102.RAG-LLamaIndex后端rag问答-上传文档处理接口-北京尧图网络

摘要本文围绕 RAG 系统的文档处理接口展开重点讲解上传文档接口的前后端实现。后端部分详细说明了 FastAPI 路由中 upload_docs 接口如何接收文件、调用 RAGService 完成文档摄取并逐层剖析 RAGService、RAGApplication 与 DocumentIngestionPipeline 的初始化流程包括模型配置、句子分割器、ChromaDB 向量存储以及文档分片、建索引和持久化的完整链路前端部分则介绍了 file 类型 input 标签绑定 change 事件、通过 handleFileUpload 函数获取文件并发送给后端的实现方式。内容参考于图灵AI大模型全栈文档处理接口上传文档接口的前缀处理上传文档的接口和代码前端和后端代码代码说明# 导入类型提示模块用于声明变量类型 from typing import List 从 FastAPI 导入所需组件 APIRouter用于创建路由对象 Depends依赖注入工具用于声明路由处理函数依赖的其他函数/服务 File用于声明请求中必须包含文件参数 HTTPException用于抛出 HTTP 错误 UploadFile表示上传的文件对象 from fastapi import APIRouter, Depends, File, HTTPException, UploadFile 导入 RAG 服务类以及获取该服务实例的依赖函数 from app.rag_service import RAGService, get_rag_service 导入用户模型以及获取当前活跃用户的依赖函数通常用于鉴权 from app.routers.users import User, get_current_active_user 导入已经定义好的 Pydantic 响应模型用于格式化接口返回数据 from app.schemas import CommonResponse, DocsListResponse, UploadResponse 创建一个 APIRouter 实例所有在该实例上定义的路由都会挂载到应用中 router APIRouter() 定义 POST 请求处理函数路径为 /upload响应模型为 UploadResponse router.post(/upload, response_modelUploadResponse) async def upload_docs( # files 参数接收多个上传文件File(...) 表示该参数是必需的不能省略 files: List[UploadFile] File(...), # current_user 参数通过依赖注入获取当前已认证的用户用于身份验证 current_user: User Depends(get_current_active_user), # svc 参数通过依赖注入获取 RAG 服务实例负责文档处理 svc: RAGService Depends(get_rag_service), ) - UploadResponse: 上传文档并交给 LlamaIndex 摄取流水线处理。 try: # 异步读取所有上传文件的内容得到字节列表 contents [await file.read() for file in files] # 提取所有文件的文件名组成字符串列表 filenames [file.filename for file in files] # 调用 RAG 服务的 upload_and_process_files 方法 # 传入文件内容和文件名返回状态描述文本和已处理的文件信息 status_text, processed svc.upload_and_process_files(contents, filenames) # 根据返回的状态文本判断本次操作结果 # 如果状态文本中包含“失败”或 error 等关键词设置状态为 failed if any(keyword in status_text for keyword in [失败, error, Error, ERROR]): status failed # 如果包含“成功”“完成”或 success 等关键词设置状态为 success elif any(keyword in status_text for keyword in [成功, 完成, success, done]): status success # 否则视为仍在处理中 else: status processing # 构造并返回 UploadResponse 响应对象 return UploadResponse(statusstatus, messagestatus_text, processed_filesprocessed) # 捕获所有异常避免程序崩溃并将异常信息通过 HTTP 500 返回给客户端 except Exception as exc: # 抛出 HTTP 500 错误并在 detail 中附带异常的具体信息 raise HTTPException(status_code500, detailstr(exc)) 定义另一个 POST 请求处理函数路径为 /reset响应模型为 CommonResponse router.post(/reset, response_modelCommonResponse) async def reset_system( # 同样需要用户认证 current_user: User Depends(get_current_active_user), # 同样需要 RAG 服务实例 svc: RAGService Depends(get_rag_service), ) - CommonResponse: 清空当前进程内的聊天记忆和缓存检索器。 # 调用 RAG 服务的 reset_system 方法重置系统状态如清空对话记忆和缓存 svc.reset_system() # 返回一个表示操作成功的通用响应 return CommonResponse(statussuccess, message系统已重置)它通过下图红框的函数处理的文件这个svc的值安装CTRL鼠标左键单击下图红框创建了一个 RAGService 类型的实例RAGService的构造方法里创建了一个 RAGApplication 类型RAGApplication 构造方法里如下图红框首先是 DocumentIngestionPipeline() 它是用来创建捨取管道的如下图红框它的构造方法里这里给默认是一个空索引初始化模型初始分割器创建存储管理器如下图存储管理器的内容后期就可以修改下图框框里的代码更换存储位置如下图 RAGApplication 的构造方法描述除了 DocumentIngestionPipeline 没啥好写的elf.chat_store self._load_chat_store()也是用的下图红框的代码现在就初始化完成了就可以调用 svc.upload_and_process_files(contents, filenames) 了它又调用了下图红框代码然后又调用了ingest_documents如下图红框代码最终在ingest_documents中对文档进行了分片获取节点、构建索引、向量、存储如下图红框rag_service.py文件RAGService代码的说明import os import shutil import tempfile from typing import Dict, List, Optional, Tuple 导入核心 RAG 应用类 from core.application import RAGApplication 导入日志设置函数 from utils.logger import setup_logger 初始化本模块的日志记录器 logger setup_logger(name) class RAGService: HTTP 层适配器处理上传临时文件并调用核心 RAG 应用。 