从理论到实践：使用JAVA实现RAG、Agent、微调等几种常见大模型定制策略

引言

大语言模型（LLM）在过去几年中彻底改变了自然语言处理领域，展现了在理解和生成类人文本方面的卓越能力。然而，通用LLM的开箱即用性能并不总能满足特定的业务需求或领域要求。为了将LLM更好地应用于实际场景，开发出了多种LLM定制策略。本文将深入探讨RAG（Retrieval Augmented Generation）、Agent、微调（Fine-Tuning）等六种常见的大模型定制策略，并使用JAVA进行demo处理，以期为AI资深架构师提供实践指导。

一、大模型定制策略概述

LLM定制策略大致可以分为两种类型：使用冻结模型和更新模型参数。

1. 使用冻结模型

这类技术不需要更新模型参数，通常通过上下文学习或提示工程来实现。由于它们通过改变模型的行为而不需要大量训练成本，因此具有成本效益，广泛应用于工业界和学术界。

2. 更新模型参数

这是一种相对资源密集的方法，需要使用为特定目的设计的自定义数据集来调优预训练的LLM。这包括微调（Fine-Tuning）和基于人类反馈的强化学习（RLHF）等流行的技术。

这两种定制范式进一步分化为各种专门的技术，包括LoRA微调、思维链（Chain of Thought）、检索增强生成（RAG）、ReAct和Agent框架等。每种技术在计算资源、实现复杂度和性能提升方面提供了不同的优势和权衡。

二、选择LLM模型

定制LLM的第一步是选择合适的基础模型作为基准。例如，Huggingface等基于社区的平台提供了由顶级公司或社区贡献的各种开源预训练模型，如Meta的Llama系列和Google的Gemini。Huggingface还提供了例如Open LLM Leaderboard这样的排行榜，可以根据行业标准的指标和任务（如MMLU）来比较LLM。

云服务提供商如AWS（亚马逊）和AI公司（如OpenAI和Anthropic）也提供访问专有模型的服务，这些通常是付费服务，且访问受限。

选择LLM时需要考虑以下几个因素：

  • 开源模型还是专有模型：开源模型允许完全定制和自托管，但需要技术专业知识；专有模型则提供即时访问，通常可以提供更好的响应质量，但成本较高。
  • 任务和指标：不同的模型在不同任务上表现出色，包括问答、总结、代码生成等。通过比较基准指标并在特定领域任务上进行测试，来确定合适的模型。
  • 架构：一般来说，仅解码器模型（如GPT系列）在文本生成方面表现更好，而编码-解码模型（如T5）在翻译任务上表现优秀。现在有更多的架构出现并展现出良好的结果，例如专家混合模型（MoE）DeepSeek。
  • 参数数量和模型大小：较大的模型（70B-175B参数）通常提供更好的性能，但需要更多的计算资源；较小的模型（7B-13B）运行更快且更便宜，但可能在能力上有所减少。

三、六种常见大模型定制策略及JAVA Demo

1. 提示工程（Prompt Engineering）

理论概述

提示（Prompt）是发送给LLM的输入文本，用于引发AI生成的响应，它可以由指令、上下文、输入数据和输出指示符组成。提示工程涉及有策略地设计这些提示组件，以塑造和控制模型的响应。

基本的提示工程技术包括零次提示（zero shot prompting）、一次提示（one shot prompting）和少量提示（few shot prompting）。此外，还有更复杂的提示工程技术，如思维链（Chain of Thought, CoT）、思维树（Tree of Thought, ToT）、自动推理和工具使用（Automatic Reasoning and Tool use, ART）以及协同推理与行动（Synergizing Reasoning and Acting, ReAct）等。

