Nicksxs's Blog

What hurts more, the pain of hard work or the pain of regret?

之前经常看一些LLM的工具,类似于ollama,chatbox等等,这些都类似于是个独立工具,真的在代码里使用的话可能没那么方便
正好看了下spring有个spring-ai的包,可以来使用试下
首先我们要用比较新的jdk版本,比如jdk17,然后需要使用springboot比较新的版本,比如3.2.3,但是不建议使用最新稳定版,3.4.x,因为会有bug,别问我怎么知道的。
真的是折腾,
简单分享下吧
需要在pom中增加仓库定义

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
<!-- 仓库定义 -->
<repositories>
<repository>
<id>spring-milestones</id>
<name>Spring Milestones</name>
<url>https://repo.spring.io/milestone</url>
<snapshots>
<enabled>false</enabled>
</snapshots>
</repository>
<repository>
<id>spring-snapshots</id>
<name>Spring Snapshots</name>
<url>https://repo.spring.io/snapshot</url>
<releases>
<enabled>false</enabled>
</releases>
</repository>
</repositories>

然后增加依赖

1
2
3
4
5
6
7
8
9
10
11
<dependencyManagement>
<dependencies>
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-bom</artifactId>
<version>1.0.0-M5</version>
<type>pom</type>
<scope>import</scope>
</dependency>
</dependencies>
</dependencyManagement>

引入主要的几个包

1
2
3
4
5
6
7
8
9
10
11
12
13
14
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter</artifactId>
</dependency>

<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>

<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-openai-spring-boot-starter</artifactId>
</dependency>

代码也很简单,但是不确定是api限流太严重还是啥,响应慢的离谱

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
@RestController
public class ChatController {

private final ChatClient chatClient;

public ChatController(ChatClient.Builder builder) {
this.chatClient = builder.defaultSystem("你是个资深服务端架构师").build();
}

@GetMapping("/demo/{message}")
public String demo(@PathVariable("message") String message) {

message = "怎么学习java";
String response = chatClient.prompt()
.user(message)
.call().content();

return response;
}
}

对的,甚至把prompt写死了

这里经过了好几个包版本的调整
原先比较早的0.8的不支持接口的自定义路径,因为要用火山的接口,它的接口跟openai是不一样的,后面有个v3啥的
所以需要增加最下面一行

1
2
3
spring.ai.openai.base-url=https://ark.cn-beijing.volces.com/api/v3
spring.ai.openai.chat.options.model=deepseek-r1-250120
spring.ai.openai.chat.completions-path=/chat/completions

但是可以从上面的图里看出来,响应非常慢,简直不能忍,有openai 权限的可以帮忙试下究竟是啥原因,抓包啥的也不太方便

上次介绍了n8n的安装和简单的工作流搭建,现在我们可以来看下一批免费开源的模板,也许它不能直接为我们所用,但是可以给我们搭建使用过程中提供一些帮助
就是这个仓库 https://github.com/wassupjay/n8n-free-templates
比如我们看下第一个目录,是关于机器学习的
我们可以直接直接把原始文件json格式的下载下来,

然后就可以按自己的需求进行调整,当然还是需要一些openai的api这些才能完全体跑起来,我本地受限制就暂时不完整演示了
而如果觉得这些模板可能离实际使用有点远的话,可以看下官方的模板库,发现官方的模板库是更适合我们初学者的
官方的可以在这里找到
https://n8n.io/workflows/
上半部分是如何学习n8n

下半部分是热门的template

比如我们来看下Chat with local LLMs using n8n and Ollama 这个
我们可以直接导入
然后配置ollama的端口和模型

这样我们就可以借助ollama来做个类似chatgpt的网页工具,当然这些只是举例,真正使用的还有待各自发掘和分享

开始研究学习下现在比较流行的工作流画布,用官方的话就是

Flexible AI workflow automation
for technical teams
根据中文教程的描述,它也可以认为是个低代码的画布工具,首先安装非常简单,咱们先玩玩本地的
前提是装有docker
然后就三个命令

1
2
3
docker pull n8nio/n8n
docker volume create n8n_data
docker run -it --rm --name n8n -p 5678:5678 -v n8n_data:/home/node/.n8n docker.n8n.io/n8nio/n8n

