【拥抱AI】Deer-Flow字节跳动开源的多智能体深度研究框架

news2025/7/13 2:26:03

最近发现一款可以对标甚至可能超越GPT-Researcher的AI深度研究应用，Deer-Flow（Deep Exploration and Efficient Research Flow）作为字节跳动近期开源的重量级项目，正以其模块化、灵活性和人机协同能力引发广泛关注。该项目基于 LangGraph 和 LangChain 框架构建，旨在通过整合语言模型（LLM）与专业工具链（如网络搜索、爬虫、代码执行），实现端到端的复杂研究流程自动化，同时为开发者提供高度可扩展的二次开发空间。

核心特点
  1. 多智能体协作架构
    Deer-Flow采用模块化设计，将研究任务分解为协调器、规划器、研究团队（研究员、编码员）和报告生成器等角色，各智能体通过定义良好的消息系统协同工作。这种架构不仅提升了任务执行效率，还支持动态调整研究路径。
  2. 工具链深度集成
    支持 Tavily、Brave Search 等搜索引擎，结合 Jina 爬虫与 Python REPL 工具，覆盖从数据采集到代码分析的全流程。此外，通过 MCP 平台扩展私有数据访问能力，满足企业级需求。
  3. 人机交互与内容生成
    用户可通过自然语言实时修改研究计划，并利用类 Notion 的块编辑功能优化报告。其 AI 辅助生成 能力支持播客脚本、PPT 及结构化报告的一键生成，结合火山引擎 TTS 实现多模态输出。
  4. 开源与中文友好
    采用 MIT 许可证，支持本地化部署与私有数据接入，原生适配中文研究场景，降低技术门槛。
以下跟前段时间认识的 GPT-Researcher 简单的作一些对比

尽管两者均致力于自动化研究，Deer-Flow 与 GPT-Researcher 在架构与应用场景上存在显著差异：

  • 架构设计
    GPT-Researcher 以 Plan-and-Solve 为核心，通过并行处理子任务提升效率，但依赖单一代理执行流程，最新的GPT-Researcher是支持多Agent执行任务，也是使用LangGraph，但总体流程还是没有变；

    而 Deer-Flow 的 多智能体系统 通过分工协作（如研究员负责信息收集、编码员处理技术任务）增强了复杂任务的处理能力与可追溯性，过程有“反思”，中途可干预，结果可修正。

  • 工具链与扩展性
    GPT-Researcher 虽支持多种 LLM 配置，但其工具集成相对有限，需依赖外部插件扩展功能。Deer-Flow 则内置 模块化工具链（如爬虫、代码执行），并支持无缝集成企业级 MCP 平台，适用性更广。

  • 内容生成与交互
    GPT-Researcher 专注于生成文本报告，而 Deer-Flow 提供 多模态输出（音频、PPT）及交互式编辑功能，更贴近实际研究场景的多样性需求。

个人还是比较看好Deer-Flow未来的发展，它凭借其多智能体架构、工具链深度整合及开源生态，为学术研究、商业分析等领域提供了高效且可定制的解决方案。相较于 GPT-Researcher，它在复杂任务处理、多模态输出及本土化适配方面更具优势，展现了开源框架在AI研究自动化中的独特价值。

废话就说到这里，下面我们一起来了解一下它。
以下引用DeerFlow 的官方网站内容。

视频演示

由于平台不支持github地址直接播放，只能请小伙伴自行前往观看。官方视频演示地址 https://github.com/user-attachments/assets/f3786598-1f2a-4d07-919e-8b99dfa1de3e

在官方的演示中，展示了如何使用 DeerFlow：

  • 无缝集成 MCP 服务
  • 进行深度研究过程并生成包含图像的综合报告
  • 基于生成的报告创建播客音频

快速开始

DeerFlow 使用 Python 开发，并配有用 Node.js 编写的 Web UI。为确保顺利的设置过程，我们推荐使用以下工具：

推荐工具

  • uv:
    简化 Python 环境和依赖管理。uv会自动在根目录创建虚拟环境并为您安装所有必需的包—无需手动安装 Python 环境。

  • nvm:
    轻松管理多个 Node.js 运行时版本。

  • pnpm:
    安装和管理 Node.js 项目的依赖。

环境要求

确保您的系统满足以下最低要求：

  • Python: 版本 3.12+
  • Node.js: 版本 22+

安装

# 克隆仓库
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 安装依赖，uv将负责Python解释器和虚拟环境的创建，并安装所需的包
uv sync

# 使用您的API密钥配置.env
# Tavily: https://app.tavily.com/home
# Brave_SEARCH: https://brave.com/search/api/
# 火山引擎TTS: 如果您有TTS凭证，请添加
cp .env.example .env

