AI 助理
文档备案控制台
开发者社区 大数据与机器学习 文章 正文

垃圾分类管理系统基于 Spring Boot Vue 3 微服务架构实操指南

2025-06-27 518
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 本文介绍了基于Java技术的垃圾分类管理系统开发方案与实施案例。系统采用前后端分离架构，后端使用Spring Boot框架搭配MySQL数据库，前端可选择Vue.js或Java Swing实现。核心功能模块包括垃圾分类查询、科普教育、回收预约等。文中提供了两个典型应用案例：彭湖花园小区使用的Swing桌面系统和基于Spring Boot+Vue的城市管理系统，分别满足不同场景需求。最新技术方案升级为微服务架构，整合Spring Cloud、Redis、Elasticsearch等技术，并采用Docker容器

以下是一篇关于Java垃圾分类管理系统的技术方案和应用实例文章：

Java垃圾分类管理系统技术方案与应用实例

一、引言

随着环保意识的增强和垃圾分类政策的推行，垃圾分类管理系统的重要性日益凸显。使用Java开发垃圾分类管理系统，可借助其跨平台性、面向对象特性以及丰富的类库等优势，结合合适的框架和数据库，实现高效、稳定的垃圾分类管理功能。

二、技术方案

（一）系统架构

  • 前后端分离架构：采用前后端分离模式，前端负责用户界面展示和交互，后端专注于业务逻辑处理和数据存储。这种架构有利于团队分工协作，提高开发效率，也便于后期维护和扩展。
  • 三层架构细分：后端进一步分为表现层（UI层）、业务逻辑层和数据访问层。表现层负责与用户交互，接收用户请求并返回响应结果；业务逻辑层处理具体业务逻辑，如垃圾分类规则验证、用户权限控制等；数据访问层通过JDBC等技术实现对数据库的操作，完成数据的增删改查和持久化处理。

（二）开发技术选型

  • 后端技术：
    • Spring Boot框架：许多垃圾分类管理系统采用Spring Boot框架。它能快速构建Spring项目，简化配置，自动装配依赖，提高开发效率。同时，其内置的Tomcat服务器可方便地部署和运行项目，还支持各种插件，便于实现如日志记录、监控等功能。
    • Java语言：作为开发核心语言，具有简单性、面向对象、分布式、健壮性等特点。其强类型机制和异常处理功能可确保程序的稳定性，丰富的类库能为系统开发提供大量现成的功能，如网络编程、文件操作等。
    • 数据库：常用MySQL数据库。它是开源的关系型数据库，支持多线程，性能高效，能充分利用CPU资源。提供多种API，可轻松与Java集成，且支持多种存储引擎，能满足不同数据存储需求。
  • 前端技术：
    • Vue.js或HTML/CSS/JS：对于前后端分离架构的系统，前端可使用Vue.js框架构建单页应用，通过组件化开发提高代码复用性，结合HTML/CSS/JS实现丰富的用户界面和交互效果。
    • Java Swing：若为桌面应用形式的垃圾分类管理系统，可采用Java Swing作为GUI框架。通过GridBagLayout、BorderLayout等布局管理器，可设计出美观、合理的用户界面，适合小区等局部范围内的垃圾分类管理场景，方便物业管理人员在本地使用。

