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

如何从子上下文中检索对象到另一个上下文中？

从子上下文中检索对象到另一个上下文中可以通过以下几种方式实现：

序列化和反序列化：将对象序列化为字节流或字符串，然后在另一个上下文中进行反序列化，重新创建对象。这种方式适用于对象需要在不同的进程或网络节点之间传输的情况。在云计算中，可以使用腾讯云的对象存储服务 COS（https://cloud.tencent.com/product/cos）来存储和传输序列化后的对象。
数据库：将对象存储在数据库中，然后在另一个上下文中通过查询数据库来检索对象。数据库可以提供持久化存储和高效的数据检索能力。腾讯云提供了多种数据库服务，如云数据库 MySQL（https://cloud.tencent.com/product/cdb_mysql）、云数据库 MongoDB（https://cloud.tencent.com/product/cos）、云数据库 Redis（https://cloud.tencent.com/product/cos）等。
消息队列：将对象封装成消息，发送到消息队列中，然后在另一个上下文中订阅消息队列，接收并处理消息，从而获取对象。消息队列可以实现异步通信和解耦，适用于高并发场景。腾讯云提供了消息队列服务 CMQ（https://cloud.tencent.com/product/cmq）。
远程调用：通过远程调用方式，在另一个上下文中调用子上下文中的接口，获取对象。可以使用腾讯云的云函数 SCF（https://cloud.tencent.com/product/scf）来实现无服务器的远程调用。

需要根据具体的场景和需求选择适合的方式来实现从子上下文中检索对象到另一个上下文中。以上是一些常见的方法，腾讯云提供了相应的产品和服务来支持这些方法的实现。

相关搜索:如何从django模板的上下文中检索列表对象上下文中的全局变量如何在camel上下文中节流 CoreData:从未保存的上下文中获取对象 Gridsome API -在上下文中传递对象/数组 mapstruct -在复杂对象上下文中可迭代到不可迭代如何在此上下文中添加图例？如何在上下文中预选<option>？如何从上下文中获取视图中对象的id？验证对象是否已在Entity Framework上下文中核心数据上下文合并(在子上下文中创建的对象)从lambda事件或上下文中动态检索SQS队列URL 如何从静态上下文中获取资源内容？如何在节点red上下文中存储数组如何在gin请求上下文中设置数据？如何描述"remoteJenkinsFileWorkflowMultiBranchProjectFactory“上下文中"remoteJenkinsFileSCM()”的值？如何从上下文中设置用户字段值？如何在静态上下文中等待线程？在React中使用另一个上下文中的上下文如何在Java servlet上下文中获取和设置全局对象

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

斯坦福大学：大模型“卷”错方向了？上下文窗口越长，模型越笨！

其中的卷王当属Anthropic 公司，其五月份就将 Claude 的上下文窗口从 9k token扩展到了 100k。

02

Extreme DAX-第4章上下文和筛选

编写 DAX 公式时要掌握的核心概念是上下文。DAX 作为一门动态数据分析语言，与 Excel 函数、SQL 查询和 Power Query 脚本有着根本不同的原因就在于上下文的概念。以上所述的所有其他语言的公式只会在数据发生变化时才会返回不同的结果（除了一些例外情况，例如使用参数时），但是单个 DAX 公式就可以同时提供多个不同的结果，具体取决于您使用它的位置和方式，也就是：上下文。

02

语言模型悄悄偷懒？新研究：上下文太长，模型会略过中间不看

大型语言模型大有用处，在设计 prompt 方面，人们通常建议为语言模型提供详尽的任务描述和背景信息。

01

语言模型：太长我不看。斯坦福新研究：上下文太长，模型会略过中间不看

大型语言模型大有用处，在设计 prompt 方面，人们通常建议为语言模型提供详尽的任务描述和背景信息。

02

ddd中的子域和界限上下文顶

我们先来说说子域是什么？子域在我的理解是在一个庞大的系统中可以明显感知的不同的区块，如果在电商模块中，商品目录，订单，物流，库存，发票等等都可以感知他们明显的不同，可以认为是子域。那么二手车领域，我的感觉，汽车目录，汽车检测，汽车预约，个人汽车购买，个人汽车售卖可以认为是子域。