# 查看下方的"支持的搜索引擎"和"文本转语音集成"部分了解所有可用选项

# 为您的LLM模型和API密钥配置conf.yaml
# 请参阅'docs/configuration_guide.md'获取更多详情
cp conf.yaml.example conf.yaml

# 安装marp用于PPT生成
# https://github.com/marp-team/marp-cli?tab=readme-ov-file#use-package-manager
brew install marp-cli

可选，通过pnpm安装 Web UI 依赖：

cd deer-flow/web
pnpm install

配置

请参阅配置指南获取更多详情。

[!注意]
在启动项目之前，请仔细阅读指南，并更新配置以匹配您的特定设置和要求。

控制台 UI

运行项目的最快方法是使用控制台 UI。

# 在类bash的shell中运行项目
uv run main.py

Web UI

本项目还包括一个 Web UI，提供更加动态和引人入胜的交互体验。

[!注意]
您需要先安装 Web UI 的依赖。

# 在开发模式下同时运行后端和前端服务器
# 在macOS/Linux上
./bootstrap.sh -d

# 在Windows上
bootstrap.bat -d

打开浏览器并访问http://localhost:3000探索 Web UI。

在web目录中探索更多详情。

支持的搜索引擎

DeerFlow 支持多种搜索引擎，可以在.env文件中通过SEARCH_API变量进行配置：

  • Tavily（默认）：专为 AI 应用设计的专业搜索 API

    • 需要在.env文件中设置TAVILY_API_KEY
    • 注册地址：https://app.tavily.com/home

  • DuckDuckGo：注重隐私的搜索引擎

    • 无需 API 密钥

  • Brave Search：具有高级功能的注重隐私的搜索引擎

    • 需要在.env文件中设置BRAVE_SEARCH_API_KEY
    • 注册地址：https://brave.com/search/api/

  • Arxiv：用于学术研究的科学论文搜索

    • 无需 API 密钥
    • 专为科学和学术论文设计

要配置您首选的搜索引擎，请在.env文件中设置SEARCH_API变量：

# 选择一个：tavily, duckduckgo, brave_search, arxiv
SEARCH_API=tavily

特性

核心能力

  • 🤖 LLM 集成
    • 通过litellm支持集成大多数模型
    • 支持开源模型如 Qwen
    • 兼容 OpenAI 的 API 接口
    • 多层 LLM 系统适用于不同复杂度的任务

工具和 MCP 集成

  • 🔍 搜索和检索

    • 通过 Tavily、Brave Search 等进行网络搜索
    • 使用 Jina 进行爬取
    • 高级内容提取

  • 🔗 MCP 无缝集成

    • 扩展私有域访问、知识图谱、网页浏览等能力
    • 促进多样化研究工具和方法的集成

人机协作

  • 🧠 人在环中

    • 支持使用自然语言交互式修改研究计划
    • 支持自动接受研究计划

  • 📝 报告后期编辑

    • 支持类 Notion 的块编辑
    • 允许 AI 优化，包括 AI 辅助润色、句子缩短和扩展
    • 由tiptap提供支持

内容创作

  • 🎙️ 播客和演示文稿生成
    • AI 驱动的播客脚本生成和音频合成
    • 自动创建简单的 PowerPoint 演示文稿
    • 可定制模板以满足个性化内容需求

架构

DeerFlow 实现了一个模块化的多智能体系统架构，专为自动化研究和代码分析而设计。该系统基于 LangGraph 构建，实现了灵活的基于状态的工作流，其中组件通过定义良好的消息传递系统进行通信。
在这里插入图片描述

