1.wex5能否链接sql2005
2.[博学谷学习记录]超强总结,外卖l外用心分享|瑞吉外卖
3.Semantic Kernel 视角下的 Text2SQL 实践与思考
4.搜索引擎新架构：与SQL不得不说的故事
5.校园外卖系统有哪些,怎么做?

wex5能否链接sql2005

       1 概述

       本案例实现了对takeout_order（外卖订单表）表的分页查询、关键字检索和修改保存的源码运营能力，数据库表结构参见WeX5自带的卖源码mysql数据库。

       案例代码分为服务端和客户端两部分：

        服务端包含一个servlet（com.justep.baas.test.DemoServlet），外卖l外用于为客户端提供数据查询和数据保存的源码运营Web服务；

        客户端包含一个.w页面（/UI2/demo/baas/simpleData/index.w），页面上的卖源码控制摄像头源码数据集通过ajax请求访问服务端提供的Web服务，实现数据的外卖l外增删改查。

       2 服务端

       服务端实现了一个servlet（com.justep.baas.test.DemoServlet），源码运营用于为客户端提供数据查询和数据保存的卖源码Web服务。

       2.1 导入baas工程

       运行“启动WeX5开发工具.bat”；

       打开Java透视图，外卖l外选择菜单“窗口-打开透视图-Java”；

       导入baas工程，源码运营选择菜单“文件-导入”，卖源码选择“常规-现有项目到工作空间中”，外卖l外“下一步”，源码运营“选择根目录-浏览”，卖源码选择WeX5目录下“apache-tomcat\webapps\baas”，“完成”。

       2.2 JNDI数据源配置

       /baas/META-INF/context.xml

       <?xml version=“1.0” encoding=“UTF-8″?>

       <Context reloadable=“true”>

        <Resource name=“jdbc/takeout” type=“javax.sql.DataSource”

        maxActive=“” maxIdle=“”

        driverClassName=“com.mysql.jdbc.Driver” url=“jdbc:mysql://.0.0.1:/takeout”

        username=“root” password=“x5″ />

       </Context>

       注意：

       Tomcat 6启动时，自动将“/baas/META-INF/context.xml”复制一份到“\apache-tomcat\conf\Catalina\localhost\baas.xml”。但是当context.xml内容修改后，Tomcat并不会自动更新。所以，修改context.xml的内容后，需要手动更新“\apache-tomcat\conf\Catalina\localhost\baas.xml”。切记！切记！

       特别注意：

       由于Tomcat 6的bug（.justep.baas.test.DemoServlet

       // Servlet入口，通过判断action参数，进入各自对应的实现方法

       public void service(ServletRequest request, ServletResponse response) throws ServletException {

        try {

        String action = request.getParameter(“action”);

        if (“queryOrder”.equals(action)) {

        queryOrder(request, response);

        } else if (“saveOrder”.equals(action)) {

        saveOrder(request, response);

        }

        } catch (Exception e) {

        e.printStackTrace();

        throw new ServletException(e);

        }

       }

       这里实现了queryOrder和saveOrder两个action。

       // 查询订单，火眼指标源码无未来实现了分页查询和按检索关键字过滤

       private static void queryOrder(ServletRequest request, ServletResponse response) throws SQLException, IOException, NamingException {

        // 参数序列化

        JSONObject params = (JSONObject) JSONObject.parse(request.getParameter(“params”));

        // 获取参数

        JSONObject columns = params.getJSONObject(“columns”); // 要返回的数据列定义，里面包含列名和列数据类型

        Integer limit = params.getInteger(“limit”); // 分页查询的行数

        Integer offset = params.getInteger(“offset”); // 分页查询的行偏移

        String search = params.getString(“search”); // 检索关键字

        // 存放SQL中的参数值

        List<Object> sqlParams = new ArrayList<Object>();

        // 存放SQL中的过滤条件

        List<String> filters = new ArrayList<String>();

        if (!Util.isEmptyString(search)) {

        // 增加过滤条件

        filters.add(“fUserName LIKE ? OR fPhoneNumber LIKE ? OR fAddress LIKE ? OR fContent LIKE ?”);

        // 检索关键字中如果没有%，则前后自动加%

        search = (search.indexOf(“%”) != -1) ? search : “%” + search + “%”;

