四、OpenAI之文本生成模型(Text Generation)

在这里插入图片描述

文本生成模型
OpenAI的文本生成模型(也叫做生成预训练的转换器(Generative pre-trained transformers)或大语言模型)已经被训练成可以理解自然语言、代码和图片的模型。模型提供文本的输出作为输入的响应。对这些模型的输入内容也被称作“提示词”。设计提示词的本质是你如何对大语言模型进行开发，通常是提供指令和任务案例来使工作得以成功完成。
使用OpenAI的文本生成模型，你可以创建以下应用：

  • 草拟文档
  • 生成编程代码
  • 回答常识问题
  • 分析文本
  • 为软件提供一个自然语言接口
  • 输导课程
  • 翻译
  • 人物模拟

使用GPT-4-vision-preview，你可以构建处理和理解图片的系统

通过OpenAI API调用下面其中的一个模型，可以发送一个包含输入和API key的请求，并接收模型的响应输出。最新发布的模型GPT-4和GPT-3.5-turbo，可以通过聊天补全API端点(API的一个具体访问点)进行调用。

模型家族API 端点
新模型(2023 - )gpt-4, gpt-4-turbo-preview, gpt-3.5-turbohttps://api.openai.com/v1/chat/completions
更新历史模型(2023)gpt-3.5-turbo-instruct, babbage-002, davinci-002https://api.openai.com/v1/completions

可以使用聊天后台测试各种模型，如果你不确定使用哪一个，推荐你使用gpt-3.5-turbo 或 gpt-4-turbo-preview

1. 聊天补全API

聊天模型采用一个消息列表作为输入，模型处理后再生成消息进行输出。聊天格式被设计成多轮会话小短文的形式，但也可设计成单轮会话的形式。

下面是聊天补全API（Chat Completions API）的一个例子：

# @Time : 2024/1/23 21:42
# @Author : NaiveFrank
# @Version : 1.0
# @Project : python_tutorial
from openai import OpenAI

# 加载 .env 文件到环境变量
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

# 初始化 OpenAI 服务。会自动从环境变量加载 OPENAI_API_KEY 和 OPENAI_BASE_URL
client = OpenAI()

# 消息
messages=[
    {"role": "system", "content": "你是一个超级助理"},
    {"role": "user", "content": "OpenAI 是什么?"},
    {"role": "assistant", "content": "OpenAI是一家位于美国旧金山的人工智能研究公司."},
    {"role": "user", "content": "这是一家怎样的公司?"}
  ]

# 调用 GPT-3.5
chat_completion = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=messages
)

# 输出回复
print(chat_completion.choices[0].message.content)

OpenAI是一家非营利性的人工智能研究组织，致力于推动人工智能技术的发展和应用，以及确保这些技术对人类的利益具有正向影响。
OpenAI的目标是让人工智能对所有人具有广泛的益处，而不仅仅是少数特权阶层。该公司的使命是确保人工智能的发展是安全和有利于所有人类。
OpenAI的研究涵盖了各个领域，包括自然语言处理、计算机视觉、强化学习等。同时，OpenAI还发布了一些开源工具和数据集，
鼓励并促进全球范围内的合作和创新。

Process finished with exit code 0

消息参数作为主要输入。所有的消息必须是一个数组对象，为JSON格式，每一个消息元素必须有一个角色（可以是：system, user, assistant）和内容。消息可以短到一条，也可以是多条。

通常，首先使用系统消息格式化对话，接下来是用户和助理消息进行交替输入。

系统消息会协助助理的行为。例如，可以修改成为一个个性化的助理，或提供特定的指令，让它在聊天中如何表现。但请注意，系统消息是可选的，模型也可没有一个系统消息，只使用一个普通消息，例如：“你是一个超级助理”等。

用户消息为助手提供请求或评论，然后获得响应。助手消息会存储之前助手的响应，也可以给出你希望模型做什么的案例。

当用户给出指令时，参考之前的历史消息非常重要。在上面的例子中，用户最终发出“这是一家怎样的公司?”的请求，这个问题只有通过上下文的理解才有意义。因为模型不会记忆历史请求，每一个请求，都作为对话历史的一部分，所有相关信息都必须提供。如果会话长度超过模型token的限制，应采取一些办法缩短token长度。

