【大模型】Ubuntu下 fastgpt 的部署和使用

前言

本次安装的版本为 fastgpt:v4.8.8-fix2。
最新版本fastgpt:v4.8.20-fix2 问答时报错，本着跑通先使用起来，就没有死磕下去，后面bug解了再进行记录。
 
github连接：https://github.com/labring/FastGPT
fastgpt 安装说明：https://doc.tryfastgpt.ai/docs/development/docker/

1 fastgpt 工程部署

1.1 fastgpt的简介

FastGPT 是一个基于大型语言模型（LLM）的知识库问答系统，专注于高效对话和任务处理。以下是关于 FastGPT 的详细介绍：

 
【功能】

  • 专属 AI 客服：通过导入文档或问答对进行训练，AI 模型可以根据文档内容以交互式对话方式回答问题。
  • 可视化工作流编排：基于 Flow 模块，用户可以设计复杂的工作流，实现自动化和智能化的处理流程。
  • 自动数据预处理：支持多种文档格式（如 Word、PDF、Excel、Markdown 等）的导入，自动完成文本预处理、向量化和问答分割，节省手动训练时间。
  • 强大的 API 集成：API 接口对齐 OpenAI 官方接口，可以轻松集成到企业微信、公众号、飞书等平台。
  • 多模型兼容性：支持 GPT、Claude、文心一言等多种 LLM 模型。

 
【特点】

  • 高效性：经过优化，能够快速生成高质量内容，适合实时性要求较高的场景。
  • 开源性：遵循附加条件的 Apache License 2.0 开源协议，用户可以进行二次开发。
  • 个性化与定制化：可以根据具体业务需求定制训练，调整语言风格、语气或行业专用术语。
  • 数据处理能力强：能够整合大量非结构化数据，自动优化答案质量和查询效率。
  • 用户友好：对话流畅，具备自然的语义理解能力，适合长对话和复杂任务。

1.2 工程所需前置环境

服务器的配置：ubuntu 22.04、Tesla V100-SXM2-32GB、CUDA Version12.2

lsb_release -a
nvidia-smi

在这里插入图片描述
fastgpt的安装和使用的前提环境：

  • docker 的安装：参考 【环境配置】ubuntu中 Docker的安装
  • LLMs 的语言大模型：deepseek-r1:32b。参考链接 【大模型】Ubuntu下安装ollama，DeepSseek-R1:32b的本地部署和运行
  • 向量模型：m3e-large。参考链接 【大模型】Xinference的安装和部署。当然向量模型也可以选择ollama启动bge-large模型。
     

1.3 fastgpt 的配置文件

yml 文件和 json 文件的最新版本下载，参考链接 https://doc.tryfastgpt.ai/docs/development/docker/ 中给出了下载命令如下。

mkdir fastgpt
 cd fastgpt
curl -O https://raw.githubusercontent.com/labring/FastGPT/main/projects/app/data/config.json
		
# pgvector 版本(测试推荐，简单快捷)
curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/files/docker/docker-compose-pgvector.yml
# milvus 版本
# curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/files/docker/docker-compose-milvus.yml
# zilliz 版本
# curl -o docker-compose.yml https://raw.githubusercontent.com/labring/FastGPT/main/files/docker/docker-compose-zilliz.yml