        // 增加参数值，参数的个数和顺序必须与过滤条件的?相匹配

        for (int i = 0; i < 4; i++) {

        sqlParams.add(search);

        }

        }

        Table table = null;

        // 获取数据源连接

        Connection conn = Util.getConnection(DATASOURCE_TAKEOUT);

        try {

        // 执行单表数据查询，返回Table

        table = Util.queryData(conn, TABLE_TAKEOUT_ORDER, columns, filters, “fCreateTime DESC”, sqlParams, offset, limit);

        } finally {

        // 必须关闭数据源连接

        conn.close();

        }

        // 输出Table做为返回结果，这里会自动转换为Table的JSON格式

        Util.writeTableToResponse(response, table);

       }

       // 保存订单

       private static void saveOrder(ServletRequest request, ServletResponse response) throws ParseException, SQLException, NamingException {

        // 参数序列化

        JSONObject params = (JSONObject) JSONObject.parse(request.getParameter(“params”));

        // 获取参数

        JSONObject data = params.getJSONObject(“data”); // 订单数据的JSON格式

        // JSON转换Table

        Table table = Transform.jsonToTable(data);

        // 获取数据源连接

        Connection conn = Util.getConnection(DATASOURCE_TAKEOUT);

        try {

        // 开启事务

        conn.setAutoCommit(false);

        try {

        // 保存Table

        Util.saveData(conn, table, TABLE_TAKEOUT_ORDER);

        // 提交事务

        conn.commit();

        } catch (SQLException e) {

        // 如果发生异常，首先回滚事务，然后把异常继续抛出

        conn.rollback();

        throw e;

        }

        } finally {

        // 必须关闭数据源连接

        conn.close();

        }

       }

       在上面的代码中，大多数都是用来处理参数、数据库连接和事务的代码，核心代码其实只有以下几句：

       // 执行单表数据查询，返回Table

       table = Util.queryData(conn, TABLE_TAKEOUT_ORDER, columns, filters, “fCreateTime DESC”, sqlParams, offset, limit);

       // 输出Table做为返回结果，这里会自动转换为Table的JSON格式

       Util.writeTableToResponse(response, table);

       // JSON转换Table

       Table table = Transform.jsonToTable(data);

       // 保存Table

       Util.saveData(conn, table, TABLE_TAKEOUT_ORDER);

       2.4 Servlet配置

       /baas/WEB-INF/web.xml

       <servlet>

        <servlet-name>X5 Baas Demo Servlet</servlet-name>

        <servlet-class>com.justep.baas.test.DemoServlet</servlet-class>

        <load-on-startup>1</load-on-startup>

       </servlet>

       <servlet-mapping>

        <servlet-name>X5 Baas Demo Servlet</servlet-name>

        <url-pattern>/demo</url-pattern>

       </servlet-mapping>

       3 客户端

       客户端通过data组件的自定义刷新（onCustomRefresh）和自定义保存（onCustomSave）事件，实现页面数据与后台servlet服务的交互。

[博学谷学习记录]超强总结,用心分享|瑞吉外卖

       软件开发整体介绍

       1.1 软件开发流程

       1.2 角色分工

       1.3 软件环境

       2、瑞吉外卖项目介绍

       2.1 项目介绍

       2.2 产品原型展示

       2.3 技术选型

       2.4 功能架构

       2.5 角色

       3、开发环境搭建

       3.1 数据库环境搭建 创建项目对应的数据库（图形界面或命令行都可以） 导入表结构（资料/数据模型/db.reggie.sql） 数据表

       3.2 maven项目搭建 （1）创建maven项目 创建maven项目：项目名称reggie_take_out （2）导入pom.xml文件 （4）编写启动类 （5）配置类静态资源映射 注意：直接访问后端静态资源页面失败，原因：springboot默认只能访问static/template目录下的页面，所以需要编写过滤静态资源的配置类。

       4.2 代码开发

       （1）编写mapper层，继承BaseMapper @Mapper public interface EmployeeMapper extends BaseMapper { } （2）编写Service层 public interface EmployeeService extends IService { } @Service public class EmployeeServiceImpl extends ServiceImpl implements EmployeeService { } （3）编写controller层 @Slf4j @RestController @RequestMapping("/employee") public class EmployeeController { @Autowired private EmployeeService employeeService; }

