30:12 +0800</pubDate><description><![CDATA[本文介绍了Spring AI Message API如何支持多模态LLM处理文本、图像、音频等多源数据。通过UserMessage的content和media字段实现多模态输入，并给出代码示例演示图片识别功能。虽然当前文本模型无法处理图像，但展示了多模态API的基础使用方法，建议使用支持多模态的模型实现完整功能。]]></description><category></category></item><item><title><![CDATA[Spring AI开发跃迁指南（第二章：急速上手5——Spring AI 结构化输出源码级原理详解及使用实例）]]></title><link>https://blog.csdn.net/qq_35754073/article/details/148234530</link><guid>https://blog.csdn.net/qq_35754073/article/details/148234530</guid><author>qq_35754073</author><pubDate>Fri, 30 May 2025 12:29:34 +0800</pubDate><description><![CDATA[Spring AI 的 StructuredOutputConverter 提供了将大语言模型(LLM)的自由文本输出转换为结构化格式(如JSON/XML/Java对象)的解决方案。该转换器通过双阶段处理：在LLM调用前附加格式化指令指导输出结构，在调用后解析文本并映射到目标数据结构。]]></description><category></category></item><item><title><![CDATA[kafka学习笔记（三、消费者Consumer使用教程——从指定位置消费）]]></title><link>https://blog.csdn.net/qq_35754073/article/details/148017485</link><guid>https://blog.csdn.net/qq_35754073/article/details/148017485</guid><author>qq_35754073</author><pubDate>Thu, 29 May 2025 09:51:44 +0800</pubDate><description><![CDATA[本文介绍了Kafka消费者如何通过seek()方法实现精确位移消费控制。]]></description><category></category></item><item><title><![CDATA[kafka学习笔记（三、消费者Consumer使用教程——使用实例及及核心流程源码讲解）]]></title><link>https://blog.csdn.net/qq_35754073/article/details/147935895</link><guid>https://blog.csdn.net/qq_35754073/article/details/147935895</guid><author>qq_35754073</author><pubDate>Thu, 29 May 2025 09:50:20 +0800</pubDate><description><![CDATA[文章内容聚焦Kafka消费者实现的关键技术点，通过代码示例和概念解析相结合的方式，系统性地介绍了Kafka消费者的工作机制和使用方法。]]></description><category></category></item><item><title><![CDATA[weaviate向量库从零开始——weaviate混合搜索详解及提高性能的关键技巧]]></title><link>https://blog.csdn.net/qq_35754073/article/details/148082744</link><guid>https://blog.csdn.net/qq_35754073/article/details/148082744</guid><author>qq_35754073</author><pubDate>Wed, 28 May 2025 09:35:44 +0800</pubDate><description><![CDATA[Weaviate混合检索技术融合了语义检索和关键词搜索的优势，通过权重调节平衡两者结果。摘要介绍了其工作原理、搜索语法及性能优化技巧，包括权重参数调优、过滤条件设计、向量生成优化和大规模数据处理策略。该技术适用于复杂检索需求，能有效提升召回率与准确率，用户可通过调整alpha参数（0-1）控制搜索侧重点，并结合业务场景优化检索性能。]]></description><category></category></item><item><title><![CDATA[weaviate向量库从零开始——weaviate关键字搜索详解及使用场景推荐]]></title><link>https://blog.csdn.net/qq_35754073/article/details/147926975</link><guid>https://blog.csdn.net/qq_35754073/article/details/147926975</guid><author>qq_35754073</author><pubDate>Wed, 28 May 2025 09:34:47 +0800</pubDate><description><![CDATA[BM25关键词搜索是一种基于全文检索的黄金标准算法，支持语义扩展和相关性排序。本文详细介绍了BM25搜索的实现方式，包括基础搜索、评分检索、属性定向搜索、权重提升和标记设置等核心功能。文章还深入解析了BM25算法原理，包含TF-IDF计算、文档长度归一化等关键技术，并提供了多语言分词、停用词过滤和同义词扩展等高级特性实现方案。最后给出了BM25参数调优建议，帮助开发者根据实际场景优化搜索效果。通过Java代码示例展示了各类搜索场景下的API调用方法，为构建高效检索系统提供实践参考。]]