def __init__(self) -gt; None: # 实例化核心 RAG 应用 self.app RAGApplication() def upload_and_process_files(self, files: List[bytes], filenames: List[str]) -gt; Tuple[str, List[str]]: 接收上传的文件内容字节列表和文件名列表将它们临时写入磁盘然后调用核心应用的文档处理功能。返回处理结果信息和处理过的文件名列表。 # 创建临时目录前缀为 rag_upload_ tmpdir tempfile.mkdtemp(prefixrag_upload_) paths [] # 存储临时文件的完整路径 try: # 将每个文件内容写入临时目录中的文件 for name, content in zip(filenames, files): # 构建完整路径 path os.path.join(tmpdir, name) # 以二进制写模式打开文件写入内容 with open(path, wb) as file: file.write(content) # 记录路径 paths.append(path) # 记录上传的文件路径 logger.info(上传的文档: %s, paths) # 调用核心应用的 upload_and_process_files 处理这些文件并返回结果 # 注意这里返回的第二个值是原始文件名列表而不是实际处理的文件路径 return self.app.upload_and_process_files(paths), filenames finally: # 无论是否发生异常都删除临时目录及其内容 shutil.rmtree(tmpdir, ignore_errorsTrue) async def query_stream( self, session_id: str, query: str, model: str, knowledge_bool: bool, temperature: float, max_tokens: int, ): 异步流式查询接口。首先更新模型配置然后将查询转发给核心应用的流式处理方法并逐块产出结果。 # 更新模型配置用户指定的模型、温度、最大 token 数 self.app.update_model_config(model, temperature, max_tokens) # 异步迭代核心应用的流式输出 async for chunk in self.app.query_documents_stream( session_idsession_id, queryquery, knowledge_boolknowledge_bool, ): # 将每个块 yield 给调用者 yield chunk def get_session(self, session_id: str): 获取指定会话的历史记录。 return self.app.get_session_history(session_id) def clear_session(self, session_id: str) -gt; None: 清空指定会话的历史和记忆。 self.app.clear_session(session_id) def reset_system(self) -gt; None: 重置整个系统清空所有会话和索引等。 # 注意RAGApplication 类中并未定义 reset 方法此处可能存在遗漏或需要补全 self.app.reset() 全局 RAGService 实例单例 _rag_service: Optional[RAGService] None def get_rag_service() - RAGService: 获取全局 RAGService 单例实例若不存在则创建。 global _rag_service if _rag_service is None: _rag_service RAGService() return _rag_serviceapplication.py的代码RAGApplication的代码就在里面import traceback from pathlib import Path from typing import Any, AsyncGenerator, Dict, List, Optional import chromadb from llama_index.core import ( Settings, SimpleDirectoryReader, StorageContext, VectorStoreIndex, load_index_from_storage, ) from llama_index.core.chat_engine.context import ContextChatEngine from llama_index.core.chat_engine.simple import SimpleChatEngine from llama_index.core.extractors import TitleExtractor from llama_index.core.ingestion import IngestionPipeline from llama_index.core.memory import ChatMemoryBuffer from llama_index.core.node_parser import SentenceSplitter from llama_index.core.postprocessor import SentenceTransformerRerank from llama_index.core.retrievers import QueryFusionRetriever, VectorIndexRetriever from llama_index.core.storage.docstore import SimpleDocumentStore from llama_index.core.storage.chat_store import SimpleChatStore from llama_index.core.storage.index_store import SimpleIndexStore from llama_index.embeddings.huggingface import HuggingFaceEmbedding from llama_index.llms.dashscope import DashScope from llama_index.retrievers.bm25 import BM25Retriever from llama_index.vector_stores.chroma import ChromaVectorStore from config.settings import Settings as AppSettings from utils.logger import setup_logger from llama_index.llms.openai_like import OpenAILike 创建本模块的日志记录器 logger setup_logger(name) class DocumentIngestionPipeline: 文档摄取把读取、切分、向量化和持久化交给 LlamaIndex。 