第七周个人周报-197242-董浩宇

197242班董浩宇 197242班董浩宇 墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年,写一次发全网 我也要 + 加入社区

一、本周任务执行情况

任务情况预计用时实际用时

合并团队报告,完成个人报告

完成

5h

6h

与队友共同实现ai聊天后端功能

完成

5h

5h

完善管理员功能表格

完成

1h

1h

实现管理员功能前端界面

完成

1.5h

1h

与队友共同实现管理员后端

完成

3h

2h

二、本周个人工作中的困难与解决方案

困难:

  • 1.如何获得ai大模型的api,如何将ai大模型的api在后端配置?

  • 2.管理员后端在删除队友时,为什么会删除失败?

解决方案:

  • 1.与队友商量,最终决定配置豆包的api,同时查看火山方舟对应文档,学习如何配置。

  • 2.经过idea控制器的日志,了解到在删除用户时没有级联删除所有有关的表,之后在一系列比对后,最终在相关表的操纵层进行修改,成功实现级联删除用户。

三、本周学习内容

  • 1.AI接口开发知识:学习大模型API申请流程、接口调用方式,掌握后端接入第三方AI接口的配置方法,了解火山方舟平台的使用规范,熟悉API密钥管理、请求参数配置以及接口调试技巧

  • 2.后端数据库优化知识:学习数据库级联删除原理,掌握通过修改操作层代码优化数据表关联逻辑的方法;学会利用IDEA运行日志排查后端代码bug,提升程序故障排查和问题调试能力。

四、个人对本周工作的感悟

这周我负责了项目的前后端开发和报告整理工作,所有任务都顺利做完了。本次开发过程中,我真切体会到团队合作的重要性。在对接AI接口时,我对相关操作并不熟悉,靠着和队友互相交流、一起探讨,才顺利解决了问题。另外在修复删除用户的bug时,我学会了查看运行日志排查错误,也意识到自己写代码时考虑不够全面,经常忽略数据表之间的关联关系,从而产生程序漏洞。

这也是项目的最后一周,在这次的项目中我真切意识到自己作为队长的许多不足之处,比如太过的重视技术方面的提高,而忽略了文档方面许多东西。同时在时间规划方面也有着许多不足之处,导致了许多问题。后续我一定会认真改正,提前做好时间的规划。

但同时,我也获得了许多收货。在第一周,我仅掌握简单的Spring Boot项目搭建、数据库增删改查操作,随着开发推进,我逐步学习并理解了Servlet底层原理、Spring框架IOC、AOP、MVC核心底层知识,熟练使用JPA操作数据库,能够独立编写后端接口、完善业务逻辑,同时掌握了跨域配置、图片本地存储、字段校验等实用开发技巧。

开发过程中我也遇到了诸多技术难题,Git分支操作错误导致项目损坏、跨域访问无法连通、数据表冗余、接口校验逻辑漏洞等问题层出不穷。最开始我面对bug容易慌乱,有时候不得不熬夜去改好多好多东西。

慢慢地,在写后端的时候,我学会利用Postman测试接口是否可以传送正确的数据、学会使用浏览器F12调试工具排查一些前端经常出现的小问题,结合资料与AI辅助分析代码,逐一攻克技术难点。

而在团队管理上,我也学会了TAPD平台使用,我发现一个好的合作平台确实能够极大节省我们做项目合作的时间。通过它能够完成需求录入、任务拆分、缺陷记录、文档编写等工作。

同时在三四周的时候,ai也成为了必不可少的一个工具,我也越来越认识到ai是一把双刃剑。在使用ai完成后端各个部分的工作的过程中,前两周任务比较少的时候,我还能做到静下心来,一步一步的完成项目,了解每一行代码的意思。但不知道从什么时候起,或许是中期检查的压力,或许是代码任务的愈发繁重,我在那个时候越来越依赖ai起来。对一大堆的代码不求甚解,只要能运行就行,变的越来越急功近利起来。从一个学习者变的更像一个代码搬运工。

而在,五六周我也深刻反思了过度依赖AI的问题,现在的我会刻意研读每一段代码,弄懂底层逻辑,摆脱代码搬运的开发方式。也会多多使用常见开发工具,了解哪里出了问题,如何独立处理问题,

本次项目让我明白后端开发不仅是写接口,更要考虑代码严谨性、安全性和逻辑性,技术学习一定要动手实践、深究原理,不能只依赖网课和工具。也学会了作为一个队长如何管理和带动团队,虽然还有许多不足之处,但我也会继续努力改正的。

 

 