05

[第二部:容器和微服务架构] (7)分布式数据管理的挑战与解决方案

定义微服务边界可能是任何人遇到的第一个挑战。每个微服务都必须是应用程序的一部分，每个微服务都应该是自主的，具有它所传递的所有好处和挑战。但是你如何确定这些界限呢？

02

拯救被「掰弯」的GPT-4！西交微软北大联合提出IN2训练治疗LLM「中间迷失」

这个现象叫做LLM的中间迷失（Lost in the Middle），是大模型当前仍面临的最大挑战之一。

01

Power BI: 理解ALLSELECTED函数和影子筛选上下文

ALLSELECTED函数是唯一一个使用影子筛选上下文的DAX函数。我们首先研究ALLSELECTED的行为，然后介绍影子筛选上下文。

02

C# 数据操作系列 - 11 NHibernate 配置和结构介绍

今天是NHibernate的第二篇内容，通过上一篇的内容，我们初步了解了NHibernate的创建和使用。这一篇，我继续探索NHibernate背后的秘密。嗯，就是这样。

02

DDD理论学习系列（13）-- 模块

1. 引言 Module，即模块，是指提供特定功能的相对独立的单元。提到模块，你肯定就会想到模块化设计思想，也就是功能的分解和组合。对于简单问题，可以直接构建单一模块的程序。而对于复杂问题，则可以先创建若干个较小的模块，然后将它们组装、链接在一起，从而构成复杂的软件系统。在DDD中，模块的用途也是如此，通过分解领域模型为不同的模块，以降低领域模型的复杂性，提高领域模型的可读性。 2. DDD中的模块模块是一个笼统的概念，比较宽泛，为了正确发挥模块的威力，理解模块的概念就十分重要。下面我们从具体的问题着手

港中文提出CLongEval中文基准测试集，准确评估大模型长上下文能力

ClongEval: A Chinese Benchmark for Evaluating Long-Context Large Language Models

01

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

AAAI 2020 | CORE：利用复制和改进策略自动优化分子

分子优化是在输入分子X的基础上产生具有更理想性质的分子Y。目前最先进的方法是将分子划分成一组大的子结构集S，并通过迭代预测从S中选择子结构添加来产生新的分子结构。然而，由于可用子结构S集很大，这样的迭代预测任务往往是不准确的，特别是对于训练数据中不常见的子结构。

02

LLM RAG系列

本文介绍了RAG以及RAG pipeline的整个流程，包括请求转换、路由和请求构造、索引和检索、生成和评估等，其中引用了大量有价值的论文。

02

领域驱动设计

关于领域驱动设计这篇文章参考了Eric Evans《领域驱动设计》一书以及Jimmy Nilsson《以C# .NET为例运用领域驱动设计和模式》，二者详细描述了领域驱动设计的核心概念、技术和模式。在某些情况下，直接使用这些书的措辞是有意义的，并且我认为Eric Evans和Jimmy Nilsson也允许我们这么做。尽管将方法本身呈现出来是很有用的,但是仅仅对方法进行描述，DDD的许多微妙之处就会消失。这些方法应该是你的工具，而不是你束缚你的规则。它们是为设计而生的语言，在团队内沟通创意和模型十分有益

09

(含源码)「自然语言处理(NLP)」Question Answering(QA)论文整理(五)

本次整理的关于QA的八篇paper，主要涉及到增强Ranker-Reader、SearchQA的大型数据集、PullNet集成框架、改进的加权抽样训练策略、开放QA中的Bert模型优化等。（五篇含源码）

03

TabR:检索增强能否让深度学习在表格数据上超过梯度增强模型？

这是一篇7月新发布的论文，他提出了使用自然语言处理的检索增强Retrieval Augmented技术，目的是让深度学习在表格数据上超过梯度增强模型。

02

重磅！一文彻底读懂智能对话系统！当前研究综述和未来趋势

作者：蒙康编辑：王抒伟笔者在最近的研究中发现了一篇非常好的有关对话系统的论文，《A Survey on Dialogue Systems:Recent Advances and New Frontiers》，论文来自于京东数据团队，论文引用了近124篇论文，是一篇综合全面的介绍对话系统的文章，可谓是诚意满满，今天我们将其重点进行解读，以飨读者。前言 1 拥有一个虚拟助理或一个拥有足够智能的聊天伙伴系统似乎是虚幻的，而且可能只在科幻电影中存在很长一段时间。近年来，人机对话因其潜在的潜力和诱人的商业

