简介这份资源是面向计算机相关专业毕业设计与项目实战学习者的智能食谱推荐系统源码包以知识图谱结合生成式AI为核心思路适合作为毕设、课程设计或期末大作业的参考方案。项目经导师指导并通过评审源码在本地编译运行无误难度适中便于在此基础上二次开发或撰写论文。压缩包共42个文件约681KB以19个tsx与9个less构成前端页面与样式配合3个ts、2个json及css完成配置与逻辑另有1个py脚本、2个sh部署脚本和yaml等辅助文件整体结构清晰、模块划分明确。内容涵盖食谱知识图谱构建、生成式AI推荐逻辑与前端交互展示等环节读者可据此理解推荐系统的完整实现路径掌握图谱数据组织、模型调用与界面联调的方法并借鉴目录组织与部署脚本的写法。目前已有403人学习可作为同类选题的实用参考。1. 从一份「Python毕业设计」源码说起知识图谱加生成式AI的食谱推荐到底怎么落地很多同学拿到「Python毕业设计基于知识图谱和生成式AI的智能食谱推荐系统源码.zip」这类标题时第一反应是去搜 python 安装教程、python 入门、python 教程把环境跑起来再说。但真正卡住人的从来不是 python 安装而是这套系统里两个核心模块怎么协同知识图谱负责「确定性推理」生成式 AI 负责「自然语言表达」两者边界划不清推荐结果就会又慢又飘。我见过太多毕设把图谱当装饰、把大模型当万能钥匙最后答辩时被问一句「你的图谱到底约束了什么」就答不上来。这篇笔记面向三类人正在做食谱推荐毕设、想用知识图谱构建真实可查的食材-菜系-营养关系、又希望接入生成式 AI 做个性化文案的开发者。我会按「图谱怎么建 → 推荐怎么算 → 生成式 AI 怎么接 → 坑在哪」的顺序把一份可复现的最小方案讲透。你不需要先看完《知识图谱应用实践指南》但需要能写 python 定义函数、会装 numpy 这类基础库。下面所有代码都是本地可跑的最小片段不依赖任何不存在的仓库地址。2. 食谱知识图谱构建从本体建模到 Neo4j 入库的完整链路2.1 为什么食谱场景适合用知识图谱而不是纯向量检索食谱推荐有一个天然优势它的实体和关系高度结构化。一道「番茄炒蛋」可以拆成食材番茄、鸡蛋、口味咸鲜、烹饪方式炒、营养维生素C、蛋白质、适宜人群普通成人、禁忌鸡蛋过敏者。这些关系是确定性的用向量检索反而会把「番茄」和「西红柿」当成两个东西或者把「不放糖」和「少放糖」混为一谈。知识图谱在这里承担三个不可替代的职责第一实体对齐把「西红柿/番茄/洋柿子」归一成同一个节点第二多跳推理比如用户说「我想吃补铁的」图谱可以走「补铁 → 含铁食材 → 对应菜谱」这条路径第三约束生成式 AI 的输出防止它编造不存在的菜或危险搭配。常见做法是先用本体建模工具比如 Protégé 或轻量级的 Python 字典定义 schema再批量导入图数据库。我一般会把本体设计成四层食材层、菜谱层、营养层、用户画像层。食材层包含名称、别名、类别、每100g营养值菜谱层包含菜名、步骤、口味、烹饪方式、耗时营养层包含营养素名称和功能用户画像层包含年龄、忌口、目标减脂/增肌/补铁。层与层之间用「包含」「适宜」「禁忌」「提供」这类关系连接。2.2 用 Python 构建邻接矩阵并导出 CSV 导入 Neo4j如果你不想装 Neo4j也可以用 networkx 加邻接矩阵在本地跑通。但毕设答辩时图数据库的可视化更占优势所以我建议用 Neo4j Community 版。下面这段代码做两件事把食材和菜谱的关系整理成三元组并生成 Neo4j 可直接 LOAD CSV 的两个文件。import csv import numpy as np # 食材-菜谱三元组(菜谱, 关系, 食材) triples [ (番茄炒蛋, 包含食材, 番茄), (番茄炒蛋, 包含食材, 鸡蛋), (番茄炒蛋, 烹饪方式, 炒), (番茄炒蛋, 口味, 咸鲜), (菠菜猪肝汤, 包含食材, 菠菜), (菠菜猪肝汤, 包含食材, 猪肝), (菠菜猪肝汤, 功效, 补铁), (猪肝, 富含, 铁), (菠菜, 富含, 铁), (鸡蛋, 禁忌人群, 鸡蛋过敏者), ] # 写出节点文件 nodes set() for h, r, t in triples: nodes.add(h) nodes.add(t) with open(nodes.csv, w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([name]) for n in nodes: writer.writerow([n]) # 写出关系文件 with