1.1. 聊天补全响应内容格式

Chat Completions API 响应内容格式：

{
    "id": "chatcmpl-8qzwxDRlj4oxE7YAujhchZ38vo4gI",
    "choices": [
        {
            "finish_reason": "stop",
            "index": 0,
            "logprobs": null,
            "message": {
                "content": "OpenAI是一家致力于推动人工智能技术发展的研究公司。公司的目标是确保人工智能的益处能够普惠全人类，并且避免其造成潜在的危害。\n\nOpenAI的研究范围涵盖了人工智能的各个领域，包括机器学习、自然语言处理、计算机视觉等。他们不仅致力于开展基础研究，也关注将人工智能技术应用于解决现实世界的问题。\n\n此外，OpenAI还以开放合作的方式进行研究，积极与其他研究机构、学术界、开发者社区进行合作，共同推动人工智能技术的进步。他们也致力于开源一些自己的研究成果和工具，以促进人工智能技术的普及和发展。",
                "role": "assistant",
                "function_call": null,
                "tool_calls": null
            }
        }
    ],
    "created": 1707641883,
    "model": "gpt-3.5-turbo-0613",
    "object": "chat.completion",
    "system_fingerprint": null,
    "usage": {
        "completion_tokens": 285,
        "prompt_tokens": 70,
        "total_tokens": 355
    }
}

助理回复消息的提取：

chat_completion.choices[0].message.content

每个响应都要包含一个finish_reason,值可能如下：

  • stop: API返回完整消息，或由stop参数提供的停止序列之一终止的消息
  • length: 由于设置max_tokens参数或默认限制，返回未完成模型输出的长度
  • function_call：模型要调用的函数
  • content_filter：因内容过滤的标记而省略的内容
  • null：API 响应仍然在处理或未完成

模型响应输出依赖输入的参数，参数不同，输出也会不同。

2. JSON模式输出

使用聊天补全一个常用的方法是：在系统消息里具体指定让模型一直返回JSON对象，这样做对项目更有意义。当我们做一些项目时，一些模型产生的输出偶尔不是有效的JSON对象。

为了防止这些错误和提升模型的表现，当调用GPT-4-turbo-preview或GPT-3.5-turbo-0125时，可以设置response_format参数为：{“type”：“json_object”}以开启JSON输出模式。当开启JSON输出模式时，模型将被强迫输出，能被解析成JSON对象字符串。

重要提示：

  • 当使用JSON格式输出模式时，需要在对话消息中一直指示模型进行JSON格式输出，例如：系统消息。如果没有明确指示输出为JSON格式，模型可能会输出无穷的空白流，也可能请求持续运行一直到token的上限。如果漏设"JSON"格式输出，API会抛出例外。
  • 如果返回的finish_reason值是length，模型返回的JSON信息可能被截断，代表信息超过了max_tokens参数或会话token的限制。为了防止这种情况发生，解析返回的响应信息时应检查finish_reason参数
  • 在JSON模式下不能保证输出匹配任何特定格式，仅保证格式有效和解析没有错误。

响应输出的JSON对象可以如下：

{
  "education": "硕士",
  "experience": "6年",
  "ability": "8个项目",
  "attitude": "非常好",
  "total": 32,
  "result": true
}

请注意：当模型生成参数作为函数调用(function calling)的一部分时，JSON模式输出一直开启

3. 可重现输出

聊天补全默认具有不确定性（不同的请求之间模型的输出可能不同），为了保持稳定的输出，我们提供一些控制，可以设置seed参数和system_fingerpint响应字段

通过API调用获得确定性（大部分）输出，可以进行以下设置：

  • 设置seed参数可以为任何整型，为了确保整个请求过程输出都是确定的都要使用同一个值
  • 确保其它参数（如：prompt 或 temperature）在整个请求过程中也要相同

有时会对OpenAI模型配置做必要的更改，确定性可能会受到影响。为了帮助你一直保持对这些改变的追踪，我们暴露了system_fingerprint字段参数。如果这个参数值发生改变，得到不同的输出结果，是因为我们的系统发生了改变。