       5、后台退出功能的开发

       5.1 需求分析

       5.2 代码开发 在EmployeeController类中添加logout方法 //退出登录 @PostMapping("/logout") public R logout(HttpServletRequest request){ //清楚session中保存的员工id request.getSession().removeAttribute("employee"); return R.success("退出成功"); } 5.3 功能测试 登录成功时 退出登录时

Semantic Kernel 视角下的 Text2SQL 实践与思考

       《诗经》有言：七月流火，九月授衣，描绘夏秋交替、天气由热转凉的季节变化。西安的雨季，自六月下旬悄然而至、连绵不绝，古人诚不欺我。365源码资源站前有萝卜快跑及其无人驾驶引发热议，后有特朗普竞选集会遇刺，洞庭湖决口、西二环塌方，成长便是学会心平气和地面对这世界的兵荒马乱。历史似乎被诅咒了时间？两年前，安倍晋三遇刺，我写《杂感·七月寄望》。回想起两人长达秒的握手画面，有种“一笑泯恩仇”的错觉，似乎成为了共患难的“战友”。雍正之于万历，特朗普之于肯尼迪，时过境迁，似曾相识，世间万物总逃不出某种循环。最近，从 RAG 到 Agent，再到微软 GraphRAG 的爆火，激活了 Graph、NER、知识图谱等知识点。我需要一篇文章整理思绪。

       实现 Agent 后，参照复旦大学的 RAG 综述论文，目标转向 Agent。一个 Agent 至少具备规划、记忆、工具使用能力。超准买卖点源码Agent 从说话进化到做事，标志着大模型的进步。市场上主流新能源汽车的智驾系统大多处于 L2 或 L3 级别，萝卜快跑则迈进 L4 级别。科技创新可能导致成千上万的人失业，是否过于残酷和冰冷？接触多种 Agent 产品，如 FastGPT、Coze、Dify，它们基于工作流编排，是大型模型输出不稳定和多轮对话调用成本的妥协。我坚信动态规划和执行任务的能力才是未来。参考 Semantic Kernel 实现了支持 ReAct 模式的 Planner。

       主张小模型结合插件推进 AI 服务本地化，平衡技术和成本，避免永无休止的百模大战。GraphRAG 知识图谱结合大模型虽好，构建成本相对较高，费用在5到美元。使用阿里的 Qwen2-7B 模型支持任务规划、参数提取，Ollama 推理速度较慢。Agent 反思功能依赖多轮对话，效果受上下文长度影响。使用 OpenAI、Moonshot 等服务，TPM/RPM 通常不高，难以满足 Agent 运行需求。Agent 的波段拐点指标源码公式 token 消耗量在任务导向下是一笔不小的开销。

       调试过程中，我将 OpenAI 和 Moonshot 用至“欠费”，转向更为经济的 DeepSeek。有人抱怨生成答案时间变长，这在 Agent 中同样存在。大模型观察当前结果，尝试使用不同工具解决问题，但往往耗费时间和金钱，未能得到满意答案。关键推理能力来自模型本身，提示词只是锦上添花。面对完全未知事物，这一切有何意义？以电商业务为例，数据链路长、涉及多个微服务，难以满足强一致性和低延迟。这一道理同样适用于 Agent，动态规划和人工编排的工作流，接受可能耗费大量时间的现实。对于 RAG 这样的检索型任务，需要平衡检索精度和响应时间。

       接入日期/时间、天气预报、新闻报道、搜索引擎、网络爬虫等工具后，感觉一切索然无味，大模型不再像原来那样“开朗”，甚至变得不苟言笑起来。它变成了合格的“工具人”，但是否应该这样修饰？一切的元凶在于外部知识“污染”了它的先验知识，它并不比市面上的 AI 助手强大多少。

