那只有大模型和小模型的协调融合,那才真正的实现边缘计算的低延迟、 高并发和高智能。大家好,我是季奎,今天周末来公司加会班,完事录一期视频,讲一个话题, 边缘计算的终极解决方案,大小模型协调。 今天办公大楼没有空调,呃,有点汗流浃背,形象不佳,非常抱歉啊,咱们现在正式开始。很多人的认知里边边缘只能跑小模型, 但随着边缘 ai 芯片性能的日渐强大,还有就是大模型参数轻量化的发展,这个认知应该是已经落伍了。未来的边缘计算的终极形态一定是大小模型在边缘计算中的 协调与共生。在讲这个话题之前,我们先呃解释两个概念吧, 第一个是边缘计算硬件,俗称边缘计算单元、微服务器边缘盒子,英文的话呢,有 age、 m、 e、 c 等等啊,这是第。呃,这是第一个概念, 他是把算力前置到业务现场的一个设备。第二个概念, 小模型,其实小模型是相对大模型而言的,他有两个不同,第一个是参数量的不同,小模型的参数量只有几百万到几千万, 与现在大魔行动不动就呃百亿千亿参数相比,不是一个数量级的概念。第二个的话,它的专用性, 小模型是为特定任务而训练的,也就说它只针对特定任务是有效的。那解释完这两个概念,我们正式开始, 咱们先从小模型开始。小模型主要是 cv 类,小模型 一般分成了几大类吧?第一个是图像分类、 羽翼分割, 目标检测, 还有 ocr、 人脸等等吧,我们以目标检测常用的模型优乐为例,其他的都大同小异。 优乐是从二零一五年发布第一版, 到二零二四年 发布第十一版,已经迭代了十几个版本,至今仍是仍呃,至今仍是目标检测的主流模型优乐的话,工作是分成了两个过程, 第一个是训练,第二个是推理。训练的话呢,是拿成千上万的图片,对图片中的目标进行标注,形成训练级, 输给 gpu 服务器,然后进行训练,生成一个训练好的模型,比如算成的这种模型的格式为 model, 然后把这个模型下载到边缘计算设备中进行推理。 其实推理的过程是训练的一个逆向工程, 它是对模型输入一个图片或者视频,对这个图片或者视频进行剪辑,剪辑出来里边的所要呃分析的目标。 比如第一个 p 是 执行度, espy 是 目标的位置, b h b w 是 目标的宽度和高度啊。 c 一、 c 二、 c 三的话呢,就是呃目标属性。比如说啊,交通啊,常用的人车非的算法,那比如说 c 一 是人, c 二是车辆, c 三是非机动车辆啊, 如果说没有目标,那这个就是零啊,如果说有目标的话呢啊,那就是一定的自信度,到这一步就完成了目标的检测, 在我们人类的认知里边,那就属于眼睛的看见这个动作。 比如说优乐的话呢,他有什么优点或者缺点呢? 它的优点是高效,比如说对于一张照片或者呃一个视频的呃推理啊,可能只需要十几毫秒或者到几十毫秒。 第二次并发,还是以呃有算论的 se 七为例,它可以做到三十多度的并发, 那它的缺点是 针对呃训练集中已有的呃目标和场景是比较有效的。针对 这里面没有的目标,比如说一个很奇怪的车,原来训练的时候没有这种类型,那大概率是识别不到的。 第二是场景,比如说原来训练集中主要是白天晚上下雨等等场景下的,但是没有雪天的,呃,如果说退的时候有一些下雪场景下的目标检测,那大概率也是识别率会比较低的。 从目标检测到我们夜晚需要的状态 和事件的 感知,那是怎么的一个过程呢?那主要是靠规则, 也就是我们手动的写一堆 f 的 代码对他进行约束,那这种产生的状态和事件有什么缺点呢?也有两个,第一个是 目前场景下比较有效,如果说换一个场景,那可能就会失效。 第二个是,嗯,行为比较相似的,呃一些事件吧,你比如说 打架和玩闹,你比如说摔倒和洗耳水, 那有可能会分不清。那这也就是说为什么在小目标呃小模型的时候,边缘计算处于一种能用 但不好用,无法普及的一个尴尬状态。 那大模型是不是能解决这些问题呢?我们往下继续聊。 大模型,最初呃大多基本上都是语言类模型,那像国外的有像 g、 p、 t 啊,还有那个 luma 的 啊,国内的话呢,有千万 有 difficult 等等。