开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

领域查询-排序子RealmList

是指在Realm数据库中进行领域查询并对查询结果进行排序的操作。Realm是一种移动端和嵌入式平台上的数据库解决方案，它提供了轻量级、高性能和易于使用的特性。

在Realm数据库中，可以使用查询语言（Query Language）来执行各种查询操作。领域查询是指在数据库中根据特定的条件进行数据检索的过程。排序子（Sort）是指对查询结果按照指定的字段进行排序的操作。

优势：

高性能：Realm数据库具有快速的读写速度和查询响应时间，适用于对大量数据进行高效处理的场景。
轻量级：Realm数据库的体积较小，占用空间少，适合移动端和嵌入式设备使用。
易于使用：Realm数据库提供了简洁的API和易于理解的查询语言，使开发人员能够快速上手并进行开发工作。

应用场景：

移动应用程序：Realm数据库适用于移动应用程序的数据存储和管理，可以用于存储用户信息、消息记录、日志等。
IoT设备：由于Realm数据库的轻量级和高性能特性，可以用于嵌入式设备中的数据存储和处理，如智能家居、智能穿戴设备等。
多媒体应用：Realm数据库可以用于存储和管理多媒体数据，如图片、音频、视频等。

推荐的腾讯云相关产品：腾讯云提供了一系列与云计算相关的产品和服务，以下是一些推荐的产品和产品介绍链接地址：

云数据库 TencentDB：https://cloud.tencent.com/product/cdb
云服务器 CVM：https://cloud.tencent.com/product/cvm
云存储 COS：https://cloud.tencent.com/product/cos
人工智能 AI Lab：https://cloud.tencent.com/product/ai
物联网 IoT Hub：https://cloud.tencent.com/product/iothub
区块链 BaaS：https://cloud.tencent.com/product/baas

请注意，以上推荐的产品和链接仅供参考，具体选择应根据实际需求进行评估和决策。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

【Android】Realm详解

介绍 Realm 是一个 MVCC （多版本并发控制）数据库，由Y Combinator公司在2014年7月发布一款支持运行在手机、平板和可穿戴设备上的嵌入式数据库，目标是取代SQLite。 Realm 本质上是一个嵌入式数据库，他并不是基于SQLite所构建的。它拥有自己的数据库存储引擎，可以高效且快速地完成数据库的构建操作。和SQLite不同，它允许你在持久层直接和数据对象工作。在它之上是一个函数式风格的查询api，众多的努力让它比传统的SQLite 操作更快。详细介绍（如果进不去，看这个也行）

从零开始编译wow私服

自从魔兽世界开始转为月卡时，老高就基本AFK了。。。直到偶然听到歌单里的灰熊丘陵、风暴群山的BGM，又一次的手痒了，不过这次我们不冲点卡，我们以学习的态度搭建一个专属自己的魔兽世界服务器！

02

魔兽世界私服架设_魔兽大服务器合并列表

都说魔兽世界是最经典的网游，可惜我沉迷于程序的世界，都没有机会去体会一下！正好看了别人一篇blog，写着怎么架设魔兽世界，想想我就自己动手架一个看看了！

03

Android十八章：Realm-in-android

Realm是一个开源的ORM概念的（对象关系映射）移动数据库，可以在Android ，ios ，java各个平台上使用，性能秒杀sqlite等数据库比如（greendao）。

02

Realm Java 官方教程翻译 (一)：Getting Started

因为准备暂时的抛弃Sqlite而转成Realm。所以在Realm官网上看相关的教程。看见官网有相应的Java-Realm方面的使用教程，于是准备写Realm相关的知识。但是是全英文的，所以按照官网的教程的步骤，准备分篇来进行翻译。当然希望大家如果发现哪里有问题，可以提出来，（不要打我脸）。

01

独家 | 进阶RAG-提升RAG效果

在我的上一篇博客中，我深入地介绍了RAG以及它是如何用LlamaIndex实现的。然而，RAG在回答问题时经常遇到许多挑战。在本博客中，我将解决这些挑战，更重要的是，我们将深入研究提高RAG性能的解决方案，使其可用于生产环境。

