个人向galgame原声带或相关音乐整理及其资源
也是一直以来打算整理一下自己爱听的galgame ost
或者其他galgame相关的音乐,按照专辑的方式进行整理,同时我有的也会扒下来上传
就借助这个机会,好好的搞一下吧
顺序随缘
持续更新
【FLAC+MP3】AIR ORIGINAL
SOUNDTRACK
神尾观铃镇楼
AIR ORIGINAL SOUNDTRACK
通过网盘分享的文件:AIR ORIGINAL SOUNDTRACK.zip
13XeUCWQxV19snaDqzz48uA?pwd=1174 提取码: 1174 解压 10086
【WAV】ゲーム「水葬銀貨のイストリア」Sound
Track/ウグイスカグラ
【WAV】ゲーム「水葬銀貨のイストリア」Sound
Track/ウグイスカグラ
【WAV】ゲーム「水葬銀貨のイストリア」Sound Track/ウグイスカグラ.zip
百度网盘
提取码: 1174
【FLAC】さよならアーリーサマー/やなぎなぎ、麻枝准
img
百度网盘
提取码: 1174...
LangChain4j part4—LangChain4j如何处理的结构化输出
结构化输出
何为结构化输出,为什么结构化输出是必要的
在最初接触大模型时,人们通常会把 LLM
当成一个“会说话的程序”。例如:
12用户:帮我总结这篇文章AI:这篇文章主要讲了……
这种模式本质上是“自然语言交互”。自然语言对人类极其友好,但对程序并不友好。因为程序友好的内容通常有如下特征:稳定,可预测,可解析,类型明确,字段固定,而自然语言天生是不稳定的。
例如你要求 AI 返回一个用户信息:
12姓名:张三年龄:20
下一次它可能返回:
1用户叫张三,今年20岁
再下一次:
1234{ "name":"张三", "age":20}
对于人类来说,这三种表达几乎等价。但对于程序来说,它们完全不同。因为程序无法像人类一样理解语义,程序依赖的是严格的数据结构。结构化输出的本质,是让
LLM 不再返回“人类语言”,而是返回“程序数据”。
Agent
的本质不是聊天,而是决策。而决策必须建立在结构化数据上。结构化输出是 AI
工程化的基础设施,因为它解决了...
LangChain4j part3—了解AI Service的开发
AI 服务
何为AI服务,与LangChain4j的两个层级又有什么关系
还记得前面提到过的,LangChain4j
把整个框架分成两层,一层底层、一层高级,分工完全不同:
基础组件层:就是前面提到的,ChatModel,ChatMessage,ChatMemory等等内容,我们很容易发现它们虽然使用起来非常的灵活,几乎是想怎么拼就怎么拼,但是重复代码和样板代码是真没少写。在这个层面工作非常灵活,赋予你完全的自由,但也意味着需要编写大量的样板代码。
但是由于基于 LLM 的应用程序通常需要多个组件协同工作
(例如,提示模板、聊天记忆、LLM、输出解析器、RAG
组件:嵌入模型和存储),并且通常涉及多轮交互,因此对它们的编排变得愈加繁琐。LangChain4j
希望你能专注于业务逻辑,而不是底层实现的细节。为此,LangChain4j
目前提供了更高级的一层
编排抽象层:框架帮你把底层组件自动组装、自动管理,你不用写重复代码,只关注业务。两个核心高层工具分别是
AI Service 也就是 AI 服务
Chains 用于多步骤复杂工作流的链
而...
LangChain4j part2—LangChain4j实现流式对话,记忆管理的相关知识
前期项目涉及到的内容
Spring Boot 集成
LangChain4j 提供了 Spring Boot
Starter,用于:
常见的集成场景
声明式 AI
Services
LangChain4j 的 Spring Boot 集成要求:
Java 17
Spring Boot 3.2
这些在前面提到依赖的时候都有提到过,总之,Spring Boot Starter
可以帮助你通过配置文件快速创建和配置语言模型、向量模型、向量存储,以及其他
LangChain4j
核心组件,依赖命名规范为:langchain4j-{integration-name}-spring-boot-starter。
例如,我们项目中,如果要使用
OpenAI(langchain4j-open-ai),首先要引入依赖如下:
12345<dependency> <groupId>dev.langchain4j</groupId> ...
LangChain4j part1—认识LangChain4j和实现AI基础对话
LangChain4j 简介
介绍
LangChain4j 是一个专为 Java
开发者设计的开源框架,旨在简化大语言模型(LLM)在 Java
应用中的集成。它的目标类似于 Python 生态中的 LangChain
,但针对Java生态进行了优化,提供统一的API抽象、上下文管理(Memory)、提示模板、文档检索(RAG)等功能。
统一的 API:LLM 提供商(如 OpenAI 或 Google Vertex
AI)和嵌入向量存储(如 Pinecone 或 Milvus)使用专有的 API。LangChain4j
提供统一的 API,以避免学习和实现每个 API 的特定 API 的需要。要试验不同的
LLM 或嵌入存储,您可以轻松地在它们之间切换,而无需重写代码。
全面的工具箱:自 2023 年初以来,社区一直在构建许多由
LLM...
Neo4j part4—结合生成式AI体验Neo4j吧
LLM基础
之前的 LLM
基础过于浅薄,我打算在这里再重述如下三个比较重要,示例的项目中广泛涉及到的内容,进行一个相对广泛的讲解
Embedding
为什么 Embedding 是 Neo4j + AI 的核心
因为现在基本的一些功能下:
RAG
GraphRAG
AI 知识库
Agent Memory
Neo4j Vector Index
Semantic Search
多模态检索
Embedding 依旧是它们的底层基础,在自然语言处理 (NLP) 任务中,LLM
本身不擅长知识检索,处理文本需要将每个单词转换成对应的数字表示。大多数
Embedding
方法都归结为将单词或标记转换为向量。各种嵌入技术之间的区别在于它们如何处理这种“单词→向量”的转换。
在 Neo4j 的实践下,Neo4j 负责知识的关系结构,Embedding
负责语义空间,两者结合,才形成现代 AI...
