ansible从节点windows拉取文件到控制节点linux系统

从 Windows 受控节点将文件拉取到 Ansible 控制节点(Linux 系统)可以通过 `win_copy` 模块实现。Ansible 提供了对 Windows 的支持,使用 SMB 或 WinRM 协议进行通信。 ### 1. 前提条件 - Windows 受控节点需启用 WinRM 并配置好防火墙。 - Ansible 控制节点需安装 `pywinrm` 包以支持与 Windows 的通信。 - 在主机清单中正确配置 Windows 节点的连接参数,例如: ```ini [windows] 192.168.1.100 ansible_connection=winrm ansible_winrm_transport=basic ``` ### 2. 使用 `win_copy` 模块拉取文件 以下是一个 Playbook 示例,用于从 Windows 节点复制文件到 Linux 控制节点: ```yaml - name: Copy file from Windows to Linux control machine hosts: windows gather_facts: no tasks: - name: Fetch file from Windows remote host win_copy: src: C:\path\to\remote\file.txt dest: /tmp/file.txt ``` 在该示例中: - `src` 表示 Windows 上源文件路径。 - `dest` 表示 Linux 控制节点上的目标路径。 执行命令如下: ```bash ansible-playbook fetch_file.yml ``` ### 3. 验证文件是否成功传输 可以使用 `stat` 模块或直接通过 shell 查看文件是否存在: ```yaml - name: Check if the file exists on the control machine stat: path: /tmp/file.txt register: file_stat - name: Print file existence status debug: msg: "File exists? {{ file_stat.stat.exists }}" ``` ### 4. 注意事项 - 确保 Windows 主机上共享目录具有适当的权限。 - 若使用非默认用户,需在任务中指定 `ansible_user` 和 `ansible_password`。 - 文件路径应使用绝对路径,并注意不同系统的路径分隔符差异。

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

python通过Windows下远程控制Linux系统

python通过Windows下远程控制Linux系统

一、学习目标 【通过Windows下远程控制Linux系统实现对socket模块认识】 二、实验环境 Windows下(模拟客户端 [ IP:192.168.43.87 ] ):python3.6 Linux下(模拟服务端 [ IP:192.168.43.226 ] ):python2.7 三、前提条件 两者能够ping通 服务端关闭防火墙,selinux 四、代码 服务端代码(server.py): #!/usr/bin/env python #coding:utf-8 import socket import os HOST = "192.168.43.226" PORT = 50

论文复现风光制氢合成氨系统优化研究(Python代码实现)

论文复现风光制氢合成氨系统优化研究(Python代码实现)

内容概要:本文系统解读了一套完整的多机器人路径规划(MAPF)MATLAB代码库,重点剖析了基于优先级规划的求解框架。该框架采用四层架构设计,涵盖地图解析、拓扑构建、路径规划与冲突消解、可视化呈现等环节,核心思想是将空间规划与时间同步分离处理。通过动态边权膨胀、节点预留历史、几何惩罚驱动的局部同步等关键技术,有效提升路径规划的效率与可行性,并支持多种同步策略以适应不同应用场景。文章深入分析了Petri网建模、冲突类型处理及算法性能优化等关键设计,旨在为MAPF领域的研究与教学提供一份可复现、可扩展且具备工程实践价值的技术参考。; 适合人群:具备一定算法基础和MATLAB编程经验,从事路径规划、机器人调度、智能交通、自动化仓储等相关领域的科研人员及研究生。; 使用场景及目标:① 学习多机器人路径规划的基本流程与模块化工程实现方法;② 掌握优先级规划、冲突消解、时间同步等核心技术的设计原理与实现细节;③ 借鉴其架构思想与优化策略,应用于仓储物流、无人机编队、自动驾驶等实际系统的仿真与开发; 阅读建议:建议结合文中提供的MATLAB代码与MovingAI标准地图数据进行实践操作,重点关注各模块之间的接口设计与冲突处理逻辑,可通过调整启发式策略、惩罚权重和同步方式来观察算法性能变化,深入理解“规划-消解”分离架构的优势与局限。