呃这些模型的话呢,这两年都在做几个工作吧?第一个是参数的轻量化, 第二是呃从语言模型往做模态模型去延展。 那还是我们以呃千问的三点零的 vr 模型为例, 那这个模型的话呢,有四 b 的、 八 b 的 多个版本。 呃,如果以英特法量化的话呢,它所需要的空间可能也就十 g 以内,完全可以放到我们的边缘设备中去。 呃,千万的三点零的 vl 模型啊,有几个特点, 第一个是 常识,它对常识的理解,第二是泛化能力, 第三是对多模态的,比如说文本视频的推理或理解能力。 第四是思维链的,呃,一个能力, 有这些能力的话呢,那针对我们边缘的一些问题啊,那他就可以结合上下文 背景, 结合上下文的理解和背景的等等的理解, 就可以弥补一些小模型的一些呃缺陷和不足吧。比如说一些原来没有去练的器官目标或者特殊场景的目标检测, 我们把可以把它丢给大模型进行二次检测,那比如说原来 推理过程中的一些呃错误的或者低知心度的事件,那我们可以推给大模型进行检测,通过大模型对这个的加持,那我们可以实现 行为的理解。 第二是事件的分析,还包括决策的预测。 那到这一步的话呢,那就可以真正实现从看见到看懂, 那就是人类理解的两个层级吧,就这个属于眼睛能做的事情,那大模型的补充的话,就可以实现大脑的呃层级的事情。 讲到这一步的话呢,可能有人会问说,既然大模型那么强大,那为什么不把所有的任务都给大模型啊?不用小模型,那这还真行,因为小模型有两个优点,就是高效和并发, 一个小模型的推理可能只需要几十毫秒,一个大模型的推理可能需要几百毫秒 到几秒,那只有大模型和小模型的协调融合, 那才真正的实现边缘计算的低延迟、高并发和高智能。所以说,未来边缘呃边缘计算的竞争不仅仅是 拼算力、拼参数,而更多的是一种呃大模型和小模型的部署融合、协调与共生的能力。 只有边缘计算能达到了更高效,更低延时。嗯,更高智能,那在其他很多场景下才能实现 边缘计算的能用、好用、快用,从而解决一个快速普及的作用。 呃,不知大家是不是认同我这个观点,欢迎评论区聊一聊,后边还会录一期视频, 讲一讲几个典型场景下边缘计算的大小模型的协同的案例。谢谢大家记得给我帮忙点赞关注哟!
粉丝165获赞399

对于大家呼声最高的文档模块,这次我们直接做了全新的重构,解决了大家之前反馈的很多痛点。那首先第一个,大家终于有了授权的文件夹模式了, 这次我们做了层级的文件夹,和大家平时用的文件管理器是一样的,一目了然,整理文件再也不用头疼了。然后就是授权这块,我们把权限的颗粒度做到了节点级, 不管是哪个文件夹,哪个单独的文档,你都能给他设置独立的权限,哪些人能看,哪些人能改,都能配的明明白白,再也不用担心敏感文档误泄露了。 还有我们支持了多种轻量化格式的在线预览,不用下载点开就能看,尤其在跨团队写作的时候,简直不要太方便哦。我们来看一下演示, 我们切换到项目中新的文档模块,此处可以查看整个文档模块的完整文件夹层级,支持在文件夹树上直接快速创建文件夹层级,支持直接下载文件夹, 支持重命名文件夹,支持移动文件夹至其他文件夹下。支持复制整个文件夹至其他文件夹下。 此处可以给文件夹设置权限,支持添加成员或团队分组。权限分为可管理、可编辑、可查看或下载,仅可查看。 子文件权限会自动继承父文件的权限,父文件夹的权限修改后,子文件夹会自动生效。当然也可以根据业务需求再次手动修改子文件夹的权限,修改后将不再继承父文件夹的权限。支持批量上传文件, 也支持上传整个文件夹,文档也支持下载重命名、移动创建副本等功能。文档也有权限管理,也会继承文件夹的权限,与子文件夹的权限逻辑一致。 支持关键词快速搜索文档。有文件更新,我们可以点击上传新版本功能,直接将本地的新版本文件进行上传,旧文件会作为旧版本存在。 文档模块支持查看 r、 v、 t 文件的轻量化模型。预览界面也支持下载文件, 在这里可以查看当前文档的所有历史版本。此处也支持上传新版本文件,所有的历史版本均支持下载, 支持删除相应的历史版本。支持查看 d、 w、 g 文件的切量化模型,支持查看 f、 b、 x 文件的切量化模型,也支持 skp 和三 d m。

