Spring AI RAG - 06 敏感词过滤与内容安全防护

小小工匠2026-05-17 19:25

文章目录

引言

把大模型接入生产业务，"内容安全"是一道绕不过去的关卡。无论是用户输入的违规词汇，还是大模型生成的不合规内容，都可能给业务带来合规风险。

敏感词过滤是最基础也是最有效的第一道防线。本篇将解析项目中敏感词过滤的设计思路、CRUD 实现、以及如何在对话链路中前置拦截。

设计说明

为什么要在前置环节拦截？

敏感词过滤可以放在三个位置：

位置 优势 劣势
调用 LLM 之前 节省 LLM 调用成本，响应快 需要维护词库，规则较死板
LLM 输出过程中 可拦截大模型生成的违规内容 流式拦截复杂，已部分输出
LLM 完成之后 实现简单，全文扫描 浪费 LLM 调用

最佳实践是多层防护：前置过滤用户输入 + 模型自身的内容安全机制 + 后置审核。本项目实现了第一道防线。

数据模型设计

敏感词系统采用经典的"分类 + 词条"两级结构：

Java 复制代码 
SensitiveCategory（分类）
    ├── 政治类
    ├── 暴力类
    ├── 涉黄类
    └── 自定义类
        │
        ├── SensitiveWord（具体词条）
        ├── SensitiveWord
        └── SensitiveWord

这种设计的好处：

  • 分类便于管理和审计
  • 可以按类别批量启用/禁用
  • 不同类别可以走不同的处理策略（拦截 / 仅警告 / 替换）

原理方案

表结构

sql 复制代码 
-- 敏感词表
CREATE TABLE `sensitive_word` (
    `id` INT NOT NULL AUTO_INCREMENT,
    `word` VARCHAR(255) COMMENT '敏感词内容',
    `category` VARCHAR(255) COMMENT '敏感词类别',
    `status` VARCHAR(50) COMMENT '敏感词状态',
    `created_at` VARCHAR(50),
    `updated_at` VARCHAR(50),
    PRIMARY KEY (`id`)
);

-- 敏感词分类表
CREATE TABLE `sensitive_category` (
    `id` INT NOT NULL AUTO_INCREMENT,
    `category_name` VARCHAR(255) COMMENT '分类名',
    `created_time` DATE,
    `update_time` DATE,
    `status` VARCHAR(50),
    PRIMARY KEY (`id`)
);

拦截流程

Java 复制代码 
用户消息
   ↓
查询所有敏感词（List<SensitiveWord>）
   ↓
遍历词库逐个 contains 检查
   ↓
命中 → 直接返回 Flux.just("包含敏感词:xxx")
   ↓
未命中 → 继续走 ChatClient 链路

这种朴素的实现方式适合中小规模词库（千级以内）。如果词库膨胀到万级以上，就需要考虑性能优化。

源码解析

实体类

java 复制代码 
@TableName(value = "sensitive_word")
@Data
public class SensitiveWord {
    @TableId
    private Integer id;
    private String word;        // 敏感词内容
    private String category;    // 类别
    private String status;      // 状态
    private String createdAt;
    private String updatedAt;
}
java 复制代码 
@TableName(value = "sensitive_category")
@Data
public class SensitiveCategory {
    @TableId
    private Integer id;
    private String categoryName;
    private LocalDate createdTime;
    private LocalDate updateTime;
    private String status;
}

敏感词 CRUD 接口

java 复制代码 
@Tag(name = "SensitiveWordController", description = "敏感词控制器")
@Slf4j
@RestController
@RequestMapping(ApplicationConstant.API_VERSION + "/sensitive")
public class SensitiveWordController {

    @Autowired
    private SensitiveWordService sensitiveWordService;

    @Operation(summary = "新增敏感词")
    @PostMapping("/add")
    public BaseResponse addSensitiveWord(@RequestBody SensitiveWord sensitiveWord) {
        sensitiveWord.setStatus("1");
        sensitiveWord.setCreatedAt(LocalDate.now().toString());
        sensitiveWord.setUpdatedAt(LocalDate.now().toString());
        boolean save = sensitiveWordService.save(sensitiveWord);
        return save ? ResultUtils.success(true) : ResultUtils.error("新增失败");
    }

    @Operation(summary = "删除敏感词")
    @DeleteMapping("/{id}")
    public boolean deleteSensitiveWord(@PathVariable Integer id) {
        return sensitiveWordService.removeById(id);
    }