JAVA Demo

虽然提示工程主要依赖于文本提示的设计，而非具体的代码实现，但可以通过调用LLM API来实现。以下是一个使用Java调用LLM API的示例，假设我们使用的是一个支持提示工程的LLM服务：

java复制代码

import okhttp3.*;
import com.fasterxml.jackson.databind.ObjectMapper;
public class PromptEngineeringDemo {
private static final String API_URL = "https://api.llm-service.com/generate";
private static final String API_KEY = "your-api-key";
public static void main(String[] args) {
OkHttpClient client = new OkHttpClient();
MediaType mediaType = MediaType.parse("application/json");
String jsonBody = "{\"prompt\": \"Tell me a joke.\", \"max_tokens\": 50}";
RequestBody body = RequestBody.create(jsonBody, mediaType);
Request request = new Request.Builder()
                .url(API_URL)
                .post(body)
                .addHeader("Authorization", "Bearer " + API_KEY)
                .addHeader("Content-Type", "application/json")
                .build();
try (Response response = client.newCall(request).execute()) {
if (response.isSuccessful() && response.body() != null) {
String responseBody = response.body().string();
ObjectMapper mapper = new ObjectMapper();
YourResponseClass responseObject = mapper.readValue(responseBody, YourResponseClass.class);
                System.out.println("Response: " + responseObject.getResponse());
            } else {
                System.out.println("Request failed with code: " + response.code());
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
// 假设的响应类
static class YourResponseClass {
private String response;
public String getResponse() {
return response;
        }
public void setResponse(String response) {
this.response = response;
        }
    }
}

2. 解码与采样策略（Decoding and Sampling Strategy）

理论概述

解码策略可以通过推理参数（例如temperature、top_p、top_k）在模型推理时进行控制，从而决定模型响应的随机性和多样性。常见的解码策略包括贪婪搜索、束搜索和采样。

  • 贪婪搜索：默认情况下使用，生成概率最高的下一个token。
  • 束搜索：考虑多个下一个最佳token的假设，并选择在整个文本序列中具有最高综合概率的假设。
  • 采样：通过调整温度（Temperature）、Top K采样和Top P采样等参数来控制生成的随机性。
JAVA Demo

以下是一个使用Transformers库（虽然是用Python实现的，但可以通过JNI或JEP等技术在Java中调用Python代码）进行束搜索解码的示例：

python复制代码

from transformers import AutoModelForCausalLM, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("gpt-2")
model = AutoModelForCausalLM.from_pretrained("gpt-2")
prompt = "Once upon a time"
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, num_beams=5, max_length=50, early_stopping=True)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

在Java中调用此Python代码的示例（使用JEP）：

java复制代码

import jep.Jep;
import jep.JepException;
public class DecodingStrategyDemo {
public static void main(String[] args) {
Jep jep = new Jep();
try {
            jep.runScript("decoding_strategy.py");
        } catch (JepException e) {
            e.printStackTrace();
        }
    }
}

3. 检索增强生成（Retrieval Augmented Generation, RAG）

理论概述

RAG是一种将大规模语言模型（LLM）与外部知识源的检索相结合，以改进问答能力的工程框架。它使用来自私有或专有数据源的信息来辅助文本生成，从而弥补LLM的局限性，特别是在解决幻觉问题和提升时效性方面。

RAG系统可以分为检索和生成两个阶段：

  • 检索阶段：通过对外部知识进行切块、创建嵌入、索引和相似性搜索，找到与用户查询密切相关的知识库内容。
  • 生成阶段：将检索到的信息与用户查询结合，形成增强的查询，并将其传递给LLM，以生成丰富上下文的响应。
JAVA Demo

