拒绝Token焦虑，盘点可白嫖的6款LLM大语言模型API~

news2024/11/28 0:46:27

在这里插入图片描述

上篇分享了如何从0到1搭建一套语音交互系统。

其中，大语言模型（LLM）是实现智能对话的关键所在。

很多小伙伴反应：本地部署 LLM 还是有门槛，本文将系统盘点：目前市面上都有哪些可以免费调用的云端API？

方便大家开发基于LLM的应用，快速实现自己的想法，让创意起飞~🚀

什么是 LLM？

相信看到这里的你，对 LLM 已经有所了解了，考虑到还有不了解 LLM 的小伙伴，猴哥再啰嗦几句。

LLM，也就是大型语言模型，就像是一个超级学霸，它通过阅读海量的书本、文章、对话等资料，学习到了人类语言的很多规则和习惯。这个学霸不仅学得快，而且还特别聪明，能够用学到的知识来回答问题、写文章，把它当成你的全能小助手完全没问题。

随着2023年 OpenAI 的 ChatGPT 横空出世，海内外各大 LLM 厂商都推出了自家的大语言模型，与此同时，所有厂商都提供了 API 访问，让开发者可以轻松使用自家的LLM，开发出更多有创意的应用。

不过，绝大部分 API 都是需要付费的。对于绝大部分 API 而言，一般都采用按 token 收费，token 可以简单理解为LLM处理的字数，对于中文而言，token 和字数的换算比例约为1:1.6。

对于个人开发者和初创企业而言，想简单进行 demo 测试，验证产品可行性，如果能有一些免费的 API，自然是再香不过的了。

免费调用的LLM API

1. GPT 系列

GPT 系列是 LLM 界当仁不让的大网红，也是 OpenAI 的印钞机，如果你想调用官网提供的 API，那付费是免不了的。

接下来，猴哥将介绍三款免费的 API，让你直达GPT。

尽管都有一些次数限制，不过对于简单做个小demo，完全够用了。

1.1 GPT_API_free

基本信息：
地址：https://github.com/chatanywhere/GPT_API_free

限制：

  • 免费 API 100请求/天/IP&Key调用频率（gpt和embedding分开计算，各100次）
  • 免费 API 限制使用gpt-3.5-turbo，gpt-4 和 embeddings模型

使用步骤：

  • 申请领取内测免费API Key (需要你的 github 账号授权)
    [图片]
  • 保存 API key：sk-CsUwFWsagU5IwyAcZhPBKs3ks1TcOlLUXgoBl9FoXB7KKW
  • 保存代理 url：下面二选一
    • https://api.chatanywhere.tech (国内中转，延时更低，host1和host2二选一)
    • https://api.chatanywhere.com.cn (国内中转，延时更低，host1和host2二选一)
  • 调用测试：
    • 模型列表：查看支持哪些模型
import os
import requests
from openai import OpenAI

api_key = os.getenv("OPENAI_API_KEY", "sk-CsUwFWsagU5IwyAcZhPBKs3ks1TcOlLUXgoBl9FoXB7KKW")
base_urls  = ["https://api.chatanywhere.tech/v1", "https://api.chatanywhere.com.cn/v1"]
client = OpenAI(api_key=api_key, base_url=base_urls[0])

def get_model_list():
    url = base_urls[0] + "/models"
    headers = {
        'Authorization': f'Bearer {api_key}',
        'User-Agent': 'Apifox/1.0.0 (https://apifox.com)'
        }
    response = requests.request("GET", url, headers=headers)
    data = response.json()['data']
    models = [model['id'] for model in data]
    print(models)
  • 多轮对话生成：

因为免费 API 无法使用 “text-davinci-003” 模型，所以无法调用文本补全方法：client.completions.create

# 非流式响应
def chat(model="gpt-3.5-turbo", messages=[], temperature=0.7):
    completion = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=temperature,
        )
    return completion.choices[0].message.content