那么自建应用模块也是本次升级的重点, render 端支持查看自建应用模块表单流程,支持自选审批人模式。我们用一个问题管理的应用势力给各位来演示一下。 我们先打开清量化模型,在审核模型时,当发现模型中有问题后,可以采用我们表单创建问题,点击添加数据,填写问题信息, 点击添加视点,在模型问题处放置标记点,生成相应视点,点击提交,选择相应的问题负责人,点击确定即可完成问题的创建。 我们切换到软件设计端,此时并工程师就能在设计软件端表单即可看到你为他创建的任务了。点击查看问题详情,点击视点定位即可定位到问题所在,工程师根据要求修改模型, 模型修改完成之后,点击去处理,填写完成修改的时间,添加修改后的视点,点击提交即可完成。 然后我们发布下修改后的模型,此时相应的模型审核人就会在消息中收到对应的信息。 点击打开详情,点击定位即可打开模型,查看修改后的内容。如果觉得修改没问题了,我们设置验收,通过选择验收人以及验收时间,点击提交即可完成此次流程。 如果修改的不满意,可点击回退,选择回退节点,填写回退原因,让工程师重新修改。接下来我们来讲一下如何创建模型问题清单。表单,点击新建,选择流程表单, 输入表单名称,点击确定即可进入表单编制界面。此处我们可以通过字段的功能支持实际的业务需求创建相应的表单,此处我们创建并无问题报告表单,我们拖入一个单行文本字段作为问题名称, 我们设置字段的标题为问题名称。我们还可以设置字段的人更清晰的了解该字段的含义。 默认内容我们可以设置为自定义值,数据联动或者公式编辑,我们可以设置该字段是否为 b 填项,此处我们勾选为 b 填项,还可以设置该字段的宽度。 接下来我们再拖入一个视点字段,因为问题报告我们必然需要添加问题的视点方便定位。我们设置视点字段的标题为模型问题截图,添加视点的按钮文字也支持自定义, 我们尽量画端。添加试点的方式有标记点模式,通过放置标记点来生成试点和直接添加模式。点击添加试点,直接添加供用户选择。接下来我们再拖入一个试点字段作为问题修改后的截图, 我们输入标题为问题修改后的截图。最后我们根据业务需求,根据以上的方式继续完善表单的内容即可。 最后点击保存即可完成表单的设计。接下来我们进行表单对应的流程设计。 首先我们点击提交节点,因为提交节点是不需要看到问题修改的字段以及验收的字段的,所以我们将这些字段设置为不可见,那么提交人在提交表单时是看不到这些字段的,也无需填写。 我们先添加一个审批节点作为接收问题并修改的节点,设置节点名称为问题负责人,我们设置审批人为提交人自选,让提问题的人选择相应处理问题的人。这里我们也可以设置对应的选择范围,可以指定成员、指定分组和指定角色。 因为此节点是需要让工程师去修改模型的节点。我们可以将拒绝操作给关闭,禁止工程师拒绝 我们的流转。规则有两种,任意审批人审核完成进入下一个节点。全部审批人审核完成,进入下一个节点。此处我们设置为任意审批人审核完成,进入下一个节点。 因为这个节点是需要让工程师填写修改后的相关内容的,所以我们将提交节点的字段均设置为可见,但是不可编辑。关于修改的字段,我们设置为可编辑验收相关的字段同样设置为不可见。 接下来我们再添加一个审批节点作为验收节点,输入名称为问题验收。 此处我们配置固定的审批人去审批。此处因为是验收节点,所以我们需要勾选拒绝和回退操作,以及勾上操作意见。 此处我们就设置验收的字段为可编辑,其他字段均为可见,不可编辑,点击保存即可完成整个流程表单的创建。 此处可以通过图标的方式将散在各处的数据集中查看。这里可以看到全部问题数量,不同严重程度的问题数量,不同类型的问题数量。点击新建输入仪表盘名称即可完成创建。 拖入一个文本组建作为标题,输入标题名称,调整相应的尺寸。 接下来我们拖入一个统计表,做全部问题的统计。我们选择一个数据源, 输入该图的名称。我们采用指标图,我们以问题编号作为指标,软件会根据编号进行自动计数。接下来我们再来做一个不严重程度的问题数量, 输入该图的名称,我们采用柱形图,我们以严重度作为维度,问题编号作为指标, 其他表也按照相同的操作进行处理即可。最终我们就可以做成这样一张仪表盘。