open(relations.csv, w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([source, relation, target]) for h, r, t in triples: writer.writerow([h, r, t]) # 构建邻接矩阵用于后续相似度计算 node_list sorted(nodes) idx {n: i for i, n in enumerate(node_list)} adj np.zeros((len(node_list), len(node_list))) for h, r, t in triples: adj[idx[h]][idx[t]] 1 print(节点数:, len(node_list), 邻接矩阵形状:, adj.shape)逻辑说明triples 列表是手工整理的最小知识集实际项目中可以从公开食谱数据集抽取。nodes.csv 和 relations.csv 是 Neo4j 批量导入的标准格式。邻接矩阵用 numpy 构建后续做基于图的相似度时可以直接用矩阵乘法。参数说明encoding 必须用 utf-8否则中文节点名会乱码邻接矩阵这里存的是 0/1 关系如果要加权可以把 1 换成关系权重。导入 Neo4j 的 Cypher 语句如下注意先建约束再导数据否则重复跑会生成重复节点CREATE CONSTRAINT IF NOT EXISTS FOR (n:Entity) REQUIRE n.name IS UNIQUE; LOAD CSV WITH HEADERS FROM file:///nodes.csv AS row MERGE (n:Entity {name: row.name}); LOAD CSV WITH HEADERS FROM file:///relations.csv AS row MATCH (a:Entity {name: row.source}) MATCH (b:Entity {name: row.target}) CALL apoc.merge.relationship(a, row.relation, {}, {}, b) YIELD rel RETURN count(rel);这里用了 apoc.merge.relationship 动态创建关系类型因为关系名存在 CSV 里。如果你的 Neo4j 没装 APOC就改成固定关系类型或者用 Python 的 neo4j 驱动逐条写入。参数上file:/// 指向 Neo4j 安装目录下的 import 文件夹CSV 必须放那里才能被 LOAD CSV 读到。2.3 实体对齐与别名归一别让「西红柿」和「番茄」变成两个节点实体对齐是图谱质量的分水岭。我一般用「别名词典 编辑距离」双保险。先维护一个 aliases 字典覆盖常见食材别名再用 difflib 对未登录词做相似度兜底阈值设 0.85 以上才合并避免把「白菜」和「白萝卜」误合。import difflib aliases { 番茄: [西红柿, 洋柿子], 鸡蛋: [鸡子, 蛋], 猪肝: [猪肝脏], } def normalize(name, existing_nodes): for std, alias_list in aliases.items(): if name std or name in alias_list: return std # 编辑距离兜底 matches difflib.get_close_matches(name, existing_nodes, n1, cutoff0.85) return matches[0] if matches else name existing [番茄, 鸡蛋, 猪肝, 菠菜] print(normalize(西红柿, existing)) # 输出 番茄 print(normalize(鸡子, existing)) # 输出 鸡蛋参数说明cutoff 是相似度阈值设太高会漏合并设太低会误合并。食谱场景我建议 0.85因为食材名普遍较短0.8 以下容易把「土豆」和「土鸡」这种误判。别名归一后要回写图谱把旧节点的关系迁移到标准节点再删除旧节点否则图谱里会残留孤立点。3. 推荐算法层图谱推理与协同过滤怎么融合3.1 基于图谱路径的规则推荐先保证「不推错」生成式 AI 最大的风险是幻觉所以推荐链路的第一层必须是确定性规则。我的做法是用户输入忌口或目标后先在图谱里做路径查询把候选菜谱限制在安全集合内。比如用户对鸡蛋过敏就先排除所有包含鸡蛋的菜谱用户要补铁就保留能走到「铁」节点的菜谱。