2,Ansible控制节点和被管理主机

2,Ansible控制节点和被管理主机

第二节

Docker-Compose-Ansible-Control-Node:Docker组成一个Ansible控制节点,其支持程序包用于管理Linux和Windows服务器

Docker-Compose-Ansible-Control-Node:Docker组成一个Ansible控制节点,其支持程序包用于管理Linux和Windows服务器

项目详情 标题 Dockercompose创建一个Ansible控制节点,其支持包用于管理Linux和Windows服务器 描述 模板化的Dockercompose文件可创建一个映像,该映像可用作支持Linux和Windows服务器的Ansible控制节点。 Linux要求包括基于密码的身份验证。 Windows要求包括使用CredSSP身份验证的WinRM。 此外,还有一些软件包使Azure可以用作动态清单。 图片内容 Ubuntu 20.04 LTS Ansible 2.9 sshpass用于Linux主机的密码验证 pywinrm和pywinrm [credssp]用于Windows主机的密码身份验证 常见Windows模块的Ansible集合(例如community.windows.win_iis_webapplication) 常见Azure模块的Ansible集合(例如,

ansible管理windows实践

ansible管理windows实践

ansible管理windows实践,ansible管理windows实践,ansible管理windows实践,

SVN安装+拉取代码.mov.zip

SVN安装+拉取代码.mov.zip

SVN安装+拉取代码

Windows和Linux双系统的用户如何卸载Linux

Windows和Linux双系统的用户如何卸载Linux

解决双系统卸载Linux的问题,里面有详细的步骤和方法,希望对大家有用

Linux 和Windows的文件系统有些不同

Linux 和Windows的文件系统有些不同

Linux 和Windows的文件系统有些不同,在学习使用 Linux 之前,若能够了解这些不同,会有助于后续学习。   本文先对Windows和 Linux 上面文件系统原理、组织概念进行区分,并给出例子、列举两者的优缺点以具体说明,最后较为详细地介绍了 Linux 系统的目录结构。

利用git从github上拉取项目

利用git从github上拉取项目

利用git从github上拉取项目 1、git安装获取 2、git bash使用 3、配置用户名、密码,生成密钥文件 4、clone git资源 5、pull git资源 6、详细样例

gitlab常用拉取命令及使用文档

gitlab常用拉取命令及使用文档

包含git安装包 git常用方法和命令

基于vlc的网络视频流拉取和播放

基于vlc的网络视频流拉取和播放

1.基于vlc的网络视频流拉取和播放 2.包含非常详细的操作文档和源码

windows下上传文件到linux 的方法

windows下上传文件到linux 的方法

windows下上传文件到linux 的方法

ansible-reboot-windows:向Windows用户发出警告然后重新启动的Ansible作业

ansible-reboot-windows:向Windows用户发出警告然后重新启动的Ansible作业

ansible-重新启动窗口 Ansible作业,向Windows用户发出警告,然后重新启动

pullp:适用于Mac,Linux和Windows的Github拉取请求监视工具

pullp:适用于Mac,Linux和Windows的Github拉取请求监视工具

拉普 Pullp是一种工具,可帮助您管理Github存储库中的拉取请求和审阅,适用于Mac,Linux和Windows。 交互式仪表板显示了所选存储库的所有未完成的提取请求,并突出显示了请求进行审查的位置。 此信息每分钟都会与Github同步! 为了帮助您跟踪事物,Pullp具有可配置的桌面通知,以使您始终处于循环状态。 是否想了解有关特定存储库中的拉取请求的更多信息? 选择存储库将显示每个拉取请求的完整摘要,包括所有请求的审阅者和提交的审阅。 如果您需要采取任何措施,只需单击即可直接转到Github中的拉取请求。 您还会看到五个最近关闭的拉取请求: 是否要更改Pullp通知您更改的方式? 在设置屏幕上,您可以切换许多不同的选项: Pullp是使用React构建的电子应用程序。 :high_voltage: 入门 下载并安装。 您需要MacOS的.dmg文件或Linux的.AppImage文件 开启应用程式 在MacOS上,如果您的安全设置阻止您打开应用程序,请右键单击它,然后选择“打开”。 然后,您可以在打开的警告对话框中单击“打开”。 按照屏幕上的说明使用Githu