（三）功能模块设计

  • 科普教育模块：用于向用户普及垃圾分类知识，可展示垃圾分类的意义、各类垃圾的分类标准、垃圾分类的好处等内容，以图文并茂或视频的形式呈现，提高用户的环保意识。
  • 垃圾信息查询模块：用户输入垃圾名称或相关描述，系统可快速返回该垃圾的分类类别（如可回收物、有害垃圾、厨余垃圾、其他垃圾），还可提供一些特殊垃圾的处理方法等额外信息。
  • 垃圾分类指导模块：提供详细的垃圾分类指引，如不同场景（家庭、办公室、公共场所）下的垃圾分类方法，常见垃圾的分类示例等，帮助用户准确进行垃圾分类。
  • 用户管理模块：管理员可对用户进行增删改查操作，包括注册用户信息查看、编辑用户权限等。用户可修改个人信息、密码等，还能查看自己的垃圾分类记录和积分情况（若有积分机制）。
  • 垃圾回收管理模块：居民可在线预约垃圾回收，填写回收垃圾的类型、数量、地址等信息。管理员或垃圾回收人员可查看预约信息，进行回收调度，记录回收情况，如回收时间、实际回收量等。
  • 公告管理模块：管理员可发布与垃圾分类相关的通知、政策法规、活动信息等公告，用户可查看公告内容，及时了解垃圾分类相关动态。

三、应用实例

（一）彭湖花园小区垃圾分类管理系统

  • 背景：为规范小区垃圾分类管理，提高居民垃圾分类意识，优化物业管理工作流程，彭湖花园小区开发了此系统。
  • 技术实现：后端采用Java语言，基于经典三层架构开发，数据访问层通过JDBC操作MySQL数据库。前端使用Java Swing作为GUI框架，通过GridBagLayout等布局管理方式设计界面。
  • 功能应用：居民可通过系统查看垃圾详细分类信息，进行垃圾回收预约。管理员能审核回收预约，对用户信息进行管理，还可发布小区垃圾分类相关公告，如垃圾投放时间调整、垃圾分类活动通知等。

（二）基于Spring Boot的城市垃圾分类管理系统

  • 背景：随着城市化进程加快，城市生活垃圾增多，为提高垃圾分类的准确率和参与度，促进城市环境可持续发展，开发了该系统。
  • 技术实现：以Spring Boot为核心框架，集成MyBatis - Plus等技术进行数据持久化操作，使用MySQL数据库存储数据。前端采用Vue.js结合HTML/CSS/JS开发，实现良好的用户交互界面。
  • 功能应用：除了具备基本的垃圾信息查询、分类指导等功能外，还集成了垃圾分类知识普及模块，通过图文和视频等形式向市民宣传垃圾分类知识。同时，系统可记录居民的垃圾分类行为，如垃圾投放记录、回收记录等，并可对这些数据进行分析与可视化展示，帮助管理者了解垃圾分类工作的执行情况，为决策提供数据支持。此外，还实现了垃圾回收预约与调度功能，优化了垃圾回收流程。

以下是基于最新技术的垃圾分类管理系统实操内容，包含技术选型、数据库设计、核心功能实现和部署说明：

以下是基于最新技术的垃圾分类管理系统实操内容，包含技术选型、数据库设计、核心功能实现和部署说明：

垃圾分类管理系统实操指南（基于Spring Boot + Vue 3 + 微服务）

一、技术选型与环境搭建

（一）后端技术栈

  • Spring Boot 3.0：简化配置，集成Starter依赖
  • Spring Cloud Alibaba：微服务架构（服务注册、配置中心、网关）
  • MyBatis-Plus：增强ORM工具，减少SQL编写
  • Redis：缓存高频访问数据（如垃圾分类规则）
  • Elasticsearch：实现垃圾名称的全文搜索
  • MinIO：存储垃圾分类图片和视频
  • Docker & Kubernetes：容器化部署

（二）前端技术栈

  • Vue 3 + TypeScript：响应式前端框架
  • Vite：新一代构建工具，提升开发体验
  • Element Plus：企业级UI组件库
  • Leaflet：轻量级地图组件（用于展示回收点位置）
  • Pinia：状态管理库，替代Vuex

（三）环境搭建步骤

  1. 后端环境
# 创建Maven多模块项目
mvn archetype:generate -DgroupId=com.example -DartifactId=garbage-classification -DarchetypeArtifactId=maven-archetype-quickstart -DinteractiveMode=false