# 流式响应
def chat_stream(model="gpt-3.5-turbo", messages=[], temperature=0.7):
    completion = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=temperature,
        stream=True,
        )
    for chunk in completion:
        if chunk.choices[0].delta.content is not None:
            yield chunk.choices[0].delta.content

if __name__ == '__main__':
    messages = [
    {'role': 'system', 'content': '你是百科全书'}, # 人设提示词，可以不添加
    {'role': 'user','content': '鲁迅和周树人的关系'},
    ]
    res = chat(model="gpt-3.5-turbo", messages=messages)
    print(res)
    for text in chat_stream(model="gpt-3.5-turbo", messages=messages):
        print(text, end='')
  • 文本向量
def get_embedding(model="text-embedding-ada-002", input_text="hello world"):
    embedding = client.embeddings.create(
        model=model,
        input=input_text,
        )
    return embedding.data[0].embedding
  • 更多参数设置，可查看api文档：https://chatanywhere.apifox.cn/，或者 OpenAI官方文档

1.2 GPT4free

基本信息：
地址：https://github.com/xtekky/gpt4free

简介：可以直接安装python调用，也可以docker部署到本地。很容易封IP，不建议使用。

使用步骤：

  • 安装最新版的g4f：pip install -U g4f
  • 调用测试：
    • 对话生成：
from g4f.client import Client

client = Client()

def text_generation(model="gpt-3.5-turbo", messages=[], temperature=0.7):
    completion = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=temperature,
        )
    return completion.choices[0].message.content

if __name__ == '__main__':
    messages = [{'role': 'user','content': '你是谁'}]
    print(text_generation(messages=messages))

1.3 Coze

基本信息：
API文档：https://www.coze.com/docs/developer_guides/coze_api_overview?_lang=zh

简介：海外版Coze，封装了对 GPT 的调用。(PS：不了解 Coze 的小伙伴，可以看这里：一文搞清：Coze、扣子和GPTs的区别)

限制：每个注册用户只有 100 次免费调用额度

调用示例：

import requests
import json

url = "https://api.coze.com/open_api/v2/chat"

headers = {
    'Authorization': 'Bearer your_token',
    'Content-Type': 'application/json',
    'Accept': '*/*',
    'Host': 'api.coze.com',
    'Connection': 'keep-alive'
}

query =""""
    你了解遥远的救世主这本书么，结合搜索结果来回答
    """
    
# user 标识用户 conversation_id 标识哪一次会话 chat_history 用于输入历史对话
data = {
    "bot_id": "7370949251666477072",
    "user": "0",
    "conversation_id": "123",
    "query": query,
    "stream": False,}

response = requests.post(url, headers=headers, data=json.dumps(data))
print(response.text)

2. LLaMA3-70B

基本信息：
地址：https://build.nvidia.com/explore/discover#llama3-70b

限制：每个注册用户只有 1000 次免费调用额度

使用步骤：
由于和OpenAI API类似，参考 GPT_API_free 使用即可，下面给出一个调用示例：

from openai import OpenAI

client = OpenAI(
  base_url = "https://integrate.api.nvidia.com/v1",
  api_key = "$API_KEY_REQUIRED"
)

completion = client.chat.completions.create(
  model="meta/llama3-70b-instruct",
  messages=[{"role":"user","content":"xxx"}],
  temperature=0.5,
  top_p=1,
  max_tokens=1024,
  stream=True
)
for chunk in completion:
  if chunk.choices[0].delta.content is not None:
    print(chunk.choices[0].delta.content, end="")

