最近的一个小项目是做一个简单的数据仓库，需要将其他数据库的数据抽取出来，并通过而出抽取成页面需要的数据，以空间换时间的方式，让后端报表查询更快。因为在抽取的过程中，有一定的先后顺序，需要做一个任务调度器，某一优先级的会先执行，然后会进入下一个优先级的队列任务中。先定义了一个Map的集合，key是优先级，value是任务的集合，某一个优先级内的任务是并发执

 mit分布式论文集https://github.com/feixiao/DistributedSystemswiki上描述的几种都明白了就出师了(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fen.wikipedia.org%2Fwiki%2FPaxos_%28comput

 查询所有课程的成绩第2名到第3名的学生信息及该课程成绩1\.查询课程ID为‘01’的课程的成绩第2名到第3名的学生信息及该课程成绩SELECT　　d.,c.排名,c.s_score,c.c_idFROM　　(SELECTa.s_id,a.s_score,a.c_id,@i:@i1AS排名FROMs

上一篇(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fblog.csdn.net%2Ftianyaleixiaowu%2Farticle%2Fdetails%2F100015840)，我们学习了innodb文件系统的大的框架，知道了innodb文件系统是由一些log和每个表的ibd（1

导读作者：高鹏（重庆八怪）原文地址：https://www.jianshu.com/p/59c6ecb46fe5本文为我的一些零散记录供以后参考，但里面的部分问题经常会有朋友问到，翻以往的记录比较耗时，故干脆记录下来，但是水平有限都不深入，如有误导请见谅。为什么将这些问题放在一起讨论？主要是因为

检索增强生成(RAG)为大型语言模型赋予访问外部知识库的能力，提升其精准性和实用性。它包含三个步骤：检索、增强和生成。RAG通过向量数据库进行语义搜索，克服了传统关键词匹配的局限性。文章以云计算促进人工智能发展为例，在大模型分发助手平台上演示了RAG的实际流程，包括知识准备、知识切割、向量化、提问、相似度计算、提示词构建和答案生成。RAG的未来在于提升精准性、个性化、可扩展性、可解释性和成本效益，最终实现更深入的知识理解和推理，更自然的人机交互以及更广泛的领域应用。