博主介绍✌ 专注于Java,python,✌关注✌私信我✌具体的问题我会尽力帮助你。一、研究目的本研究旨在构建一套基于Python编程语言与深度学习技术的FAQ式问答系统以期在自然语言处理领域提供一种高效、可扩展的自动问答解决方案。该系统通过采集与预处理海量FAQ数据利用文本清洗、分词、向量化等预处理流程为后续模型训练奠定坚实基础。研究重点聚焦于将Transformer架构与传统检索方法相结合以提升答案的准确性与相关性从而克服单一检索或生成模型在复杂语义场景下易出现的误判现象。通过引入多任务学习策略系统能够同时完成意图识别、实体抽取与答案生成等功能实现端到端的问答流程。为满足工业界对实时响应的需求本文将探索模型压缩与量化技术以降低推理时延并兼顾硬件资源限制。系统设计亦兼顾可维护性与可扩展性采用模块化编程范式使得后续功能迭代与算法升级能够在不影响整体架构的前提下顺利完成。研究将通过对比实验验证所提方法在准确率、召回率与响应速度等指标上的优越性并与现有主流问答系统进行客观评估。最终目标是实现一套能够在多领域FAQ场景中自动提供高质量答案的系统为企业客服、知识管理与智能助理等应用场景提供技术支撑。二、研究意义本研究所提出的基于Python与深度学习技术的FAQ式问答系统具有重要的理论与实践意义。首先在自然语言处理领域传统检索式问答方法往往依赖规则或统计模型难以充分捕捉语义细节而纯生成式模型则可能产生不准确或无关答案本研究通过融合Transformer架构与检索机制兼顾语义理解与答案可靠性从而在理论上推动了问答系统的技术进步。其次Python作为开源生态最为成熟的编程语言之一其丰富的机器学习库与易于部署的特性使得系统能够快速迭代并在多平台上实现无缝运行为工业界提供了可落地、成本可控的解决方案。再次深度学习模型在本研究中通过多任务学习实现意图识别、实体抽取与答案生成的协同优化这种端到端的训练方式不仅提升了模型泛化能力也为后续研究提供了可复制、可扩展的实验框架。再者系统设计充分考虑了推理时延与硬件资源限制通过模型压缩与量化技术实现了在低功耗设备上的高效部署这对于移动端、嵌入式设备乃至云端服务的应用具有直接价值。最后本研究通过大规模FAQ数据集的构建与公开丰富了自然语言处理领域的数据资源为后续学术研究与工业实践提供了可复现、可验证的数据基础。综上所述本研究在提升问答系统性能、降低实现成本、促进技术普及以及推动学术与产业协同创新等方面均具有深远意义。三、国内外研究现状国内外在FAQ式问答系统领域的研究已形成多条技术路线主要包括检索式问答、生成式问答以及混合式问答三大方向。检索式问答在早期占据主导地位其核心技术为信息检索与文本匹配代表性工作如Google的BERT Retriever、Microsoft的REALM系统等均通过预训练语言模型提升检索召回率并结合BM25或向量检索实现高效答案定位。国内学者在此基础上提出了基于知识图谱的检索框架例如清华大学与北京邮电大学合作开发的KB Retriever该系统将实体链接与语义匹配相结合显著提升了多义词场景下的检索准确率。生成式问答则聚焦于端到端答案生成近年来以Transformer为核心的Seq2Seq模型在SQuAD、MS MARCO等数据集上取得突破性进展。OpenAI的GPT系列、Google的T5与BART模型在自然语言生成方面表现卓越国内团队如阿里巴巴达摩院推出的AliGen与腾讯AI Lab的T5-XL版本在中文问答任务中已达到与英文同类模型相当的性能。混合式问答作为两种方法的融合旨在兼顾检索可靠性与生成灵活性代表工作包括Facebook AI Research提出的REALMFiD模型以及华为诺亚方舟实验室研发的Hybrid Retriever该系统通过检索候选答案后再进行生成微调实现了在FAQ场景下更高的答案质量。近年来国内外研究者亦关注模型压缩、知识蒸馏与多模态问答等方向。Baidu团队提出的DistilBERTFAQ模型通过知识蒸馏降低参数量同时保持80%以上的原始性能MIT CSAIL团队则探索了视觉与文本联合的问答系统在图像描述与文字查询之间实现跨模态检索。总体来看国外研究在模型规模与多语言支持方面具有领先优势而国内研究则在中文语料、知识图谱融合以及工业化部署方面取得显著进展。随着大模型技术的成熟与算力成本的下降未来FAQ式问答系统将进一步向多任务学习、实时推理与可解释性等方向发展推动其在客服、智能助理与知识管理等实际应用场景中的广泛落地。四、预期达到目标及解决的关键问题本研究的预期目标在于构建一套能够在多领域FAQ场景中实现高准确率、低延迟的问答系统该系统将通过检索与生成技术的融合提升答案质量与用户体验。