 
个人使用该版本在使用时报错。所以这里直接给出 fastgpt:v4.8.8-fix2 使用的 yml 和json 的文件，将其放置在路径fastgpt下。
 
【config.json】 文件内容如下。

  • 其中 llmModels中，填写自己调用的chat模型的信息。直接复制已有的内容，然后修改 model 和 name 的内容。
  • vectorModels 中，填写自己调用的向量模型。与上相同，直接复制已有的内容，然后修改 model 和 name 的内容。
{
  "feConfigs": {
    "lafEnv": "https://laf.dev"
  },
  "systemEnv": {
    "vectorMaxProcess": 15,
    "qaMaxProcess": 15,
    "pgHNSWEfSearch": 100
  },
  "llmModels": [
    {
      "model": "deepseek-r1:32b",
      "name": "deepseek-r1:32b",
      "avatar": "/imgs/model/deepseek.svg",
      "maxContext": 128000,
      "maxResponse": 128000,
      "quoteMaxToken": 32000,
      "maxTemperature": 1.2,
      "charsPointsPrice": 0,
      "censor": false,
      "vision": false,
      "datasetProcess": true,
      "usedInClassify": true,
      "usedInExtractFields": true,
      "usedInToolCall": true,
      "usedInQueryExtension": true,
      "toolChoice": false,
      "functionCall": false,
      "customCQPrompt": "",
      "customExtractPrompt": "",
      "defaultSystemChatPrompt": "",
      "defaultConfig": {}
    }
  ],
  "vectorModels": [
    // 如果需要多语言支持和高精度语义检索，推荐 BGE-M3。
    // 如果主要处理中文文本，且资源受限，推荐 M3E。
    // 如果需要中英文混合处理且对精度要求较高，推荐 BGE-Large。
    {
      "model": "bge-large:latest",
      "name": "bge-large:latest",
      "charsPointsPrice": 0,
      "defaultToken": 256,
      "maxToken": 512,
      "weight": 100,
      "defaultConfig": {},
      "dbConfig": {},
      "queryConfig": {}
    },
    {
      "model": "m3e-large",
      "name": "m3e-large",
      "charsPointsPrice": 0,
      "defaultToken": 256,
      "maxToken": 512,
      "weight": 100,
      "defaultConfig": {},
      "dbConfig": {},
      "queryConfig": {}
    }
  ],
  "reRankModels": [
  ],
  "audioSpeechModels": [

  ],
  "whisperModel": 
  [  
]

}

 
【docker-compose.yml】 内容如下：
如果原本的镜像下载过慢或者超时，将其注释，再把下一行的阿里云镜像解注释。

# 数据库的默认账号和密码仅首次运行时设置有效
# 如果修改了账号密码，记得改数据库和项目连接参数，别只改一处~
# 该配置文件只是给快速启动，测试使用。正式使用，记得务必修改账号密码，以及调整合适的知识库参数，共享内存等。
# 如何无法访问 dockerhub 和 git，可以用阿里云（阿里云没有arm包）

# version: '3.3'
services:
  # db
  pg:
    image: pgvector/pgvector:0.7.0-pg15 # docker hub
    # image: registry.cn-hangzhou.aliyuncs.com/fastgpt/pgvector:v0.7.0 # 阿里云
    container_name: pg
    restart: always
    ports: # 生产环境建议不要暴露
      - 5432:5432
    networks:
      - fastgpt
    environment:
      # 这里的配置只有首次运行生效。修改后，重启镜像是不会生效的。需要把持久化数据删除再重启，才有效果
      - POSTGRES_USER=username
      - POSTGRES_PASSWORD=password
      - POSTGRES_DB=postgres
    volumes:
      - ./pg/data:/var/lib/postgresql/data
  mongo:
    image: mongo:5.0.18 # dockerhub
    # image: registry.cn-hangzhou.aliyuncs.com/fastgpt/mongo:5.0.18 # 阿里云
    # image: mongo:4.4.29 # cpu不支持AVX时候使用
    container_name: mongo
    restart: always
    ports:
      - 27017:27017
    networks:
      - fastgpt
    command: mongod --keyFile /data/mongodb.key --replSet rs0
    environment:
      - MONGO_INITDB_ROOT_USERNAME=myusername
      - MONGO_INITDB_ROOT_PASSWORD=mypassword
    volumes:
      - ./mongo/data:/data/db
    entrypoint:
      - bash
      - -c
      - |
        openssl rand -base64 128 > /data/mongodb.key
        chmod 400 /data/mongodb.key
        chown 999:999 /data/mongodb.key
        echo 'const isInited = rs.status().ok === 1
        if(!isInited){
          rs.initiate({
              _id: "rs0",
              members: [
                  { _id: 0, host: "mongo:27017" }
              ]
          })
        }' > /data/initReplicaSet.js
        # 启动MongoDB服务
        exec docker-entrypoint.sh "$$@" &