02

生成式推荐系统初探

随着 ChatGPT 的横空出世与 GPT-4 的重磅登场，生成式 AI（Generative AI）引起了前所未有的关注，基于 GPT（Generative Pre-Trained Transformer）的模型在各类 NLP 和 CV 任务上取得了惊人的效果。生成式 AI 模型可以根据训练过的数据创建新的内容、模式或解决方案，一些典型应用包括 ChatGPT、Stable Diffusion 和 DALL·E 等（封面图片来自 DALL·E）。然而，在推荐系统（RS）领域研究中，受限于推荐系统 User/Item ID 的范式，以及大多情况下为非通用、非常识知识，因而直接将基于 GPT 的模型作为推荐模型具有一定的局限性。例如，在电影、图书和音乐等领域推荐场景直接将 ChatGPT 作为推荐模型可以取得较好的效果，然而，在其他一些领域推荐场景直接利用 ChatGPT 效果有限。随着各类生成式模型层出不穷，部分研究人员开始考虑如何在 RS 中有效引入生成式 AI。本文主要关注 RS 和生成式 AI 可能存在的结合点，调研了 RecSys'23 等会议录用的若干相关工作，以及最新已公开的若干方法。

02

RAG技术全解析：打造下一代智能问答系统

大型语言模型（LLM）已经取得了显著的成功，尽管它们仍然面临重大的限制，特别是在特定领域或知识密集型任务中，尤其是在处理超出其训练数据或需要当前信息的查询时，常会产生“幻觉”现象。为了克服这些挑战，检索增强生成（RAG）通过从外部知识库检索相关文档chunk并进行语义相似度计算，增强了LLM的功能。通过引用外部知识，RAG有效地减少了生成事实不正确内容的问题。RAG目前是基于LLM系统中最受欢迎的架构，有许多产品基于RAG构建，使RAG成为推动聊天机器人发展和增强LLM在现实世界应用适用性的关键技术。

01

大模型系列——解读RAG

RAG 是2023年最流行的基于 LLM 的应用系统架构。有许多产品几乎完全建立在 RAG 之上，覆盖了结合网络搜索引擎和 LLM 的问答服务，到成千上万个数据聊天的应用程序。很多人将RAG和Agent 作为大模型应用的两种主流架构，但什么是RAG呢？RAG又涉及了哪些具体的技术呢？

01

【JavaSE专栏54】Java集合类TreeMap解析，基于红黑树的键值对存储结构

本文讲解了 Java 中集合类 TreeMap 的语法、使用说明和应用场景，并给出了样例代码。

04

一些重要的算法博客分类：算法算法网络应用网页游戏领域模型游戏

下面是一些比较重要的算法，原文罗列了32个，但我觉得有很多是数论里的或是比较生僻的，和计算机的不相干，所以没有选取。下面的这些，有的我们经常在用，有的基本不用。有的很常见，有的很偏。不过了解一下也是好事。也欢迎你留下你觉得有意义的算法。（注：本篇文章并非翻译，其中的算法描述大部份摘自Wikipedia，因为维基百科描述的很专业了）

01

超越ToT，苏黎世理工发布新一代思维图GoT：推理质量提升62%，成本降低31%

论文链接：https://arxiv.org/pdf/2308.09687.pdf GoT的关键思想和主要优势在于将LLM生成的信息建模为图（arbitary graph），其中信息单元（思维，LLM thoughts）作为图的顶点，顶点之间的依赖关系作为图的边。 GoT方法可以将任意的LLM思维组合成协同结果，提取出整个思维网络的本质，或者使用反馈回路来增强思维。通过实验可以证明GoT在不同任务上提供了优于现有技术的优势，例如，与ToT相比，排序任务的质量提高了62%，同时成本降低了31% 研究人员认为，GoT方法可以让LLM推理更接近人类的思维和大脑推理机制，比如二者都在内部形成了复杂的网络结构。 LLM思维（thought）的进化之路用户与LLM对话的过程主要包括用户消息（提示，prompts）和模型回复（思维、想法，thoughts），其中回复可以是一段文本（摘要任务）、一个文档（生成任务）或是一个代码块等。为了充分激活语言模型的能力，通常会采用各种提示方法：