07

【随手记】数据类型

Java基本数据类型共有八种。可以分为三类，字符类型char，布尔类型boolean以及数值类型byte、short、int、long、float、double。数值类型又可以分为整数类型byte、short、int、long和浮点数类型float、double。

02

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

探究大语言模型如何使用长上下文

论文链接：https://doi.org/10.1162/tacl_a_00638

00

Tailored Visions:利用个性化提示重写增强文本到图像生成

当前，我们正在通过自监督学习的方式来训练越来越强大的基础模型。这些大型预训练模型(LPM)充当高效的压缩器，压缩大量互联网数据。这种压缩使得我们可以通过自然语言描述方便地提取这些模型中编码的知识。尽管还处于起步阶段，但这种方法显示出超越传统搜索引擎的潜力，成为知识和信息获取的优质来源。与改进搜索引擎的查询类似，提供给LPM的提示(Prompt)也必须精心设计。然而，与传统搜索引擎相比，提示的复杂性、模型响应的不可预测性带来了独特的挑战。为了理解LPM如何对各种提示做出反应，一些研究检验了重写提示以提高特异性的可行性。然而，在无法访问用户个人数据和行为的情况下，定制提示以准确满足用户的需求仍然具有挑战性。

01

Ask Apple 2022 中与 Core Data 有关的问答 (下）

Ask Apple 为开发者与苹果工程师创造了在 WWDC 之外进行直接交流的机会。本文对本次活动中与 Core Data 有关的一些问答进行了整理，并添加了一点个人见解。本文为下篇。

02

【AIGC】检索增强技术深度剖析（RAG）

想象一下，您的公司可以使用强大的 AI 工具，该工具可以处理大量数据并提取重要结论、识别关键信息并有效地总结它。这些功能可以显着提高员工的工作效率，使他们能够专注于工作中最有价值的方面，而不是耗时的数据处理。在这种情况下，检索增强生成（RAG）开辟了新的视角。RAG 允许将 AI 模型与公司的特定内部数据集成，不仅可以进行处理，还可以对这些知识进行智能解释和利用。在本文中，我们将探讨如何实现这一点。

01

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

大模型「幻觉」，看这一篇就够了 | 哈工大华为出品

一口气49页，详细阐述了幻觉定义、分类、导致幻觉的原因，还有检测幻觉、减轻幻觉的方法。

02

如何结合 Core Data 和 SwiftUI

SwiftUI 和 Core Data 之间相差将近十年 —— SwiftUI 随着 iOS 13 面世而 Core Data 则是 iPhoneOS 3 的产物；很久以前，它还没有被称为 iOS，因为 iPad 尚未发布。尽管时间相距遥远，Apple 还是投入了大量工作以确保这两种强大的技术能够完美地相互配合使用，这意味着 Core Data 就像始终以这种方式设计一样，已集成到 SwiftUI 中。

03

国科大&港中文提出带视觉语言验证和迭代推理的Visual Grounding框架，性能SOTA，代码已开源！（CVPR2022）

Visual grounding是一项定位自然语言表达所指示目标的任务。现有的方法将通用目标检测框架扩展到这个问题上。他们将Visual grounding建立在来自预先生成的proposals或anchors，并将这些特征与文本嵌入融合，以定位文本提到的目标。然而，从这些阶段预定义的位置建模视觉特征可能无法充分利用文本查询中的视觉交叉模态文本和属性信息，这限制了解码器的性能。

02

GPT-4发布后，其他大模型怎么办？Yann LeCun：增强语言模型或许是条路

机器之心报道机器之心编辑部在最新的增强语言模型综述里，LeCun 阐述了什么？ ChatGPT、GPT-4 的火爆，让大型语言模型迎来了迄今为止的高光时刻。但下一步又该往何处去？ Yann LeCun 最近参与的一项研究指出，增强语言模型或许是个极具潜力的方向。这是一篇综述文章，本文将简单介绍该论文的主要内容。研究背景大型语言模型极大地推动了自然语言处理的进步，相关技术造就了几个拥有数百万用户的产品，包括编码助手 Copilot，谷歌搜索引擎以及最近大火的 ChatGPT。将记忆与组合性功能相