        # 等待MongoDB服务启动
        until mongo -u myusername -p mypassword --authenticationDatabase admin --eval "print('waited for connection')" > /dev/null 2>&1; do
          echo "Waiting for MongoDB to start..."
          sleep 2
        done

        # 执行初始化副本集的脚本
        mongo -u myusername -p mypassword --authenticationDatabase admin /data/initReplicaSet.js

        # 等待docker-entrypoint.sh脚本执行的MongoDB服务进程
        wait $$!

  # fastgpt
  sandbox:
    container_name: sandbox
    image: ghcr.io/labring/fastgpt-sandbox:v4.8.20-fix2 # git
    # image: registry.cn-hangzhou.aliyuncs.com/fastgpt/fastgpt-sandbox:v4.8.20-fix2 # 阿里云
    networks:
      - fastgpt
    restart: always
  fastgpt:
    container_name: fastgpt
    image: ghcr.io/labring/fastgpt:v4.8.8-fix2 # git
    # image: registry.cn-hangzhou.aliyuncs.com/fastgpt/fastgpt:v4.8.20-fix2 # 阿里云
    ports:
      - 3000:3000
    networks:
      - fastgpt
    depends_on:
      - mongo
      - pg
      - sandbox
    restart: always
    environment:
      # 前端访问地址: http://localhost:3000
      - FE_DOMAIN=http://localhost:3000
      # root 密码，用户名为: root。如果需要修改 root 密码，直接修改这个环境变量，并重启即可。
      - DEFAULT_ROOT_PSW=1234
      # AI模型的API地址哦。务必加 /v1。这里默认填写了OneApi的访问地址。
      - OPENAI_BASE_URL=http://oneapi:3000/v1
      # AI模型的API Key。（这里默认填写了OneAPI的快速默认key，测试通后，务必及时修改）
      - CHAT_API_KEY=sk-fastgpt
      # 数据库最大连接数
      - DB_MAX_LINK=30
      # 登录凭证密钥
      - TOKEN_KEY=any
      # root的密钥，常用于升级时候的初始化请求
      - ROOT_KEY=root_key
      # 文件阅读加密
      - FILE_TOKEN_KEY=filetoken
      # MongoDB 连接参数. 用户名myusername,密码mypassword。
      - MONGODB_URI=mongodb://myusername:mypassword@mongo:27017/fastgpt?authSource=admin
      # pg 连接参数
      - PG_URL=postgresql://username:password@pg:5432/postgres
      # sandbox 地址
      - SANDBOX_URL=http://sandbox:3000
      # 日志等级: debug, info, warn, error
      - LOG_LEVEL=info
      - STORE_LOG_LEVEL=warn
      # 工作流最大运行次数
      - WORKFLOW_MAX_RUN_TIMES=1000
      # 批量执行节点，最大输入长度
      - WORKFLOW_MAX_LOOP_TIMES=100
      # 自定义跨域，不配置时，默认都允许跨域（多个域名通过逗号分割）
      - ALLOWED_ORIGINS=
      # 是否开启IP限制，默认不开启
      - USE_IP_LIMIT=false
    volumes:
      - ./config.json:/app/data/config.json