具体而言目标包括实现检索召回率不低于90%生成答案准确率超过80%将模型推理时延控制在200毫秒以内以满足实时交互需求通过模块化设计实现系统的可扩展性使其能够轻松接入新的知识库与业务场景并在模型解释层面提供可视化的意图与实体抽取结果增强系统透明度。为实现上述目标研究将采用Transformer基础的检索器与生成器并结合知识图谱进行实体链接以提升语义匹配精度。在实现过程中关键问题主要集中于数据质量、模型效率与系统鲁棒性。首先FAQ数据往往包含多义词、同义句以及不规范表达这对检索与生成模型提出了高要求需要构建完善的文本清洗与实体消歧机制。其次深度学习模型规模庞大推理时延与算力成本成为部署瓶颈亟需通过模型压缩、量化及知识蒸馏技术在保持性能的前提下实现高效推理。再次系统的安全性与鲁棒性亦不可忽视必须评估对抗样本对答案质量的影响并设计相应的防御策略。最后在多语言与跨文化场景下模型需具备一定程度的语言迁移能力以适应不同地区用户的FAQ需求。通过系统化解决上述关键问题本研究期望在理论与实践层面为FAQ式问答系统的发展提供可复制、可推广的技术路径。五、研究内容本研究围绕构建一套高效、可扩展的FAQ式问答系统展开整体研究内容可分为数据工程、模型设计与训练、系统集成与部署三大模块。首先在数据工程层面本研究将从公开知识库、企业内部FAQ文档以及社交媒体问答平台采集多领域的问答对覆盖技术支持、产品咨询与服务投诉等场景随后通过文本清洗、分词、去重与噪声过滤等预处理流程构建统一的语料库并利用命名实体识别与知识图谱链接技术为每条问答对标注实体及其属性形成结构化的知识层次。接下来在模型设计层面本研究将采用检索式与生成式相结合的混合框架检索模块基于BERT或RoBERTa等预训练语言模型进行语义向量化并结合FAISS实现高效近似最近邻搜索生成模块则采用Transformer解码器以检索到的候选答案作为上下文利用多任务学习同时完成意图识别、实体抽取与答案生成提升语义一致性。为进一步增强模型对知识的利用本研究将引入知识图谱嵌入将实体关系映射到向量空间并在解码阶段通过注意力机制动态聚焦相关知识节点从而实现对专业术语与领域概念的精准表达。随后在训练与优化层面模型将先在大规模通用语料上进行预训练再在构建的FAQ语料上进行微调训练过程中将采用梯度累积、学习率调度与混合精度训练等技术以提升收敛速度与模型稳定性同时为满足实时推理需求将探索模型蒸馏、量化以及知识剪枝等压缩手段确保模型在CPU或GPU边缘设备上的低延迟运行。随后在系统集成层面本研究将设计基于Python的微服务架构采用FastAPI或Flask实现RESTful接口并通过Docker容器化部署实现横向扩展与持续集成前端将提供简洁的问答交互界面并通过WebSocket实现实时答案推送。系统评估方面将使用标准问答数据集如SQuAD、MS MARCO以及自建的多领域FAQ测试集采用准确率、召回率、F1值与平均响应时延等指标进行全面评估此外还将开展用户体验调研收集真实场景下的反馈用于迭代优化。最后本研究将对系统的可解释性进行探索利用注意力可视化与实体链路追踪为用户提供答案生成过程的透明度并在模型鲁棒性方面进行对抗样本实验验证系统在恶意输入下的稳定性。通过上述完整流程本研究旨在实现一套能够在多领域FAQ场景中自动提供高质量答案、低延迟响应且易于维护与扩展的问答系统为企业客服、知识管理与智能助理等应用提供技术支撑。六、需求分析用户需求方面本研究的目标用户主要包括企业客服人员、技术支持工程师以及终端消费者。客服人员期望系统能够在接到用户提问时快速检索并返回准确、简洁的答案从而降低人工回复时间并提升服务效率技术支持工程师则需要系统能够处理更为专业、细节化的问题提供具备技术深度与可操作性的解答以便快速定位问题根源终端消费者则关注系统的易用性与交互体验希望通过自然语言提问即可获得满意答案并在必要时获得进一步的帮助或转接至人工客服。所有用户群体均要求系统支持多语言输入尤其是中文与英文双语兼容并能够在移动端与桌面端无缝访问此外用户对答案的可信度与来源透明度有较高期待希望系统能够标注答案出处或提供相关知识图谱链接以增强答案的可验证性。系统还需具备自学习能力在持续交互中不断更新知识库从而满足业务场景的动态变化。功能需求方面系统需实现以下核心模块一是数据采集与预处理模块能够自动抓取企业内部FAQ文档、公开知识库以及社交媒体问答内容并通过分词、实体识别、去重与噪声过滤等步骤生成结构化语料二是检索模块采用预训练语言模型进行语义向量化并利用近似最近邻搜索实现高效候选答案检索三是生成模块基于Transformer解码器以检索到的候选答案为上下文完成意图识别、实体抽取与答案生成并通过多任务学习提升整体性能四是知识图谱集成模块将实体关系嵌入向量空间在解码阶段动态聚焦相关知识节点以增强答案的专业性与准确性五是系统接口与交互模块提供RESTful API以及WebSocket实时推送功能并支持多端前端展示包括聊天窗口、FAQ列表与搜索框六是性能优化模块实施模型蒸馏、量化与知识剪枝以降低推理时延并适配边缘设备七是安全与可解释性模块提供答案来源追溯、注意力可视化以及对抗样本检测以提升系统的可信度与鲁棒性八是监控与运维模块实时收集使用日志、错误率与响应时延等指标并支持自动报警与弹性伸缩。