# 模拟图谱查询找出所有能补铁的菜谱 def recommend_by_nutrient(graph_triples, nutrient): recipes set() iron_foods set() for h, r, t in graph_triples: if r 富含 and t nutrient: iron_foods.add(h) for h, r, t in graph_triples: if r 包含食材 and t in iron_foods: recipes.add(h) return recipes triples [ (番茄炒蛋, 包含食材, 番茄), (番茄炒蛋, 包含食材, 鸡蛋), (菠菜猪肝汤, 包含食材, 菠菜), (菠菜猪肝汤, 包含食材, 猪肝), (猪肝, 富含, 铁), (菠菜, 富含, 铁), ] print(recommend_by_nutrient(triples, 铁)) # {菠菜猪肝汤}逻辑说明先找富含目标营养素的食材再反查包含这些食材的菜谱。这是两跳推理实际图谱里可以扩展到三跳比如「营养素 → 食材 → 菜谱 → 适宜人群」。参数上nutrient 用中文标准名避免「铁元素」「铁质」混用这又回到实体对齐的问题。3.2 协同过滤做排序用共现矩阵给候选菜谱打分规则层筛出安全候选后用协同过滤排序。食谱场景的用户-菜谱交互数据通常很稀疏所以用 item-based 比 user-based 稳。核心是算菜谱之间的相似度如果很多用户同时喜欢 A 和 B那喜欢 A 的人大概率也喜欢 B。import numpy as np from sklearn.metrics.pairwise import cosine_similarity # 行是用户列是菜谱1 表示喜欢 interaction np.array([ [1, 1, 0, 0], [1, 0, 1, 0], [0, 1, 1, 1], [0, 0, 1, 1], ]) recipes [番茄炒蛋, 菠菜猪肝汤, 清蒸鲈鱼, 凉拌黄瓜] item_sim cosine_similarity(interaction.T) print(菜谱相似度矩阵:\n, np.round(item_sim, 2)) def score_candidates(user_vec, item_sim, recipes): scores user_vec item_sim return sorted(zip(recipes, scores), keylambda x: -x[1]) user np.array([1, 1, 0, 0]) # 该用户喜欢前两道 print(score_candidates(user, item_sim, recipes))参数说明interaction 矩阵里 1 代表正向交互实际项目可以用评分或点击次数加权。cosine_similarity 对稀疏矩阵也适用但如果菜谱数上万建议改用 TruncatedSVD 降维后再算。排序结果要跟规则层的安全集合取交集不能直接输出否则可能把过敏菜谱排到前面。3.3 两路融合的权重怎么定别拍脑袋用验证集调规则层和协同过滤层的融合方式常见有三种加权求和、级联过滤、学习排序。毕设场景我推荐级联过滤加加权求和规则层先硬过滤协同过滤层再打分最后按 0.6 规则分 0.4 协同分排序。规则分可以定义为「命中营养素路径数 / 总路径数」协同分归一化到 0-1。权重不是固定的要用留出法调。把用户交互数据按 8:2 拆训练和验证在验证集上网格搜索权重组合看 Recall10 哪个最高。我踩过的坑是直接用 0.5:0.5结果补铁场景下协同过滤把高热量菜谱排前面因为交互数据里高热量菜更受欢迎。后来把规则权重提到 0.7 才压住。4. 生成式 AI 接入让推荐理由说人话但不胡说4.1 提示词模板设计把图谱三元组塞进上下文生成式 AI 在这里只做一件事把结构化的推荐结果翻译成自然语言理由。关键是提示词里必须带图谱证据并要求模型「只能基于给定三元组生成不得引入外部知识」。下面是一个可复用的模板。def build_prompt(user_profile, recipe, evidence_triples): evidence_text \n.join([f{h} - {r} - {t} for h, r, t in evidence_triples]) prompt f你是一个食谱推荐助手。请根据以下用户画像和知识图谱证据为推荐菜谱写一段推荐理由。 