  # oneapi
  mysql:
    # image: registry.cn-hangzhou.aliyuncs.com/fastgpt/mysql:8.0.36 # 阿里云
    image: mysql:8.0.36
    container_name: mysql
    restart: always
    ports:
      - 3306:3306
    networks:
      - fastgpt
    command: --default-authentication-plugin=mysql_native_password
    environment:
      # 默认root密码，仅首次运行有效
      MYSQL_ROOT_PASSWORD: oneapimmysql
      MYSQL_DATABASE: oneapi
    volumes:
      - ./mysql:/var/lib/mysql
  oneapi:
    container_name: oneapi
    image: ghcr.io/songquanpeng/one-api:v0.6.7
    # image: registry.cn-hangzhou.aliyuncs.com/fastgpt/one-api:v0.6.6 # 阿里云
    ports:
      - 3001:3000
    depends_on:
      - mysql
    networks:
      - fastgpt
    restart: always
    environment:
      # mysql 连接参数
      - SQL_DSN=root:oneapimmysql@tcp(mysql:3306)/oneapi
      # 登录凭证加密密钥
      - SESSION_SECRET=oneapikey
      # 内存缓存
      - MEMORY_CACHE_ENABLED=true
      # 启动聚合更新，减少数据交互频率
      - BATCH_UPDATE_ENABLED=true
      # 聚合更新时长
      - BATCH_UPDATE_INTERVAL=10
      # 初始化的 root 密钥（建议部署完后更改，否则容易泄露）
      - INITIAL_ROOT_TOKEN=fastgpt
    volumes:
      - ./oneapi:/data
networks:
  fastgpt:

1.4 启动容器

在路径fastgpt下的终端运行

docker compose up -d

待结束后，查看容器情况。结果如下则说明工程正确启动。
在这里插入图片描述
 

【过程中可能遇到错误】

  1. 现象：端口 3306 被占用：
    在这里插入图片描述
    问题查看：使用下面命令查看端口被占用情况。
    发现端口 3306 被本地的 mysqld 进程（PID 1203）占用了。这是一个独立的 MySQL 服务，运行在宿主机上，而不是 Docker 容器中。

    sudo lsof -i :3306

    解决：停止宿主机上的 MySQL 服务。然后重新启动容器

    sudo systemctl stop mysql  
# sudo kill -9 1203  （或者直接杀掉进程）

docker compose up -d

  2. oneapi没有启动起来：
    该问题个人没有遇到。但较多人遇到过，这里记录下解决方法：

    # 等待10s，OneAPI第一次总是要重启几次才能连上Mysql
sleep 10
# 重启一次oneapi(由于OneAPI的默认Key有点问题，不重启的话会提示找不到渠道，临时手动重启一次解决)
docker restart oneapi

2 oneapi 配置

2.1 oneapi 的简介

OneAPI 是一个统一的接口管理与分发系统，旨在通过提供一个单一、统一的接口，简化对多个后端服务或数据源的访问。
它具备以下核心功能和特点：
 

【核心功能】

  • 集中式 API 密钥管理：
    提供集中式的 API 密钥管理和二次分发功能，确保安全性和灵活性。
    支持令牌的过期时间、额度和 IP 范围管理。
  • 多系统功能整合：
    将来自不同系统的功能和服务整合在一起，开发者只需与一个接口交互，无需分别处理多个不同的 API。
    支持多种主流 AI 模型和服务，包括 OpenAI、百度文心一言、阿里通义千问等。
  • 简化开发与管理：
    简化开发过程，提高开发效率。
    便于维护和管理，支持动态更新和跨平台同步。
     

【特点】

  • 一键部署：
    打包成单个可执行文件，提供 Docker 镜像，实现一键部署和开箱即用的便捷体验。
    支持多种部署方式，包括本地部署、Docker 部署和面板部署。
  • 适用场景：
    适用于企业、开发者和研究者，简化多 AI 服务的接入和管理。
    支持负载均衡、流式传输和多机部署，提升系统可用性和性能。