以下是一个使用Java实现RAG系统基本流程的示例，假设我们使用了某个支持RAG的LLM服务和一个向量数据库（如Faiss或Pinecone）：

java复制代码

import okhttp3.*;
import com.fasterxml.jackson.databind.ObjectMapper;
public class RAGDemo {
private static final String API_URL = "https://api.rag-service.com/retrieve";
private static final String API_KEY = "your-api-key";
private static final String INDEX_URL = "https://api.vector-db.com/search";
public static void main(String[] args) {
OkHttpClient client = new OkHttpClient();
// 1. 用户提问
String query = "Tell me about the history of artificial intelligence.";
// 2. 文档召回（向量数据库搜索）
MediaType mediaType = MediaType.parse("application/json");
String jsonBody = "{\"query\": \"" + query + "\", \"max_results\": 5}";
RequestBody body = RequestBody.create(jsonBody, mediaType);
Request indexRequest = new Request.Builder()
                .url(INDEX_URL)
                .post(body)
                .addHeader("Content-Type", "application/json")
                .build();
try (Response indexResponse = client.newCall(indexRequest).execute()) {
if (indexResponse.isSuccessful() && indexResponse.body() != null) {
String indexResponseBody = indexResponse.body().string();
ObjectMapper mapper = new ObjectMapper();
VectorSearchResponse indexResponseObject = mapper.readValue(indexResponseBody, VectorSearchResponse.class);
// 3. 向LLM提问（结合检索结果）
StringBuilder prompt = new StringBuilder();
                prompt.append(query).append("\n\n");
for (String doc : indexResponseObject.getResults()) {
                    prompt.append(doc).append("\n\n");
                }
String finalPrompt = prompt.toString();
                jsonBody = "{\"prompt\": \"" + finalPrompt + "\", \"max_tokens\": 100}";
                body = RequestBody.create(jsonBody, mediaType);
Request ragRequest = new Request.Builder()
                        .url(API_URL)
                        .post(body)
                        .addHeader("Authorization", "Bearer " + API_KEY)
                        .addHeader("Content-Type", "application/json")
                        .build();
try (Response ragResponse = client.newCall(ragRequest).execute()) {
if (ragResponse.isSuccessful() && ragResponse.body() != null) {
String ragResponseBody = ragResponse.body().string();
YourResponseClass responseObject = mapper.readValue(ragResponseBody, YourResponseClass.class);
                        System.out.println("Response: " + responseObject.getResponse());
                    } else {
                        System.out.println("RAG request failed with code: " + ragResponse.code());
                    }
                } catch (Exception e) {
                    e.printStackTrace();
                }
            } else {
                System.out.println("Index search failed with code: " + indexResponse.code());
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
// 假设的响应类
static class YourResponseClass {
private String response;
public String getResponse() {
return response;
        }
public void setResponse(String response) {
this.response = response;
        }
    }
// 假设的向量搜索响应类
static class VectorSearchResponse {
private List<String> results;
public List<String> getResults() {
return results;
        }
public void setResults(List<String> results) {
this.results = results;
        }
    }
}

4. Agent

理论概述

Agent（智能体）通过赋予软件实体自主性和交互性，使其能够智能、灵活地响应环境变化和用户需求。在Agent中，大模型本身作为智能体的大脑，根据用户指定的任务进行多轮思考，并给出任务的执行步骤和方法，最终通过调用外部接口或方法实现任务的自行。

Agent技术广泛应用于电子商务（智能推荐、个性化服务）、智能制造（设备自主控制、协同生产）、智能交通（车辆导航、交通监控）、智能家居等领域。

ReAct（Synergizing Reasoning and Acting in Language Models）是Agent框架中的一个重要技术，它将推理步骤与一个行动空间结合，使得工具使用和函数调用成为可能。

JAVA Demo

以下是一个使用Java实现基于ReAct的Agent的简单示例。为了简化，我们假设使用了一个支持Agent功能的LLM服务，并且有一个简单的行动空间（如数学函数）。

java复制代码

import okhttp3.*;
import com.fasterxml.jackson.databind.ObjectMapper;
public class AgentDemo {
private static final String API_URL = "https://api.agent-service.com/act";
private static final String API_KEY = "your-api-key";
public static void main(String[] args) {
OkHttpClient client = new OkHttpClient();
// 定义行动空间（简单的数学函数）
String actionSpace = "[{\"name\": \"multiply\", \"parameters\": [\"a\", \"b\"]}, {\"name\": \"add\", \"parameters\": [\"a\", \"b\"]}]";
// 用户指令
String instruction = "Calculate the sum of 3 and 5.";
// 构建Agent请求
MediaType mediaType = MediaType.parse("application/json");
String jsonBody = "{\"instruction\": \"" + instruction + "\", \"action_space\": " + actionSpace + "}";
RequestBody body = RequestBody.create(jsonBody, mediaType);
Request agentRequest = new Request.Builder()
                .url(API_URL)
                .post(body)
                .addHeader("Authorization", "Bearer " + API_KEY)
                .addHeader("Content-Type", "application/json")
                .build();
try (Response agentResponse = client.newCall(agentRequest).execute()) {
if (agentResponse.isSuccessful() && agentResponse.body() != null) {
String agentResponseBody = agentResponse.body().string();
ObjectMapper mapper = new ObjectMapper();
AgentResponse responseObject = mapper.readValue(agentResponseBody, AgentResponse.class);
                System.out.println("Response: " + responseObject.getResponse());
            } else {
                System.out.println("Agent request failed with code: " + agentResponse.code());
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
// 假设的Agent响应类
static class AgentResponse {
private String response;
public String getResponse() {
return response;
        }
public void setResponse(String response) {
this.response = response;
        }
    }
}