...全文
2026年AI大模型面试题整理(含答案).zip 2026年AI大模型面试题整理(含答案),共76份。供大家学习参阅。 AI大模型八股文(102).pdf Transformer面试题总结97道.pdf 大模型 LLM 最全八股和答案.pdf 大模型 RAG 经验面.pdf 大模型LLMS面试宝典.pdf 大模型岗位面试全纪录.pdf 大模型常考面试题总结+答案.pdf 大模型常见面试题及解答1.pdf 大模型常见面试题及解答2.pdf 大模型常见面试题及解答3.pdf 大模型校招面试题.pdf 50个精通AI大模型面试题.pdf 52道大模型八股文面试题\1-大模型(LLMs)基础面.docx 52道大模型八股文面试题\10-LLMs+训练经验帖.docx 52道大模型八股文面试题\11-大模型(LLMs)langchain+面.docx 52道大模型八股文面试题\12-多轮对话中让AI保持长期记忆的8种优化方式篇.docx 52道大模型八股文面试题\13-基于langchain+RAG问答应用实战.docx 52道大模型八股文面试题\14-基于LLM+向量库的文档对话+经验面.docx 52道大模型八股文面试题\15-大模型+RAG+经验面.docx 52道大模型八股文面试题\16-LLM文档对话+——+pdf解析关键问题.docx 52道大模型八股文面试题\17-大模型(LLMs)RAG+版面分析——表格识别方法篇.docx 52道大模型八股文面试题\18-大模型(LLMs)RAG+版面分析——文本分块面.docx 52道大模型八股文面试题\19-大模型外挂知识库优化——如何利用大模型辅助召回?.docx 52道大模型八股文面试题\2-Layer+normalization+篇.docx 52道大模型八股文面试题\20-大模型外挂知识库优化——负样本样本挖掘篇.docx 52道大模型八股文面试题\21-RAG(Retrieval-Augmented+Generation)评测面.docx 52道大模型八股文面试题\22-检索增强生成(RAG)+优化策略篇6.docx 52道大模型八股文面试题\23-大模型(LLMs)RAG+——+关键痛点及对应解决方案.docx 52道大模型八股文面试题\24-大模型(LLMs)RAG+优化策略+——+RAG-Fusion篇.docx 52道大模型八股文面试题\25-Graph+RAG+面+—+一种+基于知识图谱的大模型检索增强实现策略.docx 52道大模型八股文面试题\26-大模型(LLMs)参数高效微调(PEFT)+面.docx 52道大模型八股文面试题\27-适配器微调(Adapter-tuning)篇.docx 52道大模型八股文面试题\28-提示学习(Prompting)篇.docx 52道大模型八股文面试题\29-LoRA+系列篇.docx 52道大模型八股文面试题\3-LLMs+激活函数篇.docx 52道大模型八股文面试题\30-如何使用+PEFT库+中+LoRA?.docx 52道大模型八股文面试题\31-大模型(LLMs)推理面.docx 52道大模型八股文面试题\32-大模型(LLMs)增量预训练篇.docx 52道大模型八股文面试题\33-增量预训练(Pretrain)样本拼接篇.docx 52道大模型八股文面试题\34-基于lora的llama2二次预训练.docx 52道大模型八股文面试题\35-大模型(LLMs)评测面.docx 52道大模型八股文面试题\36-大模型(LLMs)强化学习面.docx 52道大模型八股文面试题\37-大模型(LLMs)强化学习——RLHF及其变种面.docx 52道大模型八股文面试题\38-大模型(LLMs)强化学习——+PPO+面.docx 52道大模型八股文面试题\39-强化学习在自然语言处理下的应用篇.docx 52道大模型八股文面试题\4-Attention+升级面.docx 52道大模型八股文面试题\40-大模型(LLMs)训练集面.docx 52道大模型八股文面试题\41-大模型(LLMs)LLM生成SFT数据方法面.docx 52道大模型八股文面试题\42-大模型(LLMs)显存问题面.docx 52道大模型八股文面试题\43-显存优化策略篇.docx 52道大模型八股文面试题\44-大模型(LLMs)分布式训练面.docx 52道大模型八股文面试题\45-图解分布式训练(一)+——+流水线并行(Pipeline+Parallelism).docx 52道大模型八股文面试题\46-图解分布式训练(二)+——+nn.DataParallel篇.docx 52道大模型八股文面试题\47-图解分布式训练(三)+——+nn.parallel.DistributedDataParallel.docx 52道大模型八股文面试题\48-图解分布式训练(四)+——+torch.multiprocessing+详细解析0.docx 52道大模型八股文面试题\49-图解分布式训练(五)+——+AMP混合精度训练+详细解析.docx 52道大模型八股文面试题\5-transformers+操作篇.docx 52道大模型八股文面试题\50-图解分布式训练(六)——+Pytorch的+DeepSpeed+详细解析.docx 52道大模型八股文面试题\51-图解分布式训练(七)——+accelerate+分布式训练+详细解析.docx 52道大模型八股文面试题\52-图解分布式训练(八)——+ZeRO+学习.docx 52道大模型八股文面试题\6-LLMs+损失函数篇.docx 52道大模型八股文面试题\7-相似度函数篇.docx 52道大模型八股文面试题\8-大模型(LLMs)进阶面.docx 52道大模型八股文面试题\9-大模型(LLMs)微调面.docx 李老师AI大模型面试题资料\Agent Loop&Loop Engineering面试10连问.md 李老师AI大模型面试题资料\Agent Loop面试10连问.pptx 李老师AI大模型面试题资料\AI大模型面试题.png 李老师AI大模型面试题资料\DeepSeek Harness 10连问.pptx 李老师AI大模型面试题资料\FDE岗位常见面试题.pptx 李老师AI大模型面试题资料\Milvus3.0新特性.pptx 李老师AI大模型面试题资料\RAG码士学习平台知识库项目.png 李老师AI大模型面试题资料\RAG码士学习平台知识库项目.pptx 连老师AI大模型面试资料\Langchain.txt 连老师AI大模型面试资料\连老师LangChain面试题:httpscloud.fynote.comsharesZUIogPG4.txt 立即下载