def __init__(self) -gt; None: # 索引对象初始为 None后续加载或创建 self.index: Optional[VectorStoreIndex] None # 1. 配置基础模型LLM 和 Embedding self._setup_models() # 2. 创建摄取管道包含句子分割器和向量化器 self._create_pipeline() # 3. 初始化存储上下文文档存储、索引存储、向量存储 self._initialize_storage() def update_model_config(self, model_name: str, temperature: float, max_tokens: int) -gt; None: 动态更新 LLM 模型配置使用 OpenAILike 接口连接自定义模型。通常用于用户在运行时切换模型。 Settings.llm OpenAILike( modelmodel_name, # 注意参数名是 model 而不是 model_name api_keyAppSettings.API_KEY, api_baseAppSettings.API_BASE_URL, temperaturetemperature, max_tokensmax_tokens, context_window32768, # 上下文窗口大小需根据实际模型调整 is_chat_modelTrue, # 标记为聊天模型 ) logger.info(模型已更新: model%s, temperature%s, model_name, temperature) def ingest_documents(self, file_paths: List[str]) -gt; str: 接收文件路径列表读取文档并处理成索引节点然后更新索引。返回处理结果的状态信息字符串。 # 过滤出存在的文件路径 valid_paths [str(Path(path)) for path in file_paths if Path(path).exists()] if not valid_paths: return 没有找到有效的文档 try: # 使用 SimpleDirectoryReader 读取指定文件返回 Document 对象列表 documents SimpleDirectoryReader(input_filesvalid_paths).load_data() # 通过管道处理文档生成节点列表 nodes self.pipeline.run(documentsdocuments) if not nodes: return 没有生成有效的文档节点 # 如果索引尚未加载尝试从存储加载 if self.index is None: try: self.load_index() except RuntimeError: # 加载失败说明还没有索引忽略异常继续创建新索引 pass if self.index is None: # 索引仍为空说明是第一次上传文档 # 清空向量数据库防止旧数据干扰 self._clear_vector_store() # 使用节点和存储上下文创建新的 VectorStoreIndex self.index VectorStoreIndex( nodes, storage_contextself.storage_context, store_nodes_overrideTrue, ) else: # 索引已存在将新节点插入现有索引 self.index.insert_nodes(nodes) # 持久化存储将 docstore、index_store 等写入磁盘 self._persist_storage() result f成功摄取了 {len(valid_paths)} 个文档生成了 {len(nodes)} 个节点 logger.info(result) return result except Exception as exc: error_msg f文档摄取失败: {exc} logger.error(error_msg) return error_msg def load_index(self) -gt; None: 从持久化存储加载已有索引若不存在则抛出 RuntimeError。 logger.info(从持久化存储加载知识库索引) try: # 使用存储上下文加载索引 self.index load_index_from_storage( self.storage_context, store_nodes_overrideTrue, ) except ValueError as exc: # 捕获“存储上下文中没有索引”的特定异常并转换为 RuntimeError if No index in storage context in str(exc): raise RuntimeError(知识库索引未初始化请先上传文档) from exc raise def _setup_models(self) -gt; None: 初始化全局 LLM 和 Embedding 模型配置。 # 配置 LLM 使用 DashScope阿里云百炼平台 Settings.llm DashScope( api_keyAppSettings.API_KEY, api_baseAppSettings.API_BASE_URL, model_nameAppSettings.MODEL, temperatureAppSettings.TEMPERATURE, ) # 配置 Embedding 使用 HuggingFace 模型本地加载 Settings.embed_model HuggingFaceEmbedding(model_nameAppSettings.EMBEDDING_MODEL_PATH) def _create_pipeline(self) -gt; None: 创建 IngestionPipeline定义文档转换步骤。 self.pipeline IngestionPipeline( transformations[ # 句子分割器将文档切分为固定大小的块并带有重叠 SentenceSplitter( chunk_sizeAppSettings.CHUNK_SIZE, chunk_overlapAppSettings.CHUNK_OVERLAP, ), # 可选的标题提取器此处注释掉 # TitleExtractor(nodesAppSettings.TITLE_EXTRACTOR_NODES), # 嵌入模型将文本块转换为向量 Settings.embed_model, ] ) def _initialize_storage(self) -gt; None: 初始化存储上下文文档存储、索引存储、向量存储ChromaDB。 # 确保持久化目录存在 Path(AppSettings.DEFAULT_PERSIST_DIR).mkdir(parentsTrue, exist_okTrue) # 创建 ChromaDB 持久化客户端并获取或创建集合 chroma_client chromadb.PersistentClient(AppSettings.CHROMA_PERSIST_DIR) self.chroma_collection chroma_client.get_or_create_collection(AppSettings.CHROMA_COLLECTION) vector_store ChromaVectorStore(chroma_collectionself.chroma_collection) # 构建 StorageContext包含文档存储、索引存储和向量存储 self.storage_context StorageContext.from_defaults( docstoreself._load_docstore(), index_storeself._load_index_store(), vector_storevector_store, ) def _load_docstore(self) -gt; SimpleDocumentStore: 从磁盘加载文档存储若不存在则创建空存储。 