4. 管理令牌

语言模型的读和写的文本块称作tokens。在英文中，一个token可能短到一个字符也可能长到一个词（例如：a or apple）,其它语言可能比一个字符更短，也可能比一个词更长。
例如，字符串"ChatGPT is great!“，编码为6个tokens:[“Chat”, “G”, “PT”, " is”, " great", “!”].

tokens的总数在调用API中的影响：

  • API调用的费用，因为每一个token都要支付费用
  • API调用的耗时，因为越多的tokens耗费的时间越长
  • API调用是否有效，因为总令牌必须低于模型的最大限制(gpt-3.5-turbo的4097令牌)

输入和输出的tokens都是计数的。例如，你调用API输入的tokens是10，接收输出的tokens是20，那你要支付30个tokens的费用。但注意：对于某些模型，每个token的费用在输入和输出中也是不同的。

想看API的调用使用了多少tokens，可以查看API响应中的usage字段参数(例如：response[‘usage’][‘total_tokens’])

GPT-3.5-turbo 和 GPT-4-turbo-preview都是聊天补全API，使用tokens的方式是一样，因为它们都是基于消息的格式，但在一个会话中计算使用了多少tokens是一件很难的事情。

想看一个文本字符串有多少tokens没有被API调用消耗，可以使用OpenAI的 tiktoken Python 库进行统计

传给AIP的每一个参数都要消耗一定数量的tokens，包括:内容、角色和其它一些字段，外加一些额外的格式。这些在将来也许会有稍许变动。

如果一个会话包含太多的tokens，以至超出模型的最大限制(例如：GPT-3.5-turbo 超过4097)，必须截断、省略或压缩文本直至在允许限制内。注意如果一个消息在输入时被删除，模型将什么都不懂了

值得注意：过长的对话很可能收到一个不完整的响应。例如：在模型GPT-3.5-turbo中，一个长度为4090 tokens的对话，它的回复在6个tokens后就会被截断。

5. 参数细节

5.1 频率和展现惩罚

在聊天补全API（Chat Completions API）和历史完成API（Legacy Completions API）中拥有频率和展现惩罚可以被用来减少重复令牌序列被采样的可能性。如果目标只是在一定程度上减少重复样本，惩罚系数的合理值应该在0.1到1之间。如果目标是强烈的抑制重复，可以将系统增加到2，但这可能会显著的降低样本的质量。负数可能会增加样本重复的可能性。

5.2 令牌日志概率

Chat Completions API和Legacy Completions API都存在logprobs参数，当请求时，提供每个输出token的日志概率;以及每个标记位置上有限数量的，最有可能的标记以及它们的对数概率。在某些情况下，这对于评估模型在其输出中的置信度或检查模型可能给出的替代响应是有用的。

6. 补全API(衍生)

聊天补全端点2023.7进行了最后的更新，它有一个新的聊天接口。用输入一个被称作prompt自由格式文本，代替消息列表。历史的聊天补全API的调用例子如下：

from openai import OpenAI
client = OpenAI()

response = client.completions.create(
  model="gpt-3.5-turbo-instruct",
  prompt="OpenAI是一家怎样的公司？"
)

6.1 插入文本

除了作为前缀处理的标准提示词之外，补全端点还支持通过后缀来插入文本。
在编写长篇文本时，段落之间的过渡或遵循一个大纲，指导模型该怎么结束。这个技巧也适用于代码的输入，在函数或文件的中间插入以上优化。

偿试给出更多的示例。
在某些情况下，为了更好地帮助模型的训练生成，可以通过提供一些模型可以遵循的模式示例，来确定一个自然的停止位置。

例如：

如何制作美味的热巧克力:

  1. 煮水

  2. 把热巧克力放进杯子里

  3. 往杯子里加入开水

  4. 享受热巧克力吧

  5. 狗是忠诚的动物。

  6. 狮子是凶猛的动物。

  7. 海豚是顽皮的动物。

  8. 马是威严的动物。

6.2 补全的响应格式

{
	id='cmpl-8rbdsd9I3ORYB4iZmkfkE0VNpi7KW', 
	choices=[
		{
			finish_reason='length', 
			index=0, 
			logprobs=None, 
			text='\n\nOpenAI (Open Artificial Intelligence)是一家非营利性'
		}
	], 
	created=1707786772, 
	model='gpt-3.5-turbo-instruct', 
	object='text_completion', 
	system_fingerprint=None, 
	usage={
		completion_tokens=16, 
		prompt_tokens=11, 
		total_tokens=27
	}
}