相关推荐

【Web服务器运维】基于Nginx与Keepalived的高可用负载均衡系统部署:实现故障自动切换与虚拟IP管理

内容概要:本文详细介绍了如何通过Nginx与Keepalived实现高可用的负载均衡架构。首先讲解了Nginx的安装部署流程,包括依赖环境的准备、源码解压编译、启动及配置重载;接着介绍了Keepalived的安装步骤及其服务管理方式;重点在于通过配置Keepalived的主备节点(MASTER/BACKUP),结合VRRP协议和虚拟IP(VIP)实现故障自动切换,并通过自定义脚本nginx_check.sh实时检测Nginx运行状态,确保服务高可用;最后补充了在云环境中因组播限制导致心跳不稳定时,应改用单播(unicast)方式进行通信的解决方案。; 适合人群:具备Linux系统操作基础、熟悉网络基础知识,从事运维、DevOps或Web服务部署的技术人员,尤其是工作1-3年的工程师。; 使用场景及目标:①搭建高可用的Web负载均衡系统,避免单点故障;②掌握Nginx与Keepalived协同工作的原理与实战配置方法;③应用于生产环境中提升服务稳定性与容灾能力。; 阅读建议:学习时应结合实验环境动手操作,重点关注keepalived.conf配置差异与nginx_check.sh脚本逻辑,理解VRRP机制及单播替代组播的实际应用场景,注意根据实际网络环境调整IP与网卡参数。

飞奔的瓜牛

三电平Buck直流变换器双闭环、单闭环、开环仿真【附参考文献】(Simulink仿真实现)

内容概要:本文档系统介绍了三电平Buck直流变换器在Simulink环境下的开环、单闭环与双闭环控制系统的建模仿真方法,涵盖系统建模、控制策略设计及动态性能对比分析。通过构建不同控制结构,深入探讨电压调节精度、系统响应速度、抗干扰能力及稳定性差异,重点剖析双闭环控制中电压外环与电流内环的协同作用机制,揭示其在抑制输出纹波、提升负载适应性方面的优势,帮助读者掌握多电平DC-DC变换器的核心控制原理与工程实现技术;文档还提供了详实的仿真参数设置与参考文献,便于理论验证与实践复现。; 适合人群:电力电子、自动化、电气工程及其相关专业的高校本科生、研究生、科研人员,以及从事电源系统、新能源变换器开发的工程技术人员。; 使用场景及目标:①作为高校电力电子课程的教学案例,辅助学生理解Buck变换器多层次控制策略的设计思路与性能差异;②为科研项目中高效直流变换系统的仿真研究提供可复用的技术模板;③指导工业界在高精度电源设计中优化控制器参数,提升系统动态响应与稳定性。; 阅读建议:建议结合Simulink仿真模型同步操作,对照文档逐步搭建各控制结构,重点观察不同闭环配置下输出电压的瞬态与稳态表现,深入理解PI参数整定、环路耦合影响及系统频域特性的关联性,从而全面提升对电力电子系统控制设计的综合把握能力。

ssswww56

国央企创新负责人如何实现科技成果的全流程数字化管理?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

BIZKEEN

政府科技管理者如何保障科技成果评价的公正透明?.docx

政府科技管理者如何保障科技成果评价的公正透明?

BIZKEEN

高校技术转移办公室人员在推介成果转化时,如何实现技术成果的精准呈现?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

BIZKEEN
评论
收藏 已收藏
分享
返回顶部