docstore_path Path(AppSettings.DOCSTORE_PATH) if docstore_path.exists(): return SimpleDocumentStore.from_persist_path(str(docstore_path)) return SimpleDocumentStore() def _load_index_store(self) -gt; SimpleIndexStore: 从磁盘加载索引存储若不存在则创建空存储。 index_store_path Path(AppSettings.INDEX_STORE_PATH) if index_store_path.exists(): return SimpleIndexStore.from_persist_path(str(index_store_path)) return SimpleIndexStore() def _persist_storage(self) -gt; None: 将存储上下文中的所有数据持久化到指定目录。 self.storage_context.persist(persist_dirAppSettings.DEFAULT_PERSIST_DIR) def _clear_vector_store(self) -gt; None: 清空 ChromaDB 集合中的所有向量数据。 ids self.chroma_collection.get().get(ids) or [] if ids: self.chroma_collection.delete(idsids) class RAGApplication: RAG 应用入口用 LlamaIndex 管理摄取、聊天、记忆和知识库问答。 def __init__(self) -gt; None: # 创建文档摄取管道实例 self.ingestion_pipeline DocumentIngestionPipeline() # 聊天记录存储路径 self.chat_store_path Path(AppSettings.CHAT_STORE_PATH) # 确保存储目录存在 self.chat_store_path.parent.mkdir(parentsTrue, exist_okTrue) # 加载聊天记录存储 self.chat_store self._load_chat_store() # 保存会话 ID 到 ChatMemoryBuffer 的映射 self.memories: Dict[str, ChatMemoryBuffer] {} # 多路检索器混合检索延迟初始化 self.rag_retriever: Optional[QueryFusionRetriever] None # 重排序器延迟初始化 self.reranker: Optional[SentenceTransformerRerank] None def update_model_config(self, model_name: str, temperature: float, max_tokens: int) -gt; None: 转发模型配置更新到摄取管道。也就是修改使用的模型信息 self.ingestion_pipeline.update_model_config(model_name, temperature, max_tokens) def upload_and_process_files(self, file_paths: List[str]) -gt; str: 处理上传文件调用摄取管道进行文档处理。 if not file_paths: return 请上传至少一个文件 result self.ingestion_pipeline.ingest_documents(file_paths) # 上传新文档后需要重建检索器因为索引可能已变化 self.rag_retriever None return result async def query_documents_stream( self, session_id: str, query: str, knowledge_bool: bool, ) -gt; AsyncGenerator[Dict[str, Any], None]: 流式处理用户查询。根据 knowledge_bool 决定是否使用 RAG 检索。生成器会逐步产出文本块、来源文档和完成信号。 try: # 获取聊天引擎根据是否使用知识库 chat_engine self._get_chat_engine(session_id, knowledge_bool) # 调用流式聊天接口返回响应对象 stream_response await chat_engine.astream_chat(query) # 迭代响应中的令牌异步生成器 async for token in stream_response.async_response_gen(): if token: # 令牌可能是字符串或对象统一提取文本内容 if isinstance(token, str): yield {type: text, finished: False, content: token} else: # 若为块对象则提取其 text 属性 text getattr(token, text, str(token)) yield {type: text, finished: False, content: text} # 获取检索到的源节点仅 RAG 引擎有 sources self._source_nodes_to_dicts(getattr(stream_response, source_nodes, [])) if sources: # 如果有来源则产出 sources 类型的消息 yield { type: sources, finished: False, content: sources, sources_data: sources, } # 持久化聊天记录 self._persist_chat_store() # 最后产出完成信号附带最终响应文本 yield {type: complete, finished: True, content: stream_response.response} except Exception as exc: # 捕获异常输出完整堆栈信息 error_trace traceback.format_exc() error_msg f查询失败: {exc}\n详细堆栈:\n{error_trace} print(error_msg) logger.error(error_msg) yield {type: error, content: error_msg, finished: True} def get_session_history(self, session_id: str) -gt; List[Dict[str, Any]]: 获取指定会话的历史消息列表。 # 从记忆缓冲区获取消息 messages self._get_memory(session_id).get() # 转换为可序列化的字典格式 return [ { role: message.role.value if hasattr(message.role, value) else str(message.role), content: message.content or , sources: [], # 历史消息不包含来源信息 } for message in messages ] def clear_session(self, session_id: str) -gt; None: 清空指定会话的记忆和聊天记录。 if session_id in self.memories: # 重置内存中的记忆缓冲区 self.memories[session_id].reset() # 从聊天存储中删除该会话的所有消息 self.chat_store.delete_messages(session_id) # 持久化聊天存储 self._persist_chat_store() def _get_memory(self, session_id: str) -gt; ChatMemoryBuffer: 获取或创建指定会话的记忆缓冲区。 if session_id not in self.memories: # 若不存在则基于当前 LLM 和聊天存储创建新的缓冲区 self.memories[session_id] ChatMemoryBuffer.from_defaults( llmSettings.llm, chat_storeself.chat_store, chat_store_keysession_id, ) return self.memories[session_id] def _load_chat_store(self) -gt; SimpleChatStore: 从磁盘加载聊天记录存储若不存在则创建空存储。 if self.chat_store_path.exists(): return SimpleChatStore.from_persist_path(str(self.chat_store_path)) return SimpleChatStore() def _persist_chat_store(self) -gt; None: 将聊天记录存储持久化到磁盘。 self.chat_store.persist(str(self.chat_store_path)) def _get_chat_engine(self, session_id: str, knowledge_bool: bool): 根据是否使用知识库返回不同的聊天引擎。 - 若 knowledge_bool 为 True则返回 ContextChatEngine带检索器 - 否则返回 SimpleChatEngine仅基于 LLM 和记忆 memory self._get_memory(session_id) if knowledge_bool: return ContextChatEngine.from_defaults( retrieverself._get_rag_retriever(), memorymemory, llmSettings.llm, node_postprocessors[self._get_reranker()], # 使用重排序器优化结果 ) return SimpleChatEngine.from_defaults(memorymemory, llmSettings.llm) def _get_rag_retriever(self) -gt; QueryFusionRetriever: 获取混合检索器向量检索 BM25若不存在则创建。 # 确保索引已加载 self._ensure_index_loaded() index self.ingestion_pipeline.index if index is None: raise RuntimeError(知识库索引未初始化请先上传文档) # 如果混合检索器尚未创建则现在创建 if self.rag_retriever is None: # 创建向量检索器 vector_retriever VectorIndexRetriever( indexindex, similarity_top_kAppSettings.SIMILARITY_TOP_K, ) # 获取索引中的所有节点用于 BM25 检索器 bm25_nodes [ node for node in index.docstore.docs.values() if node.get_content() ] if not bm25_nodes: raise RuntimeError(本地文档存储为空请重新上传文档) # 创建 BM25 检索器 bm25_retriever BM25Retriever.from_defaults( nodesbm25_nodes, similarity_top_kAppSettings.SIMILARITY_TOP_K, ) # 创建 QueryFusionRetriever融合向量和 BM25 的检索结果 self.rag_retriever QueryFusionRetriever( [vector_retriever, bm25_retriever], num_queries1, # 融合查询数这里为1相当于简单融合 use_asyncTrue, ) return self.rag_retriever def _get_reranker(self) -gt; SentenceTransformerRerank: 获取重排序器用于对检索结果重新排序。 if self.reranker is None: # 使用 SentenceTransformer 模型进行重排序 self.reranker SentenceTransformerRerank( modelAppSettings.RERANK_MODEL_PATH, top_nAppSettings.RERANK_TOP_K, ) return self.reranker def _ensure_index_loaded(self) -gt; None: 确保索引已加载若没有则尝试从存储加载。 if self.ingestion_pipeline.index is not None: return # 加载索引 self.ingestion_pipeline.load_index() # 加载后再次检查 if self.ingestion_pipeline.index is None: raise RuntimeError(知识库索引未初始化请先上传文档) staticmethod def _source_nodes_to_dicts(source_nodes) -gt; List[Dict[str, Any]]: 将 LlamaIndex 的 NodeWithScore 列表转换为可序列化的字典列表。 return [ { content: node.node.get_content(), # 节点文本内容 score: float(node.score) if node.score is not None else None, # 相关度分数 metadata: node.node.metadata or {}, # 节点元数据 } for node in source_nodes or [] ]前端代码如下图红框它就是一个file类型的input标签它绑定了change事件也就是当内容发生变化了就会执行handleFileUpload函数如下图红框handleFileUpload函数中就是获取input里面的文件然后发送给后端