    @Operation(summary = "批量删除敏感词")
    @PostMapping("/batch")
    public BaseResponse deleteSensitiveWords(@RequestBody List<Integer> ids) {
        boolean b = sensitiveWordService.removeByIds(ids);
        return b ? ResultUtils.success("删除成功") : ResultUtils.error("删除失败");
    }

    @Operation(summary = "更新敏感词")
    @PutMapping
    public boolean updateSensitiveWord(@RequestBody SensitiveWord sensitiveWord) {
        return sensitiveWordService.updateById(sensitiveWord);
    }

    @Operation(summary = "分页查询敏感词")
    @GetMapping("/page")
    public BaseResponse<IPage<SensitiveWord>> getSensitiveWordPage(
            @RequestParam int page, @RequestParam int size) {
        Page<SensitiveWord> pageParam = new Page<>(page, size);
        Page<SensitiveWord> page1 = sensitiveWordService.page(pageParam);
        page1.setTotal(page1.getRecords().size());
        return ResultUtils.success(page1);
    }

    @Operation(summary = "查询所有敏感词")
    @GetMapping
    public List<SensitiveWord> getAllSensitiveWords() {
        return sensitiveWordService.list();
    }
}

基于 MyBatis-Plus 的 IService，CRUD 都是一行代码搞定。

分类管理接口

java 复制代码 
@Tag(name = "SensitiveCategoryController", description = "敏感词分类控制器")
@RestController
@RequestMapping(ApplicationConstant.API_VERSION + "/category")
public class SensitiveCategoryController {

    @Autowired
    private SensitiveCategoryService sensitiveCategoryService;

    @Operation(summary = "新增敏感词分类")
    @PostMapping("/add")
    public BaseResponse<Boolean> create(@RequestBody SensitiveCategory entity) {
        entity.setCreatedTime(LocalDate.now());
        entity.setUpdateTime(LocalDate.now());
        entity.setStatus("1");
        return ResultUtils.success(sensitiveCategoryService.save(entity));
    }

    // 批量删除、修改、分页查询、列表查询...
}

在对话链路中的前置拦截

这是核心拦截逻辑，出现在多个 Controller 中：

java 复制代码 
@GetMapping(value = "/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> streamRagChat(@RequestParam String message, @RequestParam String prompt) {
    // 敏感词前置拦截
    List<SensitiveWord> list = sensitiveWordService.list();
    for (SensitiveWord sensitiveWord : list) {
        if (message.contains(sensitiveWord.getWord())) {
            return Flux.just("包含敏感词:" + sensitiveWord.getWord());
        }
    }

    // 通过敏感词检查后，正常调用 LLM
    Long userId = BaseContext.getCurrentId();
    return chatClient.prompt()
            .system(prompt)
            .advisors(a -> a.param(ChatMemory.CONVERSATION_ID, userId))
            .user(message)
            .stream()
            .content();
}

关键点：

  1. 直接返回 Flux ：命中敏感词时，用 Flux.just(...) 构造一个只发送一条消息就完成的 Flux，前端依然能正常解析 SSE
  2. 不调用 LLM：完全避开了昂贵的大模型调用，节省成本和响应时间
  3. 明确反馈：返回内容包含具体命中的敏感词，便于用户知晓原因

RAG 接口中的同样拦截

java 复制代码 
@PostMapping(value = "/rag")
@Loggable
public Flux<String> generatePost(
        @RequestParam(value = "sources", required = false) List<String> sources,
        @RequestParam String message) throws IOException {

    // 敏感词过滤
    List<SensitiveWord> list = sensitiveWordService.list();
    for (SensitiveWord sensitiveWord : list) {
        if (message.contains(sensitiveWord.getWord())) {
            return Flux.just("包含敏感词:" + sensitiveWord.getWord());
        }
    }

    return processNormalRagQuery(sources, message);
}

每个对话入口都需要重复这段拦截代码。如果有多个入口，可以抽取成切面或公共方法。

验证结果

新增敏感词

请求：

复制代码 
POST /api/v1/sensitive/add
Content-Type: application/json

{
    "word": "测试敏感词",
    "category": "测试类"
}

响应：

json 复制代码 
{ "code": 0, "data": true }

命中拦截测试

请求：

复制代码 
GET /api/v1/chat/stream?message=这是一段包含测试敏感词的内容

响应：

复制代码 
data: 包含敏感词:测试敏感词

请求未到达 LLM，响应延迟在毫秒级。

未命中正常对话

请求：

复制代码 
GET /api/v1/chat/stream?message=你好

响应：

复制代码 
data: 你好
data: ！很高兴
data: 为您
data: 服务...