系统采用了精简的工作流程，包含以下组件：

  1. 协调器：管理工作流生命周期的入口点

    • 根据用户输入启动研究过程
    • 在适当时候将任务委派给规划器
    • 作为用户和系统之间的主要接口

  2. 规划器：负责任务分解和规划的战略组件

    • 分析研究目标并创建结构化执行计划
    • 确定是否有足够的上下文或是否需要更多研究
    • 管理研究流程并决定何时生成最终报告

  3. 研究团队：执行计划的专业智能体集合：

    • 研究员：使用网络搜索引擎、爬虫甚至 MCP 服务等工具进行网络搜索和信息收集。
    • 编码员：使用 Python REPL 工具处理代码分析、执行和技术任务。
      每个智能体都可以访问针对其角色优化的特定工具，并在 LangGraph 框架内运行

  4. 报告员：研究输出的最终阶段处理器

    • 汇总研究团队的发现
    • 处理和组织收集的信息
    • 生成全面的研究报告

开发

测试

运行测试套件：

# 运行所有测试
make test

# 运行特定测试文件
pytest tests/integration/test_workflow.py

# 运行覆盖率测试
make coverage

代码质量

# 运行代码检查
make lint

# 格式化代码
make format

使用 LangGraph Studio 进行调试

DeerFlow 使用 LangGraph 作为其工作流架构。您可以使用 LangGraph Studio 实时调试和可视化工作流。

本地运行 LangGraph Studio

DeerFlow 包含一个langgraph.json配置文件，该文件定义了 LangGraph Studio 的图结构和依赖关系。该文件指向项目中定义的工作流图，并自动从.env文件加载环境变量。

Mac
# 如果您没有uv包管理器，请安装它
curl -LsSf https://astral.sh/uv/install.sh | sh

# 安装依赖并启动LangGraph服务器
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.12 langgraph dev --allow-blocking
Windows / Linux
# 安装依赖
pip install -e .
pip install -U "langgraph-cli[inmem]"

# 启动LangGraph服务器
langgraph dev

启动 LangGraph 服务器后，您将在终端中看到几个 URL：

  • API: http://127.0.0.1:2024
  • Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
  • API 文档: http://127.0.0.1:2024/docs

在浏览器中打开 Studio UI 链接以访问调试界面。

使用 LangGraph Studio

在 Studio UI 中，您可以：

  1. 可视化工作流图并查看组件如何连接
  2. 实时跟踪执行情况，了解数据如何在系统中流动
  3. 检查工作流每个步骤的状态
  4. 通过检查每个组件的输入和输出来调试问题
  5. 在规划阶段提供反馈以完善研究计划

当您在 Studio UI 中提交研究主题时，您将能够看到整个工作流执行过程，包括：

  • 创建研究计划的规划阶段
  • 可以修改计划的反馈循环
  • 每个部分的研究和写作阶段
  • 最终报告生成

启用 LangSmith 追踪

DeerFlow 支持 LangSmith 追踪功能，帮助您调试和监控工作流。要启用 LangSmith 追踪：

  1. 确保您的 .env 文件中有以下配置（参见 .env.example）：

    LANGSMITH_TRACING=true
LANGSMITH_ENDPOINT="https://api.smith.langchain.com"
LANGSMITH_API_KEY="xxx"
LANGSMITH_PROJECT="xxx"

  2. 通过运行以下命令本地启动 LangSmith 追踪：

    langgraph dev

这将在 LangGraph Studio 中启用追踪可视化，并将您的追踪发送到 LangSmith 进行监控和分析。

Docker

您也可以使用 Docker 运行此项目。

首先，您需要阅读下面的配置部分。确保.env和.conf.yaml文件已准备就绪。

其次，构建您自己的 Web 服务器 Docker 镜像：

docker build -t deer-flow-api .

最后，启动运行 Web 服务器的 Docker 容器：

# 将deer-flow-api-app替换为您首选的容器名称
docker run -d -t -p 8000:8000 --env-file .env --name deer-flow-api-app deer-flow-api

# 停止服务器
docker stop deer-flow-api-app

Docker Compose

您也可以使用 docker compose 设置此项目：

# 构建docker镜像
docker compose build

# 启动服务器
docker compose up

文本转语音集成

DeerFlow 现在包含一个文本转语音(TTS)功能，允许您将研究报告转换为语音。此功能使用火山引擎 TTS API 生成高质量的文本音频。速度、音量和音调等特性也可以自定义。

使用 TTS API

您可以通过/api/tts端点访问 TTS 功能：

# 使用curl的API调用示例
curl --location 'http://localhost:8000/api/tts' \
--header 'Content-Type: application/json' \
--data '{
    "text": "这是文本转语音功能的测试。",
    "speed_ratio": 1.0,
    "volume_ratio": 1.0,
    "pitch_ratio": 1.0
}' \
--output speech.mp3