就安装好了,本地端口就是5678
在浏览器打开 http://localhost:5678/ 就可以看到了,我模仿中文的教程来记录下简单的工作流搭建流程,抓取即刻的帖子
第一步我们先建第一个节点,这个类似于是开关,怎么触发这个工作流,

这里也能初步看出n8n的强大,可以通过各种方式来触发,我们就先选一个手动触发
然后我们还需要能获取http内容的,
我们就添加一个http组件,通过搜索http,可以找到http的请求工具

这里我们只需要填入地址
比如跟教程中的一样 https://m.okjike.com/users/6d3698d6-0970-49a6-a19d-f8d3cfa33a6f
然后就是要把请求的内容解析出来
搜索html,我们就可以找到解析html内容的工具

从网页中找到对应的选择器,记得勾选 return array,否则只会取第一个

执行下当前组件,就能看到内容已经被抓下来了
接下去要分割下,选择 Data transformation 的工具中的split out
然后就把前面的正文和时间和拖进去

最后就是导出文件了
搜索 xlsx,然后出现convert to file工具,然后把对应的字段拖进去

非常直观和方便的就完成了一个简单的工作流搭建,当然这个还没用上AI工具,大模型和MCP等,但是已经把它的很多特点都介绍了,各种工具真的非常好用和傻瓜化
没有复杂难搞的配置和调试,对于一些文字处理表格处理真的很方便
后续我们再来看下怎么跟大模型接起来,让它更加的强大。

在实际开发中,我们经常遇到需要在分组内进行排序并获取特定排名记录的需求。比如查找每个班级年龄最大的学生,每个部门薪资最高的员工等。这类问题在MySQL 8.0前后有着截然不同的解决方案。

传统解决方案(MySQL 8.0之前)

表结构

1
2
3
4
5
6
7
8
9
CREATE TABLE IF NOT EXISTS `students` (
`id` bigint(32) NOT NULL AUTO_INCREMENT COMMENT '主键',
`name` varchar(64) NOT NULL COMMENT '姓名',
`age` int(11) NOT NULL COMMENT '年纪',
`class` int(11) NOT NULL COMMENT '班级',
`created_at` datetime NOT NULL COMMENT '创建时间',
`updated_at` timestamp NOT NULL DEFAULT '0000-00-00 00:00:00' ON UPDATE current_timestamp() COMMENT '更新时间',
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8mb4 COMMENT='学生表';

业务场景

假设我们有如下学生数据,我想找到每个班年纪最大的学生,可以用一些联表或者子查询方法

idnameageclass
1学生1101
2学生2102
3学生3111
4学生3112

子查询联表

在MySQL 8.0之前,我们需要使用相对复杂的子查询配合JOIN来实现:

1
2
3
4
5
6
7
8
SELECT ta.* 
FROM students ta
JOIN (
SELECT class, MAX(age) as max_age
FROM students
GROUP BY class
) as tb
ON ta.class = tb.class AND ta.age = tb.max_age;

分析:

  1. 子查询阶段SELECT class, MAX(age) as max_age FROM students GROUP BY class

    • 按班级分组,找出每个班级的最大年龄
    • 结果类似:{class: 1, max_age: 20}, {class: 2, max_age: 21}
  2. JOIN阶段:将原表与子查询结果关联

    • 关联条件:ta.class = tb.class AND ta.age = tb.max_age
    • 最终获得每个班级年龄最大的学生完整信息

局限性:

  • 查询逻辑相对复杂,可读性不佳
  • 如果存在同班级同年龄的多个学生,会返回多条记录
  • 性能上需要进行两次表扫描和一次JOIN操作

现代解决方案(MySQL 8.0+)

使用窗口函数优化

MySQL 8.0引入了窗口函数,让这类问题的解决变得更加优雅:

1
2
3
4
5
6
SELECT * FROM (
SELECT *,
ROW_NUMBER() OVER (PARTITION BY class ORDER BY age DESC) as row_num
FROM students
) t
WHERE row_num = 1;

核心概念解析:

  1. PARTITION BY class:按班级进行分区

    • 可以理解为逻辑上的分组,但不会像GROUP BY那样聚合数据
    • 每个分区内部可以独立进行排序和编号
  2. ORDER BY age DESC:在每个分区内按年龄降序排序