2.2 oneapi 的配置

在浏览器访问 http://127.0.0.1:3001，使用默认账号 root 和密码 123456 登录。
在这里插入图片描述

2.2.1 oneapi 的渠道

OneAPI 的渠道管理功能允许用户将不同的大模型 API（如 OpenAI、百度文心一言、阿里通义千问等）统一接入到 OneAPI 平台中。每个渠道对应一个 API Key，用户可以通过以下步骤添加和管理渠道。

  • 【ollama部署的模型 的oneapi的渠道配置】
    在控制台中点击【渠道】选项卡，选择【添加新的渠道】。
    在这里插入图片描述
    然后界面如下图：
    在这里插入图片描述
    • 【类型】选择对应的模型类型 ollama。
    • 【名称】自定义渠道名称。这里填写了【ollama】。
    • 【模型】选择或填入支持的模型。若是填入的方式，一定注意名称的正确填写，可使用命令【ollama list】查看ollama下载的模型。这里填写【deepseek-r1:32b、bge-large:latest】
      在这里插入图片描述
    • 【密钥】这里是本地部署的模型，密钥随便填写。
    • 【代理】这里填写部署ollama模型的地址。
    • 【提交】点击“提交”完成渠道添加。
       
      【测试】如下图，配置正确的话，点击绿色框的测试，界面会弹出 “测试成功” 的字样。
      需要注意的是，如果仅添加向量模型，这里是无法测试通的。
      在这里插入图片描述
       
  • 【xinference 部署的模型 的oneapi的渠道配置】
    在这里插入图片描述

2.2.2 oneapi 的令牌

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
复制这里的令牌。

3 fastgpt 的基本使用

3.1 fastgpt 的重启

  1. 在 文件 docker-compose.yml 中，搜索 CHAT_API_KEY，将前面复制的令牌粘贴到这里
          # AI模型的API Key。（这里默认填写了OneAPI的快速默认key，测试通后，务必及时修改）
      - CHAT_API_KEY=sk-fastgptsk-enxd9BewOzi0eaoGB2AdD5BdEf834a5e9b0e269780703dD8
  2. 重启容器
    docker compose down
docker compose up -d

重启了后，就可以在服务器中访问 http://127.0.0.1:3000，使用默认账号 root 和密码 1234 登录。
登录后界面如下图。功能测试主要在左侧的【工作台】【知识库】。操作流程如下。

3.2 知识库

  1. 新建知识库，【+新建】、【知识库】、【通用知识库】、命名、选择配置好的向量模型。
    在这里插入图片描述
    在这里插入图片描述
  2. 成功后界面左侧，【数据集】【搜索测试】【配置】三项。
    【数据集】界面中，右上角【新建/导入】、这里测试【文本数据集】、【本地文件】… 后续的操作流程如下图所示
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  3. 文件添加成功后，可以点进文件名称，如上图。点进去后，可以看到文档分割成块后的数据。通过这里的数据，可以看到分割的是否OK。
    在这里插入图片描述
  4. 然后在【搜索测试】中，可以测试 问题检索出好坏。在下图中【语义检索】中，可以进一步勾选，这里默认不变。
    在这里插入图片描述
  5. 在【配置】中，可以修改模型的选择。
    在这里插入图片描述

3.3 工作台

  1. 创建一个【简易应用】。操作如下图： 在这里插入图片描述
    在这里插入图片描述
  2. 配置关联的知识库，然后进行问答。如下图
    在这里插入图片描述
  3. 然后进行 应用发布，点击右上角的【发布】
    在这里插入图片描述
  4. 点击【发布渠道】界面，然后【创建新链接】、【开始使用】、【复制链接】在浏览器中打开。
    在这里插入图片描述
    在这里插入图片描述
  5. 链接的界面下，进行问答。
    在这里插入图片描述
  6. 若想其他电脑都能访问，则需完成 在服务启动时绑定到公网IP，开放防火墙端口等操作。