# 添加核心依赖（pom.xml）
<dependencies>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    <dependency>
        <groupId>com.baomidou</groupId>
        <artifactId>mybatis-plus-boot-starter</artifactId>
        <version>3.5.3.1</version>
    </dependency>
    <dependency>
        <groupId>com.alibaba.cloud</groupId>
        <artifactId>spring-cloud-starter-alibaba-nacos-discovery</artifactId>
    </dependency>
    <!-- 其他依赖... -->
</dependencies>
  1. 前端环境
# 创建Vue 3项目
npm init vite@latest garbage-classification-frontend -- --template vue-ts

# 安装依赖
cd garbage-classification-frontend
npm install element-plus @element-plus/icons-vue leaflet pinia axios

二、数据库设计与实现

（一）核心数据表结构

  1. 垃圾分类表（garbage_category）
CREATE TABLE `garbage_category` (
  `id` bigint NOT NULL AUTO_INCREMENT COMMENT '分类ID',
  `name` varchar(50) NOT NULL COMMENT '分类名称(可回收物/有害垃圾/厨余垃圾/其他垃圾)',
  `description` varchar(255) DEFAULT NULL COMMENT '分类描述',
  `icon` varchar(255) DEFAULT NULL COMMENT '分类图标URL',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='垃圾分类基础表';
  1. 垃圾明细表（garbage_detail）
CREATE TABLE `garbage_detail` (
  `id` bigint NOT NULL AUTO_INCREMENT COMMENT '垃圾ID',
  `name` varchar(100) NOT NULL COMMENT '垃圾名称',
  `category_id` bigint NOT NULL COMMENT '所属分类ID',
  `alias` varchar(255) DEFAULT NULL COMMENT '别名(逗号分隔)',
  `description` text COMMENT '详细描述',
  `image_url` varchar(255) DEFAULT NULL COMMENT '图片URL',
  `create_time` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
  PRIMARY KEY (`id`),
  KEY `idx_category_id` (`category_id`),
  FULLTEXT KEY `idx_name_alias` (`name`,`alias`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='垃圾明细信息表';
  1. 用户表（user）
CREATE TABLE `user` (
  `id` bigint NOT NULL AUTO_INCREMENT COMMENT '用户ID',
  `username` varchar(50) NOT NULL COMMENT '用户名',
  `password` varchar(100) NOT NULL COMMENT '加密密码',
  `phone` varchar(20) DEFAULT NULL COMMENT '手机号',
  `role` tinyint NOT NULL DEFAULT '1' COMMENT '角色(1-普通用户,2-管理员)',
  `points` int DEFAULT '0' COMMENT '积分',
  `create_time` datetime DEFAULT CURRENT_TIMESTAMP COMMENT '注册时间',
  PRIMARY KEY (`id`),
  UNIQUE KEY `idx_username` (`username`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户信息表';

三、核心功能实现

（一）垃圾分类查询功能

// 后端Service层实现
@Service
public class GarbageService {
   

    @Autowired
    private GarbageDetailMapper garbageDetailMapper;

    @Autowired
    private RestTemplate restTemplate; // 调用AI分类服务

    // 基于名称查询垃圾分类
    public List<GarbageDetail> searchGarbage(String keyword) {
   
        // 先查缓存
        List<GarbageDetail> result = redisTemplate.opsForList()
            .range("garbage:search:" + keyword, 0, -1);

        if (CollectionUtils.isEmpty(result)) {
   
            // 缓存未命中，查数据库
            QueryWrapper<GarbageDetail> wrapper = new QueryWrapper<>();
            wrapper.like("name", keyword).or().like("alias", keyword);
            result = garbageDetailMapper.selectList(wrapper);

            // 放入缓存(有效期1小时)
            if (!CollectionUtils.isEmpty(result)) {
   
                redisTemplate.opsForList().rightPushAll(
                    "garbage:search:" + keyword, result);
                redisTemplate.expire("garbage:search:" + keyword, 1, TimeUnit.HOURS);
            }
        }
        return result;
    }