石头大师更新后,这五个真相功能让你笑里拉满开!新建模第一个,这是酷功能,任何合适的文件都能上传,不管是 rvt 模型、 视频、音频文档、 cd 图纸,所有格式来者不拒。大家都知道,平时做的项目,甲方爸爸都会给大量的资料文件,随着项目的推进也会产生许多的问题。这个时候有的地方上传资料文件留底 能编辑能同步,图纸更新都能实时跟进,还能自定全新设置,谁能改谁不能改,给你限制的明明白白,真的绝! 第二个,云样板裤,这个云样板裤涵盖电器及排水、建筑结构、暖通施工等多种标准样板,再也不用东找西找了。你有自己收藏的样板也能直接上传,就是方便打开协同大师 挑个样板直接建模,软软的,崩溃也不用怕,自动保存效率飙升。第三,二维码查看轻量化。还记得之前给你们说过的轻量化分享吗?一个链接网页、手机都能看模型,好 家伙,上次我们老大出差上工地了,我以为能摸鱼一周,结果让我发了携程分享链接给他,硬是给我标了好几个要改的地方。现在这个轻量化分享功能多了个二维码分享,扫一扫就能看,简直不能更方便! 四、分组收藏项目太多不用慌,分组收藏帮你忙杂乱的项目分类分组重要的项目收藏干净明了,方便查找拓展排序,想怎么放就怎么放,舒适度拉满。 最后一个,模型回收站好了,暴露了!对,没错,我就是那个首届商丘模型被老大团团骂了一周的那个。这个模型回收站 功能可以说是特别暖心了,拖进回收站模型能给你保存三十天,删错模型也不怕。协同大师所有功能可无条件无门槛免费体验,直接做项目也完全无限制,欢迎免费下载体验吧!

二零二六年十二款主流 crm 深度测评二零二六年企业数字化转型走向深入, crm 已从单一客户管理工具升级为打通获客、跟单、供应链、生产、财务、 客服的全链路协同平台。本问对十二款主流 crm 产品进行测评,结合能力特点与适用场景,为企业选型提供参考。一、产品核心介绍 一、超兔 c r m 超兔一体云国内深耕二十一年的 s a a s 产品服务超六万家成长型企业,尤其适配工业、工贸行业,搭载全业务一体化架构,整合 c r m 进、销、存、生产、财务、 薪资等模块,数据天然互通, ai 能力成熟,支持自定义智能体录音分析、自动化工作流,拥有全套可式化定制引擎,无需大量开发即可实现个性化配置。一、拖 open crm 体系打通上下游协同, 支持多端使用,与第三方系统对接,组织架构与全线体系完善,系统稳定性强。二、 salesforce 全球标杆级企业级 crm, 支持云端混合部署, pass 平台与应用生态完善, 搭载 s 坛 g p t a i, 可实现销售预测、智能跟单,综合实力强劲,适配高科技、金融、零售等行业的中大型国际化企业,满足跨区域团队合作需求。三、 pubsport c r m 主打入站营销的云端平台,营销、 销售、服务、建站工具深度融合,界面简洁,上手门槛低,侧重搭建营销销售服务闭环,适合互联网零售专业服务类中小微企业。四、 microsoft dynamics 三六五 微软生态产品部署模式灵活,与 office、 teams 等办公软件无缝联动,低代码与 copilot ai 表现突出,定制开发便捷,适配全行业企业,尤其适合以使用微软办公体系,有跨部门管理需求的团队。五、 sap sales cloud 一、 托 sap erp 生态, 可与生产、供应链、财务系统数据互通,数据稳定性极强,主打工业制造、快销、能源等领域的大型集团,适配产销,携同类业务场景。