04

首家！腾讯云ES通过中国信通院检索增强生成（RAG）技术要求专项测试

2024年4月26日，在中国信通院组织的首家检索增强生成（RAG）技术要求专项测试中，腾讯云ES完成了专项测试的全部内容，成为首个完成此项测试的产品。

01

QQ浏览器是如何提升搜索相关性的？

导言 | 搜索相关性主要指衡量Query和Doc的匹配程度，是信息检索的核心基础任务之一，也是商业搜索引擎的体验优劣最朴素的评价维度之一。本文作者刘杰主要介绍QQ浏览器搜索相关性团队在相关性系统及算法方面的实践经历。值得一提的是，本文会特别分享在QQ浏览器搜索、搜狗搜索两个大型系统融合过程中，在系统融合、算法融合、算法突破方面的实践经验。希望对搜索算法以及相关领域内的同学有帮助。业务介绍搜索业务是QQ浏览器的核心功能之一，每天服务于亿万网民的查询检索，为用户提供信息查询服务，区别于一些垂直领域的站内搜

01

QQ 浏览器搜索相关性实践

搜索相关性主要指衡量Query和Doc的匹配程度，是信息检索的核心基础任务之一，也是商业搜索引擎的体验优劣最朴素的评价维度之一。本文主要介绍团队在相关性系统、算法方面的实践经历，特别是在看点搜索、搜狗搜索两个大型系统融合过程中，在系统融合、算法融合、算法突破方面的一些实践经验，希望对搜索算法、以及相关领域内的同学有所帮助及启发。作者：jesangliu，腾讯 PCG 应用研究员 1、前言搜索相关性主要指衡量Query和Doc的匹配程度，是信息检索的核心基础任务之一，也是商业搜索引擎的体验优劣最朴素的评价

03

NL2SQL进阶系列(5)：论文解读业界前沿方案（DIN-SQL、C3-SQL、DAIL-SQL）、新一代数据集BIRD-SQL解读

NL2SQL基础系列(1)：业界顶尖排行榜、权威测评数据集及LLM大模型（Spider vs BIRD）全面对比优劣分析[Text2SQL、Text2DSL]

01

OneCode 低代码领域驱动设计（DDD）（三）深度解析视图建模-列表

列表视图，主要由两部分来组成，领域服务主要负责，实体相关属性以及路由动作相关的操作。由领域设计完成相关的应用（具体设计部分请参考一，二章节），本文将重点讲解列表视图配置相关的设计模式。

06

Elasticsearch Relevance Engine---为AI变革提供高级搜索能力[ES向量搜索、常用配置参数、聚合功能等详解]

今天要介绍的 Elasticsearch Relevance Engine™ (ESRE™)，提供了多项用于创建高度相关的 AI 搜索应用程序的新功能。ESRE 站在 Elastic 这个搜索领域的巨人肩膀之上，并基于两年多的 Machine Learning 研发成就构建而成。Elasticsearch Relevance Engine 将 AI 的最佳实践与 Elastic 的文本搜索进行了结合。ESRE 为开发人员提供了一整套成熟的检索算法，并能够与大型语言模型 (LLM) 集成。不仅如此，ESRE 还可通过已经得到 Elastic 社区信任的简单、统一的 API 访问，因此世界各地的开发人员都可以立即开始使用它来提升搜索相关性。

04

如何使用DNS和SQLi从数据库中获取数据样本

泄露数据的方法有许多，但你是否知道可以使用DNS和SQLi从数据库中获取数据样本？本文我将为大家介绍一些利用SQL盲注从DB服务器枚举和泄露数据的技术。

01

让企业知识触手可及，乐享基于腾讯云ES的RAG应用实践

腾讯乐享利用腾讯云ES的一站式文本检索和向量检索混合搜索能力，打造面向企业级知识管理的智能问答模块。通过精准的信息检索、严格的权限管理和全流程的知识管理，帮助企业内部员工和外部伙伴高效挖掘企业和组织的知识金矿。