优化方向

性能优化：DFA 算法

每次对话都遍历整个词库做 contains 检查，时间复杂度是 O(N×M)（N 是词库大小，M 是消息长度）。词库膨胀后会成为瓶颈。

业界标准方案是 DFA（Deterministic Finite Automaton）算法：

java 复制代码 
// 启动时构建 DFA 树
Map<Object, Object> sensitiveWordTree = buildDFATree(sensitiveWords);

// 检查时只遍历一次输入字符串，时间复杂度 O(M)
public boolean contains(String text) {
    for (int i = 0; i < text.length(); i++) {
        if (matchAtPosition(text, i)) return true;
    }
    return false;
}

或者使用成熟的开源库，比如 ToolGood.Words 的 Java 移植版、sensitive-word（开源词库）等。

缓存优化

每次查询都从数据库 list 出全部敏感词，没有必要。可以加 Redis 缓存：

java 复制代码 
@Cacheable(value = "sensitiveWords", unless = "#result == null")
public List<SensitiveWord> listAll() {
    return sensitiveWordService.list();
}

// CRUD 时清除缓存
@CacheEvict(value = "sensitiveWords", allEntries = true)
public boolean save(SensitiveWord word) {
    return sensitiveWordService.save(word);
}

状态字段的应用

实体里有 status 字段，目前没有用上。可以扩展为：

java 复制代码 
List<SensitiveWord> list = sensitiveWordService.list(
    new LambdaQueryWrapper<SensitiveWord>().eq(SensitiveWord::getStatus, "1")
);

只查询启用状态的词，便于运维灰度上下线。

命中策略多样化

目前命中后直接拦截。可以根据 category 走不同策略：

java 复制代码 
switch (category) {
    case "禁止":
        return Flux.just("包含敏感词，已拦截");
    case "替换":
        message = message.replace(word.getWord(), "***");
        break;
    case "警告":
        log.warn("用户 {} 输入了敏感词 {}", userId, word.getWord());
        // 继续放行
        break;
}

输出端过滤

前置过滤无法拦截大模型自身生成的违规内容。可以在 Flux 流上加一层过滤：

java 复制代码 
return chatClient.prompt()
        .user(message)
        .stream()
        .content()
        .map(chunk -> sensitiveWordFilter.replace(chunk));  // 流式替换

或者使用阿里云、腾讯云的内容安全服务做 API 兜底审核。

切面化重构

把"敏感词过滤 + 拦截"逻辑抽到 AOP 切面，避免每个 Controller 重复：

java 复制代码 
@Aspect
@Component
public class SensitiveWordAspect {
    @Around("@annotation(SensitiveCheck)")
    public Object check(ProceedingJoinPoint pjp) {
        // 提取参数中的 message
        // 检查敏感词
        // 命中则返回 Flux.just(...)
    }
}

小结

本篇梳理了敏感词过滤的设计与实现：

  • 数据模型采用"分类+词条"两级结构，便于管理
  • 在对话入口前置拦截，节省 LLM 成本
  • CRUD 接口基于 MyBatis-Plus，开发成本极低
  • 进阶优化：DFA 算法、缓存、多策略、流式过滤

引言

把大模型接入生产业务，"内容安全"是一道绕不过去的关卡。无论是用户输入的违规词汇，还是大模型生成的不合规内容，都可能给业务带来合规风险。

敏感词过滤是最基础也是最有效的第一道防线。本篇将解析项目中敏感词过滤的设计思路、CRUD 实现、以及如何在对话链路中前置拦截。

设计说明

为什么要在前置环节拦截？

敏感词过滤可以放在三个位置：

位置 优势 劣势
调用 LLM 之前 节省 LLM 调用成本，响应快 需要维护词库，规则较死板
LLM 输出过程中 可拦截大模型生成的违规内容 流式拦截复杂，已部分输出
LLM 完成之后 实现简单，全文扫描 浪费 LLM 调用

