SunnyALion

Hexo博客更新日志及踩坑经验总结博客功能 基本的Blog文章更新 博客文章的分类、标签、归档 Blog界面优化 本地搜索博客功能 留言功能（有点问题QAQ待完善） 侧边栏时钟 音乐🎵功能，可以播放网易云的歌单啦 解决上线后icon不显示的问题 增加了看板娘（其实是可爱的小男生） SEO优化 页脚徽标 字体样式修改 滚动的副标题 一些于我有用的博主文章 我的Blog美化日记——Hexo+Butterfly | Guo Le’s Blog 如何在Hexo博客Butterfly主题开启Aplayer和“音乐”页面 hexo-butterfly魔改记录大全 | Black Flies (yyyzyyyz.cn)

欢迎来到舜桀BB的秘密基地呀！在这里你会看到我的日常分享，你也可以通过留言功能与我交流。希望你我都能在这个复杂的世界找到一份专属于自己的喜乐！

collectionsdefaultdictPython 的 defaultdict 是 collections 模块中的一个非常有用的容器，它是对内置字典（dict）的一种增强，用于在访问不存在的键时自动创建默认值，避免抛出 KeyError。 基本语法from collections import defaultdictd = defaultdict(default_factory) default_factory 是一个可调用对象（通常是类型，如 int、list、set 等），当访问不存在的键时，defaultdict 会自动调用它来生成该键的默认值。 使用示例使用 list 作为默认工厂from collections import defaultdictd = defaultdict(list)d['a'].append(1)d['a'].append(2)d['b'].append(3)print(d) # 输出: defaultdict(<class 'list'>, & ...

哈希表的基本概念什么是哈希表（Hash Table）？哈希表是一种 根据“键（Key）”快速查找“值（Value）” 的数据结构。它内部通常使用 数组 + 哈希函数 实现： 键（key）：用来唯一标识一个值，比如身份证号、用户名等； 值（value）：对应于键的存储内容； 哈希函数：将键映射为数组索引（通常是整数）； 冲突解决：如果两个键映射到了同一个位置，需要处理冲突，Python中的字典使用了链地址法（开链法）解决。 Python 中的哈希结构Python 中内置了两种最常用的哈希结构： dict（字典）：键值对的存储 set（集合）：只存储键（不重复） 例如： # 字典d = {'apple': 3, 'banana': 5}print(d['apple']) # 输出 3# 集合s = set([1, 2, 3])print(2 in s) # 输出 True 它们的**查找、插入、删除的平均时间复杂度都是 O(1)**，这就是哈希表非常高效的原因。 哈希表的常见用途在 LeetCod ...

初始化或克隆项目本地初始化用于新建一个本地 Git 仓库。 git init 在当前目录下生成 .git 文件夹，标志项目已启用版本控制。 适用场景：从零开始开发本地项目。 克隆远程仓库用于从远程服务器（如 GitHub）下载已有的项目代码及历史记录。 git clone <远程仓库地址> 会创建一个目录，自动初始化 Git 仓库并检出默认分支的最新内容。 适用场景：参与已有项目协作开发。 基本配置（首次使用 Git 时设置）设置用户名和邮箱Git 使用这两个字段标记你的提交者身份。 git config --global user.name "你的名字"git config --global user.email "你的邮箱" 加上 --global 表示作用于当前用户所有仓库。 查看配置信息git config --list 查看当前 Git 配置项（包括用户名、邮箱、编辑器等）。 文件的变更与提交查看当前状态git status 显示工作目录和暂存区的差异：哪些文件被修改、哪些文件未被追踪、哪些已 ...

如何构建一个可以回答有关 SQL 数据库问题的 Agent 呢？ 从高层次来看，SQL Agent 需要执行下面的步骤： 从数据库中获取可用的表 确定哪些表与问题相关 获取相关表的架构（schemas） 根据问题和架构中的信息生成查询 使用 LLM 仔细检查查询中是否存在常见错误 执行查询并返回结果 纠正数据库引擎发现的错误，直到查询成功 根据结果制定应对措施 设置安装依赖项pip install -U langgraph langchain_community "langchain[openai]" 选择 LLMfrom langchain_community.chat_models.tongyi import ChatTongyillm = ChatTongyi(model='qwen-plus', api_key=api_key) 配置数据库需要创建一个数据库用于交互。创建一个 SQLite 数据库。SQLite 是一个轻量级数据库，易于设置和使用。我们将加载该chinook数据库，它是一个代表数字媒体商店的示例数据库。 impor ...

LeetCode 📖 题目描述 在给定的 m x n 网格 grid 中，每个单元格可以有以下三个值之一： 值 0 代表空单元格； 值 1 代表新鲜橘子； 值 2 代表腐烂的橘子。每分钟，腐烂的橘子 周围 4 个方向上相邻 的新鲜橘子都会腐烂。返回 直到单元格中没有新鲜橘子为止所必须经过的最小分钟数。如果不可能，返回 -1 。 示例 1： 输入：grid = [[2,1,1],[1,1,0],[0,1,1]] 输出：4示例 2： 输入：grid = [[2,1,1],[0,1,1],[1,0,1]] 输出：-1 解释：左下角的橘子（第 2 行， 第 0 列）永远不会腐烂，因为腐烂只会发生在 4 个方向上。示例 3： 输入：grid = [[0,2]] 输出：0 解释：因为 0 分钟时已经没有新鲜橘子了，所以答案就是 0 。 核心问题：如何在每分钟内模拟腐烂橘子的传播过程，并判断所有新鲜橘子是否都能在有限时间内被腐烂，如果可以则返回所需的最小分钟数，否则返回 -1。 💡 解题思路🔎 思路概览（一句话总结）使用多源广度优先搜索（BFS）从所有腐烂橘子同时开始扩散， ...

为什么写这篇文章？市面上很多 AI 对话系统 Demo 代码长这样： history = [{"role": "user", "content": question}]response = llm.chat(history) 但当项目走进实际业务场景时，这套逻辑会立即崩溃，原因包括： 用户输入不是单轮，而是多轮多流程 模型不是直接回答，而是分阶段决策：分析 → 拆解 → 生成 → 查询 模型输出不再是一个回复，而是多个节点逐步产出 用户随时刷新页面，需要可恢复的上下文与历史 于是，一个简单的问答系统，需要演进为： 多用户 + 多会话 + 多轮交互 + 多节点流图 + 状态持久化 + 前端可视化还原 本文将基于 LangGraph 构建一个支持上述功能的企业级对话系统，实现以下目标： ✅ 每轮对话可分为多个执行步骤✅ 每一步执行结果可落库并展示✅ 流式反馈进度，前端实时渲染✅ 数据可恢复，还原历史对话 技术栈与架构简介核心组件 技术 用途 LangGraph 定义每轮对话流程，支持多节点 ...