3. DeepSeek

基本信息：
API 文档：https://platform.deepseek.com/api-docs/zh-cn/

限制：新注册用户，有免费额度，一个月有效期

使用步骤：
和OpenAI API类似，参考 GPT_API_free 使用即可

4. Kimi

基本信息：
API 文档：Moonshot AI - 开放平台

API Key：https://platform.moonshot.cn/console/api-keys

限制：

  • 新注册有免费额度，领取到 15 元的 token 的试用量
  • 速率限制：4种方式：并发、RPM（每分钟请求数）、TPM（每分钟 Token 数）、TPD（每天 Token 数）其中任何一种选项达到，立即执行限制。
    在这里插入图片描述

支持的模型：

  • moonshot-v1-8k: 它是一个长度为 8k 的模型，适用于生成短文本。
  • moonshot-v1-32k: 它是一个长度为 32k 的模型，适用于生成长文本。
  • moonshot-v1-128k: 它是一个长度为 128k 的模型，适用于生成超长文本。

使用步骤：
和OpenAI API类似，参考 GPT_API_free 使用即可

调用示例：

  • 对话生成接口：
from openai import OpenAI
 
client = OpenAI(
    api_key = "$MOONSHOT_API_KEY",
    base_url = "https://api.moonshot.cn/v1",
)
completion = client.chat.completions.create(
    model = "moonshot-v1-8k",
    messages = [
        {"role": "system", "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手。"},
        {"role": "user", "content": "你好，我叫李雷，1+1等于多少？"}
    ],
    temperature = 0.3,
)
print(completion.choices[0].message.content)
  • 文件相关（文件内容抽取/文件存储）接口：限时免费

注：单个用户最多只能上传 1000 个文件，单文件不超过 100MB，同时所有已上传的文件总和不超过 10G 容量。如果您要抽取更多文件，需要先删除一部分不再需要的文件。

# 文档读取
from pathlib import Path
from openai import OpenAI
 
client = OpenAI(
    api_key = "$MOONSHOT_API_KEY",
    base_url = "https://api.moonshot.cn/v1",
)
# xlnet.pdf 是一个示例文件, 支持 pdf, doc 以及图片等格式, 对于图片和 pdf 文件，提供 ocr 相关能力
file_object = client.files.create(file=Path("xlnet.pdf"), purpose="file-extract")
# 获取结果
file_content = client.files.content(file_id=file_object.id).text

# 把它放进对话请求中
messages = [
    {
        "role": "system",
        "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。",
    },
    {
        "role": "system",
        "content": file_content,
    },
    {"role": "user", "content": "请简单介绍 xlnet.pdf 讲了啥"},
]
 
# 然后调用 chat-completion, 获取 Kimi 的回答
completion = client.chat.completions.create(
  model="moonshot-v1-32k",
  messages=messages,
  temperature=0.3,
)
print(completion.choices[0].message)

# 列出文件列表
file_list = client.files.list()
for file in file_list.data:
    print(file) # 查看每个文件的信息
# 删除
client.files.delete(file_id=file_id)
# 获取指定文件信息
client.files.retrieve(file_id=file_id)
# FileObject(
# id='clg681objj8g9m7n4je0',
# bytes=761790,
# created_at=1700815879,
# filename='xlnet.pdf',
# object='file',
# purpose='file-extract',
# status='ok', status_details='') # status 如果为 error 则抽取失败

5. ChatGLM

基本信息：
API 文档：https://open.bigmodel.cn/dev/api#overview

API Key：https://open.bigmodel.cn/overview

支持的模型：

  • 通用大模型：glm-4, glm-4v, glm-3-turbo
  • 图像大模型：cogview-3
  • 向量模型：embedding-2

限制：新注册有免费额度，领取到 18 元的 token 的试用量

使用步骤：

  • 安装：
# 安装最新版，支持 GLM-4、GLM-3-Turbo，支持System Prompt、FunctionCall、Retrieval、Web_Search等新功能
pip install --upgrade zhipuai

调用示例：

  • 官方 SDK 调用：
from zhipuai import ZhipuAI
client = ZhipuAI(api_key="") # 请填写您自己的APIKey