示例

以下示例展示了 DeerFlow 的功能：

研究报告

  1. OpenAI Sora 报告 - OpenAI 的 Sora AI 工具分析

    • 讨论功能、访问方式、提示工程、限制和伦理考虑
    • 查看完整报告

  2. Google 的 Agent to Agent 协议报告 - Google 的 Agent to Agent (A2A)协议概述

    • 讨论其在 AI 智能体通信中的作用及其与 Anthropic 的 Model Context Protocol (MCP)的关系
    • 查看完整报告

  3. 什么是 MCP？ - 对"MCP"一词在多个上下文中的全面分析

    • 探讨 AI 中的 Model Context Protocol、化学中的 Monocalcium Phosphate 和电子学中的 Micro-channel Plate
    • 查看完整报告

  4. 比特币价格波动 - 最近比特币价格走势分析

    • 研究市场趋势、监管影响和技术指标
    • 基于历史数据提供建议
    • 查看完整报告

  5. 什么是 LLM？ - 对大型语言模型的深入探索

    • 讨论架构、训练、应用和伦理考虑
    • 查看完整报告

  6. 医疗保健中的 AI 采用：影响因素 - 影响医疗保健中 AI 采用的因素分析

    • 讨论 AI 技术、数据质量、伦理考虑、经济评估、组织准备度和数字基础设施
    • 查看完整报告

  7. 量子计算对密码学的影响 - 量子计算对密码学影响的分析

    • 讨论经典密码学的漏洞、后量子密码学和抗量子密码解决方案
    • 查看完整报告

要运行这些示例或创建您自己的研究报告，您可以使用以下命令：

# 使用特定查询运行
uv run main.py "哪些因素正在影响医疗保健中的AI采用？"

# 使用自定义规划参数运行
uv run main.py --max_plan_iterations 3 "量子计算如何影响密码学？"

# 在交互模式下运行，带有内置问题
uv run main.py --interactive

# 或者使用基本交互提示运行
uv run main.py

# 查看所有可用选项
uv run main.py --help

交互模式

应用程序现在支持带有英文和中文内置问题的交互模式：

  1. 启动交互模式：

    uv run main.py --interactive

  2. 选择您偏好的语言（English 或中文）

  3. 从内置问题列表中选择或选择提出您自己问题的选项

  4. 系统将处理您的问题并生成全面的研究报告

人在环中

DeerFlow 包含一个人在环中机制，允许您在执行研究计划前审查、编辑和批准：

  1. 计划审查：启用人在环中时，系统将在执行前向您展示生成的研究计划

  2. 提供反馈：您可以：

    • 通过回复[ACCEPTED]接受计划
    • 通过提供反馈编辑计划（例如，[EDIT PLAN] 添加更多关于技术实现的步骤）
    • 系统将整合您的反馈并生成修订后的计划

  3. 自动接受：您可以启用自动接受以跳过审查过程：

    • 通过 API：在请求中设置auto_accepted_plan: true

  4. API 集成：使用 API 时，您可以通过feedback参数提供反馈：

    {
  "messages": [{ "role": "user", "content": "什么是量子计算？" }],
  "thread_id": "my_thread_id",
  "auto_accepted_plan": false,
  "feedback": "[EDIT PLAN] 包含更多关于量子算法的内容"
}

命令行参数

应用程序支持多个命令行参数来自定义其行为：

  • query：要处理的研究查询（可以是多个词）
  • –interactive：以交互模式运行，带有内置问题
  • –max_plan_iterations：最大规划周期数（默认：1）
  • –max_step_num：研究计划中的最大步骤数（默认：3）
  • –debug：启用详细调试日志

感谢您的阅读，以上就是本期的全部内容啦，感兴趣的小伙伴可以自行前往DeerFlow 的官方网站了解更多详情。

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/2379655.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

前端获取用户的公网 IP 地址

前端获取用户的公网 IP 地址

可以使用免费的免费的公共服务网站 一：https://www.ipify.org/ 获取 JSON 格式的 IP 地址 // 旧地址不好使 // https://api.ipify.org/?formatjson // 新地址 https://api64.ipify.org/?formatjson 二：https://ipinfo.io/ https://ipinfo.io/ 三&a…
阅读更多...
云电竞服务器 工作原理