    • 年龄最大的学生排在第一位
  3. **ROW_NUMBER()**:为每个分区内的行分配唯一序号

    • 从1开始递增,即使有相同值也会分配不同序号
    • 这就解决了传统方法中重复值的问题
  4. 外层WHERE row_num = 1:筛选每个分区的第一条记录

其他窗口函数选择

除了ROW_NUMBER(),还可以根据业务需求选择其他窗口函数:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
-- 使用RANK():相同值会有相同排名,但会跳跃序号
SELECT * FROM (
SELECT *,
RANK() OVER (PARTITION BY class ORDER BY age DESC) as rank_num
FROM students
) t
WHERE rank_num = 1;

-- 使用DENSE_RANK():相同值有相同排名,但不跳跃序号
SELECT * FROM (
SELECT *,
DENSE_RANK() OVER (PARTITION BY class ORDER BY age DESC) as dense_rank_num
FROM students
) t
WHERE dense_rank_num = 1;

性能对比与优势

窗口函数的优势:

  1. 代码简洁性:逻辑更直观,维护成本更低
  2. 性能优化:只需一次表扫描,避免了JOIN操作
  3. 功能丰富:提供多种排名函数应对不同场景
  4. 处理重复值ROW_NUMBER()确保每个分组只返回一条记录

适用场景扩展:

  • Top-N查询:每个分组的前N条记录
  • 数据去重:基于特定字段的去重逻辑
  • 百分位计算:使用PERCENT_RANK()等函数
  • 移动平均:结合ROWS BETWEEN进行滑动窗口计算

MySQL 8.0的窗口函数为分组排序查询提供了更现代化的解决方案。相比传统的子查询+JOIN方式,窗口函数不仅在语法上更加简洁直观,在性能上也有显著提升。对于需要在分组内进行复杂数据分析的场景,窗口函数已经成为不可或缺的利器。

允许我小小地标题党一下,后半句是真实情况,最近重启电脑就自动升级了chrome,发现很多必须的扩展程序都不能用了,之前是可以通过设置开启,这次升级到 138.0.7204.158 版本就直接不允许开启了
这个很久之前chrome也做了提示,主要是扩展程序的manifest版本要从v2升级成v3,但是这个升级分两方面说,一方面是升级难度,可以参考这个核对文档, 需要

  • 迁移到 Service Worker
  • 更新 API 调用
  • 替换屏蔽 Web 请求监听器
  • 提高扩展程序的安全性
    这些项的修改,修改升级难度不小,如果使用了很多api的话是比较麻烦的
    另一方面是很多扩展都不是自己做的开发,开发者都不一定在维护,但是很多都是非常深度使用的
    这边有个例子就是Proxy SwitchyOmega 2 平时会用来做代理切换,原本的仓库已经没人维护了,并且chrome扩展商店也没有更新,
    这里介绍两种方法,
    第一种是找到这个应用所在目录

    首先找到应用的id,然后需要到chrome的扩展目录
    mac是在这里 ~/Library/Application Support/Google/Chrome/Default/Extensions
    windows是在 C:\Users\<用户名>\AppData\Local\Google\Chrome\User Data\Default\Extensions
    找到以后就找上面扩展的id就是扩展的文件目录,把它拷出来以后,然后找到扩展目录里的 manifest.json 文件,把版本改成3
    然后再通过扩展路径直接打开,比如这个扩展就是 chrome-extension://padekgcemlokbadohgkifijomclgjgif/options.html
    这个选项页,为啥要这么打开是因为这个扩展的配置比较麻烦,就是现在可以搜到替代应用,但是要重配一遍也是挺头疼的
    第二种是有点釜底抽薪的
    可以在chrome的flag配置中修改
    网上说的可能已经就删掉了,我这个版本的目前还可以用这个配置项来修改
    chrome://flags/#allow-legacy-mv2-extensions
    可以通过开启这个来让manifest版本是2的扩展能够被启用,但是这个肯定也是个临时方案,大家该把配置导出备份的尽早备份,同时也尽早寻找替代的升级了manifest 3的扩展程序
0%