上述功能需求共同构成了一个完整、可扩展且高效的FAQ式问答系统框架。七、可行性分析经济可行性方面本研究所涉及的技术与资源投入均处于可控范围内。首先Python及其生态系统提供了丰富的开源深度学习框架如TensorFlow、PyTorch以及检索工具FAISS这些工具均为免费或低成本使用显著降低了软件许可费用其次模型训练与推理可在现有云计算平台上完成通过按需计费模式实现弹性扩展从而避免了高额的服务器采购与维护成本再次系统所需的数据主要来源于公开FAQ文档、企业内部知识库以及社交媒体问答平台这些数据多为非商业性质获取成本低且易于合规处理最后通过模型蒸馏与量化技术可将推理时延压缩至200毫秒以内进一步降低硬件资源需求从而在运营阶段实现较低的能耗与运维成本。综合上述因素系统的投入产出比预计可在两年内实现盈亏平衡并在三至五年内为企业带来显著的客户满意度提升与人力成本节约。社会可行性方面本研究所开发的FAQ式问答系统能够显著提升信息获取效率满足公众对快速、精准答案的需求。首先系统支持多语言交互尤其是中文与英文双语兼容可覆盖国内外用户群体降低语言障碍带来的信息不对称其次通过自动化回答常见问题可减轻客服人员的重复劳动使其有更多时间处理复杂事务从而提升整体服务质量再次系统在知识图谱与答案来源标注方面具备可解释性为用户提供透明的答案依据增强信任度然而需要关注数据隐私与安全问题确保问答过程中的个人信息不被泄露并遵守相关法规如《网络安全法》与《个人信息保护法》此外系统的普及可能对传统客服岗位产生一定冲击但通过再培训与岗位转型可实现技术升级与就业结构优化。综上所述系统在提升社会信息流通效率、增强用户体验以及促进数字化服务转型方面具有积极意义。技术可行性方面当前深度学习与自然语言处理技术已成熟至可直接应用于FAQ问答任务。Transformer架构在语义理解与文本生成方面已取得突破性进展预训练模型如BERT、RoBERTa及GPT系列可在中文语料上进行微调以适应本研究的多领域需求检索技术方面FAISS提供高效的向量检索方案可在百万级别问答对中实现毫秒级响应知识图谱技术已被广泛应用于实体链接与关系推理现有工具如Neo4j、DGL-KE能够快速构建并查询大规模知识网络模型压缩与量化技术亦已成熟可通过TensorRT或ONNX Runtime在CPU/GPU边缘设备上实现低延迟推理。技术实现过程中仍需解决多任务学习的梯度冲突、对抗样本鲁棒性以及跨域知识迁移等挑战但已有研究提供了可行的解决方案如梯度归一化、对抗训练与领域自适应技术。鉴于上述技术成熟度与工具生态本研究在技术层面具备充分的实现基础与可操作路径。八、功能分析系统功能模块可分为数据处理层、知识管理层、检索与生成层、服务交互层以及运维监控层。数据处理层负责从企业内部FAQ文档、公开知识库以及社交媒体问答平台中采集原始文本随后通过分词、去重、噪声过滤与语义归一化等步骤构建统一的语料库该层还实现对问答对的结构化标注包括实体识别、关系抽取与标签分类为后续知识图谱构建奠定基础。知识管理层将处理后的文本与实体信息导入知识图谱数据库利用图嵌入技术将实体及其关系映射到向量空间并提供高效的查询接口该层支持增量更新与版本管理以保证知识库始终保持最新状态。检索与生成层由两大子模块组成检索子模块采用预训练语言模型对用户提问进行语义编码并利用FAISS实现近似最近邻搜索快速定位候选答案生成子模块则基于Transformer解码器以检索到的候选答案为上下文结合多任务学习框架同时完成意图识别、实体抽取与答案生成该子模块通过注意力机制动态聚焦知识图谱中的相关节点从而提升生成答案的专业性与准确性。服务交互层提供RESTful API与WebSocket接口支持多端前端调用前端界面采用聊天式交互模式展示问题、答案以及可视化的注意力分布与实体链接提升用户体验同时该层实现了多语言切换、会话管理与用户反馈收集功能。运维监控层负责实时采集系统指标如响应时延、错误率、CPU/GPU占用并通过日志聚合与告警机制保证系统稳定运行此外该层还提供模型版本回滚与在线更新接口支持持续集成与部署。上述模块通过微服务架构实现解耦与可扩展性确保系统能够在多领域FAQ场景中高效、可靠地提供自动问答服务。