    // 调用AI识别服务(部署在另一个微服务)
    public String classifyByImage(MultipartFile image) {
   
        String aiServiceUrl = "http://ai-service/classify";
        HttpHeaders headers = new HttpHeaders();
        headers.setContentType(MediaType.MULTIPART_FORM_DATA);

        MultiValueMap<String, Object> body = new LinkedMultiValueMap<>();
        body.add("image", new FileSystemResource(convertToFile(image)));

        HttpEntity<MultiValueMap<String, Object>> requestEntity = 
            new HttpEntity<>(body, headers);

        ResponseEntity<String> response = restTemplate.postForEntity(
            aiServiceUrl, requestEntity, String.class);

        return response.getBody();
    }
}

（二）前端搜索页面实现（Vue 3组件）

<!-- src/components/GarbageSearch.vue -->
<template>
  <div class="search-container">
    <el-input 
      v-model="keyword" 
      placeholder="输入垃圾名称查询分类" 
      suffix-icon="Search"
      @keyup.enter="handleSearch">
      <template #append>
        <el-button @click="handleSearch">搜索</el-button>
      </template>
    </el-input>

    <!-- 搜索结果 -->
    <div v-if="searchResults.length > 0" class="result-list">
      <el-card 
        v-for="item in searchResults" 
        :key="item.id" 
        :class="getCategoryClass(item.categoryId)">
        <template #header>
          <div class="card-header">
            <span>{
  { item.name }}</span>
            <el-tag :type="getCategoryType(item.categoryId)">{
  { getCategoryName(item.categoryId) }}</el-tag>
          </div>
        </template>
        <div>{
  { item.description || '暂无详细描述' }}</div>
        <img v-if="item.imageUrl" :src="item.imageUrl" alt="垃圾图片" class="result-image">
      </el-card>
    </div>

    <!-- 未找到结果 -->
    <el-empty v-else description="未找到相关垃圾信息"></el-empty>
  </div>
</template>

<script setup lang="ts">
import { ref, onMounted } from 'vue';
import { ElMessage } from 'element-plus';
import { useGarbageStore } from '@/stores/garbage';

const keyword = ref('');
const searchResults = ref([]);
const garbageStore = useGarbageStore();

const handleSearch = async () => {
  if (!keyword.value.trim()) {
    ElMessage.warning('请输入垃圾名称');
    return;
  }

  try {
    // 调用API搜索
    searchResults.value = await garbageStore.searchGarbage(keyword.value);

    if (searchResults.value.length === 0) {
      // 提示用户可提交新垃圾
      ElMessage.info('未找到该垃圾信息，您可以提交分类建议');
    }
  } catch (error) {
    ElMessage.error('搜索失败，请稍后再试');
    console.error(error);
  }
};
</script>

四、智能分类扩展功能

（一）AI图像识别模块

  1. 部署TensorFlow模型服务
# 使用TensorFlow Serving部署垃圾分类模型
docker run -t --rm -p 8501:8501 \
  -v "$PWD/garbage_model:/models/garbage_model" \
  -e MODEL_NAME=garbage_model \
  tensorflow/serving

# 模型API调用示例
curl -d '{"instances": [{"image_bytes": {"b64": "<BASE64_IMAGE>"}}]}' \
  -X POST http://localhost:8501/v1/models/garbage_model:predict
  1. Java客户端调用
// AI服务接口
@FeignClient(name = "ai-service", url = "${ai.service.url}")
public interface AIServiceClient {
   
    @PostMapping(value = "/classify", consumes = MediaType.MULTIPART_FORM_DATA_VALUE)
    String classify(@RequestPart("image") MultipartFile image);
}