></description><category></category></item><item><title><![CDATA[weaviate向量库从零开始——weaviate搜索基础、文本和图像相似度搜索详解]]></title><link>https://blog.csdn.net/qq_35754073/article/details/147926746</link><guid>https://blog.csdn.net/qq_35754073/article/details/147926746</guid><author>qq_35754073</author><pubDate>Tue, 27 May 2025 09:16:49 +0800</pubDate><description><![CDATA[Weaviate向量数据库提供了多种搜索方式，包括向量相似度搜索（nearText/nearImage/nearObject/nearVector）、关键字搜索（bm25）及混合搜索（hybrid）。可通过Java客户端灵活控制查询参数，如返回数量、偏移量、分组、过滤条件等。支持指定返回属性、向量数据、元数据，并包含多租户查询功能。典型的向量搜索示例包括基于文本（nearText）的语义查询，通过构建NearTextArgument指定搜索概念，结合Fields定义输出字段，最后使用GraphQL查询获取匹]]></description><category></category></item><item><title><![CDATA[weaviate向量库从零开始——weaviate cloud数据向量化完整实例解析]]></title><link>https://blog.csdn.net/qq_35754073/article/details/147899980</link><guid>https://blog.csdn.net/qq_35754073/article/details/147899980</guid><author>qq_35754073</author><pubDate>Tue, 27 May 2025 09:15:37 +0800</pubDate><description><![CDATA[本文介绍了如何在Weaviate数据库中使用向量化功能。首先讲解了本地搭建Weaviate时如何配置文本向量化器（如OpenAI-Text-Embeddings），并通过Java客户端创建带向量化器的集合。接着重点介绍了Weaviate Cloud的使用方法，包括如何通过API Key认证创建客户端，以及如何配置内置的Weaviate-Text-Embeddings向量化模型（Snowflake系列）来创建支持多语言和长文本的集合。文章还提供了数据对象导入的示例代码，完整展示了从配置到数据操作的全流程。]]></description><category></category></item><item><title><![CDATA[Spring AI开发跃迁指南（第二章：急速上手3——Spring AI 提示词及提示词模版核心原理及使用实例）]]></title><link>https://blog.csdn.net/qq_35754073/article/details/148120728</link><guid>https://blog.csdn.net/qq_35754073/article/details/148120728</guid><author>qq_35754073</author><pubDate>Mon, 26 May 2025 09:30:05 +0800</pubDate><description><![CDATA[提示词是引导 AI 模型生成特定输出的输入，这些提示的设计和措辞会显著影响模型的响应。]]></description><category></category></item><item><title><![CDATA[AI的出现传统思维职业者是否还有存在的价值？]]></title><link>https://blog.csdn.net/qq_35754073/article/details/148219257</link><guid>https://blog.csdn.net/qq_35754073/article/details/148219257</guid><author>qq_35754073</author><pubDate>Mon, 26 May 2025 09:19:20 +0800</pubDate><description><![CDATA[AI技术正深刻改变IT行业，基础编码和测试岗位替代率高达85%，但高端岗位如系统架构师替代率不足15%。AI虽提升效率，但存在创造力不足、决策依赖数据等局限，无法完全替代人类。当前IT从业者正通过AI工具实现效率跃升，如GitHub Copilot已广泛应用。未来行业将向“人机协同”模式转型，新兴AI相关岗位需求激增。从业者需提升AI协作能力，强化创新和战略思维等核心竞争力。AI并非替代人类，而是推动人机协作新纪元，人类的创造力与AI的高效执行将形成互补，共同推动技术进步。]]></description><category></category></item><item><title><![CDATA[kafka学习笔记（四、生产者、消费者（客户端）深入研究(三)——事务详解及代码实例）]]></title><link>https://blog.csdn.net/qq_35754073/article/details/147833431</link><guid>https://blog.csdn.net/qq_35754073/article/details/147833431</guid><author>qq_35754073</author><pubDate>Fri, 09 May 2025 17:19:32 +0800</pubDate><description><![CDATA[Kafka事务是Apache Kafka在流处理场景中实现Exactly-Once语义的核心机制。它允许生产者在的操作中，以或消息，确保数据处理的最终一致性。例如，在流处理中，消费者读取消息后处理并生成新消息，若处理失败，事务可确保原始消息的消费偏移与新消息的发送同时回滚，避免数据不一致。跨分区的写操作要么全部成功，要么全部失败。事务未提交时，消息对消费者不可见（通过配置实现）。事务状态持久化至内部，支持故障恢复。]]