102.RAG-LLamaIndex后端rag问答-上传文档处理接口

相关推荐

Python实验环境搭建：从安装Jupyter到AI调试与报告导出

STM32运行后VCC-GND短路？从硬件到代码的排查实战指南

STM32H5嵌入式硬件故障排查：从VCC-GND短路到电化学迁移根因分析

更多资讯

辛庄哪里办电工证？学历不高也能考电子证书，手把手教你搞定

井下哪里可以查电工证上岗必备的查询渠道和避坑指南

电工证变号怎么处理？郑州班组负责人亲测避坑指南

广州电工证约考真实经历：实操考试心里没底怕挂科？我来帮你稳过

高压电工证相片兰底的千万别踩坑，南阳企业负责人必看避坑指南

云南电工证培训公司怎么选？实操考试心里没底怕挂科

今日更新

安监局电工证分数查询怎么查才能知道含金量高不高

新疆电工作业干活累吗良心建议助你避开考不过的坑

中牟县电工证怎么报名外省证能转吗

本周精选

安监局电工证分数查询怎么查才能知道含金量高不高

新疆电工作业干活累吗良心建议助你避开考不过的坑

中牟县电工证怎么报名外省证能转吗

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？

相关推荐

Python实验环境搭建：从安装Jupyter到AI调试与报告导出

STM32运行后VCC-GND短路？从硬件到代码的排查实战指南

STM32H5嵌入式硬件故障排查：从VCC-GND短路到电化学迁移根因分析

更多资讯

辛庄哪里办电工证？学历不高也能考电子证书，手把手教你搞定

井下哪里可以查电工证 上岗必备的查询渠道和避坑指南

电工证变号怎么处理？郑州班组负责人亲测避坑指南

广州电工证约考真实经历：实操考试心里没底怕挂科？我来帮你稳过

高压电工证相片兰底的千万别踩坑，南阳企业负责人必看避坑指南

云南电工证培训公司怎么选？实操考试心里没底怕挂科

今日更新

安监局电工证分数查询怎么查才能知道含金量高不高

新疆电工作业干活累吗 良心建议助你避开考不过的坑

中牟县电工证怎么报名外省证能转吗

本周精选

安监局电工证分数查询怎么查才能知道含金量高不高

新疆电工作业干活累吗 良心建议助你避开考不过的坑

中牟县电工证怎么报名外省证能转吗

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？

井下哪里可以查电工证上岗必备的查询渠道和避坑指南

新疆电工作业干活累吗良心建议助你避开考不过的坑

新疆电工作业干活累吗良心建议助你避开考不过的坑