最佳实践是多层防护：前置过滤用户输入 + 模型自身的内容安全机制 + 后置审核。本项目实现了第一道防线。

数据模型设计

敏感词系统采用经典的"分类 + 词条"两级结构：

java 复制代码 
SensitiveCategory（分类）
    ├── 政治类
    ├── 暴力类
    ├── 涉黄类
    └── 自定义类
        │
        ├── SensitiveWord（具体词条）
        ├── SensitiveWord
        └── SensitiveWord

这种设计的好处：

  • 分类便于管理和审计
  • 可以按类别批量启用/禁用
  • 不同类别可以走不同的处理策略（拦截 / 仅警告 / 替换）

原理方案

表结构

sql 复制代码 
-- 敏感词表
CREATE TABLE `sensitive_word` (
    `id` INT NOT NULL AUTO_INCREMENT,
    `word` VARCHAR(255) COMMENT '敏感词内容',
    `category` VARCHAR(255) COMMENT '敏感词类别',
    `status` VARCHAR(50) COMMENT '敏感词状态',
    `created_at` VARCHAR(50),
    `updated_at` VARCHAR(50),
    PRIMARY KEY (`id`)
);

-- 敏感词分类表
CREATE TABLE `sensitive_category` (
    `id` INT NOT NULL AUTO_INCREMENT,
    `category_name` VARCHAR(255) COMMENT '分类名',
    `created_time` DATE,
    `update_time` DATE,
    `status` VARCHAR(50),
    PRIMARY KEY (`id`)
);

拦截流程

java 复制代码 
用户消息
   ↓
查询所有敏感词（List<SensitiveWord>）
   ↓
遍历词库逐个 contains 检查
   ↓
命中 → 直接返回 Flux.just("包含敏感词:xxx")
   ↓
未命中 → 继续走 ChatClient 链路

这种朴素的实现方式适合中小规模词库（千级以内）。如果词库膨胀到万级以上，就需要考虑性能优化。

代码解析

实体类

java 复制代码 
@TableName(value = "sensitive_word")
@Data
public class SensitiveWord {
    @TableId
    private Integer id;
    private String word;        // 敏感词内容
    private String category;    // 类别
    private String status;      // 状态
    private String createdAt;
    private String updatedAt;
}
java 复制代码 
@TableName(value = "sensitive_category")
@Data
public class SensitiveCategory {
    @TableId
    private Integer id;
    private String categoryName;
    private LocalDate createdTime;
    private LocalDate updateTime;
    private String status;
}

敏感词 CRUD 接口

java 复制代码 
@Tag(name = "SensitiveWordController", description = "敏感词控制器")
@Slf4j
@RestController
@RequestMapping(ApplicationConstant.API_VERSION + "/sensitive")
public class SensitiveWordController {

    @Autowired
    private SensitiveWordService sensitiveWordService;

    @Operation(summary = "新增敏感词")
    @PostMapping("/add")
    public BaseResponse addSensitiveWord(@RequestBody SensitiveWord sensitiveWord) {
        sensitiveWord.setStatus("1");
        sensitiveWord.setCreatedAt(LocalDate.now().toString());
        sensitiveWord.setUpdatedAt(LocalDate.now().toString());
        boolean save = sensitiveWordService.save(sensitiveWord);
        return save ? ResultUtils.success(true) : ResultUtils.error("新增失败");
    }

    @Operation(summary = "删除敏感词")
    @DeleteMapping("/{id}")
    public boolean deleteSensitiveWord(@PathVariable Integer id) {
        return sensitiveWordService.removeById(id);
    }

    @Operation(summary = "批量删除敏感词")
    @PostMapping("/batch")
    public BaseResponse deleteSensitiveWords(@RequestBody List<Integer> ids) {
        boolean b = sensitiveWordService.removeByIds(ids);
        return b ? ResultUtils.success("删除成功") : ResultUtils.error("删除失败");
    }

    @Operation(summary = "更新敏感词")
    @PutMapping
    public boolean updateSensitiveWord(@RequestBody SensitiveWord sensitiveWord) {
        return sensitiveWordService.updateById(sensitiveWord);
    }

    @Operation(summary = "分页查询敏感词")
    @GetMapping("/page")
    public BaseResponse<IPage<SensitiveWord>> getSensitiveWordPage(
            @RequestParam int page, @RequestParam int size) {
        Page<SensitiveWord> pageParam = new Page<>(page, size);
        Page<SensitiveWord> page1 = sensitiveWordService.page(pageParam);
        page1.setTotal(page1.getRecords().size());
        return ResultUtils.success(page1);
    }