# 同步调用 - 直接返回结果
response = client.chat.completions.create(
  model="glm-4",  # 填写需要调用的模型名称
    messages=[
        {"role": "system", "content": "你是一个乐于解答各种问题的助手。"},
        {"role": "user", "content": "你好！你叫什么名字"},
    ],
    stream=False,
    )
print(response.choices[0].message)

# 异步调用 - 调用后会立即返回一个任务 ID，然后用任务ID查询调用结果
response = client.chat.asyncCompletions.create(
    model="glm-4",  # 填写需要调用的模型名称
    messages=[
        {
            "role": "user",
            "content": "请你作为童话故事大王，写一篇短篇童话故事，故事的主题是要永远保持一颗善良的心，要能够激发儿童的学习兴趣和想象力，同时也能够帮助儿童更好地理解和接受故事中所蕴含的道理和价值观。"
        }
    ],
)
print(response)

# 流式调用 - 打字机式返回
response = client.chat.completions.create(
  model="glm-4",  # 填写需要调用的模型名称
    messages=[
        {"role": "system", "content": "你是一个乐于解答各种问题的助手。"},
        {"role": "user", "content": "你好！你叫什么名字"},
    ],
    stream=True,
    )
for chunk in response:
    print(chunk.choices[0].delta, end="")
  • OpenAI SDK 调用

from openai import OpenAI 
 
client = OpenAI(
    api_key="your api key",
    base_url="https://open.bigmodel.cn/api/paas/v4/"
)

completion = client.chat.completions.create(
    model="glm-4",  
    messages=[    
        {"role": "system", "content": "你是一个聪明且富有创造力的小说作家"},    
        {"role": "user", "content": "请你作为童话故事大王，写一篇短篇童话故事，故事的主题是要永远保持一颗善良的心，要能够激发儿童的学习兴趣和想象力，同时也能够帮助儿童更好地理解和接受故事中所蕴含的道理和价值观。"} 
    ],
    top_p=0.7,
    temperature=0.9
 ) 
 
 print(completion.choices[0].message)

6. Spark

基本信息：
API 文档：https://xinghuo.xfyun.cn/sparkapi

限制：

  • Spark3.5 Max 和 Spark Pro， 分别有免费的 200万 token，有效期1年
  • Spark Lite 完全免费
  • 和 OpenAI API 不一样，必须使用OpenAI API 的场景可能无法使用，或者可以自己封装成 OpenAI API 。
    在这里插入图片描述

使用步骤：

  • 安装：
pip install --upgrade spark_ai_python
  • 查看并保存自己的接口认证信息：https://console.xfyun.cn/services/cbm
  • 调用测试：

参考：星火认知大模型Web API文档 | 讯飞开放平台文档中心


from sparkai.llm.llm import ChatSparkLLM, ChunkPrintHandler
from sparkai.core.messages import ChatMessage

# 注意 替换为自己的接口认证信息
SPARKAI_APP_ID = 'xxx'
SPARKAI_API_SECRET = 'xxx'
SPARKAI_API_KEY = 'xxx'

model = 'spark lite'
if model =='spark lite':
    SPARKAI_URL = 'wss://spark-api.xf-yun.com/v1.1/chat'
    SPARKAI_DOMAIN = 'general'
elif model =='spark pro':
    SPARKAI_URL = 'wss://spark-api.xf-yun.com/v3.1/chat'
    SPARKAI_DOMAIN = 'generalv3'
elif model =='spark max':
    SPARKAI_URL = 'wss://spark-api.xf-yun.com/v3.5/chat'
    SPARKAI_DOMAIN = 'generalv3.5'

spark = ChatSparkLLM(
        spark_api_url=SPARKAI_URL,
        spark_app_id=SPARKAI_APP_ID,
        spark_api_key=SPARKAI_API_KEY,
        spark_api_secret=SPARKAI_API_SECRET,
        spark_llm_domain=SPARKAI_DOMAIN,
        streaming=False,
    )

if __name__ == '__main__':
    messages = [
        ChatMessage(role="user", content='你好呀'),
    ]
    handler = ChunkPrintHandler()
    a = spark.generate([messages], callbacks=[handler])
    print(a.generations[0][0].text)