></description><category></category></item><item><title><![CDATA[weaviate向量库从零开始——weaviate集合、对象管理从零代码开始详解]]></title><link>https://blog.csdn.net/qq_35754073/article/details/147827224</link><guid>https://blog.csdn.net/qq_35754073/article/details/147827224</guid><author>qq_35754073</author><pubDate>Fri, 09 May 2025 17:15:59 +0800</pubDate><description><![CDATA[最要讲解weaviate向量库对集合、对象的各种管理操作，增删改查集合和对象等。]]></description><category></category></item><item><title><![CDATA[weaviate向量库从零开始——weaviate cloud、weaviate docker安装配置及使用连接示例]]></title><link>https://blog.csdn.net/qq_35754073/article/details/147793419</link><guid>https://blog.csdn.net/qq_35754073/article/details/147793419</guid><author>qq_35754073</author><pubDate>Thu, 08 May 2025 16:27:50 +0800</pubDate><description><![CDATA[Weaviate简单简介和对比我们已经在上一篇中已经介绍过了。本篇主要介绍Weaviate cloud，Weaviate本地docker安装及相关的配置等。]]></description><category></category></item><item><title><![CDATA[Milvus、Weaviate、Redis等主流向量数据库介绍及对比选型]]></title><link>https://blog.csdn.net/qq_35754073/article/details/147793595</link><guid>https://blog.csdn.net/qq_35754073/article/details/147793595</guid><author>qq_35754073</author><pubDate>Thu, 08 May 2025 15:01:25 +0800</pubDate><description><![CDATA[向量数据库（Vector Database）是专门为存储和查询高维向量数据而设计的数据库，主要用于处理由机器学习模型生成的嵌入向量（Embeddings）。它在人工智能（AI）、自然语言处理（NLP）、图像识别和推荐系统等领域有广泛应用。]]></description><category></category></item><item><title><![CDATA[我的创作纪念日]]></title><link>https://blog.csdn.net/qq_35754073/article/details/147674186</link><guid>https://blog.csdn.net/qq_35754073/article/details/147674186</guid><author>qq_35754073</author><pubDate>Sat, 03 May 2025 02:34:32 +0800</pubDate><description><![CDATA[时间是真的快，不知不觉已经成为在IT领域干了9年了，在刚开始的懵懵懂懂找资料中认识到了CSDN，本来也没想着自己写博客，但是后来偶尔的灵光吧，想把自己的学习知识通过写博客的方式对知识做系统的梳理和记录，提高自己的学习效率和记录学习的知识，方便后续自己查找等，没想到一写就是9年了，也是磕磕绊绊谢了70多篇了。在专业领域是需要一直学习的，希望能保持学习的积极性，一直关注先进的技术领域比如AI领域等，紧跟时代的步伐，能在普通人中顺水而行。创作嘛，先成为博客专家吧，在希望在某几个点上能在全网得到更多同行的认同。]]></description><category></category></item><item><title><![CDATA[kafka学习笔记（四、生产者、消费者（客户端）深入研究(二)——消费者协调器与_consumer_offsets剖析）]]></title><link>https://blog.csdn.net/qq_35754073/article/details/140451075</link><guid>https://blog.csdn.net/qq_35754073/article/details/140451075</guid><author>qq_35754073</author><pubDate>Thu, 01 May 2025 16:46:41 +0800</pubDate><description><![CDATA[如果消费者客户端中配置了多个分配策略，则多消费者的分区分配交由消费者协调器和组协调器来完成，他们之间使用一套组协调协议进行交互。]]></description><category></category></item><item><title><![CDATA[Spring AI开发跃迁指南（第二章：急速上手3——Spring AI Advisor核心原理、源码讲解及使用实例）]]></title><link>https://blog.csdn.net/qq_35754073/article/details/147636049</link><guid>https://blog.csdn.net/qq_35754073/article/details/147636049</guid><author>qq_35754073</author><pubDate>Thu, 01 May 2025 11:37:30 +0800</pubDate><description><![CDATA[Spring AI 中的Advisor是一种核心机制，用于拦截和增强 AI 应用程序中的请求与响应流。其设计灵感来源于 Spring AOP（面向切面编程）中的切面（Aspect）概念，但专门针对 AI 交互场景进行了优化。我们自定义一个日志Advisor,在调用链中的下一个顾问之前记录，之后记录。此advisor只观察请求和响应，不做任何膝盖且同时支持非流和流场景。// 为Advisor提供一个唯一的名称@Override// 设置order值来控制执行顺序，值较小的将优先执行。]]></description><category></category></item></channel></rss>