解决idea 拉取代码出现的 “ Сannot Run Git Cannot identify version of git executable: no response“的问题

解决idea 拉取代码出现的 “ Сannot Run Git Cannot identify version of git executable: no response“的问题

主要介绍了解决idea 拉取代码出现的 “ Сannot Run Git Cannot identify version of git executable: no response“的问题,需要的朋友可以参考下

Linux与Windows双系统硬盘资源互访

Linux与Windows双系统硬盘资源互访

个人电脑用户中许多人都使用Windows系统,但也安装了Linux系统,因此如何在Linux或Windows中实现硬盘资源互访就显得非常重要。文中介绍了如何在Linux下访问Windows硬盘分区和在Windows下访问Linux硬盘分区。

Ansible控制机

Ansible控制机

Ansible控制机

Windows 和 Linux之间传递文件

Windows 和 Linux之间传递文件

在Windows系统上安装Xshell,用Xshell可以用来共享当前Windows和连接的Linux文件,这种方式有一个缺点就是一次只允许传输一个文件。

Paragon ExtFS for Windows,Windows 下读取 Linux 系统文件 神器

Paragon ExtFS for Windows,Windows 下读取 Linux 系统文件 神器

Windows 下读取 Linux 系统文件 神器 Paragon ExtFS for Windows 很好用。我主要用来更新sd卡里的uboot和linux内核。

如何实现Linux与windows文件互传

如何实现Linux与windows文件互传

本文讲述了在Linux主机与windows主机之间如何互传文件的方法。因为有时linux主机中的一些文件可能会在windows环境下用到。例如在linux主机中抓了一些图片,想把它们传到windows主机上以作为 word文档的插图。又或者从Windows主机上网,下载了一些linux的软件包,想传到linux主机中安装。在这些情况下,都需要一种方法来进行两者之间的互通。本文采用ftp方式来传送文件,软件采用Serv-U。在widows主机下安装Serv-U,使其成为ftp服务器,在linux主机下通过ftp命令来上传和下载文件。经过试验,可以很好的满足需求。

最新推荐最新推荐

recommend-type

台球王者_3.55.0.rar

台球王者_3.55.0.rar
recommend-type

YOLO26算法道路井盖目标检测+训练好的模型+100张数据集+pyqt可视化界面.zip

附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[损坏(Bad), 完好(Good)] · 训练集:70 张 · 验证集:20 张 · 测试集:10 张 · 总计:100 张 道路井盖目标检测数据集... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 57 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.3065** mAP50-95 | 0.1539 Precision | 0.4684 Recall | 0.3167 train/box_loss | 1.0723 train/cls_loss | 1.7226 val/box_loss | 1.7729 val/cls_loss | 4.0489 【训练过程分析】 本轮完整训练到 57 个 epoch(早停于 57):train/box_loss 由 1.4 降至 1.07226、train/cls_loss 自 7 压到 1.7226,训练侧持续下降;但验证侧波动显著——val/cls_loss 在 4~14 间震荡、val/box_loss 1.3~2.3 反复,mAP50 在 25 epoch 后才勉强爬到 0.3、且未进入平台,整体训练不稳定、欠收敛。recall 在前 25 epoch 较高随后一路走低,说明模型对 Good/Bad 的区分度并不稳。 【模型性能评估】 最终指标:mAP50 = 0.3065、mAP50-95 ... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。
recommend-type