用户画像{user_profile} 推荐菜谱{recipe} 图谱证据 {evidence_text} 要求 1. 只能使用上述证据中的信息不得编造。 2. 理由控制在 80 字以内。 3. 如果证据不足以支撑推荐直接说证据不足。 return prompt profile 28岁女性目标补铁对鸡蛋过敏 evidence [(菠菜猪肝汤, 包含食材, 猪肝), (猪肝, 富含, 铁)] print(build_prompt(profile, 菠菜猪肝汤, evidence))逻辑说明evidence_text 把三元组转成文本模型不需要理解图结构只需要做语言组织。要求里明确「不得编造」和「证据不足就说」这是防幻觉的关键。参数上温度建议设 0.3 以下太高会自由发挥max_tokens 设 200 足够理由不需要长。4.2 用本地小模型还是 API毕设场景的取舍毕设答辩环境通常没有稳定外网所以本地部署小模型更稳妥。常见做法是用 Ollama 跑一个 7B 级别的中文模型或者用 transformers 加载 ChatGLM3-6B。如果机器只有 8G 显存可以用 4bit 量化。API 方案适合演示但答辩时网络一断就翻车我建议至少准备本地兜底。# 用 Ollama 拉取并运行一个中文小模型 ollama pull qwen2:7b ollama run qwen2:7b 根据证据猪肝富含铁菠菜猪肝汤包含猪肝。为补铁用户写一句推荐理由。参数说明qwen2:7b 是模型名实际可用模型以本地 Ollama 列表为准。运行后如果显存不够Ollama 会自动降级到 CPU但速度会慢。毕设演示时建议提前把模型加载好避免现场等待。4.3 生成结果的校验用规则兜底防幻觉生成式 AI 的输出不能直接展示必须过一遍校验。校验规则包括推荐理由里提到的食材必须在图谱中存在提到的功效必须能通过图谱路径走到不能出现「治疗」「治愈」这类医疗宣称。下面是一个简单的校验函数。def validate_reason(reason, recipe, graph_triples): # 检查是否出现图谱外的食材名 known_entities set() for h, r, t in graph_triples: known_entities.add(h) known_entities.add(t) # 简单分词后检查实际可用 jieba for word in [番茄, 鸡蛋, 猪肝, 菠菜, 铁]: if word in reason and word not in known_entities: return False, f出现图谱外实体: {word} # 检查医疗宣称 for banned in [治疗, 治愈, 药效]: if banned in reason: return False, f出现违规词: {banned} return True, 通过 triples [(菠菜猪肝汤, 包含食材, 猪肝), (猪肝, 富含, 铁)] print(validate_reason(猪肝富含铁适合补铁。, 菠菜猪肝汤, triples)) print(validate_reason(这道菜可以治疗贫血。, 菠菜猪肝汤, triples))逻辑说明known_entities 从图谱三元组收集校验时检查生成文本里的关键词是否都在图谱内。实际项目建议用 jieba 分词后做实体链接比硬编码词表更稳。参数上banned 列表要根据平台规范维护医疗宣称是红线。5. 避坑与排查食谱推荐系统最容易翻车的 5 个地方5.1 图谱导入后中文乱码节点名变成问号现象LOAD CSV 导入 Neo4j 后节点名显示为乱码或问号。原因CSV 文件编码不是 UTF-8或者 Neo4j 的 import 目录权限不对。解决用 Python 写 CSV 时显式指定 encodingutf-8并在 Neo4j 配置文件里确认 dbms.import.csv.legacy_encoding 没被改成非 UTF-8。导入前用文本编辑器打开 CSV 确认中文正常。5.2 协同过滤冷启动新用户推荐全是热门菜现象新注册用户没有交互记录协同过滤打分全为 0结果只推热门菜。原因item-based 协同过滤依赖用户历史冷启动时无信号。解决冷启动阶段走纯规则推荐用用户填写的画像目标、忌口做图谱路径查询等交互数据积累到 10 条以上再启用协同过滤。也可以在注册时让用户勾选偏好口味作为初始向量。5.3 生成式 AI 把「补铁」说成「补血」语义漂移现象模型把图谱里的「富含铁」自由发挥成「补血养颜」虽然不算错但偏离了证据。原因提示词约束不够强或者温度设太高。