Neo4j part3—把Neo4j引入我们的Spring项目中去实际使用
体验在实际项目中使用 Neo4j
搭建项目
关于如何把 Neo4j
引入到项目中并且使用是本文的重点,以前的那种思想,图数据库相关的理解什么的,就不说了
那么,如何把 Neo4j 引入到 Spring
的项目中,首先,要有对应的有必要使用的业务
而且将 Neo4j 引入 Spring Boot 项目,最标准且高效的方式是使用
Spring Data Neo4j
那么,就以我们之前经常提到的社交网络搭建这个作为基本的业务,来去实现这么一个项目,这个例子也方便我们后续去引入
AI 来学习 Neo4j 在 AI 上的应用
Spring 中操作 Neo4j,核心是:
1234567Spring Boot ↓Spring Data Neo4j(SDN) ↓Neo4j Java Driver ↓Neo4j Database
那么,基本就需要引入如下依赖就足够了
12345<!-- Spring Data Neo4j(操作Neo4j) --> <dependency> ...
赫炎的印加诺克推荐向杂谈
正文
塑造一部令人印象深刻的
galgame,可以从音乐入手,可以从作画入手,当然,最直接的,就是从剧本入手。令人印象深刻的
galgame
在剧本上通常个人风格浓厚,今天我们主要介绍的《赫炎的印加诺克》正是如此,这部作品的剧本家正是樱井光,这位如今不少型月粉丝都很熟悉的脚本家,便是在早期就以她那极具辨识度的文笔而闻名。她是一个两极分化,剑走偏锋的浪漫剧本家,正如本作一样小众且硬核。比起如今,我始终觉得,Liar-soft
时期的樱井光,才是她个人风格最浓烈、也最锋利的时候。
她在从 Liar-soft 离职后,便深度参与了 TYPE-MOON 的 Fate
系列企划写作,对于这部作品,连把她挖来的奈须蘑菇都赞不绝口。她那华丽的文笔,激烈的情感,鲜活生动的角色形象,饱含蒸汽朋克与克苏鲁元素的宏大世界观,在本作品中都极其鲜明的得到了体现。但因其文风晦涩,在
Liar-soft...
Neo4j part2—使用Cypher语言来进行图查询
图的思维
理解 LPG 模型
LPG是带标签属性图,也就是Labeled
Property Graph,它由四个核心要素组成:节点
(Node)、关系 (Relationship)、标签
(Label) 和 属性 (Property)。
LPG 模型之所以直观,是因为它完美契合人类对现实世界的认知方式。
节点 —— 实体
定义:节点代表现实世界中的对象或实体,比如一个人、一辆车、一笔订单。
特点:节点是独立的,拥有唯一的内部 ID。
示例::Person(一个人)、:Movie(一部电影)。
关系 —— 连接
定义:关系连接两个节点,表示它们之间的关联。
特点:
有向性:关系总是有方向的(从起始节点指向终止节点),例如
(:Person)-[:ACTED_IN]->(:Movie)。
类型化:关系必须有类型(如 ACTED_IN,
FRIEND_OF),这相当于关系型数据库中的外键,但更具语义。
可携带属性:这是...
Neo4j part1—了解Neo4j和知识图谱等相关内容
前置知识
知识图谱
认识知识图谱
知识图谱就是用「图结构」来表示世界上的事物、事物的属性、以及事物之间的关系。
简单说,知识图谱就是通过不同知识的关联性形成一个网状的知识结构,而这个知识结构,恰好就是人工智能AI的基石。当前
AI 领域热门的计算机图像、语音识别、NLP,离不开 AI 的感知能力,真正 AI
的认知能力,就要靠知识图谱。
关系型数据库中,我们都知道它使用字段和关联来表示数据,但是它并不擅长去做关系。
知识图谱,Knowledge Graphs, KG,它由三部分组成:
实体:现实中的对象
人、公司、设备、地点………..
属性:实体的特征
年龄、身高、价格、生产日期、性别………..
关系:实体之间的连接
朋友、出演、属于、治疗、包含、购买、位于………..
那么,知识图谱中,一条数据的标准表示方式如下
(实体) —[关系]→ (实体)
这种关系可以被这样的理解
主语 (Subject) —[谓语 (Predicate)]—> 宾语
(Object)
sample...
MyBatis part6—了解MyBatis Plus的更多内容
条件构造器
MyBatis-Plus
提供了一套强大的条件构造器(Wrapper),用于构建复杂的数据库查询条件。
Wrapper 类允许开发者以链式调用的方式构造查询条件,无需编写繁琐的 SQL
语句,从而提高开发效率并减少 SQL 注入的风险。
主要的 Wrapper 类及其功能
类名
用途
字段引用方式
核心特点
QueryWrapper
查询 (SELECT)
字符串 ("name")
灵活,但字段名写错编译不报错
UpdateWrapper
更新 (UPDATE)
字符串 ("name")
专门用于构造更新条件和 SET 值
LambdaQueryWrapper
查询 (SELECT)
Lambda (User::getName)
类型安全,重构友好,防拼写错误
LambdaUpdateWrapper
更新 (UPDATE)
Lambda...
天鹅湖
...
穿堂风
...