5种粮食害虫数据集4493张VOC+YOLO格式(已增强).zip

数据集格式:VOC格式+YOLO格式 压缩包内含:3个文件夹,分别存储图片、xml、txt文件 JPEGImages文件夹中jpg图片总计:4493 Annotations文件夹中xml文件总计:4493 labels文件夹中txt文件总计:4493 标签种类数:5 标签名称:["0","1","2","3","4"] 每个标签的框数(注意yolo格式类别顺序不和这个对应,而以labels文件夹classes.txt为准): 0 框数 = 12615(锈赤扁谷盗) 1 框数 = 10205(烟草甲) 2 框数 = 12430(锯谷盗) 3 框数 = 11851(米象) 4 框数 = 15956(赤拟谷盗) 总框数:63057 图片清晰度(分辨率:像素):清晰 图片是否增强:是 github仓库位置:datasets_sl 标签形状:矩形框,用于目标检测识别 重要说明:暂无 特别声明:本数据集不对训练的模型或者权重文件精度作任何保证,数据集只提供准确且合理标注
recommend-type

linux-wifibt-test

linux-wifibt-test
recommend-type

Delphi 13.2控件之RADStudio-13-2-37-0-60952-8797-KeyPatch.exe

Delphi 13.2控件之RADStudio-13-2-37-0-60952-8797-KeyPatch.exe
recommend-type

第11章:自然语言处理中的正文数据预处理与代码实现

在自然语言处理(NLP)领域中,“第11章 正文数据和代码”这一标题所涵盖的知识体系极为关键且具有承上启下的结构性意义。它并非孤立的技术模块,而是NLP工程化落地过程中连接理论建模与实际系统部署的核心枢纽。本章聚焦于“正文数据”(即原始文本语料中去除元信息、格式标记、非主体内容后的纯净可计算文本流)与“代码”(指支撑正文数据预处理、特征提取、模型训练、评估与推理的完整可复现程序实现)之间的深度耦合关系,强调数据形态定义、质量管控、结构化表示、版本治理与代码逻辑一致性四维协同。 首先,“正文数据”在NLP中远不止是字符串集合。它需满足严格的语义完整性、上下文连贯性、标注一致性与领域适配性。例如,在新闻摘要任务中,“正文”须排除标题、作者署名、广告插件、HTML标签、页眉页脚等干扰项;在法律文书分析中,则需保留条款编号、引用关系、修订标记等结构化语义单元。本章深入剖析正文数据的多层级抽象:字符层(Unicode规范化、控制符清洗、全半角统一)、词元层(分词策略选择——基于规则/统计/预训练模型的差异,如jieba vs. LTP vs. BertTokenizer)、句法层(依存句法树与成分句法树对正文切分粒度的影响)、篇章层(段落边界识别、话题连贯性建模、指代消解所需的跨句上下文建模)。尤为关键的是,正文数据必须建立可追溯的数据谱系(Data Lineage),记录其来源、采样方法、清洗规则、脱敏策略及时间戳,以支撑后续模型偏差归因与合规审计。 其次,“代码”在此语境下绝非简单脚本,而是构成NLP流水线(Pipeline)的工业级软件资产。本章系统阐述正文数据驱动的代码设计范式:从数据加载器(DataLoader)的内存映射优化与流式读取机制,到动态批处理(Dynamic Batching)中依据句子长度自适应填充与截断的实现细节;从多进程预处理中的共享内存管理与锁竞争规避,到分布式训练场景下正文数据的分片一致性哈希与容错重传机制。代码还涵盖正则表达式引擎的高效文本清洗(如邮箱、手机号、URL的精准识别与掩码)、基于spaCy或StanfordNLP的实体链接与标准化、利用Sentence-BERT进行正文语义去重的向量化比对算法实现,以及针对低资源语言正文的无监督分词与子词合并(BPE/WordPiece)代码封装。所有代码均遵循PEP 8规范,并强制集成pytest单元测试(覆盖边界案例:空行处理、乱码跳过、嵌套XML标签解析失败回退)、MyPy类型注解(确保token_ids、attention_mask、position_ids张量维度契约)、DVC(Data Version Control)数据版本绑定与MLflow实验追踪,实现“一次编写、处处复现、全程可验”。 更进一步,本章揭示正文数据与代码间的反馈闭环机制:模型在验证集上的性能衰减常源于正文数据分布偏移(Distribution Shift),此时代码需触发自动数据诊断模块——通过KL散度计算训练/生产正文词频分布差异、利用UMAP可视化正文嵌入空间漂移、调用SHAP值定位导致预测错误的关键正文片段。相应地,代码需支持增量式正文数据注入(Incremental Data Ingestion),在不中断服务前提下热更新词汇表、动态扩展命名实体类型体系,并通过ONNX Runtime将PyTorch正文编码器导出为跨平台推理引擎。此外,针对隐私敏感场景,代码内嵌差分隐私正文扰动(如DP-SGD在文本嵌入层添加高斯噪声)、联邦学习框架下各节点仅交换加密梯度而非原始正文,确保数据主权与模型效能的双重保障。 综上所述,“第11章 正文数据和代码”实质构建了NLP系统的“数字基座”:正文数据是燃料,代码是引擎,二者通过严谨的接口契约(如Hugging Face Datasets的Arrow内存格式、Apache Beam的PCollection抽象)、持续集成流水线(CI/CD for NLP)及MLOps监控看板(跟踪正文吞吐量、词典覆盖率、OOV率、GPU显存占用率)深度融合。掌握本章内容,意味着具备从海量异构文本中提炼高信噪比正文、设计鲁棒可扩展处理代码、并构建可持续演进NLP系统的全栈能力——这正是当前大模型时代下,区别于调包工程师与真正NLP架构师的核心分水岭。
recommend-type

