Python 装饰器，别再只会加个 @log 了（彻底搞懂原理 + 应用）
装饰器可以说是 Python 最让人“又爱又恨”的语法糖之一。
刚开始我们觉得它只是个语法糖，可一旦深入，就发现它其实可以做很多：权限验证、日志记录、缓存、参数校验、接口拦截、自动重试……几乎所有能想到的“函数增强”都可以用装饰器实现。
但问题也随之而来：
装饰器到底是怎么“包裹函数”的？
为什么装饰器函数要写三层？
@wraps 到底有什么用？
装饰器能不能传参数？
多个装饰器嵌套，顺序怎么搞清楚？
这篇文章，让我们不依赖死记硬背，把装饰器的原理和实际用法讲清楚讲透。
装饰器是啥？
装饰器本质上是一个“接收函数，返回新函数”的函数。
说白了就是：它接收一个函数，然后生成一个“升级版”的函数，把你想加的功能（比如打印日志）包在原函数前后。
最小例子：
def outer(func): def inner(): print("before") func() print("after") return inner@outerdef say_hello(): print("H ...
高效提取数据库分析上下文：如何使用 Parquet 文件为大模型提供数据理解能力
在利用大语言模型（LLM）自动生成分析代码时，我们经常面临一个问题：无法将完整的数据库数据作为提示词提供给模型，因为数据量太大、隐私敏感或成本高。
本文将介绍一种高效、结构化的数据摘要方法，帮助将数据库数据导出并转换为结构描述 + 示例数据，以便 LLM 快速理解上下文，从而生成正确的数据处理代码。
场景背景开发过程中可能正处于如下场景中：
从数据库中查询了大量数据（百万行以上）
想让大模型帮你写分析代码
但无法把全部数据放进提示词（Token 受限）
我们只想告诉模型：“这个文件包含哪些字段？每列什么类型？长什么样？”
于是，我们需要一种方法来：
✨ 快速保存查询数据，并提取 schema 和部分示例，生成简洁的上下文描述供 LLM 使用。
为什么不用 CSV？虽然 CSV 是最常见的数据导出格式，但它存在很多局限：
问题
说明
无数据类型信息
所有内容都是字符串，模型不知道哪些是数字、时间等
文件大
无压缩，占空间大，加载慢
不支持嵌套结构
如果有 JSON 列、数组列，几乎无法兼容
不利于筛选
无列式存储，不方便快速读取前几行
解决方案： ...
Python 对象复制的坑：浅拷贝 vs 深拷贝
在 Python 开发中，我们常常希望复制一个对象，以避免直接修改原始数据。然而，“复制”这个操作远没有看起来那么简单。Python 提供了两种常见的复制方式：浅拷贝（shallow copy）和 深拷贝（deep copy），它们在处理嵌套对象时行为大不相同。
这篇博客会一步步解释它们之间的区别、使用场景，以及如何避免常见的坑。
赋值 ≠ 复制先看一个简单例子：
a = [1, 2, 3]b = ab[0] = 100print(a) # [100, 2, 3]
这里的 b = a 并没有复制 a，而是使 b 指向 a 的同一个内存地址，两者是同一个对象。
浅拷贝 (shallow copy)import copya = [1, [2, 3]]b = copy.copy(a)b[0] = 100b[1][0] = 200print("a:", a) # [1, [200, 3]]print("b:", b) # [100, [200, 3]]
浅拷贝特点
创建了一个新对象，但只复制了第一层结构
内部嵌套对象仍然引用原始对象
...
LangChain中的Runnable接口
Runnable 接口是使用 LangChain 组件的基础，它在很多组件中实现，例如语言模型（language models）、输出解析器（output parsers）、检索器（retrievers）、编译的 LangGraph 图，该接口允许开发人员以一致且可预测的方式与各种 LangChain 组件进行交互。
Runnable 接口概述Runnable 的方式定义了一个标准的接口，允许 Runnable 组件：
Invoked：将单个输入转换为输出。
Batched：多个输入被有效地转换为输出。
Streamed：输出在生成时进行流式传输。
Inspected：可以访问有关 Runnable 的输入、输出和配置的示意图信息。
Composed：可以组合多个 Runnable，使用 LangChain 表达语言（LCEL)协同工作，以创建复杂的管道。
优化的并行执行（batch）LangChain Runnables 提供内置batch（和batch_as_completed）API，允许您并行处理多个输入。
当需要处理多个独立输入时，使用这些方法可以显著提高性能，因为处理可 ...