    @Operation(summary = "查询所有敏感词")
    @GetMapping
    public List<SensitiveWord> getAllSensitiveWords() {
        return sensitiveWordService.list();
    }
}

基于 MyBatis-Plus 的 IService，CRUD 都是一行代码搞定。

分类管理接口

java 复制代码 
@Tag(name = "SensitiveCategoryController", description = "敏感词分类控制器")
@RestController
@RequestMapping(ApplicationConstant.API_VERSION + "/category")
public class SensitiveCategoryController {

    @Autowired
    private SensitiveCategoryService sensitiveCategoryService;

    @Operation(summary = "新增敏感词分类")
    @PostMapping("/add")
    public BaseResponse<Boolean> create(@RequestBody SensitiveCategory entity) {
        entity.setCreatedTime(LocalDate.now());
        entity.setUpdateTime(LocalDate.now());
        entity.setStatus("1");
        return ResultUtils.success(sensitiveCategoryService.save(entity));
    }

    // 批量删除、修改、分页查询、列表查询...
}

在对话链路中的前置拦截

这是核心拦截逻辑，出现在多个 Controller 中：

java 复制代码 
@GetMapping(value = "/stream", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
public Flux<String> streamRagChat(@RequestParam String message, @RequestParam String prompt) {
    // 敏感词前置拦截
    List<SensitiveWord> list = sensitiveWordService.list();
    for (SensitiveWord sensitiveWord : list) {
        if (message.contains(sensitiveWord.getWord())) {
            return Flux.just("包含敏感词:" + sensitiveWord.getWord());
        }
    }

    // 通过敏感词检查后，正常调用 LLM
    Long userId = BaseContext.getCurrentId();
    return chatClient.prompt()
            .system(prompt)
            .advisors(a -> a.param(ChatMemory.CONVERSATION_ID, userId))
            .user(message)
            .stream()
            .content();
}

关键点：

  1. 直接返回 Flux ：命中敏感词时，用 Flux.just(...) 构造一个只发送一条消息就完成的 Flux，前端依然能正常解析 SSE
  2. 不调用 LLM：完全避开了昂贵的大模型调用，节省成本和响应时间
  3. 明确反馈：返回内容包含具体命中的敏感词，便于用户知晓原因

RAG 接口中的同样拦截

java 复制代码 
@PostMapping(value = "/rag")
@Loggable
public Flux<String> generatePost(
        @RequestParam(value = "sources", required = false) List<String> sources,
        @RequestParam String message) throws IOException {

    // 敏感词过滤
    List<SensitiveWord> list = sensitiveWordService.list();
    for (SensitiveWord sensitiveWord : list) {
        if (message.contains(sensitiveWord.getWord())) {
            return Flux.just("包含敏感词:" + sensitiveWord.getWord());
        }
    }

    return processNormalRagQuery(sources, message);
}

每个对话入口都需要重复这段拦截代码。如果有多个入口，可以抽取成切面或公共方法。

验证结果

新增敏感词

请求：

java 复制代码 
POST /api/v1/sensitive/add
Content-Type: application/json

{
    "word": "测试敏感词",
    "category": "测试类"
}

响应：

json 复制代码 
{ "code": 0, "data": true }

命中拦截测试

请求：

java 复制代码 
GET /api/v1/chat/stream?message=这是一段包含测试敏感词的内容

响应：

Java 复制代码 
data: 包含敏感词:测试敏感词

请求未到达 LLM，响应延迟在毫秒级。

未命中正常对话

请求：

Java 复制代码 
GET /api/v1/chat/stream?message=你好

响应：

java 复制代码 
data: 你好
data: ！很高兴
data: 为您
data: 服务...

优化方向

性能优化：DFA 算法

每次对话都遍历整个词库做 contains 检查，时间复杂度是 O(N×M)（N 是词库大小，M 是消息长度）。词库膨胀后会成为瓶颈。

业界标准方案是 DFA（Deterministic Finite Automaton）算法：

java 复制代码 
// 启动时构建 DFA 树
Map<Object, Object> sensitiveWordTree = buildDFATree(sensitiveWords);

// 检查时只遍历一次输入字符串，时间复杂度 O(M)
public boolean contains(String text) {
    for (int i = 0; i < text.length(); i++) {
        if (matchAtPosition(text, i)) return true;
    }
    return false;
}