从GitHub Trending看智能体工程化与业务落地:多智能体协同、流式接口封装与行为审计

## 1. 从本周 Trending 榜看智能体的风向变了 这周的 GitHub Trending 榜单我翻了三遍,最大的感受就一句话:**智能体这个赛道,正在从“炫技期”切换到“交活期”**。前两年大家比的是谁的 Demo 更惊艳、谁的推理链路更花哨,现在榜单上冒头的项目,清一色在解决工程化和业务落地的问题——怎么把智能体塞进真实业务流程、怎么让多智能体稳定协同、怎么给智能体的行为做审计、怎么把流式接口封装得让前端好接。这些词放在一起,指向一个很明确的信号:**智能体不再是实验室里的玩具,而是要进生产环境干活了**。 我自己从去年开始陆续做过几个智能体项目,从最早的纯 Prompt 拼装
recommend-type

GitHub Copilot 本身能直接上传代码文件到仓库吗?

### GitHub Copilot 功能概述 GitHub Copilot 并不是一个专门用于上传文件的工具,而是一个基于人工智能的辅助编程工具[^1]。它的主要功能在于为开发者提供实时的代码建议、自动补全以及逻辑推导能力。然而,在实际开发过程中,如果需要将代码文件上传至 GitHub,则可以通过 Git 命令或其他工具实现。 以下是关于如何通过常规方式上传文件到 GitHub 的说明: #### 使用 Git 工具上传文件 Git 是一种分布式版本控制系统,可以用来管理和上传代码文件到 GitHub。具体操作如下: - 首先初始化本地仓库并添加文件: ```bash gi
recommend-type