5. 微调（Fine-Tuning）

理论概述

微调是在已经预训练好的大语言模型基础上，使用新的、特定任务相关的数据集对模型进行进一步训练的过程。这种微调技术的主要目的是使模型能够适应新的、具体的任务或领域，而无需从头开始训练一个全新的模型。

微调可以分为完全微调和参数高效微调（PEFT）两类。完全微调通过反向传播更新预训练LLM的所有权重，而PEFT则通过选择性微调、重参数化（如LoRA）和加性微调（如适配器）等方法来减轻完全微调的问题。

JAVA Demo

在Java中直接进行微调通常是不现实的，因为微调过程涉及到大量的计算资源和深度学习框架（如TensorFlow或PyTorch）。然而，我们可以通过Java调用支持微调的深度学习框架的API来实现。以下是一个使用Java调用Huggingface Transformers库（通过JNI或JEP调用Python代码）进行微调的示例：

python复制代码

from transformers import AutoModelForSequenceClassification, AutoTokenizer, Trainer, TrainingArguments
from datasets import load_dataset
import torch
# 加载数据集
dataset = load_dataset('glue', 'sst2')
# 加载预训练模型和分词器
model_name = "bert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=2)
tokenizer = AutoTokenizer.from_pretrained(model_name)
# 数据预处理
def tokenize_function(examples):
return tokenizer(examples['sentence'], padding='max_length', truncation=True)
tokenized_datasets = dataset.map(tokenize_function, batched=True)
# 设置训练参数
training_args = TrainingArguments(
    output_dir='./results',
    num_train_epochs=3,
    per_device_train_batch_size=8,
    per_device_eval_batch_size=8,
    warmup_steps=500,
    weight_decay=0.01,
    logging_dir='./logs',
    logging_steps=10,
)
# 初始化Trainer
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_datasets['train'],
    eval_dataset=tokenized_datasets['validation'],
)
# 开始训练
trainer.train()

在Java中调用此Python代码的示例（使用JEP）：

java复制代码

import jep.Jep;
import jep.JepException;
public class FineTuningDemo {
public static void main(String[] args) {
Jep jep = new Jep();
try {
            jep.runScript("fine_tuning.py");
        } catch (JepException e) {
            e.printStackTrace();
        }
    }
}

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/979119.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

Selenium自动化测试框架快速搭建

Selenium自动化测试框架快速搭建

&#x1f345; 点击文末小卡片&#xff0c;免费获取软件测试全套资料&#xff0c;资料在手&#xff0c;涨薪更快 一、介绍 Selenium目前主流的web自动化测试框架&#xff1b;支持多种编程语言Java、pythan、go、js等&#xff1b;selenium 提供一系列的api 供我们使用&#xf…
阅读更多...
【文献阅读】A Survey on Hardware Accelerators for Large Language Models

【文献阅读】A Survey on Hardware Accelerators for Large Language Models

大语言模型硬件加速器综述 大语言模型&#xff08;LLMs&#xff09;已成为自然语言处理任务的强大工具&#xff0c;凭借其理解和生成类似人类文本的能力&#xff0c;彻底改变了该领域。随着对更复杂大语言模型的需求持续增长&#xff0c;迫切需要应对与其规模和复杂性相关的计…
阅读更多...
机器幻觉产生的原因

机器幻觉产生的原因

机器幻觉是指模型生成的不符合现实的内容&#xff0c;比如图像生成中的错误或者不合理的输出。 线性函数在神经网络中的作用通常是传递梯度&#xff0c;但如果每一层都是线性的&#xff0c;整个网络就相当于一个单层的线性模型&#xff0c;无法学习复杂的模式。所以如果只有线性…
阅读更多...
python-leetcode-颜色分类

python-leetcode-颜色分类

75. 颜色分类 - 力扣&#xff08;LeetCode&#xff09; class Solution:def sortColors(self, nums: List[int]) -> None:"""Do not return anything, modify nums in-place instead."""low, mid, high 0, 0, len(nums) - 1while mid < h…
阅读更多...
如何使用LLDB 在VSCode调试C++代码