如何让 LLM 的返回值流式输出？
如何让 LLM 的返回值流式输出？流式输出大模型收到输入后并不是一次性生成最终结果，而是逐步地生成中间结果，最终结果由中间结果拼接而成。用流式输出的方式调用大模型 API，能够实时返回中间结果，减少用户的阅读等待时间，并降低请求的超时风险。
简介流式输出，也称为流式传输，指的是服务器持续地将数据推送到客户端，而不是一次性发送完毕。这种模式下，连接一旦建立，服务器就能实时地发送更新给客户端。
相比非流式输出，流式输出可以实时地将中间结果返回，您可以在模型进行输出的同时进行阅读，减少等待模型回复的时间；并且当输出内容较长时，有效降低请求超时的风险。
请求超时错误的报错信息：Request timed out, please try again later. 或 Response timeout。
适用场景流式输出的典型应用场景包括实时消息推送、股票行情更新、实时通知等，任何需要服务器向客户端实时传输数据的场合都可以使用。
与普通请求的区别与传统的 HTTP 请求不同，普通请求是基于请求-响应模型，客户端发送请求后，服务器处理完毕即刻响应并关闭连接。流式输出则保持连接开放，允许服务器连续 ...
协程 & 异步编程(asyncio)
协程 & 异步编程(asyncio)协程（Coroutine），也可以被称为微线程，是一种用户态内的上下文切换技术。简而言之，其实就是通过一个线程实现代码块相互切换执行。例如：
def func1(): print(1) ... print(2) def func2(): print(3) ... print(4)func1()func2()
上述代码是普通的函数定义和执行，按流程分别执行两个函数中的代码，并先后会输出：1、2、3、4。但如果介入协程技术那么就可以实现函数见代码切换执行，最终输入：1、3、2、4 。
1. 协程的实现在Python中有多种方式可以实现协程，例如：
greenlet，是一个第三方模块，用于实现协程代码（Gevent协程就是基于greenlet实现）
yield，生成器，借助生成器的特点也可以实现协程代码。
asyncio，在Python3.4中引入的模块用于编写协程代码。
async & awiat，在Python3.5中引入的两个关键字，结合asyncio模块可以更方便的编写协程代码。
1.1 greenletgreen ...
舜桀的算法笔记
这里主要记录我学习算法的历程~
主要参考资料为labuladong的算法笔记
下面开始学习算法吧！
数据结构基础Java基础Java标准库数据结构的基本用法1.数组int m = 5, n = 10;// 初始化一个大小为 10 的 int 数组// 其中的值默认初始化为 0int[] nums = new int[n]; // 初始化一个 m * n 的二维布尔数组// 其中的元素默认初始化为 falseboolean[][] visited = new boolean[m][n];
2.字符串StringJava 字符串不支持用 [] 直接访问其中的字符，且不能直接修改，需要转化为 char[] 类型才能修改。
String s1 = "hello world";// 获取 s1[2] 的那个字符char c = s1.charAt(2);char[] chars = s1.toCharArray();chars[1] = 'a';String s2 = new String(chars);// 输出：hallo worldSyste ...
动手学习深度学习-记录
torch.arangetorch.arange(start, end, step=1, out=None) -> Tensor#返回一个1维张量，长度floor((end - start)/step)#包含从start到end，以step为步长的一组序列值（默认步长为1）#参数##start(float) - 序列的起始点##end(float) - 序列的终止点##step(float) - 相邻点的间隔大小##out(Tensor, optional) - 结果张量#例子x = torch.arange(12)y = torch.arange(2, 9)z = torch.arange(2, 9, 2)print(x)print(y)print(z)#结果tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])tensor([2, 3, 4, 5, 6, 7, 8])tensor([2, 4, 6, 8])
torch.zerostorch.zeros(*sizes, out=None) -> Tensor#返 ...
数据结构算法总结-自用
数据结构算法整理By 舜桀BB循环双链表的存储结构typedef struct DNode{ ElemType data; struct DNode *prior,*next;}DNode,*DLinklist;//初始化空的循环双链表bool InitDLinkList(DLinklist &L){ L = (DNode *) malloc(sizeof(DNode)); //分配一个头结点 if(L==NULL) //内存不足，分配失败 return false; L->prior = L; //头结点的prior指向头结点 L->next = L; //头结点的next指向头结点 return false;}//判断循环双链表是否为空bool Empty(DLinklist L){ if(L->next==L) return true; else return false; ...