用Python可以使用response[‘choices’][0][‘text’]提取输出。响应格式同聊天补全API类似。

6.3 聊天补全 对比 非聊天补全

聊天补全可以创建出一个同非聊天补全相似的一个请求只用一个单独的用户消息。例如：把下面的汉语翻译成英语的提示词：

非聊天补全:

把下面的汉语翻译成英语:"{text}"

聊天补全:

[
	{
		"role": "user", 
		"content": '把下面的汉语翻译成英语:"{text}"'
	}
]

同样道理，非聊天补全也可以模拟聊天补全，使用"user"和"assistant"格式化后作为相应的输入

两者的不同之处在于底层所使用的模型不同。聊天补全API接口拥有最具能力(GPT-4-turbo-preview)和最有性价比(GPT-3.5-turbo)模型

7. 模型使用推荐

一般情况下推荐使用模型(GPT-4-turbo-preview)或(GPT-3.5-turbo)。使用的模型也依赖项目的复杂度。GPT-4-turbo-preview在更广范围中评估表现会更好一些，特别是在处理复杂指令的细节能力上表现的更强。相比之下，GPT-3.5-turbo擅长处理复杂任务的一部分。GPT-4-turbo-preview很少像GPT-3.5-turbo会编造一些信息，这种行为被称作：“幻觉”，GPT-4-turbo-preview有128,000 tokens的窗口大小，GPT-3.5-turbo只有4,096 tokens的窗口大小。但GPT-3.5-turbo模型输出具有低延时和每个token成本低的特点。

推荐在后台进行相应的测试，以权衡哪种模型能为您的应用提供最佳的性价比。一种常见的设计模式是，使用几个不同的查询类型，每个查询类型都分配给适当的模型来处理它们。

8. FAQ

  1. 怎样设置temperature参数？
    temperature值越低输出的结果越稳定(如：0.2), 反之越高输出的结果越具有多样性和创造性(如：1.0)。根据你的特定应用场景，对一致性和创造性进行权衡，选择一个适合的temperature值。temperature值范围(0~2)之间

  2. 最新的模型可以用fine-tuning吗？
    部分可以。当前仅能对gpt-3.5-turbo 和 基座模型(babbage-002 and davinci-002)进行fine-tuning

  3. 会存储传入API的参数数据吗？
    截止到2023.3.1，保留API参数数据30天，并不会使用这些数据来训练改善模型。

  4. 怎样使我的模型更安全？
    你可以加一个审核层作为聊天补全API的输出。

  5. 我应该使用ChatGPT还是调用API？
    ChatGPT为我们的模型提供一个聊天的入口，并且内置很多功能，像整合浏览、代码执行、插件等等。相比较，OpenAI API 提供更加灵活的特性，但需要写代码发送请求到模型中。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/386823.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

【数据结构】链表OJ面试题5《链表的深度拷贝》(题库+解析)

【数据结构】链表OJ面试题5《链表的深度拷贝》(题库+解析)

1.前言 前五题在这http://t.csdnimg.cn/UeggB 后三题在这http://t.csdnimg.cn/gbohQ 给定一个链表，判断链表中是否有环。http://t.csdnimg.cn/Rcdyc 给定一个链表，返回链表开始入环的第一个结点。 如果链表无环，则返回 NULLhttp://t.cs…
阅读更多...
23种计模式之Python/Go实现

23种计模式之Python/Go实现

目录 设计模式what?why?设计模式：设计模式也衍生出了很多的新的种类，不局限于这23种创建类设计模式（5种）结构类设计模式（7种）行为类设计模式（11种） 六大设计原则开闭原则里氏替换原…
阅读更多...
springboot(eureka)

springboot(eureka)

把resttemplate注入容器,通过此对象在java代码中发起http请求,用id查询对应的user数据,拿到对应的json,再自动json反序列化成对应对象 这样就实现不同数据库不同访问接口服务器的接口调用(跨服务的远程调用) 集群时候如何做,一个业务模块多个服务器的集群 注册 保存 拉取 eure…
阅读更多...
2.14数据结构与算法学习日记