如何使用LLDB 在VSCode调试C++代码

LLDB VSCode调试 第一步.拷贝lldb-server到android系统 adb push ${NDK_PATH}/toolchains/llvm/prebuilt/darwin-x86_64/lib64/clang/9.0.9/lib/linux/arm/lldb-server /data/local/tmp/lldb-server第二步.进入到安卓设备&#xff0c;打开lldb-server adb shell cd /data/lc…
阅读更多...
2025中建二测笔试考什么？北森题库考点复习｜附精华备考面试攻略

2025中建二测笔试考什么？北森题库考点复习｜附精华备考面试攻略

大家好&#xff0c;我是职小豚&#xff0c;将为大家详细解析2025年中建二测的笔试内容&#xff0c;并提供备考面试的全方位攻略。 希望这份指南能帮助大家在求职路上更加顺利&#xff01; 一、中国建筑集团公司介绍 中国建筑集团有限公司&#xff08;简称“中建集团”&#…
阅读更多...
GD32F450 使用

GD32F450 使用

GB32F450使用 1. 相关知识2. 烧写程序3. SPI3.1 spi基础3.2 spi代码 4. 串口4.1 串口引脚4.2 串口通信代码 问题记录1. 修改晶振频率 注意&#xff1a;GD32F450 总共有三种封装形式&#xff0c;本文所述的相关代码和知识&#xff0c;均为 GD32F450IX 系列。 1. 相关知识 参数配…
阅读更多...
Spring Boot 测试：单元、集成与契约测试全解析

Spring Boot 测试：单元、集成与契约测试全解析

一、Spring Boot 分层测试策略 Spring Boot 应用采用经典的分层架构&#xff0c;不同层级的功能模块对应不同的测试策略&#xff0c;以确保代码质量和系统稳定性。 Spring Boot 分层架构&#xff1a; Spring Boot分层架构 A[客户端] -->|HTTP 请求| B[Controller 层] …
阅读更多...
(十 三)趣学设计模式 之 模版方法模式！

(十 三)趣学设计模式 之 模版方法模式！

目录 一、 啥是模板方法模式&#xff1f;二、 为什么要用模板方法模式&#xff1f;三、 模板方法模式的实现方式四、 模板方法模式的优缺点五、 模板方法模式的应用场景六、 总结 &#x1f31f;我的其他文章也讲解的比较有趣&#x1f601;&#xff0c;如果喜欢博主的讲解方式&a…
阅读更多...
汽车刹车系统设计

汽车刹车系统设计

摘 要 本次设计内容为汽车刹车系统&#xff0c;其可靠性与驾驶人的生命息息相关&#xff0c;是汽车所有组成部分中最重要的一环。刹车系统是在车辆行驶过程中出现紧急情况时首先保护车辆与驾驶人员安全的反应系统&#xff0c;工作原理是依靠制动装置工作时产生的大量摩擦力来抵…
阅读更多...
卷积神经网络梯度下降方向与参数更新方向的一致性论述

卷积神经网络梯度下降方向与参数更新方向的一致性论述

梯度下降是一种常用的优化算法&#xff0c;用于最小化损失函数&#xff0c;在机器学习和深度学习领域有着广泛的应用。分别对梯度下降、梯度方向以及参数更新采用负梯度方向的原因进行论述。 1.梯度下降 它的基本思想是通过迭代的方式来更新模型的参数&#xff0c;使得损失函数…
阅读更多...
Starrocks入门（二）

Starrocks入门（二）

1、背景&#xff1a;考虑到Starrocks入门这篇文章&#xff0c;安装的是3.0.1版本的SR&#xff0c;参考&#xff1a;Starrocks入门-CSDN博客 但是官网的文档&#xff0c;没有对应3.0.x版本的资料&#xff0c;却有3.2或者3.3或者3.4或者3.1或者2.5版本的资料&#xff0c;不要用较…
阅读更多...
可以免费无限次下载PPT的网站