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/977564.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

python--泰坦尼克号人员存活模型训练+预测

python--泰坦尼克号人员存活模型训练+预测

1.先到Kaggle平台下载关于泰坦尼克号的数据。 泰坦尼克号数据集：这是Kaggle上的经典数据集，用于预测乘客是否幸存。 地址：Titanic - Machine Learning from Disaster | Kaggle 包含以下文件： train.csv：训练集&#…
阅读更多...
【Azure 架构师学习笔记】- Azure Databricks (12) -- Medallion Architecture简介

【Azure 架构师学习笔记】- Azure Databricks (12) -- Medallion Architecture简介

本文属于【Azure 架构师学习笔记】系列。 本文属于【Azure Databricks】系列。 接上文 【Azure 架构师学习笔记】- Azure Databricks (11) – UC搭建 前言 使用ADB 或者数据湖，基本上绕不开一个架构“Medallion”， 它使得数据管理更为简单有效。ADB 通过…
阅读更多...
spring中的注解介绍

spring中的注解介绍

本篇文章专门用来介绍spring中的各种注解。 1、RestController 1、含义 2、举例 3、使用场景 RestController 通常用于开发 RESTful API，适合返回 JSON 或 XML 数据的场景 4、总结 RestController 是 Spring 中用于简化 RESTful Web 服务开发的注解，它结…
阅读更多...
嵌入式开发：傅里叶变换（5）：STM32和Matlab联调验证FFT

嵌入式开发：傅里叶变换（5）：STM32和Matlab联调验证FFT

目录 1. MATLAB获取 STM32 的原始数据 2. 将数据上传到电脑 3. MATLAB 接收数据并验证 STM32进行傅里叶代码 结果分析 STM32 和 MATLAB 联调是嵌入式开发中常见的工作流程，通常目的是将 STM32 采集的数据或控制信号传输到 MATLAB 中进行实时处理、分析和可视化…
阅读更多...
Linux设备驱动开发-SPI驱动开发详解（包含设备树处理详细过程）

Linux设备驱动开发-SPI驱动开发详解（包含设备树处理详细过程）

基础知识及 SPI 相关结构体介绍 引脚：MISO（master 输入，slave 输出），MOSI（master 输出，slave 输入），片选引脚，SCK（时钟） 控制寄存器&…
阅读更多...
嵌入式八股文（五）硬件电路篇

嵌入式八股文（五）硬件电路篇

一、名词概念 1. 整流和逆变 （1）整流：整流是将交流电（AC）转变为直流电（DC）。常见的整流电路包括单向整流（二极管）、桥式整流等。 半波整流：只使用交流电的正…
阅读更多...
C++初阶——简单实现stack和queue

C++初阶——简单实现stack和queue

目录 1、Deque(了解) 1.1 起源 1.2 结构 1.3 优缺点 1.4 应用 2、Stack 3、Queue 4、Priority_Queue 注意：stack，queue，priority_queue是容器适配器(container adaptor) ，封装一个容器，按照某种规则使用&#…
阅读更多...
【Git】六、企业级开发模型

【Git】六、企业级开发模型

文章目录 Ⅰ. 前言Ⅱ. 系统开发环境Ⅲ. Git 分支设计规范master分支release分支develop分支feature分支hotfix分支 Ⅰ. 前言 ​ 我们知道，一个软件从零开始到最终交付，大概包括以下几个阶段：规划、编码、构建、测试、发布、部署和维护。 ​…
阅读更多...
Apache SeaTunnel 构建实时数据同步管道（最新版）

Apache SeaTunnel 构建实时数据同步管道（最新版）

文章作者 王海林 白鲸开源 数据集成引擎研发 Apache SeaTunnel Committer & PMC Member，Apache SkyWalking Committer，多年平台研发经验，目前专注于数据集成领域。 导读 在当今数字化快速发展的时代，数据已然成为企业决策…
阅读更多...
在 Windows 上配置 Ollama 服务并开放局域网访问