01

理解JavaScript中的上下文-对象字面量

在JavaScript中，“context”指的是一个对象。在一个对象中，关键字“this”指向该对象，并提供了一个指向作为该对象成员的属性和方法的接口。当函数被执行时，关键字“this”指向函数被执行的对象。

03

LongLoRA:不需要大量计算资源的情况下增强了预训练语言模型的上下文能力

麻省理工学院和香港中文大学推出了LongLoRA，这是一种革命性的微调方法，可以在不需要大量计算资源的情况下提高大量预训练语言模型的上下文能力。

03

如何面试前端工程师：GitHub很重要

我在阿里巴巴的一部分工作内容是面试前端工程师。其实关于面试你可能很有自己的一套，这里我想跟你们分享一下我常用的方法。

02

关于 Core Data 并发编程的几点提示

Swift 5.5 提供了盼望已久的 async/await 的功能，为多线程开发带来了前所未有的便利。但 Core Data 由于其特有的并发规则，使用不慎容易导致代码陷入不可控状态，因此让不少开发者对在 Core Data 中进行多线程开发产生了望而却步的情绪。本文将对 Core Data 并发编程中几个常见的问题予以提示，以便开发者更好地了解 Core Data 的并发规则，充分享受 Core Data 提供的强大功能。

02

DeepMind的新论文，长上下文的大语言模型能否取代RAG或者SQL这样的传统技术呢?

长上下文大型语言模型（LCLLMs）确实引起了一些关注。这类模型可能使某些任务的解决更加高效。例如理论上可以用来对整本书进行总结。有人认为，LCLLMs不需要像RAG这样的外部工具，这有助于优化并避免级联错误。但是也有许多人对此持怀疑态度，并且后来的研究表明，这些模型并没有真正利用长上下文。还有人声称，LCLLMs会产生幻觉错误，而其他研究则表明，较小的模型也能高效解决这些任务。

01

一种用于短文本的神经响应机

导语 : 这篇文章是翻译别人的，来源是https://arxiv.org/abs/1503.02364 摘要我们提出了神经响应机（NRM），一种基于神经网络的响应用于短文本的方法。NRM采用通用

08

独家 | 新的ChatGPT提示工程技术：程序模拟

提示工程的世界在不同层次上都是极有吸引力的，从来不缺乏聪明的方法推动ChatGPT这样的代理生成特定类型的响应。像思维链(CoT)、基于指令的、N-shot的、Few-shot的技术，甚至像Flattery/Role Assignment这样的技巧，都是致力于满足所有需求的丰富提示的图书馆的灵感。

06

如何将任何文本转换为图谱

此图由作者使用本文分享的项目生成。几个月前，基于知识的问答（KBQA）还只是新奇事物。如今，对于任何人工智能爱好者来说，使用检索增强生成（RAG）实现KBQA已经轻而易举。看到自然语言处理领域的可能性如此迅速地扩展，令人着迷，而且每天都在变得更好。在我的最后一篇文章中，我分享了一种递归的RAG方法，用于根据大量文本语料库回答复杂查询的多跳推理式问答实现。

01

如何在后台执行 SwiftData 操作

SwiftData 是一个用于处理数据操作的框架，特别是在 Swift 语言中进行并发操作。本文介绍了如何在后台执行 SwiftData 操作以及与 Core Data 进行比较。

02

谷歌10M上下文窗口正在杀死RAG？被Sora夺走风头的Gemini被低估了？

要说最近最郁闷的公司，谷歌肯定算得上一个：自家的 Gemini 1.5 刚刚发布，就被 OpenAI 的 Sora 抢尽了风头，堪称 AI 界的「汪峰」。

01

JavaScript 高级程序设计（第 4 版）- 变量、作用域和内存

# 原始值与引用值在把一个值赋给变量时，JS引擎必须确定这个值是原始值还是引用值（原始值有6种：Undefined，Null，Boolean，Number，String和Symbol）原始值（primitive value）就是最简单的数据（原始值大小固定，因此保存在栈内存）保存原始值的变量是按值(by value)访问的，因为操作的就是存储在变量中的实际值引用值（reference value）则是由多个值构成的对象（引用值是对象，保存在堆内存）引用值是保存在内存中的对象与其他语言不同，J