云电竞服务器 工作原理

云电竞服务器工作原理详解 一、核心架构原理 虚拟化资源池‌ 通过 ‌KVM/VMware‌ 等虚拟化技术将物理服务器（含NVIDIA GPU集群）抽象为可动态分配的算力资源池，每个用户独享独立虚拟机实例，实现硬件资源的按需分配与隔离运行。 …
阅读更多...
【数据结构】线性表--队列

【数据结构】线性表--队列

【数据结构】线性表--队列 一.什么是队列二.队列的实现1.队列结构定义：2.队列初始化函数：3.队列销毁函数：4.入队列函数（尾插）：5.出队列函数（头删）：6.取队头元素&#xff…
阅读更多...
[Vue3]语法变动

[Vue3]语法变动

Vue3的语法相对比Vue2有不少改变，这篇讲一下基础语法在Vue3里的形式。 创建Vue对象 在脚手架项目中，index.html等资源不再编写代码，只作为一个容器。所有的页面代码都在.vue相关文件中进行编写，由main.js引入各个.vue文件渲染出页…
阅读更多...
Ubuntu服务器开启SNMP服务 监控系统配置指南 -优雅草星云智控简易化操作

Ubuntu服务器开启SNMP服务 监控系统配置指南 -优雅草星云智控简易化操作

Ubuntu服务器开启SNMP服务 & 监控系统配置指南 -优雅草星云智控简易化操作 一、Ubuntu服务器开启SNMP服务 步骤1：安装SNMP服务 sudo apt update sudo apt install snmp snmpd snmp-mibs-downloader -y 步骤2：配置SNMP（编辑配置文件&am…
阅读更多...
linux本地部署ollama+deepseek过程

linux本地部署ollama+deepseek过程

1.Tags ollama/ollama GitHub 选择一个版本下载，我下的是0.5.12 2.tar解压该文件 3.尝试启动ollama ollama serve 4.查看ollama的版本 ollama -v 5.创建一个系统用户 ollama，不允许登录 shell，拥有一个主目录，并且用…
阅读更多...
从零开始实现大语言模型（十五）：并行计算与分布式机器学习

从零开始实现大语言模型（十五）：并行计算与分布式机器学习

1. 前言 并行计算与分布式机器学习是一种使用多机多卡加速大规模深度神经网络训练过程，以减少训练时间的方法。在工业界的训练大语言模型实践中，通常会使用并行计算与分布式机器学习方法来减少训练大语言模型所需的钟表时间。 本文介绍PyTorch中的一种…
阅读更多...
OpenCV进阶操作：指纹验证、识别

OpenCV进阶操作：指纹验证、识别

文章目录 前言一、指纹验证1、什么是指纹验证2、流程步骤 二、使用步骤（案例）三、指纹识别（案例）1、这是我们要识别的指纹库2、这是待识别的指纹图3、代码4、结果 总结 前言 指纹识别作为生物识别领域的核心技术之一，…
阅读更多...
网络安全-等级保护(等保) 2-5 GB/T 25070—2019《信息安全技术 网络安全等级保护安全设计技术要求》-2019-05-10发布【现行】

网络安全-等级保护(等保) 2-5 GB/T 25070—2019《信息安全技术 网络安全等级保护安全设计技术要求》-2019-05-10发布【现行】

################################################################################ GB/T 22239-2019 《信息安全技术 网络安全等级保护基础要求》包含安全物理环境、安全通信网络、安全区域边界、安全计算环境、安全管理中心、安全管理制度、安全管理机构、安全管理人员、安…
阅读更多...
3D生成新突破：阶跃星辰Step1X-3D开源，可控性大幅提升

3D生成新突破：阶跃星辰Step1X-3D开源，可控性大幅提升

Step1X-3D 是由 StepFun 联合 LightIllusions 推出的新一代 高精度、高可控性 3D资产生成框架。基于严格的 数据清洗与标准化流程，我们从 500万 3D资产 中筛选出 200万高质量数据，构建了 标准化的几何与纹理属性数据集，为3D生成提供更可靠的训…
阅读更多...
MySQL数据类型之VARCHAR和CHAR使用详解