六、 oracle cx 大 型客户体验管理平台,海量数据处理、全渠道运营,营销自动化能力突出,可承接高病发业务 合规性表现优异,面向金融、电信、零售等超大型企业。七、 type drive 轻量化云端销售工具,界面极简销售漏斗可适化,跟单提醒、绩效追踪为核心功能,操作简单,落地快,适合 b two b 服务贸易类小微团队。八、 fresh sales 全渠道销售 crm 整合多渠道客户入口,搭载 freddy ai 提供意向分析、智能跟单配置简单适配电商、本地生活服务类中小微企业,实现销售与客服一体化管理。 九、澳读 crm 开源一体化管理套件部署灵活,开源特性带来极强自定义能力,配套进、销、存、财务、生产等完整模块,适合拥有技术、团队个性化、需求高的中小微企业。十、 sugar crm 高定制化开源 crm 流程与全线设置,灵活支持离线使用,可适配复杂销售模式,面向科技制造、专业服务类中小型企业。十一、 vivo crm 生命科学领域专属云端 crm, 深度契合医药、医疗器械行业合规要求, 覆盖学术推广、客户拜访、数据留痕等专属流程,是该行业主流选择。十二、 zendixl 与自有客服系统深度打通,实现线索到售后全流程追踪,侧重销售与客服协同,适配 s a a s 专业服务电商企业二、选型参考建议, 工业工贸类、成长型企业首选超兔 crm, 全业务架构可满足全流程管理与长期拓展需求。国际化大型集团可结合现有 it 生态,选择 sup、 oracle 用户搭配对应产品。 微软体系企业选用 dynamics。 三六五追求生态拓展可选 salesforce, 垂直行业按需选择医药、生命科学行业选用 vivo crm, 重视营销获客选 hubspot, 看重消服协同可选 zendiscell。 中小微团队仅需基础销售管理 可选用 type drive、 fresh sales。 具备技术团队需要深度定制的企业可考虑 o do、 sugar、 c r m。 企业选型需结合自身业务与发展规划,优先选择扩展性强的产品,降低系统更换成本。

当下, ai 技术不断革新,带动企业数字化转型全面提速,越来越多企业期望通过 ai 赋能业务,打通上下游系统,简化开发与运维流程。 可现实中,想搭建 ai 智能体对接 erp 业务,却不懂协议适配,对接门槛极高。想调用业务接口做系统集成,却要不断调整签名,反复调试代码耗费大量时间。想实现研发流水线自动化,却没有官方标准化工具可用。 现在,即刻云开放平台顺应行业发展趋势,重磅推出 m c p 服务加 c l i 命令行工具,专为企业开发者与 ai 智能化场景打造核心,解决传统系统对接复杂、接口开发繁琐、 ai 业务落地难、运维缺少标准化工具等一系列业务痛点。 两大能力各司其职,互补赋能。极客云 mcp 基于标准化协议搭配安全 token 授权,商家可通过各类 ai 智能体无缝直连极客云订单、库存、采购、基础档案等核心业务。 即刻云 c l i 当文件无依赖免安装,本地调试可集成到 ai 智能体,全接口数据可调用,较 m c p 更广泛。内置接口自动签名能力。 两大工具整体操作门槛极低,普通人也能快速上手,落地效果更是直观可见。若商家已在即刻云开放平台创建应用,那么在 m c p 中只需完成授权配置、订阅业务工具, 绑定 ai 平台即可完成接入。即刻云 mcp 让 ai 真正能用业务数据会查业务数据,省去人工整理和重复查询。 在 cli 中,一条命令就能直接调用开放接口,无需复杂代码开发,且当即刻云 cli 集成到 ai 智能体, ai 查数据只是基础,更能实现单据创建、数据同步纠错等操作快速便捷,超乎想象。极客云 mcp 加 cli, 让系统对接更简单, ai 落地更轻松,开发运维更高效。