2.14数据结构与算法学习日记

洛谷P1934 封印 题目背景 很久以前，魔界大旱，水井全部干涸，温度也越来越高。为了拯救居民，夜叉族国王龙溟希望能打破神魔之井，进入人界“窃取”水灵珠，以修复大地水脉。可是六界之间皆有封印，…
阅读更多...
Leetcode 236.二叉树的最近公共祖先

Leetcode 236.二叉树的最近公共祖先

题目描述 给定一个二叉树, 找到该树中两个指定节点的最近公共祖先。 最近公共祖先的定义为：“对于有根树 T 的两个节点 p、q，最近公共祖先表示为一个节点 x，满足 x 是 p、q 的祖先且 x 的深度尽可能大（一个节点也可以是它自己的…
阅读更多...
遇到太多的Windows问题怎么办？这里提供几个修复工具

遇到太多的Windows问题怎么办？这里提供几个修复工具

“部署映像服务和管理”工具（DISM）是一个有用且高级的工具，用于扫描、更改和修复任何Windows系统问题。许多操作系统问题，如性能差、启动问题或特定崩溃，都可以归结为损坏的系统文件，而此命令工具能够解决这些问题。 如何检查文件系统 在运行DISM修复之前，重要的是运行…
阅读更多...
2024.2.7

2024.2.7

1、二叉树的操作 #include<stdio.h> #include<string.h> #include<stdlib.h> typedef char datatype; typedef struct Node {//数据域datatype data;//左孩子指针struct Node *lchild;//右孩子指针struct Node *rchild; }*Btree; Btree create_node() {Btre…
阅读更多...
【碎片知识点】安装Linux系统 VMware与kali

【碎片知识点】安装Linux系统 VMware与kali

天命&#xff1a;VMware就是可以运行操作系统的载体&#xff0c;kali就是Linux的其中一个分支 天命&#xff1a;Linux有两个分支版本&#xff1a;centos与ubuntu&#xff0c;kali底层就是ubuntu&#xff08;所有Linux用起来都差不多&#xff0c;没啥区别&#xff09; 天命&…
阅读更多...
Ubuntu 23.10通过APT安装Open vSwitch

Ubuntu 23.10通过APT安装Open vSwitch

正文共&#xff1a;888 字 8 图&#xff0c;预估阅读时间&#xff1a;1 分钟 先拜年&#xff01;祝各位龙年行大运&#xff0c;腾跃展宏图&#xff01; 之前在介绍OpenStack的时候介绍过&#xff08;什么是OpenStack&#xff1f;&#xff09;&#xff0c;OpenStack是一个开源的…
阅读更多...
MATLAB知识点：factorial函数（★★★☆☆）计算阶乘

MATLAB知识点：factorial函数（★★★☆☆）计算阶乘

​讲解视频&#xff1a;可以在bilibili搜索《MATLAB教程新手入门篇——数学建模清风主讲》。​ MATLAB教程新手入门篇&#xff08;数学建模清风主讲&#xff0c;适合零基础同学观看&#xff09;_哔哩哔哩_bilibili 节选自第3章&#xff1a;课后习题讲解中拓展的函数 在讲解第…
阅读更多...
《小强升职记：时间管理故事书》阅读笔记

《小强升职记：时间管理故事书》阅读笔记

目录 前言 一、你的时间都去哪儿了 1.1 你真的很忙吗 1.2 如何记录和分析时间日志 1.3 如何找到自己的价值观 二、无压工作法 2.1 传说中的“四象限法则 2.2 衣柜整理法 三、行动时遇到问题怎么办&#xff1f; 3.1 臣服与拖延 3.2 如何做到要事第一&#xff1f; 3.…
阅读更多...
第二十九回 施恩三入死囚牢 武松大闹飞云浦-分布式版本控制系统Git使用

第二十九回 施恩三入死囚牢 武松大闹飞云浦-分布式版本控制系统Git使用

武松要蒋门神答应三件事&#xff1a;离开快活林、东西都归还施恩&#xff0c;公开对施恩赔礼道歉&#xff0c;不许在孟州住。蒋门神不得已都答应了&#xff0c;灰溜溜地离开了孟州城。 一个月之后&#xff0c;天气转凉&#xff0c;张都监调武松到孟州城&#xff0c;做了他的亲…
阅读更多...
耳机壳UV树脂制作私模定制耳塞需要哪些工具和材料呢？