MySQL数据类型之VARCHAR和CHAR使用详解

在设计数据库字段时，字符串类型算是最常见的数据类型之一了，这篇文章带大家深入探讨一下MySQL数据库中VARCHAR和CHAR数据类型的基本特性，以及它们之间的区别。 VARCHAR类型 VARCHAR（Variable Character，可变长度字符…
阅读更多...
《Docker 入门与进阶：架构剖析、隔离原理及安装实操》

《Docker 入门与进阶：架构剖析、隔离原理及安装实操》

1 docker 简介 1.1 Docker 的优点 Docker 是一款开放平台，用于应用程序的开发、交付与运行，能将应用和基础架构分离，实现软件快速交付 ，还能以统一方式管理应用和基础架构，缩短代码从编写到上线的时间。其核心优势如…
阅读更多...
基于Akamai云计算平台的OTT媒体点播转码解决方案

基于Akamai云计算平台的OTT媒体点播转码解决方案

点播视频（VOD）流媒体服务依赖于视频流的转码来高效分发内容。在转码工作流程中，视频被转换为适合观看设备、网络条件和性能限制的格式。视频转码是计算密集型过程，因此最大化可用硬件上可转码的视频流数量是首要考虑因素。不同基础…
阅读更多...
【MySQL】02.数据库基础

【MySQL】02.数据库基础

1. 数据库的引入 之前存储数据用文件就可以了，为什么还要弄个数据库? 文件存储存在安全性问题，文件不利于数据查询和管理，文件不利于存储海量数据，文件在程序中控制不方便。而为了解决上述问题，专家们设计出更加利于…
阅读更多...
选错方向太致命，华为HCIE数通和云计算到底怎么选？

选错方向太致命，华为HCIE数通和云计算到底怎么选？

现在搞HCIE的兄弟越来越多了，但“数通和云计算，到底考哪个？”这问题，依旧让不少人头疼。 一个是华为认证的老牌王牌专业——HCIE数通，稳、系统、岗位多； 一个是新趋势方向，贴合云原生、数字化…
阅读更多...
经典启发算法【早期/启发式/HC爬山/SA模拟退火/TS禁忌搜/IA免疫 思想流程举例全】

经典启发算法【早期/启发式/HC爬山/SA模拟退火/TS禁忌搜/IA免疫 思想流程举例全】

文章目录 一、早期算法二、启发式算法三、爬山法HC3.1 基本思路3.2 伪代码 四、模拟退火SA4.1 算法思想4.2 基本流程4.3 再究原理4.3.1 Metropolis准则4.3.2 再理解 4.4 小Tips4.5 应用举例4.5.1 背包问题：分析：求解： 4.5.2 TSP问题&#xff…
阅读更多...
IntraWeb 16.0.2 + Bootstrap 4 居中布局实战（附源码+效果图）

IntraWeb 16.0.2 + Bootstrap 4 居中布局实战（附源码+效果图）

前言 最近在优化一个 IntraWeb 16.0.2 项目时，发现默认布局方式不够灵活，尤其是在不同屏幕尺寸下对齐效果不佳。于是，我决定引入 Bootstrap 4 来实现 完美居中布局，并成功落地！今天就把完整的 源代码 实际效果图 分享…
阅读更多...
【Java ee初阶】jvm（3）

【Java ee初阶】jvm（3）

一、双亲委派机制（类加载机制中，最经常考到的问题） 类加载的第一个环节中，根据类的全限定类名（包名类名）找到对应的.class文件的过程。 JVM中进行类加载的操作，需要以来内部的模块“类加载器”…
阅读更多...
23种设计模式考试趋势分析之——适配器（Adapter）设计模式——求三连

23种设计模式考试趋势分析之——适配器（Adapter）设计模式——求三连

文章目录 一、考点分值占比与趋势分析二、真题考点深入挖掘三、"wwwh"简述四、真题演练与解析五、极简备考笔记 适配器模式核心要点六、考点记忆顺口溜七、多角度解答 一、考点分值占比与趋势分析 由于知识库提供的真题年份信息不完整，我们仅能对现有数据…
阅读更多...
【Linux笔记】——线程互斥与互斥锁的封装

【Linux笔记】——线程互斥与互斥锁的封装

🔥个人主页🔥：孤寂大仙V 🌈收录专栏🌈：Linux 🌹往期回顾🌹：【Linux笔记】——Linux线程封装 🔖流水不争，争的是滔滔不息 一、线程互斥的概念二、互…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023