（二）微信小程序集成

  1. 小程序端核心代码
// pages/scan/scan.js
Page({
   
  data: {
   
    result: '',
    loading: false
  },

  chooseImage() {
   
    wx.chooseImage({
   
      count: 1,
      sizeType: ['compressed'],
      sourceType: ['album', 'camera'],
      success: (res) => {
   
        this.setData({
    loading: true });
        this.uploadImage(res.tempFilePaths[0]);
      }
    });
  },

  uploadImage(filePath) {
   
    wx.uploadFile({
   
      url: 'https://api.example.com/ai/classify',
      filePath: filePath,
      name: 'image',
      success: (res) => {
   
        const result = JSON.parse(res.data);
        this.setData({
    result: result.category, loading: false });
      },
      fail: () => {
   
        this.setData({
    loading: false });
        wx.showToast({
    title: '识别失败', icon: 'none' });
      }
    });
  }
});

五、系统部署与优化

（一）容器化部署

  1. Dockerfile示例（后端服务）
# 基础镜像
FROM openjdk:17-jdk-slim

# 设置工作目录
WORKDIR /app

# 复制依赖和打包文件
COPY target/garbage-classification-service.jar /app/

# 暴露端口
EXPOSE 8080

# 启动应用
CMD ["java", "-jar", "garbage-classification-service.jar"]
  1. Kubernetes部署清单
# deployment.yaml
apiVersion: apps/v1
kind: Deployment
metadata:
  name: garbage-backend
spec:
  replicas: 3
  selector:
    matchLabels:
      app: garbage-backend
  template:
    metadata:
      labels:
        app: garbage-backend
    spec:
      containers:
      - name: backend
        image: registry.example.com/garbage-backend:v1.0.0
        ports:
        - containerPort: 8080
        env:
        - name: SPRING_DATASOURCE_URL
          valueFrom:
            secretKeyRef:
              name: db-secret
              key: url

（二）性能优化策略

  1. 缓存策略

    • 高频访问的垃圾分类数据缓存到Redis
    • 分类结果本地缓存（TTL设置为1小时）

  2. 数据库优化

    • 对垃圾明细表建立全文索引
    • 定期归档历史数据
    • 读写分离架构

  3. 分布式日志系统

    • 集成ELK Stack（Elasticsearch + Logstash + Kibana）
    • 微服务链路追踪（Spring Cloud Sleuth + Zipkin）

六、项目总结与扩展方向

（一）项目成果

通过Spring Boot、Vue 3和微服务架构，我们实现了一个功能完整的垃圾分类管理系统，包括：

  • 垃圾信息查询与智能分类
  • 用户管理与积分系统
  • 回收预约与路线规划
  • 数据统计与可视化

（二）扩展方向

  1. 物联网集成：接入智能垃圾桶设备，实时监控垃圾满溢状态
  2. 机器学习优化：基于用户反馈数据持续优化AI分类模型
  3. 社区互动功能：增加用户分享、讨论和举报功能
  4. 多语言支持：面向国际化场景的语言适配

以上就是基于最新技术的垃圾分类管理系统的完整实操方案，通过本方案可以构建一个功能完善、性能优良的垃圾分类管理平台。

垃圾分类，Spring Boot,Vue 3, 微服务架构，管理系统，实操指南，系统开发，Java 开发，前端框架，微服务开发，垃圾分类系统，Spring Boot 开发，Vue 3 开发，架构设计，后端开发