01

【聊聊开发中十分重要的“必抓！”算法】

这两种递归排序算法的思想都是将排序问题拆分为更小规模的子问题，然后递归求解，并通过合并或分区操作将子问题的结果合并成最终的排序结果。

02

树形分类设计

1. 概述在开发中，我们经常会涉及类别相关的树形结构的开发，比如： 📷 2. 数据库设计对于上图这样的分类树形结构，我们来看一下下面的category表的设计。 cat_level：当前分类属于树形结构第几层。 show_status：是否在树形结构中显示当前层级。 parent_cid：当前分类的父分类。 sort：分类排序。 📷 3. 后台生成树形结构 /** * 封装树形结构 * @return */ @Override public Lis

02

这篇论文，透露谷歌团队构想的“未来搜索”

作者 | 青苹果来源 | 数据实战派头图 | 付费下载于 IC Photo 传统的信息检索（IR, Information Retrieval）系统，并不直接回应信息需求，而仅提供对内容的参考。排序（Ranking）是该范式的关键组成部分。这样的检索系统为用户提供了潜在答案的选择，实际上也给用户带来了相当严重的认知负担。开发问答（QA, Question Answering）系统的动机之一，正是在于希望返回的是答案而非结果的排序列表。现在已经有很多关于 QA 系统的研究，然而现实中的大规模成功案例

01

提示工程Prompt Engineering

上一篇大型语言模型LLM中，介绍了什么是LLM、LLM的基础内容，并提到LLM将利用词汇的分布生成文档。这一篇是关于提示和提示工程的介绍，主要内容是我们如何影响词汇的分布。

01

知识图谱和 LLM：多跳问答

检索增强生成（RAG）应用程序通过将外部来源的数据集成到 LLM 中，擅长回答简单的问题。但他们很难回答涉及将相关信息之间的点连接起来的多部分问题。这是因为 RAG 应用程序需要一个数据库，该数据库旨在存储数据，以便轻松找到回答这些类型问题所需的所有内容。

01

LlamaIndex使用指南

LlamaIndex是一个方便的工具，它充当自定义数据和大型语言模型(llm)(如GPT-4)之间的桥梁，大型语言模型模型功能强大，能够理解类似人类的文本。LlamaIndex都可以轻松地将数据与这些智能机器进行对话。这种桥梁建设使你的数据更易于访问，为更智能的应用程序和工作流铺平了道路。

02

RAG应用程序的12种调优策略：使用“超参数”和策略优化来提高检索性能

本文从数据科学家的角度来研究检索增强生成(retrieve - augmented Generation, RAG)管道。讨论潜在的“超参数”，这些参数都可以通过实验来提高RAG管道的性能。与本文还将介绍可以应用的不同策略，这些策略虽然不是超参数，但对性能也会产生很大的影响。

03

RAG-GPT实践过程中遇到的挑战

大型语言模型(LLM)的新进展，包括ChatGPT，为AI应用提供了新的能力，使其能够构建新的人机交互解决方案、完成复杂任务、总结文档、回答文献中的问题并生成新内容。然而，LLM在获取最新知识或企业内部知识库中的领域特定知识时仍存在局限性。解决此问题的两个选项是：

00

基于Shiro,JWT实现微信小程序登录完整例子

小程序官方流程图如下，官方地址 : https://developers.weixin.qq.com/miniprogram/dev/framework/open-ability/login.html :

03

精彩手绘全解：RAG技术，从入门到精通

本文整理自IVAN ILIN发布于Towards AI的博客[1]。感谢作者的精彩讲解。

01

独家 | 采用BERT的无监督NER（附代码）

图1. 展示了未微调的BERT(bert-large-cased)无监督NER标记的句子样本

02

一篇大模型Agent工具使用全面研究综述

使用大型语言模型（LLMs）进行工具学习已成为增强LLMs能力以解决高度复杂问题的一个有希望的范式。尽管这一领域受到越来越多的关注和快速发展，但现有的文献仍然分散，缺乏系统性的组织，为新来者设置了进入障碍。因此对LLMs工具学习方面的现有工作进行全面调查，从两个主要方面展开：（1）为什么工具学习是有益的；（2）如何实现工具学习，以全面理解LLMs的工具学习。根据工具学习工作流程中的四个关键阶段对文献进行了系统性审查：任务规划、工具选择、工具调用和响应生成。