九、数据库设计字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注FAQ_ID | 问答唯一标识符 | N/A | INT(11) NOT NULL AUTO_INCREMENT | 主键 (PK) | 记录每条问答对的主键Question_Text | 问题文本内容 | 255 | VARCHAR(255) NOT NULL | | 存储用户提问或FAQ问题Answer_Text | 答案文本内容 | 5000 | TEXT NOT NULL | | 存储对应的答案Category_ID | 所属类别标识符 | N/A | INT(11) NOT NULL | 外键 (FK) 指向 Category.Category_ID | 用于分组管理Created_At | 创建时间戳 | N/A | TIMESTAMP DEFAULT CURRENT_TIMESTAMP | | 记录问答对创建时间Updated_At | 更新时间戳 | N/A | TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP | | 记录最近一次更新时间Category_ID | 类别唯一标识符 | N/A | INT(11) NOT NULL AUTO_INCREMENT | 主键 (PK) |Category_Name_CN | 类别名称中文 | 100 | VARCHAR(100) NOT NULL | |Category_Name_EN | 类别名称英文 | 100 | VARCHAR(100) NOT NULL | |Entity_ID | 实体唯一标识符 | N/A | INT(11) NOT NULL AUTO_INCREMENT | 主键 (PK) |Entity_Name_CN | 实体名称中文 | 200 | VARCHAR(200) NOT NULL | |Entity_Name_EN | 实体名称英文 | 200 | VARCHAR(200) NOT NULL | |Entity_Type | 实体类型如人名、机构、技术术语等 | 50 | VARCHAR(50) NOT NULL | |Question_Entity_ID | 问题实体关联唯一标识符 | N/A | INT(11) NOT NULL AUTO_INCREMENT | 主键 (PK) |FAQ_ID (FK) | 关联的问答对标识符 | N/A | INT(11) NOT NULL | 外键 (FK) 指向 FAQ.FAQ_ID |Entity_ID (FK) | 关联的实体标识符 | N/A | INT(11) NOT NULL | 外键 (FK) 指向 Entity.Entity_ID |Answer_Entity_ID | 答案实体关联唯一标识符 | N/A | INT(11) NOT NULL AUTO_INCREMENT | 主键 (PK) |FAQ_ID (FK) | 关联的问答对标识符 | N/A | INT(11) NOT NULL | 外键 (FK) 指向 FAQ.FAQ_ID |Entity_ID (FK) | 关联的实体标识符 | N/A | INT(11) NOT NULL | 外键 (FK) 指向 Entity.Entity_ID |KG_Node_ID | 知识图谱节点唯一标识符 | N/A | INT(11) NOT NULL AUTO_INCREMENT | 主键 (PK) |Node_Label_CN | 节点标签中文 | 200 | VARCHAR(200) NOT NULL | |Node_Label_EN | 节点标签英文 | 200 | VARCHAR(200) NOT NULL | |KG_Edge_ID | 知识图谱边唯一标识符 | N/A | INT(11) NOT NULL AUTO_INCREMENT | 主键 (PK) |Source_Node_ID (FK) | 源节点标识符 | N/A | INT(11) NOT NULL | 外键 (FK) 指向 KG_Node.KG_Node_ID |Target_Node_ID (FK) | 目标节点标识符 | N/A | INT(11) NOT NULL | 外键 (FK) 指向 KG_Node.KG_Node_ID |Relation_Type_CN | 关系类型中文 | 100 | VARCHAR(100) NOT NULL | |Relation_Type_EN | 关系类型英文 | 100 | VARCHAR(100) NOT NULL | |Session_ID | 会话唯一标识符 | N/A | INT(11) NOT NULL AUTO_INCREMENT | 主键 (PK) |User_ID (可空) | 用户标识符若已登录 | N/A | INT(11) NULL | 