代码获取方式
https://pan.quark.cn/s/14fcf913bae6

文章标签：
Java
Spring
JavaScript
前端开发
微服务
关键词：
Spring微服务
Spring架构
Spring Boot架构
Spring Boot微服务架构
架构实操
啦啦啦191
目录
相关文章
游客eowof6ca4zztg
|
5月前
|
SQL 前端开发 关系型数据库
如何开发一套研发项目管理系统？（附架构图+流程图+代码参考）
研发项目管理系统助力企业实现需求、缺陷与变更的全流程管理，支持看板可视化、数据化决策与成本优化。系统以MVP模式快速上线，核心功能包括需求看板、缺陷闭环、自动日报及关键指标分析，助力中小企业提升交付效率与协作质量。
游客eowof6ca4zztg
607 29
开发V|TG_ch3nguang
|
4月前
|
数据采集 机器学习/深度学习 运维
量化合约系统开发架构入门
量化合约系统核心在于数据、策略、风控与执行四大模块的协同，构建从数据到决策再到执行的闭环工作流。强调可追溯、可复现与可观测性，避免常见误区如重回测轻验证、忽视数据质量或滞后风控。初学者应以MVP为起点，结合回测框架与实时风控实践，逐步迭代。详见相关入门与实战资料。
开发V|TG_ch3nguang
365 0
游客eowof6ca4zztg
|
5月前
|
JSON 文字识别 BI
如何开发车辆管理系统中的加油管理板块（附架构图+流程图+代码参考）
本文针对中小企业在车辆加油管理中常见的单据混乱、油卡管理困难、对账困难等问题，提出了一套完整的系统化解决方案。内容涵盖车辆管理系统（VMS）的核心功能、加油管理模块的设计要点、数据库模型、系统架构、关键业务流程、API设计与实现示例、前端展示参考（React + Antd）、开发技巧与工程化建议等。通过构建加油管理系统，企业可实现燃油费用的透明化、自动化对账、异常检测与数据分析，从而降低运营成本、提升管理效率。适合希望通过技术手段优化车辆管理的企业技术人员与管理者参考。
游客eowof6ca4zztg
371 4
游客noyzgfbbyqiwe
|
4月前
|
前端开发 JavaScript BI
如何开发车辆管理系统中的车务管理板块（附架构图+流程图+代码参考）
本文介绍了中小企业如何通过车务管理模块提升车辆管理效率。许多企业在管理车辆时仍依赖人工流程，导致违章处理延误、年检过期、维修费用虚高等问题频发。将这些流程数字化，可显著降低合规风险、提升维修追溯性、优化调度与资产利用率。文章详细介绍了车务管理模块的功能清单、数据模型、系统架构、API与前端设计、开发技巧与落地建议，以及实现效果与验收标准。同时提供了数据库建表SQL、后端Node.js/TypeScript代码示例与前端React表单设计参考，帮助企业快速搭建并上线系统，实现合规与成本控制的双重优化。
游客noyzgfbbyqiwe
483 0
阿法龙XR云平台
|
5月前
|
数据采集 运维 数据可视化
AR 运维系统与 MES、EMA、IoT 系统的融合架构与实践
AR运维系统融合IoT、EMA、MES数据，构建“感知-分析-决策-执行”闭环。通过AR终端实现设备数据可视化，实时呈现温度、工单等信息，提升运维效率与生产可靠性。（238字）
阿法龙XR云平台
255 0
聚客AI
|
5月前
|
人工智能 监控 测试技术
告别只会写提示词：构建生产级LLM系统的完整架构图​
本文系统梳理了从提示词到生产级LLM产品的八大核心能力：提示词工程、上下文工程、微调、RAG、智能体开发、部署、优化与可观测性，助你构建可落地、可迭代的AI产品体系。
聚客AI
781 52
DuHz
|
4月前
|
机器学习/深度学习 人工智能 缓存
面向边缘通用智能的多大语言模型系统：架构、信任与编排——论文阅读
本文提出面向边缘通用智能的多大语言模型（Multi-LLM）系统，通过协同架构、信任机制与动态编排，突破传统边缘AI的局限。融合合作、竞争与集成三种范式，结合模型压缩、分布式推理与上下文优化技术，实现高效、可靠、低延迟的边缘智能，推动复杂场景下的泛化与自主决策能力。
DuHz
421 3
面向边缘通用智能的多大语言模型系统：架构、信任与编排——论文阅读
basu2023
|
4月前
|
人工智能 自然语言处理 安全
AI助教系统：基于大模型与智能体架构的新一代教育技术引擎
AI助教系统融合大语言模型、教育知识图谱、多模态交互与智能体架构，实现精准学情诊断、个性化辅导与主动教学。支持图文语音输入，本地化部署保障隐私，重构“教、学、评、辅”全链路，推动因材施教落地，助力教育数字化转型。（238字）
basu2023
832 23
蒋星熠Jaxonic
|
4月前
|
监控 Cloud Native Java
Spring Boot 3.x 微服务架构实战指南
🌟蒋星熠Jaxonic，技术宇宙中的星际旅人。深耕Spring Boot 3.x与微服务架构，探索云原生、性能优化与高可用系统设计。以代码为笔，在二进制星河中谱写极客诗篇。关注我，共赴技术星辰大海！（238字）
蒋星熠Jaxonic
830 2
Spring Boot 3.x 微服务架构实战指南
奔跑的数据
|
5月前
|
消息中间件 数据采集 NoSQL
秒级行情推送系统实战：从触发、采集到入库的端到端架构
本文设计了一套秒级实时行情推送系统，涵盖触发、采集、缓冲、入库与推送五层架构，结合动态代理IP、Kafka/Redis缓冲及WebSocket推送，实现金融数据低延迟、高并发处理，适用于股票、数字货币等实时行情场景。
奔跑的数据
708 3
秒级行情推送系统实战：从触发、采集到入库的端到端架构