可以免费无限次下载PPT的网站

前言 最近发现了一个超实用的网站&#xff0c;想分享给大家。 在学习和工作的过程中&#xff0c;想必做PPT是一件让大家都很头疼的一件事。 想下载一些PPT模板减少做PPT的工作量&#xff0c;但网上大多精美的PPT都是需要付费才能下载使用。 即使免费也有次数限制&#xff0…
阅读更多...
[Java基础] JVM常量池介绍（BeanUtils.copyProperties(source, target)中的属性值引用的是同一个对象吗）

[Java基础] JVM常量池介绍（BeanUtils.copyProperties(source, target)中的属性值引用的是同一个对象吗）

文章目录 1. JVM内存模型2. 常量池中有什么类型&#xff1f;3. 常量池中真正存储的内容是什么4. 判断一个字符串(引用)是否在常量池中5. BeanUtils.copyProperties(source, target)中的属性值引用的是同一个对象吗&#xff1f;6. 获取堆内存使用情况、非堆内存使用情况 1. JVM内…
阅读更多...
DeepSeek模型昇腾部署优秀实践

DeepSeek模型昇腾部署优秀实践

2024年12月26日&#xff0c;DeepSeek-V3横空出世&#xff0c;以其卓越性能备受瞩目。该模型发布即支持昇腾&#xff0c;用户可在昇腾硬件和MindIE推理引擎上实现高效推理&#xff0c;但在实际操作中&#xff0c;部署流程与常见问题困扰着不少开发者。本文将为你详细阐述昇腾 De…
阅读更多...
python编写liunx服务器登陆自动巡检脚本

python编写liunx服务器登陆自动巡检脚本

前言&#xff1a; 用户需要一份用Python编写的Linux系统巡检脚本&#xff0c;检查内存、磁盘、CPU使用率&#xff0c;还有网络连通性。 首先&#xff0c;我得确定用户的使用场景。可能用户是系统管理员&#xff0c;需要定期监控服务器状态&#xff0c;确保系统正常运行。 或者…
阅读更多...
鸿蒙 ArkUI 实现敲木鱼小游戏

鸿蒙 ArkUI 实现敲木鱼小游戏

敲木鱼是一款具有禅意的趣味小游戏&#xff0c;本文将通过鸿蒙 ArkUI 框架的实现代码&#xff0c;逐步解析其核心技术点&#xff0c;包括动画驱动、状态管理、音效震动反馈等。 一、架构设计与工程搭建 1.1 项目结构解析 完整项目包含以下核心模块&#xff1a; ├── entry…
阅读更多...
ShenNiusModularity项目源码学习（14：ShenNius.Infrastructure项目分析）

ShenNiusModularity项目源码学习（14：ShenNius.Infrastructure项目分析）

ShenNius.Infrastructure项目用于定义ShenNius.Admin.Mvc项目和ShenNius.Admin.API项目共用的特性类、数据操作接口实现类、上下文类、通讯类&#xff0c;主要文件的用途如下&#xff1a;   Attributes文件夹保存特性类或过滤器类定义&#xff0c;主要包括&#xff1a;   …
阅读更多...
Mysql表字段字符集未设置导致乱码问题

Mysql表字段字符集未设置导致乱码问题

项目场景&#xff1a; 在使用mysql的text类型作为字段类型【未设置编码】&#xff0c;且表结构【设置了编码集】的条件下&#xff0c;查询表这个字段会出现乱码的情况。 问题描述 今日测试小伙伴给题主提出了一个bug&#xff0c;数据库当中的text文本字段在存储json的情况下&…
阅读更多...
staruml绘制时序图和用例图

staruml绘制时序图和用例图

文章目录 1.文章介绍2.绘制用例图3.绘制时序图 1.文章介绍 之前&#xff0c;我们初步介绍了这个staruml软件的安装和如何使用这个软件对于uml类图进行绘制&#xff0c;当时我们是绘制了这个user类&#xff0c;实现了相关的接口&#xff0c;表示他们之间的关系&#xff0c;在今…
阅读更多...
最新文章

Copyright @ 2022~2023