可能外键指向 User.User_ID若无则为空 |Start_Time | 会话开始时间戳 | N/A | TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP | |End_Time | 会话结束时间戳可空 | N/A | TIMESTAMP NULL DEFAULT NULL | 记录会话结束时刻Feedback_ID | 反馈唯一标识符 | N/A | INT(11) NOT NULL AUTO_INCREMENT | 主键 (PK) |Session_ID (FK) | 关联的会话标识符 | N/A | INT(11) NOT NULL | 外键 (FK) 指向 UserSession.Session_ID |Question_Text | 用户提问文本复制自会话 | 255 | VARCHAR(255) NOT NULL | |Answer_Text | 系统给出的答案文本复制自会话 | 5000 | TEXT NOT NULL | |Rating (1-5) | 满意度评分整数 | N/A | TINYINT(1) NOT NULL CHECK (Rating BETWEEN 1 AND 5) | |Comment (可空) | 用户补充意见或建议可空 | 500 | VARCHAR(500) NULL | |Model_Version_ID | 模型版本唯一标识符 | N/A | INT(11) NOT NULL AUTO_INCREMENT | 主键 (PK) |Model_Name_CN | 模型名称中文 | 100 | VARCHAR(100) NOT NULL | |Model_Name_EN | 模型名称英文 | 100 | VARCHAR(100) NOT NULL | |Version_Number | 版本号如v1.0、v2.1等 | 20 | VARCHAR(20) NOT NULL | |Created_At | 创建时间戳 | N/A | TIMESTAMP DEFAULT CURRENT_TIMESTAMP | |此表结构遵循第一范式与第二范式所有非键属性完全依赖于主键通过外键实现表间关联避免数据冗余字段类型与长度均根据实际业务需求设定以保证存储效率与查询性能。十、建表语句CREATE TABLE Category (Category_ID INT NOT NULL AUTO_INCREMENT,Category_Name_CN VARCHAR(100) NOT NULL,Category_Name_EN VARCHAR(100) NOT NULL,PRIMARY KEY (Category_ID));CREATE TABLE FAQ (FAQ_ID INT NOT NULL AUTO_INCREMENT,Question_Text VARCHAR(255) NOT NULL,Answer_Text TEXT NOT NULL,Category_ID INT NOT NULL,Created_At TIMESTAMP DEFAULT CURRENT_TIMESTAMP,Updated_At TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,PRIMARY KEY (FAQ_ID),KEY idx_faq_category (Category_ID),CONSTRAINT fk_faq_category FOREIGN KEY (Category_ID) REFERENCES Category(Category_ID));CREATE TABLE Entity (Entity_ID INT NOT NULL AUTO_INCREMENT,Entity_Name_CN VARCHAR(200) NOT NULL,Entity_Name_EN VARCHAR(200) NOT NULL,Entity_Type VARCHAR(50) NOT NULL,PRIMARY KEY (Entity_ID));CREATE TABLE Question_Entity (Question_Entity_ID INT NOT NULL AUTO_INCREMENT,FAQ_ID INT NOT NULL,Entity_ID INT NOT NULL,PRIMARY KEY (Question_Entity_ID),KEY idx_qe_faq (FAQ_ID),KEY idx_qe_entity (Entity_ID),CONSTRAINT fk_qe_faq FOREIGN KEY (FAQ_ID) REFERENCES