大数据与机器学习

热门文章

最新文章

  • 1
    odps是什么?
  • 2
    分布式快照算法: Chandy-Lamport
  • 3
    MaxCompute执行作业慢的原因排查
  • 4
    【玩转数据系列十五】机器学习PAI为你自动写歌词，妈妈再也不用担心我的freestyle了（提供数据、代码）
  • 5
    [大数据新手上路]“零基础”系列课程--如何将ECS上的Hadoop数据迁移到阿里云数加·MaxCompute
  • 6
    干货：解码OneData，阿里的数仓之路。
  • 7
    JindoFS解析 - 云上大数据高性能数据湖存储方案
  • 8
    Flink SQL 功能解密系列 —— 流式 TopN 挑战与实现
  • 9
    机器学习PAI全新功效——实时新闻热点Online Learning实践
  • 10
    阿里怎么发工资？自研薪酬管理系统首次曝光
  • 1
    给AI拜年差点翻车后，我悟了：RAG和微调，到底谁更懂“人情世故”？
    49
  • 2
    别再群发拜年消息了！三步微调AI，让它学会你的“独家语气”
    86
  • 3
    春节祝福“AI味”太重？我用30分钟微调了一个能记住你我故事的专属模型
    61
  • 4
    为什么祝福场景里，关系证据比祝福模板重要得多
    44
  • 5
    关系记忆不是越完整越好：chunk size 的隐性代价
    44
  • 6
    Flink 实时计算 x SLS 存储下推：阿里云 OpenAPI 网关监控平台实践
    43
  • 7
    OpenCV Python技术文档
    41
  • 8
    烧显卡不烧钱：学生党个人开发者GPU选购指南，看完不再被割韭菜
    45
  • 9
    从微调到 PPO：祝福 AI 的下一步进化
    37
  • 10
    诗悦游戏基于DLF与EMR StarRocks降本38%
    32

    • 相关课程

    更多
  • 阿里云K8S微服务部署案例
  • 精通Spring Cloud Alibaba
  • 微服务框架 Spring Cloud 快速入门
  • Java Web开发系列课程 - Spring框架入门
  • Spring Boot 2.5.x开发实战
  • Spring Cloud微服务架构设计与开发实战

    • 相关电子书

    更多
  • 云栖社区特邀专家徐雷Java Spring Boot开发实战系列课程（第20讲）：经典面试题与阿里等名企内部招聘求职面试技巧
  • 微服务架构模式与原理Spring Cloud开发实战
  • 阿里特邀专家徐雷Java Spring Boot开发实战系列课程（第18讲）：制作Java Docker镜像与推送到DockerHub和阿里云Docker仓库
    • 下一篇
    第五届伏魔挑战赛如约来袭，诚邀各路高手来战！