LLM API - All in One

考虑到大部分 API 都提供了兼容OpenAI API的形式，我们可以把所有服务封装成一个类，实现一套代码调用任意想用的模型，开箱即用👇

from openai import OpenAI

# 枚举所有可用的模型服务
model_dict = {
    'gpt-3.5-turbo': {
        'api_key': 'sk-CsUwFWsagU5IwyAcZhPBKs3ks1TcOlLUXgoBl9FoXB7wKW',
        'base_url': 'https://api.chatanywhere.tech',
    },
    'gpt-4': {
        'api_key': 'sk-CsUwFWsagU5IwyAcZhPBKs3ks1TcOlLUXgoBl9FoXaKwKW',
        'base_url': 'https://api.chatanywhere.tech',
    },
}

# 设置人设提示词，根据需要进行修改
prompt_dict = {
    'gpt-3.5-turbo': [
        {"role": "system", "content": "你是 gpt-3.5"},
    ],
    'gpt-4': [
        {"role": "system", "content": "你是 gpt-4"},
    ],
}

class LLM_API:
    def __init__(self, api_key, base_url, model):
        self.client =  OpenAI(
            api_key=api_key,
            base_url=base_url,
        )
        self.model = model
    
    def __call__(self, messages, temperature=0.7):
        completion = self.client.chat.completions.create(
            model=self.model,
            messages=messages,
            temperature=temperature,
        )
        return completion.choices[-1].message.content

if __name__ == '__main__':
    model = 'gpt-3'
    llm = LLM_API(model_dict[model]['api_key'], model_dict[model]['base_url'], model)
    user_question = "你是谁"
    messages = prompt_dict[model] + [{"role": "user", "content": user_question},]
    print(llm(messages))

写在最后

看到这里，你已经手握 LLM 开发的生产资料，祝大家都能借助这些免费的 API 玩转大模型，开发出更多 AI 创意应用。

如果还有本文没有收集到的 API，欢迎评论区告诉我~

如果本文对你有帮助，欢迎点赞收藏备用！

猴哥一直在做 AI 领域的研发和探索，会陆续跟大家分享路上的思考和心得。

最近开始运营一个公众号，旨在分享关于AI效率工具、自媒体副业的一切。用心做内容，不辜负每一份关注。

新朋友欢迎关注 “猴哥的AI知识库” 公众号，下次更新不迷路。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1825540.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

华为云开发者社区活动-基于MindNLP的ChatGLM-6B聊天机器人体验

华为云开发者社区活动-基于MindNLP的ChatGLM-6B聊天机器人体验

MindNLP ChatGLM-6B StreamChat 本案例基于MindNLP和ChatGLM-6B实现一个聊天应用。支持流式回复。 本活动通过配置环境，模型接入，以及gradio前端界面搭建，实现了聊天机器人的功能。 以下是一些体验记录： 有兴趣的可以通过以下链…
阅读更多...
平台型组织的战略及OKR

平台型组织的战略及OKR

本文主要探讨了在平台型组织中战略和OKR（目标与关键结果）的应用，以及如何在不同的组织架构中有效制定和执行战略。原文: Strategy and OKRs in the Platform Organization 战略：重要的承诺、复杂的过程 对于什么是组织的战略&…
阅读更多...
PS通过GTX实现SFP网络通信1