在 Windows 上配置 Ollama 服务并开放局域网访问

为了在局域网内共享 Ollama 服务，我们需要完成以下两步： 1、设置 Ollama 的环境变量 OLLAMA_HOST，使其监听局域网的 IP 地址。 （1） 配置 Ollama 服务的监听地址 Ollama 服务使用环境变量 OLLAMA_HOST 来指定监听的地…
阅读更多...
错误 MSB3073 命令“setlocal“

错误 MSB3073 命令“setlocal“

最近在搞opencv的c版本。报了这个错很头疼。 点击项目>属性 把这里命令行删掉就行。
阅读更多...
【三角函数】诱导公式

【三角函数】诱导公式

【复习】 【正课】
阅读更多...
【时时三省】(C语言基础)常量和变量

【时时三省】(C语言基础)常量和变量

山不在高，有仙则名。水不在深，有龙则灵。 ----CSDN 时时三省 在计算机高级语言中，数据有两种表现形式：常量和变量。 常量 在程序运行过程中，其值不能被改变的量称为常量。数值常量就是数学中的常数。 常用的常量有以…
阅读更多...
deep-research 专用评测数据集

deep-research 专用评测数据集

Deep Research自2025年2月初由OpenAI推出后迅速引发全球关注，其通过端到端强化学习技术实现多步骤研究任务自动化，能在数十分钟内生成分析师水平报告，效率远超人类（耗时从30分钟到30天不等），被学者评价为“…
阅读更多...
WordPress平台如何接入Deepseek，有效提升网站流量

WordPress平台如何接入Deepseek，有效提升网站流量

深夜改代码到崩溃？《2024全球CMS生态报告》揭露：78%的WordPress站长因API对接复杂，错失AI内容红利。本文实测「零代码接入Deepseek」的保姆级方案，配合147SEO的智能发布系统，让你用3个步骤实现日均50篇EEAT合规内容自动…
阅读更多...
QT零基础学习之路（六）--如何添加资源文件

QT零基础学习之路（六）--如何添加资源文件

源码地址（优先更新）：点击此处
阅读更多...
【愚公系列】《Python网络爬虫从入门到精通》033-DataFrame的数据排序

【愚公系列】《Python网络爬虫从入门到精通》033-DataFrame的数据排序

标题详情作者简介愚公搬代码头衔华为云特约编辑，华为云云享专家，华为开发者专家，华为产品云测专家，CSDN博客专家，CSDN商业化专家，阿里云专家博主，阿里云签约作者，腾讯云优秀博主，腾讯云内容共创官，掘金优秀博主，亚马逊技领云博主，51CTO博客专家等。近期荣誉2022年度…
阅读更多...
Python入门12：面向对象的三大特征与高级特性详解

Python入门12：面向对象的三大特征与高级特性详解

面向对象编程（OOP）是Python编程中非常重要的一部分，它通过封装、继承和多态这三大特征，帮助我们更好地组织和管理代码。除此之外，Python还提供了一些其他特性，如类属性、类方法和静态方法，进一步…
阅读更多...
20分钟 Bash 上手指南

20分钟 Bash 上手指南

文章目录 bash 概念与学习目的第一个 bash 脚本bash 语法变量的使用位置参数管道符号（过滤条件）重定向符号条件测试命令条件语句case 条件分支Arrayfor 循环函数exit 关键字 bash 脚本记录历史命令查询文件分发内容 bash 概念与学习目的 bash&#xff0…
阅读更多...
观成科技：海莲花“PerfSpyRAT”木马加密通信分析

观成科技：海莲花“PerfSpyRAT”木马加密通信分析

1.概述 在2024年9月中旬至10月，东南亚APT组织“海莲花”通过GitHub发布开源安全工具项目，针对网络安全人员发起了定向攻击。通过对相关攻击活动进行分析，可以将其与一些海莲花的样本关联起来。这些样本的通信数据结构与海莲花此前使用的攻击…
阅读更多...
最新文章

Copyright @ 2022~2023