FAQ(FAQ_ID) ON DELETE CASCADE,CONSTRAINT fk_qe_entity FOREIGN KEY (Entity_ID) REFERENCES Entity(Entity_ID));CREATE TABLE Answer_Entity (Answer_Entity_ID INT NOT NULL AUTO_INCREMENT,FAQ_ID INT NOT NULL,Entity_ID INT NOT NULL,PRIMARY KEY (Answer_Entity_ID),KEY idx_ae_faq (FAQ_ID),KEY idx_ae_entity (Entity_ID),CONSTRAINT fk_ae_faq FOREIGN KEY (FAQ_ID) REFERENCES FAQ(FAQ_ID) ON DELETE CASCADE,CONSTRAINT fk_ae_entity FOREIGN KEY (Entity_ID) REFERENCES Entity(Entity_ID));CREATE TABLE KG_Node (KG_Node_ID INT NOT NULL AUTO_INCREMENT,Node_Label_CN VARCHAR(200) NOT NULL,Node_Label_EN VARCHAR(200) NOT NULL,PRIMARY KEY (KG_Node_ID));CREATE TABLE KG_Edge (KG_Edge_ID INT NOT NULL AUTO_INCREMENT,Source_Node_ID INT NOT NULL,Target_Node_ID INT NOT NULL,Relation_Type_CN VARCHAR(100) NOT NULL,Relation_Type_EN VARCHAR(100) NOT NULL,PRIMARY KEY (KG_Edge_ID),KEY idx_edge_source (Source_Node_ID),KEY idx_edge_target (Target_Node_ID),CONSTRAINT fk_edge_source FOREIGN KEY (Source_Node_ID) REFERENCES KG_Node(KG_Node_ID),CONSTRAINT fk_edge_target FOREIGN KEY (Target_Node_ID) REFERENCES KG_Node(KG_Node_ID));CREATE TABLE UserSession (Session_ID INT NOT NULL AUTO_INCREMENT,User_ID INT NULL,Start_Time TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,End_Time TIMESTAMP NULL DEFAULT NULL,PRIMARY KEY (Session_ID),KEY idx_user (User_ID));CREATE TABLE Feedback (Feedback_ID INT NOT NULL AUTO_INCREMENT,Session_ID INT NOT NULL,Question_Text VARCHAR(255) NOT NULL,Answer_Text TEXT NOT NULL,Rating TINYINT(1) NOT NULL CHECK (Rating BETWEEN 1 AND 5),Comment VARCHAR(500) NULL,PRIMARY KEY (Feedback_ID),KEY idx_feedback_session (Session_ID),CONSTRAINT fk_feedback_session FOREIGN KEY (Session_ID) REFERENCES UserSession(Session_ID));CREATE TABLE Model_Version (Model_Version_ID INT NOT NULL AUTO_INCREMENT,Model_Name_CN VARCHAR(100) NOT NULL,Model_Name_EN VARCHAR(100) NOT NULL,Version_Number VARCHAR(20) NOT NULL,Created_At TIMESTAMP DEFAULT CURRENT_TIMESTAMP,PRIMARY KEY (Model_Version_ID));下方名片联系我即可~大家点赞、收藏、关注、评论啦 、查看下方获取联系方式