出图软装模型替换,我们大部分模型都会放入具体的模型库, 例如这个床模型,为了更快的出图,降低模型的面数量,符合出图的规范,我们会把所有软装模型进行处理,对出图模型进行优化, 通过优化模型从四百兆优化到一百五十兆,这样更新图纸和修改模型就变得轻量化,达到高效出图的必备条件之一。 其中我们需要借助为大家准备好的极简模型库进行模型替换,在这里已经覆盖了常用的优化模型,最终出图就符合开的图块形式。

大家好,我是老孙,上一期我们拆解本地生活探店代运营,如何靠 openclaw 打破接单产能瓶颈。本期聚焦全品类自媒体 ip、 短视频博主、图文博主、知识博主、私域 ip 专栏创作者全部使用。 现在做自媒体内卷严重脚本文案标题、社群话术、小题复盘消耗大量时间,一天大半时间耗在重复性文字工作,没有精力打磨内容创意运营、粉丝对接、商业广告。 今天从 open klo 自研多智能体技术维度,完整拆解自媒体全流程智能化落地玩法。二零二六自媒体行业调研,自媒体创作者日均百分之七十七公时耗费在短视频脚本、图文案、小题规划、粉丝社群回复、复盘台账、招商合作文案等重复事务。 四大核心痛点,每条内容从零创作,批量更新,产能不足,小题标题反复试错耗费大量时间,粉丝消息重复回复维护效率低, 账号数据手工整理,复盘广告、招商文案量产难。普通通用 ai 是 单模型独立输出,无自媒体专属流程引擎,无法联动选题库、粉丝台账、内容模板, 自媒体落地使用率不足百分之九。 opencloud 依靠自研多智能体协调架构,从技术打通内容创作、粉丝运营、商业变现全链路普通 ai 单一模型运行,不能固化内容工作流,无结构化数据复盘引擎仅能零散生成,短距,整体创作效率仅提升百分之十二。 opencloud 四大核心底层技术,一、多智能体并行协调架构。二、自媒体专属工作流固化存储。三、小题数据结构化分析引擎损失档案轻量化分层管理系统 实测硬核数据落地,可替代百分之八十八。重复文案,数据整理工作,短视频图文内容产出效率提升三倍。工作流固化批量产出全平台内容,提前搭建口播图文、小红书专属模板,输入赛道核心观点,一键批量生成脚本正文爆款标题,实现多账号日更无压力。 结构化数据引擎自动做选择题与账号复盘,导入往期播放互动数据, ai 自动筛选高流量小题方向,生成数据复盘报告,精准把握用户喜好。多智能体同步并行作业、内容创作、粉丝答疑、招商文案三大智能体同时运转,同一时段完成协稿、社群维护、广告对接多项工作。 轻量化粉丝分层档案管理规章、粉丝提问编号, ai 自动生成分层社群话术、直播互动文案,提升粉丝粘性与转化。 批量产出商业变现、物料营销智能体批量生成广告合作简介课程引流文案私域转化话术拓展、自媒体变现渠道。落地前文案复盘琐事挤占全部时间,更新慢,粉丝维护粗糙,广告接单量受限。 落地后重复文字,数据整理交由 ai 处理。创作者专注创意策划、镜头表达、商业谈判等高价值工作。 实测数据无效,工作时长减少百分之八十一,单人可稳定运营,账号数量提升百分之三十二。自媒体广告课程综合营收提升百分之二十九以上。 闭坑提醒, opencloud 仅为内容辅助工具,核心创意、镜头表现力、真人直播互动必须由创作者把控, ai 生成内容需要结合自身 ip 风格,修改优化粉丝隐私账号数据,做好保密管控。老孙总结, 自媒体 ip 核心是独特内容人设与粉丝信任。 opencloud 一 托自研多智能体技术,砍掉所有低价值重复工作,打破单人内容产出天花板,是自媒体人稳定更新、放大变现收入的核心工具。 下一期,我们开启全系列收官综合复盘,汇总所有行业 opencloud 的 通用工作流,统一部署流程,一次性覆盖全部赛道,落地逻辑 评论区,留下你的自媒体赛道,领取 openclaw 自媒体 ip 专属工作流模板。想要系统深度学习,可以加入我的学员训练营,我是老孙,专注 openclaw 技术实战落地,咱们下期再见!