02

【RAG论文】检索信息中的噪音是如何影响大模型生成的？

本篇论文探讨了RAG系统中的检索对系统性能的影响。与传统的大型语言模型相比，RAG系统通过引入外部数据提高了其生成能力。然而，大多数关于RAG系统的研究主要集中在语言模型的生成方面，而忽略了IR的作用。通过对各种元素进行评估，如文档的相关性、位置和数量等，发现包含不相关文档可以意外地提高准确性超过30％。

01

CImage 类

CImage 提供增强的位图支持，包括加载和保存采用 JPEG、GIF、BMP 和可移植网络图形格式的图像 (PNG) 格式。

04

前端入门16-JavaScript进阶之EC和VO声明正文-执行上下文EC和变量对象VO

作为一个前端小白，入门跟着这几个来源学习，感谢作者的分享，在其基础上，通过自己的理解，梳理出的知识点，或许有遗漏，或许有些理解是错误的，如有发现，欢迎指点下。

03

攻击 Active Directory 组托管服务帐户 (GMSA)

这篇文章旨在强调 GMSA 可以做什么，以及如果没有得到适当保护，攻击者可以做什么。当我们在 Trimarc 执行 Active Directory 安全评估时，我们发现在 AD 环境中组托管服务帐户的使用有限。应尽可能使用 GMSA 将用户帐户替换为服务帐户，因为密码将自动轮换。

01

【AIGC】通过RAG架构LLM应用程序

在之前的博客文章中，我们已经描述了嵌入是如何工作的，以及RAG技术是什么。本节我们我们将使用 LangChain 库以及 RAG 和嵌入技术在 Python 中构建一个简单的 LLM 应用程序。

01

视频预训练界的HERO！微软提出视频-语言全表示预训练模型HERO，代码已开源！

在本文中，作者提出了HERO，一个新的大规模视频+语言综合表示学习框架。HERO以层次结构编码多模态输入，其中视频帧的局部上下文通过多模态融合被跨模态Transformer（Cross-modal Transformer）捕获，而全局视频上下文由时间Transformer（Temporal Transformer）捕获。

02

Dialogue Transformers 论文详解

论文中引入 transformer 的结构,其中注意力模型在对话轮的顺序上面起了了作用.最近我们使用递归神经网络多轮对话的上下文中用户说的话,但是我们原本认为注意力模型会更适合多轮场景.默认情况下,RNN假设每个选项和完整的序列有关,但是一轮对话当中包括一些交错的对话逻辑在里面. transformer 模型可以选择忽略或者选择对话的一部分内容.们比较了 Transformer Embedding Dialogue对话策略对LSTM和REDP的政策.旨在克服RNN的这一限制。我们证明了TED的政策无论是在准确性还是速度上，行为都是比较有利的。

03

大模型RAG向量检索原理深度解析

常规的知识库检索通常使用的是关键字与词条匹配，随着AGI的爆发，越来越多的知识库检索开始使用向量检索技术，特别是在RAG领域，增强型的生成式问答检索正在大面积应用和推广。

00

JavaScript的垃圾回收

今天说一下js中的垃圾回收，垃圾回收就是确定哪个变量不会再使用，然后释放它占用的内存。这个过程是周期性的，即垃圾回收程序每隔一定时间（或者说在代码执行过程中某个预定的收集时间）就会自动运行。垃圾回收过程是一个近似且不完美的方案，因为某块内存是否还有用，属于“不可判定的”问题，意味着靠算法是解决不了的。在浏览器的发展史上，用到过两种主要的方法：标记清理和引用计数

02

把LLM视作操作系统，它就拥有了无限「虚拟」上下文，伯克利新作已揽1.7k star

近年来，大语言模型（LLM）及其底层的 transformer 架构已经成为了对话式 AI 的基石，并催生了广泛的消费级和企业应用程序。尽管有了长足的进步，但 LLM 使用的固定长度的上下文窗口极大地限制了对长对话或长文档推理的适用性。即使是使用最广泛的开源 LLM，它们的最大输入长度只允许支持几十条消息回复或短文档推理。

03

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