或者使用成熟的开源库，比如 ToolGood.Words 的 Java 移植版、sensitive-word（开源词库）等。

缓存优化

每次查询都从数据库 list 出全部敏感词，没有必要。可以加 Redis 缓存：

java 复制代码 
@Cacheable(value = "sensitiveWords", unless = "#result == null")
public List<SensitiveWord> listAll() {
    return sensitiveWordService.list();
}

// CRUD 时清除缓存
@CacheEvict(value = "sensitiveWords", allEntries = true)
public boolean save(SensitiveWord word) {
    return sensitiveWordService.save(word);
}

状态字段的应用

实体里有 status 字段，目前没有用上。可以扩展为：

java 复制代码 
List<SensitiveWord> list = sensitiveWordService.list(
    new LambdaQueryWrapper<SensitiveWord>().eq(SensitiveWord::getStatus, "1")
);

只查询启用状态的词，便于运维灰度上下线。

命中策略多样化

目前命中后直接拦截。可以根据 category 走不同策略：

java 复制代码 
switch (category) {
    case "禁止":
        return Flux.just("包含敏感词，已拦截");
    case "替换":
        message = message.replace(word.getWord(), "***");
        break;
    case "警告":
        log.warn("用户 {} 输入了敏感词 {}", userId, word.getWord());
        // 继续放行
        break;
}

输出端过滤

前置过滤无法拦截大模型自身生成的违规内容。可以在 Flux 流上加一层过滤：

java 复制代码 
return chatClient.prompt()
        .user(message)
        .stream()
        .content()
        .map(chunk -> sensitiveWordFilter.replace(chunk));  // 流式替换

或者使用阿里云、腾讯云的内容安全服务做 API 兜底审核。

切面化重构

把"敏感词过滤 + 拦截"逻辑抽到 AOP 切面，避免每个 Controller 重复：

java 复制代码 
@Aspect
@Component
public class SensitiveWordAspect {
    @Around("@annotation(SensitiveCheck)")
    public Object check(ProceedingJoinPoint pjp) {
        // 提取参数中的 message
        // 检查敏感词
        // 命中则返回 Flux.just(...)
    }
}

小结

本篇梳理了敏感词过滤的设计与实现：

  • 数据模型采用"分类+词条"两级结构，便于管理
  • 在对话入口前置拦截，节省 LLM 成本
  • CRUD 接口基于 MyBatis-Plus，开发成本极低
  • 进阶优化：DFA 算法、缓存、多策略、流式过滤

下一篇将解析 AOP 日志记录与基于日志的热词统计------一个有趣的副产品功能。

相关推荐
189228048611 小时前
NV265固态MT29F32T08GSLBHL8-24QMES:B
大数据·服务器·人工智能·科技·缓存
IT_陈寒1 小时前
Vue的v-for为什么不加key也能工作？我差点翻车
前端·人工智能·后端
穗余1 小时前
什么是模型幻觉？为什么会出现？ 模型幻觉是阻碍落地的最重要的原因。
人工智能·机器学习
lightinging2 小时前
五款主流AI智能体多维对比
人工智能
love530love2 小时前
ComfyUI MediaPipe 猴子补丁终极完善版：补全上下文管理与姿态检测兼容
人工智能·windows·python·comfyui·protobuf·mediapipe
Bruce_Liuxiaowei2 小时前
AI攻防时间差：当漏洞发现速度碾压修复速度— 聚焦技术核心
网络·人工智能·网络安全·ai·系统安全
悟纤2 小时前
AI生成MV
人工智能·seedance2.0·ai mv·一键mv
Clark112 小时前
手写LLM推理框架时，内存管理99%的人会踩的坑 | TFFInfer解析(五)——Tensor 张量系统与内存抽象（下）
人工智能
逸风尊者2 小时前
Robotaxi 行业日报 | 2026-05-17
人工智能
热门推荐
01GitHub 镜像站点02Codex 接入 DeepSeek API 完整配置文档03【AI】2026 年具身智能模型和世界模型总结04CC-Switch & Claude 基于 Linux 服务器安装使用指南05Codex 手机端连接教程：三分钟搞定，附完整步骤06Gemini大升级、AI眼镜首发、Android XR亮相，13天后见分晓07人工智能最新动态 AI 日报 · 2026年5月10日08头歌软件工程导论UML画图题(基于starUML)09AI科技热点日报 | 2026年5月11日10裂开！ChatGPT 居然开始要手机号验证，附详细解决方法