01

在 IDE 中实现自然语言搜索代码：RAG 策略的设计与落地

最近，我们为 AutoDev 的 VSCode 版本中重新引入了先前设计的自然语言搜索代码功能。即，你可以使用自然语言提出问题，AutoDev 将搜索代码，并使用现有代码库作为上下文，来辅助你理解现有的代码库。你可以在 VSCode 的应用商店中搜索 AutoDev 或者 GitHub 上下载与安装最新版本。（由于精力所限，加现有的架构设计不够轻量，暂时没有支持 Intellij 平台的计划。）

00

17岁高中生都发AI论文了！OpenAI实习生提出分层强化学习新算法

机器之心编译来源：Wired、OpenAI等机器之心编译参与：黄小天、路雪、刘晓坤虽然只有 17 岁，但是 Gunn High School 学生 Kevin Frans 已经有 7 年多的编

17岁高中生都发AI论文了！OpenAI实习生提出分层强化学习新算法

OpenAI 成立近两年，发表了大量研究论文，而这周四的一篇论文却与众不同：其第一作者是名高中生。这位少年英才叫 Kevin Frans，就读于 Henry M. Gunn 高中，现为 OpenAI 实习生。两年前，他 15 岁，首次训练神经网络，一个语音或人脸识别系统。受到 Atari 游戏和 AlphaGo 有关报道的启发，他阅读了大量论文，并部分地复现了它们。「我喜欢让计算机去实现看起来不可能的事。」Frans 说，脸上泛着笑容。他创作过一个交互式网页，可以用漫画风格为线条素描自动上色。

03

GPT模型在化学领域可以做些什么？

今天为大家介绍的是来自Xiangliang Zhang团队的一篇关于GPT能力讨论的论文。大型语言模型（LLMs）在自然语言处理任务中具有强大的能力，并迅速应用于科学、金融和软件工程等各种领域。然而，LLMs在推动化学领域的能力尚不清楚。作者建立了一个包含8个实际化学任务的全面基准，包括1）名称预测，2）属性预测，3）收率预测，4）反应预测，5）逆合成（从产物预测反应物），6）基于文本的分子设计，7）分子描述，和8）试剂选择。我们的分析基于广泛认可的数据集，包括BBBP、Tox21、PubChem、USPTO和ChEBI，有助于在实际化学背景下广泛探索LLMs的能力。作者评估了三个GPT模型（GPT-4、GPT-3.5和Davinci-003）在每个化学任务中以零样本和少样本上下文学习设置下的性能。作者的研究的主要结果是：1）在三个评估模型中，GPT-4的性能优于其他两个模型；2）在需要精确理解分子SMILES表示的任务（如反应预测和逆合成）中，GPT模型表现出较弱的竞争性能；3）GPT模型在与文本相关的解释任务（如分子描述）中展示出强大的能力；4）在可转化为分类或排序任务的化学问题（如属性预测和收率预测）中，GPT模型展现出与经典机器学习模型相当或更好的性能。

01

苹果AI放大招？新设备端模型超过GPT-4，有望拯救Siri

在最近的一篇论文中，苹果的研究人员宣称，他们提出了一个可以在设备端运行的模型，这个模型在某些方面可以超过 GPT-4。

01

纯向量数据库和向量插件都有局限，那未来发展有其他方向吗？

导读：向量数据库的争议差不多一年了，但我们一直缺少一篇能透彻讲解向量数据库相关问题的文章，这导致在这个领域的讨论一直没有得到充分的澄清。在这篇文章中，我们将深入剖析向量数据库核心技术的争议点，解释其优势和局限性，为读者提供全面而清晰的了解。本文作者的原标题是《向量数据库路在何方？结合 RAG 的发展谈谈它的未来》。