PS通过GTX实现SFP网络通信1

将 PS ENET1 的 GMII 接口和 MDIO 接口 通过 EMIO 方 式引出。在 PL 端将引出的 GMII 接口和 MDIO 接口与 IP 核 1G/2.5G Ethernet PCS/PMA or SGMII 连接， 1G/2.5G Ethernet PCS/PMA or SGMII 通过高速串行收发器 GTX 与 MIZ7035/7100 开发…
阅读更多...
openh264 帧内预测编码原理：WelsMdIntraChroma 函数

openh264 帧内预测编码原理：WelsMdIntraChroma 函数

帧内色度预测编码 帧内预测的目的是利用图像中相邻像素的亮度和色度值之间的接近性来进行压缩。在H.264中，帧内预测包括亮度和色度的预测。色度预测模式通常是基于亮度预测模式来确定的，因为色度分量通常具有更高的空间冗余度。色度预测模式的选择可以基…
阅读更多...
汽车级TPSI2140QDWQRQ1隔离式固态继电器，TMUX6136PWR、TMUX1109PWR、TMUX1133PWR模拟开关与多路复用器（参数）

汽车级TPSI2140QDWQRQ1隔离式固态继电器，TMUX6136PWR、TMUX1109PWR、TMUX1133PWR模拟开关与多路复用器（参数）

1、TPSI2140-Q1 是一款隔离式固态继电器，专为高电压汽车和工业应用而设计。 TPSI2140-Q1 与 TI 具有高可靠性的电容隔离技术和内部背对背 MOSFET 整合在一起，形成了一款完全集成式解决方案，无需次级侧电源。 该器件的初级侧仅由 9mA 的输入电…
阅读更多...
Blender帧动画

Blender帧动画

时间线窗口Timeline用于定义帧动画 -视图：方法，平移，框显全部 -帧范围：可以调整动画共多少帧 -当前帧：可以拖动或手工指定 默认每秒24帧 定义一个帧动画类似unity的Timeline，只需定义关键帧&#xff0c…
阅读更多...
java学习 项目篇 一

java学习 项目篇 一

学习地址：https://www.bilibili.com/video/BV1TP411v7v6?p6&spm_id_frompageDriver&vd_sourcea6f7db332f104aff6fadf5b3542e5875 后端环境搭建 Entity 实体，通常和数据库的表对应DTO 数据传输对象，用于程序中各层之间传递数据 (前端…
阅读更多...
如何使用Keil打开GD32 FPU及使用ARM DSP库

如何使用Keil打开GD32 FPU及使用ARM DSP库

GD32目前支持ARM Cortex-M和RISC-V两种内核系列芯片，其中Cortex-M内核已经支持的有M3、M4、M23、M33、M7，这里面除了M3和M23以外，其他的都带FPU单元。我们知道，FPU在浮点运算速度上有很大的提升，并且只有带FPU才可以使…
阅读更多...
服务器权限管理

服务器权限管理

我们linux服务器上有严格的权限等级，如果权限过高导致误操作会增加服务器的风险。所以对于了解linux系统中的各种权限及要给用户，服务等分配合理的权限十分重要。（权限越大，责任越大） 1.基本权限 U--user用户,G-group…
阅读更多...
板凳------56.Linux/Unix 系统编程手册(下) -- SOCKET 介绍

板凳------56.Linux/Unix 系统编程手册(下) -- SOCKET 介绍

56.1.概述 socket 是一种IPC方法，允许位于同一主机或使用网络连接起来的不同主机上的应用程序之间交换数据。 UNIX 允许位于同一主机系统上的应用程序之间通信 Internet domain IPv4 and IPV6 // socket 通信方式 1.各个应用程序创建一个socket，socket是…
阅读更多...
GraogGNSSLib学习

GraogGNSSLib学习

GraogGNSSLib学习 程序编译环境版本项目编译结果问题 程序编译 GraphGNSSLib 环境版本 程序开源是在ubuntu16.04-kinetic环境跑通的，但是我的环境是UBUNTU20.04，所以，先进行了ROS的安装，因为我的系统是ubuntu20.04所以&#xf…
阅读更多...
软考中级|软件设计师-知识点整理