解决在提示词里加「只能使用证据中的原词不得替换为近义词」温度降到 0.2。如果还漂移就在校验层加同义词黑名单把「补血」「养颜」这类未在证据中出现的词拦掉。5.4 邻接矩阵太大导致内存溢出现象食材和菜谱节点上万后numpy 邻接矩阵占几百 MB 甚至上 G跑相似度时内存爆掉。原因稠密矩阵存储稀疏关系浪费空间。解决改用 scipy.sparse 的 csr_matrix或者直接用 Neo4j 的图算法库GDS在数据库内计算。如果坚持用 numpy先做节点过滤只保留与目标用户相关的子图。5.5 推荐结果重复同一食材的菜谱扎堆现象用户要补铁结果推了五道猪肝菜体验很差。原因规则层只按营养素路径筛选没有做多样性控制。解决在排序后加一层 MMR最大边际相关性重排惩罚与已选菜谱食材重叠度高的候选。简单做法是统计候选菜谱的食材集合每选一道就把包含相同主食材的候选降权。6. 进阶技巧用图谱嵌入加向量召回做混合推荐前面讲的规则加协同过滤是毕设保底方案如果你想让系统更有竞争力可以加一层图谱嵌入。核心思路是用 TransE 或 RotatE 把图谱里的实体和关系映射成向量然后用户画像向量和菜谱向量做相似度召回。这样既能利用图谱结构又能处理「用户没说但可能喜欢」的隐式偏好。# 用 pykeen 训练一个最小 TransE 模型需先 pip install pykeen from pykeen.pipeline import pipeline from pykeen.datasets import Nations # 这里用内置数据集演示流程 result pipeline( datasetNations, modelTransE, model_kwargsdict(embedding_dim50), training_kwargsdict(num_epochs20), ) entity_embeddings result.model.entity_embeddings.weight.detach().numpy() print(实体嵌入形状:, entity_embeddings.shape)逻辑说明pykeen 是知识图谱嵌入的常用库pipeline 封装了训练和评估。实际项目要把 Nations 换成自己的食谱三元组文件格式是 TSV 的 head\trelation\ttail。参数上embedding_dim 设 50-200太小欠拟合太大过拟合且慢num_epochs 看损失曲线一般 100-500 轮。训练完后菜谱向量和用户偏好向量做余弦相似度取 Top-K 作为召回结果再和规则层、协同层融合。融合时我一般用三层加权规则层 0.5、协同层 0.3、嵌入层 0.2。这个权重同样要在验证集上调。嵌入层的好处是能发现「番茄炒蛋」和「番茄牛腩」的相似性即使没有用户同时交互过这两道菜。但要注意图谱嵌入对数据量敏感三元组少于 500 条时效果不稳定毕设如果数据少建议只作为加分项演示不作为主排序依据。最后说个我自己的习惯每次改完推荐权重我都会固定一组测试用户跑一遍把推荐结果和理由打印出来人工看一遍。机器指标再高推荐理由读起来别扭就是不行。这个人工检查环节帮我拦下过好几次「补铁推冰淇淋」的翻车。希望帮到你。本文还有配套的精品资源点击获取
企业数字化 ERP 产品动态
相关推荐
VoiceStudio:打造本地语音合成、声音克隆与音频处理工作台 最近整理播客素材时,一个问题让我折腾了很久:手头有一段近两小时的访谈录音,我要从里面抽出台词、修掉气口、补几段旁白、再统一响度,最后还要生成一版带字幕的成品。零零散散用不同的工具来回切换,一遍一遍导出再导入… · 2026/11/16 15:45:37
32GB显存下LoRA微调:显存估算与训练避坑指南 我之前帮一个朋友调试LoRA微调脚本时,他手里是一张32GB显存的显卡,却在训练刚开始就报CUDA out of memory。他特别不解:7B模型的权重换算下来才14GB左右,怎么32GB都不够用?这个疑问我见过太多次了——如果你只按权重大… · 2026/11/16 16:52:15
开源本地语音工作室:可编排的声音克隆工作流引擎 1. 项目概述:这不是又一个“语音克隆玩具”,而是一套可嵌入、可编排、可交付的本地化语音生产基础设施 “开源声音克隆与工作流引擎,完全本地运行的开源语音工作室”——这个标题里没有一个词是虚的。我从去年底开始深度参与三个不同规模的语… · 2026/11/16 16:31:16