现在企业常见的现状,多品种、小批量、短焦期、新常态市场现状,中小企业呈核心增长级。企业痛点 e r p 与 miss 之间的计划排成断层,百分之九十企业存在核心断点,仍依赖 excel 加人工排产。 传统 a p s。 三高门槛导致叫好不叫做,采购成本高、实施成本高,誉为成本高 企业痛点。生产计划与执行协调的五大断层计划断层联动失效与数据孤岛、计划盲区颗粒度粗糙与延误叠加、 执行黑洞、班组无序与进度脱节。低代码清单化 a p s。 解决方案适配场景六大限性排程生产特征搭建逻辑,从订单到完工的全流程闭环。 核心业务流程生产执行与 a p s。 排成闭环,可以实时跟踪订单状态和生产进度。 a p s。 管理解决方案价值六大维度能力重构 排成智能化重构订单交付力,强化产能资产盘活、数据驱动化升级、成本精益化管控,全链路协调整合低代码轻量化 a p s。 管理解决方案,助力企业数字化转型。

家人们,今天咱们不搞虚的,直奔主题,咱们来好好唠唠 coco 和 no sql 这俩数据库大佬,看看他们到底适合啥场景,尤其是咱们做社交业务的,数据该往哪放才靠谱?话不多说,正式开整。 可能有小伙伴会问,选数据库不就是随便挑一个吗?错!大错特错,选数据库就跟找对象似的,不是看谁跟咱们的业务合得来。 sequel 和 no sql 各有各的本事,找对了咱们的系统就顺风顺水,找错了,那就是天天踩坑。 先给大家讲两个基础原则,记好喽!第一,大多数情况下, sequel 和 no sql 都能凑合用,没有谁比谁绝对牛,关键看咱们的需求。 第二,划重点,如果咱们的业务需要,要么全成,要么全败,也就是事务,那直接冲 sql, no sql 大 多还没这本事,别硬扛。 接着上一页说第三个原则,俩数据库各有拿手好戏, sql 擅长管规整的数据,查起来花样多, no sql 擅长搞分布式,扩容起来不费劲。 第四个原则更重要,成熟的项目不会一棵树上吊死,俩数据库搭配着用才能发挥最大威力。 咱们先唠唠 coco 这位老大哥,他的优势很明显,第一,能管各种规整的结构化数据,自断,想怎么设就怎么设,所以想怎么建就怎么建。第二,复杂查询他拿手,不管多绕的查询条件他都能搞定。 第三,资历老,底子厚,用着放心,不容易出岔子。再说说 no s q l 这位后起之秀, 他走的是简约路线,主打一个 key value, 存储简单好上手。最厉害的是分布式能力,自动扩容、自动备份,机器挂了也不怕,而且面对简单的高频查询,他比 c 扩反应还快,主打一个高效省事。聊完理论,咱们来实战, 先看用户表, user table 行业里几乎都用 coco 来存,为啥?第一, coco 靠谱,这么多年了没出过啥大问题。第二,用户信息字段多,手机号、邮箱、用户名想怎么查就怎么查, coco 的 哆嗦隐能力刚好能用上,太适配了。 再看好友关系表, friendship table, 这就得换 no s q l 上场了。好友关系多简单啊,无非就是 a 关注 b, b 是 a 的 粉丝,查询也简单, no s q l 处理这种简单查询又快又省资源,比 coco 更合适,这也是行业里的通用操作,准没错, 光说不练假把式。第一个实战任务来了,用 no sql 存单向好友关系,说白了就是存谁,关注了谁。核心就三个要求,能查某人,关注了谁,能查某人的粉丝是谁。能判断俩人是不是关注关系 不难,大家动动脑筋就能搞定。第二个任务有点小挑战,用 no sql 存用户信息,还得支持按 id、 用户名、手机号、邮箱四种方式查。 咱们都知道 no sql 不 擅长多维度解锁,这就需要咱们想点小技巧突破它的局限,好好琢磨琢磨,你肯定能想到办法。 第三个任务都是社交软件的核心功能,一是查共同好友,比如你和陌生人之间有多少共同朋友,这个很实用。二是六度人脉,就是查你和某个大佬之间隔了几个人。这里可以试试广度优先搜索 bfs 算法,很好用,大家可以琢磨琢磨, 想提升的小伙伴看过来,给大家推荐几份干货文献。第一份是亚马逊 dinosaur db 的 论文,想搞懂分布式数据库的必看。第二份是 facebook 的 缓存论文,里面全是干货。 第三份是行业踩坑指南,关于数据库选型、好友存储的问题,里面都有答案,没事多看看。 最后总结一下,选数据库真不是靠瞎蒙,而是看业务需求,搞懂 sql 和 no sql 的 本事,知道啥场景用啥,再通过实战练一练,你就能搭建出稳定又高效的数据体系。今天就到这,希望大家都能学有所获,咱们下次再见!

来看看怎么用手机查看并用模型吧!首先需要在协同大师上将模型进行发布,生存好的天然化模型可以进行分解查看,且可以生存链接和二维码。在手机端打开模型不仅能够缩放和旋转,还可以查看模型中已经创建好的形式,有没有觉得很方便呢?