软考中级|软件设计师-知识点整理

目录 计算机网络概论 计算机系统基础知识 中央处理单元 数据表示 校验码 计算机体系结构 计算机体系结构的发展 存储系统 输入/输出技术 安全性、可靠性与系统性能评测基础知识 加密技术和认证技术 计算机可靠性 程序设计语言基础知识 程序设计语言概述 程序设计…
阅读更多...
Python自动化办公（二） —— 查看文件夹中的PDF文件数量

Python自动化办公（二） —— 查看文件夹中的PDF文件数量

Python自动化办公（二） —— 查看文件夹中的PDF文件数量 在日常办公中，我们经常需要统计某个文件夹中的PDF文件数量。手动操作不仅费时费力，而且容易出错。幸运的是，使用Python可以轻松实现这个过程。本文将介绍如何使用…
阅读更多...
南通国际高中有哪些？南通惠立学校高中部校长见面日重磅来袭

南通国际高中有哪些？南通惠立学校高中部校长见面日重磅来袭

惠灵顿（中国）自2011年成立以来，一直坚持深耕国际与双语教育，拥有丰厚的办学经验。依托于集团化的深厚经验南通惠立学校于2024-2025学年开设9-11年级，这所南通国际高中为高中学生搭建一个集卓越升学成果、强大师资、纯正…
阅读更多...
码住！详解时序数据库不同分类与性能对比

码住！详解时序数据库不同分类与性能对比

加速发展中的时序数据库，基于不同架构，最流行的类别是？ 作为管理工业场景时序数据的新兴数据库品类，时序数据库凭借着对海量时序数据的高效存储、高可扩展性、时序分析计算等特性，一跃成为物联网时代工业领域颇受欢迎的…
阅读更多...
解决Maven依赖引入不成功的问题

解决Maven依赖引入不成功的问题

解决Maven依赖引入不成功的问题 确认IntelliJ IDEA中Maven的设置是否正确。 file --> settings --> maven 清除无效的jar，进入本地仓库清除或利用bat工具 以下是bat工具内容，运行即可。【把仓库地址换成你自己的地址进行无效jar包清除】 echo o…
阅读更多...
C++:STL容器--＞set

C++:STL容器--＞set

使用set容器时需要导入头文件&#xff1a;#include <set> set和multiset区别&#xff1a; set不允许容器中有重复的元素 multiset允许容器中有重复的元素 1. 构造函数 set<T> st; set s(const &st); void printSet(set<int>& s) {for (set<int>…
阅读更多...
laravel版本≥ 8.1

laravel版本≥ 8.1

laravel10 php ≥ 8.1 且 ≤ 8.3&#xff1f; 8.1 < php < 8.3PHP版本要求在 8.1 到 8.3 之间&#xff0c;包括这两个版本。具体来说&#xff1a;"≥ 8.1" 表示 PHP 的版本至少是 8.1&#xff0c;也就是说 8.1 及以上的版本都可以。 "≤ 8.3" 表示 P…
阅读更多...
MBD_入门篇_21_SimulinkSignalAttributes

MBD_入门篇_21_SimulinkSignalAttributes

21.SignalAttributes 21.1 概述 Signal Attributes&#xff0c;信号属性&#xff0c;信号特性。 21.2 回顾常用模块 21.2.1 DataTypeConversion 数据类型转换模块&#xff0c;可以对信号的数据类型进行强制转换。无符号数据与有符号数据相加&#xff0c;我们可以将无符号数据转…
阅读更多...
VS2022 使用C++访问 mariadb 数据库

VS2022 使用C++访问 mariadb 数据库

首先，下载 MariaDB Connector/C++ 库 MariaDB Products & Tools Downloads | MariaDB 第二步，安装后 第三步，写代码 #include <iostream> #include <cstring> #include <memory> #include <windows.h>#include <mariadb/conncpp.hpp>…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023