临沂电工证报名时间怎么算?学历不高也能考的上岗必备攻略 临沂电工证报名时间怎么算?学历不高也能考的上岗必备攻略 你是不是也担心自己学历不高,报不了临沂电工证?其实不然,只要你有相关工作经验,或者参加过专业培训,就能报名参加考试。临沂电工证是很多岗位的上岗必备,尤其是在建筑、电力、维修等行业,持有… · 2026/11/16 17:04:13
南丰县考电工证含金量高吗?证书过期了不知道怎么复审延期怎么办 南丰县考电工证含金量高吗?证书过期了不知道怎么复审延期怎么办 证书过期了不知道怎么复审延期,这事儿很多人都遇到过。尤其是像你这样在郑州金水区的应届工程类毕业生,刚拿到电工证就想着怎么用它来找工作、提升自己,结果一不小心,证书就过期了。别担心… · 2026/11/16 17:04:13
_电工证自己怎么考网上查询流程全解析 _电工证自己怎么考网上查询流程全解析 你是不是也像我这样,听说电工证很重要,但不知道去哪报名,生怕被中介坑?我之前在焦作房建工程干项目,也是被各种代办机构忽悠了一圈,最后还是自己搞定,省了不少钱。今天我就从头到尾,告诉你**_电工证自己怎么… · 2026/11/16 17:04:13
初级电工证买什么书才能拿到电子证书?济源应届生必看攻略 初级电工证买什么书才能拿到电子证书?济源应届生必看攻略 你还在为找不到电工证考试资料发愁?手上没证根本进不了工地,连面试都过不了。别急,这篇文章讲清楚【初级电工证买什么书】,教你用对资料、走对流程,顺利拿到电子证书,别再被坑了。… · 2026/11/16 17:04:13
水电工证网上怎么考取?良心建议帮你避开报名陷阱 水电工证网上怎么考取?良心建议帮你避开报名陷阱 你是不是也在为水电工证网上怎么考取而发愁?网上一搜全是培训机构,价格参差不齐,真假难辨,怕一不小心就被坑了。这事儿我懂,以前我也和你一样,四处打听,生怕报错班。今天我就从 商丘水利工程从业者… · 2026/11/16 17:03:12
长春初级电工证怎么考?通过率揭秘全在这里 长春初级电工证怎么考?通过率揭秘全在这里 之前考的证在外省能不能转过来?这几乎是每个想从事电工工作的人都会问的问题。特别是那些在外地打拼多年、手里握着一张“外地电工证”的人,到了长春想继续干这一行,第一反应就是“我的证能用吗?”。今天我们就… · 2026/11/16 3:21:55
国内电工证报考条件与考试时间 低压电工证怎么考?学历不高也能报名,官方报名入口全在这 你是不是经常听说“电工证是入行门槛”,但又担心自己学历不够、经验不足,根本报不了名?别急,今天就带你从零了解【国内电工证】的报考流程、考试内容,还有怎么在 官方报名入口… · 2026/11/16 3:01:18
电工作业时如何断电?电子证书到底能不能全国通用? 电工作业时如何断电?电子证书到底能不能全国通用? 实操考试心里没底怕挂科,特别是电工作业时如何断电这一操作,不仅关系到你能不能拿到证书,更关系到以后能不能顺利上岗。很多人觉得这不过就是“断个电”,但其实这里面的门道可不少,稍有不慎就可能出错… · 2026/11/16 8:30:17
电工证培训的通知在哪考?别再被中介骗了 电工证培训的通知在哪考?别再被中介骗了 你是不是还在为 电工证培训的通知在哪考 发愁?网上搜了一堆信息,结果要么是挂羊头卖狗肉的培训机构,要么就是打着“包过”旗号的骗子?别急,今天我来给你讲讲, 电工证培训的通知… · 2026/11/16 0:00:34
电工证去哪个部门考核值不值得考 信阳转岗人真实经历分享 电工证去哪个部门考核值不值得考 信阳转岗人真实经历分享 怕考不过白交培训费?你不是一个人,信阳的李师傅去年刚转岗做电工,就因为没搞清楚电工证去哪个部门考核,差点交了8000块的培训费。别急,下面这份实操考试全攻略,告诉你电工证到底值不值得考… · 2026/11/16 0:00:34
双极步进电机控制实战:DRV8818PWPR与PIC18F86K22驱动调试 /* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views … · 2026/11/16 16:48:43
STM32F207ZG + DRV8818PWPR 步进电机驱动实战解析 /* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views … · 2026/11/16 16:48:57
DRV8818PWPR+dsPIC30F4013工业级双极步进电机控制方案 /* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views … · 2026/11/16 16:48:48