01

前端状态管理框架之Redux

随着应用程序单页面需求的越来越复杂，应用状态的管理也变得越来越混乱。应用的状态不仅包括从服务器获取的数据，还包括本地创建的数据，以及反应本地UI状态的数据，而Redux正是为解决这一复杂问题而存在的。

02

GPT-4在97轮对话中探索世界难题，给出P≠NP结论

对于身处科研领域的人来说，或多或少的都听到过 P/NP 问题，该问题被克雷数学研究所收录在千禧年大奖难题中，里面有七大难题，大家熟知的庞加莱猜想、黎曼假设等都包含在内。而且这个组织还为能够攻克该问题的研究人员提供了上百万美元的奖金悬赏。

04

中山&港大| 提出DQ-LoRe框架，自动选择上下文示例，为LLMs复杂推理开辟新道路！

大模型（LLMs）在上下文学习方面展现出了卓越的能力。为了提高LLMs在复杂推理任务中的表现，人们提出思维链”（Chain-of-Thought，CoT）的方法，利用中间推理步骤来辅助模型生成。那么，如何有效地选择优秀示例来提升LLMs上下文学习能力呢？

01

【CSS】381- 提升你的CSS选择器技巧

我为什么要这样做呢？我们都知道选择器，但麻烦的是随着时间的推移，很容易习惯于在每个项目中使用相同的可信任选择器来实现你需要做的事情。

04

LLM in Reranking——利用LLM进行重排

重排器（Reranker）作为信息检索的第二阶段，需要根据查询和文档的相关性，对候选文档做细粒度的排序。经典的重排方法一般使用交叉编码器，结合文档和查询的语义信息进行打分和排序。

03

ACL2023 & Amzon | 知识图谱（KG）检索新框架：DiFaR，无需实体链接！

不论是传统语言模型还是现在飞速发展大语言模型，当面对快速更新迭代的背景知识时都存在一定的局限性。知识图谱（KG）作为大模型的信息补充，可以帮助其更好地理解语言提升模型性能。今天给大家分享的这篇文章，「从知识图谱检索机制出发，分析传统知识图谱检索的局限性，提出了直接事实检索(DiFaR)框架」，实验结果表明，该方法大大优于传统知识图谱KG的pipeline检索方法。

02

复杂性分析与算法设计：解锁计算机科学的奥秘

计算机科学中的算法设计和复杂性分析是深奥而有趣的主题。它们不仅是解决计算问题的关键工具，还是评估解决方案的效率和性能的手段。在本文中，我们将深入探讨算法复杂性分析的基本概念和一些常见的算法设计策略，包括分治法、贪心法和动态规划。

01

django模型

每个字段有一些特有的参数，例如，CharField（和它的派生类）需要max_length 参数来指定 VARCHAR 数据库字段的大小

02

When RS Meets LLM：推荐系统如何从大语言模型中取长补短？面向应用视角的全面综述

Github: https://github.com/CHIANGEL/Awesome-LLM-for-RecSys

02

Llama3-8B秒杀700亿巨兽？北大博士生等全新「BoT」框架推理暴涨70倍，24点图形推理一步成神

最近，北大、UC伯克利、斯坦福的研究人员提出了一种元缓冲区（meta-buffer）。它可以存储一系列信息丰富的高级思维，也就是所谓的「思维模板」，它是从各种任务的问题解决过程中蒸馏出来的。

01

三高Mysql - Mysql索引和查询优化（偏实战部分）

实战部分挑选一些比较常见的情况，事先强调个人使用的是mysql 8.0.26，所以不同版本如果出现不同测试结果也不要惊讶，新版本会对于过去一些不会优化的查询进行优化。

04

大模型+RAG，全面介绍！

大型语言模型（LLMs）在处理特定领域或高度专业化的查询时存在局限性，如生成不正确信息或“幻觉”。缓解这些限制的一种有前途的方法是检索增强生成（RAG），RAG就像是一个外挂，将外部数据检索集成到生成过程中，增强模型提供准确和相关响应的能力。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