耳机壳UV树脂制作私模定制耳塞需要哪些工具和材料呢？

制作私模定制耳塞需要使用到一些工具和材料&#xff0c;包括但不限于以下内容&#xff1a; UV树脂&#xff1a;用于制作耳塞的主体部分&#xff0c;具有高硬度、耐磨、耐高温、环保等优点。耳模材料&#xff1a;用于获取用户的耳型&#xff0c;通常是一些快速固化的材料&#…
阅读更多...
Kafka(三)（集成SpringBoot）

Kafka(三)（集成SpringBoot）

第三章 Kafka集成 SpringBoot SpringBoot 是一个在 JavaEE 开发中非常常用的组件。可以用于 Kafka 的生产者&#xff0c;也可以 用于 SpringBoot 的消费者。 在初始化springboot环境的时候要勾选kafka依赖 <dependency><groupId>org.springframework.kafka</gr…
阅读更多...
代码随想录刷题笔记 DAY 25 | 组合问题 No.77 | 组合求和III No.216 | 电话号码的字母组合 No.17

代码随想录刷题笔记 DAY 25 | 组合问题 No.77 | 组合求和III No.216 | 电话号码的字母组合 No.17

文章目录 Day 2501. 组合问题&#xff08;No. 77&#xff09;2.1 题目2.2 笔记2.3 代码 02. 组合求和III&#xff08;No. 216&#xff09;2.1 题目2.2 笔记2.3 代码 03. 电话号码的字母组合&#xff08;No. 17&#xff09;3.1 题目3.2 笔记3.3 代码3.4 补充 Day 25 01. 组合问…
阅读更多...
uniapp前端手机获取安全区域css值 防止按键不能被点击

uniapp前端手机获取安全区域css值 防止按键不能被点击

引入 再编写小程序和移动端的时候可能会出现这种情况&#xff0c;页面中的按键刚好才手机中按不到的位置 如下 这是苹果手机的home按键 如果刚好我们的按钮再这个位置,用户是点击不到的 我们就需要一个办法,能够自动的让我们的按键移动到安全可点击的区域 解决 我们可以使用…
阅读更多...
【开源图床】使用Typora+PicGo+Gitee搭建个人博客图床

【开源图床】使用Typora+PicGo+Gitee搭建个人博客图床

准备工作&#xff1a; 首先电脑得提前完成安装如下&#xff1a; 1. nodejs环境(node ,npm):【安装指南】nodejs下载、安装与配置详细教程 2. Picgo:【安装指南】图床神器之Picgo下载、安装与配置详细教程 3. Typora:【安装指南】markdown神器之Typora下载、安装与无限使用详细教…
阅读更多...
nvm 安装nodejs教程【详细】

nvm 安装nodejs教程【详细】

目录 一、安装nvm 二、配置镜像 三、安装nodejs 安装 查看正在用的nodejs版本 切换版本 一、安装nvm 双击安装包&#xff1a; 无脑下一步即可&#xff0c;当然你可以自定义你自己的安装目录。 安装完后&#xff0c;打开环境变量&#xff0c;你会发现nvm为我们自动配置好…
阅读更多...
vue对于安装依赖时不好习惯的反省

vue对于安装依赖时不好习惯的反省

因为一个不好的习惯&#xff0c;我总是喜欢–save去安装依赖包&#xff0c;然后发现最后打包后的内容总是很大。就想着怎么能让包小一些&#xff0c;就发现我遗漏了vue安装依赖的一个小知识点 安装依赖的时候可以-s -d -g去安装&#xff0c;要根据使用的内容选择去安装&#xf…
阅读更多...
MYSQL学习笔记：MYSQL存储引擎

MYSQL学习笔记：MYSQL存储引擎

MYSQL学习笔记&#xff1a;MYSQL存储引擎 MYSQL是插件式的存储引擎 存储引擎影响数据的存储方式 存储引擎是用来干什么的&#xff0c;innodb和myisam的主要区别–数据存储方式----索引 mysql> show engines; ----------------------------------------------------------…
阅读更多...
最新文章

Copyright @ 2022~2023