       Text2SQL 实践将大型模型与关系型数据库连接，实现 Agent 后发现 RAG 是一个工具，广义的 RAG 并非局限于向量数据库，可以扩展到搜索引擎、知识图谱、第三方 API、数据源等。大模型可以从数据库读取信息，掌握广泛数据源。SQL 和 Python、C# 等编程语言类似，属于代码生成范畴，SQL 更简单。Text2SQL 技术让大模型生成 SQL 语句，从大模型到数据库的链路打通。实现步骤包括获取数据库 Schema，了解表和字段，通过代码生成 Schema 信息，将 Schema 作为参数传入提示词模板。实现后，用户给出查询，大模型生成 SQL 语句执行，返回结果，最后生成最终答案。面对复杂查询，大模型力不从心，出现各类问题。总的来说，Text2SQL 虽有不足，但让大模型连接关系型数据库成为可能。技术不应成为普通人使用和学习的门槛，应该让万物与大模型连接，成为不可或缺的基础设置。

       对效率的反思，追求效率最大化，技术编织的“效率提升”陷阱。聊天软件方便沟通，但难以理解对方想法，信息处理效率提升，但世界变得不那么真实。算法将人们关进信息茧房，外卖员时间压缩，开发周期缩短。新的技术带来机遇，但真正追求的效率应该让人感到幸福。无人驾驶、生成式 AI 虽然正确，但不一定带来幸福感。实现 Agent 后，发现价值有限，AI 满足情绪需求，人类依然需要主动推导答案。文章小结：文章内容与标题联系松散，难以整理清晰知识体系。面对大量碎片化信息，难以在短时间内整理，技术进步带来便利，也带来了内卷和不幸福感。文章试图表达的远不止 Text2SQL，但只能找到这个话题。在职场中，为员工设置障碍以确保工作量，是职场中的潜规则。技术没有立场，真正推动效率的始终是人。文章反思效率提升对人类的负面影响，寻求更人性化、幸福感更高的效率模式。

搜索引擎新架构：与SQL不得不说的故事

       搜索引擎HA3架构的革新：SQL新角色

       在面对深度学习和数据规模挑战时，阿里巴巴搜索引擎HA3架构通过革新性地运用SQL，巧妙应对。HA3架构由在线和离线两部分构成：在线服务采用2层结构，包含QRS和search，负责处理请求和检索；离线处理则包括数据预处理和索引构建，强调实时性和大规模更新的能力。

       HA3的核心特点包括高性能、丰富索引和算法框架，但在业务发展下，它面临深度学习渗透和数据维度膨胀的挑战。深度学习的复杂网络结构和实时更新对索引提出了高要求，而数据维度的增加导致数据更新规模急剧扩大，原有的解决方案如拆分引擎实例并不能满足需求。

       HA3的新解决方案通过SQL执行方式重塑搜索，主要改变包括：扩展支持多表独立操作，将离线join变为在线查询时的实时处理；抛弃旧的pipeline模式，采用DAG图化执行，将搜索功能抽象为可复用的算子；以SQL表达查询流程，简化用户操作，充分利用SQL生态基础功能。

       实践中，如饿了么外卖搜索、淘宝本地生活服务、钉钉钉盘搜索和内部监控系统的改进，都展示了HA3新架构在性能提升和功能复用上的优势，解决了深度学习整合、数据实时更新和权限控制等问题。

校园外卖系统有哪些,怎么做?

       1. 校园外卖系统的实现方式：

        - 自主开发：根据校园需求，独立开发系统，需具备编程技能和开发经验，同时确保安全性、稳定性、易用性。

        - 利用第三方平台：通过美团外卖、饿了么等第三方平台服务，减少开发成本和时间，但需支付手续费和佣金。

        - 应用模板：采用如阿里云市场提供的校园外卖系统模板，快速构建系统，需进行定制化开发和调试。

       2. 系统实现需考虑的方面：

        - 用户端功能：包括登录、注册、浏览菜单、下单、支付等交互功能。

        - 商家端功能：涉及商家登录、注册、菜单发布、接单、订单管理等操作。

        - 后台管理：系统配置、数据管理、统计分析等管理功能。

        - 安全与稳定性：数据加密、防止SQL注入、抵御DDoS攻击等安全措施。

        - 用户体验：页面设计、交互逻辑、响应速度等用户体验设计。

       综上所述，构建校园外卖系统应全面考虑技术实现、业务需求和用户体验，选择合适的开发方法和技术架构，并认真进行开发与测试工作。