Python网页爬虫与自动化办公实践:基于urllib3、BeautifulSoup和Pandas的表格抓取、数据分析与可视化

Python日常编程助手最佳实践项目,是一个高度集成、面向真实工作场景的综合性自动化开发实践体系,其核心目标是通过系统化整合网络数据采集、结构化信息提取、批量资源处理、数据分析建模与可视化呈现等关键环节,构建一套可复用、可扩展、可教学的工程化Python解决方案。该项目虽在压缩包名称末尾标注“毕业设计课题——图书管理系统”,但实质内容远超单一图书管理范畴,而是以“网页文档爬取→表格抓取→数据分析→图片批量下载→自动化办公→数据可视化图表生成”为完整技术动线,深度融合urllib3(高性能HTTP客户端库)、BeautifulSoup4(BS4,HTML/XML解析利器)与pandas(数据分析与结构化处理核心库)三大支柱性工具,形成覆盖Web端数据获取到决策支持输出的全栈式Python生产力闭环。 首先,在网页文档爬取层面,项目摒弃了简单调用requests的初级做法,转而采用urllib3——该库具备连接池复用、线程安全、SSL/TLS精细控制、重试策略配置、代理支持及响应流式读取等工业级特性,显著提升高并发爬取稳定性与抗反爬韧性。配合BS4对HTML DOM树的深度解析能力,项目实现了对动态渲染弱、静态结构清晰的目标网站(如高校图书馆公开书目页、政府公开数据门户、企业产品文档中心等)的精准定位:不仅支持基于CSS选择器(select())、标签名(find_all('table'))、属性过滤(find(attrs={'class': 'book-list'}))等多维路径导航,更嵌入了容错解析机制(如自动修复破损HTML、编码智能检测与转换、空节点跳过逻辑),确保在网页源码存在版本迭代或局部结构调整时仍能稳健提取关键字段。 其次,在表格抓取环节,项目突破传统“仅提取HTML表格”的局限,构建了跨格式统一处理管道:既支持BS4原生解析<table>标签并转换为pandas DataFrame,也兼容PDF文档中嵌入表格的OCR辅助识别(通过附赠资源.docx中提及的PyPDF2+pdfplumber组合方案),还可对接Excel在线链接(.xlsx/.csv)直读。所有表格经pandas清洗后,统一执行缺失值插补(均值/众数/前向填充)、重复行去重、列类型强制转换(如字符串日期→datetime64)、多表关联合并(merge/join)、分组聚合统计(groupby.agg)等标准化操作,为后续分析奠定高质量数据基础。 第三,图片批量下载模块并非简单循环get()保存,而是集成异步I/O优化(aiohttp协同urllib3)、文件名语义化重命名(依据alt文本/父级标题/URL路径结构生成中文可读名)、目录层级自动创建(按网站域名+栏目路径映射本地文件夹)、断点续传校验(ETag/Last-Modified比对+MD5完整性验证)、分辨率筛选与缩略图生成(Pillow后处理),极大适配图书封面采集、学术论文插图归档、电商商品图谱构建等典型需求。 在自动化办公维度,项目封装了Excel报表自动生成(openpyxl写入样式/公式/图表)、邮件批量发送(smtplib+email构建带附件/HTML正文模板)、Word文档动态填充(python-docx替换占位符)、Windows/macOS定时任务注册(APScheduler+系统crontab/Task Scheduler桥接),真正实现“一次配置、长期值守”。 最后,数据可视化部分超越matplotlib基础绘图,深度整合seaborn统计图谱、plotly交互式仪表盘(支持导出HTML离线浏览)、pyecharts国产化大屏方案,并内置主题配色引擎与响应式布局适配逻辑,可一键生成借阅热度热力图、图书分类占比环形图、年度借阅趋势折线图、馆藏分布地理散点图等专业图表,直接服务于图书管理系统中的管理看板与决策报告。 整个项目代码结构遵循PEP 8规范,模块职责清晰:network/目录封装HTTP会话管理与异常重试;parser/实现多源解析器抽象基类与具体子类;storage/统一本地/云存储接口;analysis/承载pandas流水线与统计模型;viz/组织图表工厂与模板引擎;cli/提供命令行交互入口。说明文件.txt详述环境配置(Python 3.9+、依赖版本锁文件requirements.txt)、运行流程(从URL列表加载→解析规则配置→任务调度→结果导出)、安全须知(robots.txt遵从、User-Agent轮换、请求间隔控制);python-tips-main为配套技巧库,涵盖正则表达式高效匹配ISBN号、XPath与CSS选择器性能对比、pandas内存优化技巧(category类型/astype优化)、大文件流式处理模式;附赠资源.docx则补充了毕业设计落地指南:如何将本项目模块嫁接到图书管理系统中(如将爬取的豆瓣图书API数据作为馆藏元数据补充源,将借阅分析图表嵌入管理员后台),并提供开题报告框架、答辩PPT逻辑链、查重降重建议及扩展方向(接入LangChain做图书摘要生成、用FastAPI封装为微服务API)。该项目不仅是技能训练载体,更是理解现代Python工程化思维——模块解耦、关注点分离、配置驱动、可观测性设计——的绝佳范本,全面赋能开发者从“写脚本”跃迁至“构系统”的职业进阶。
recommend-type

用Git+Markdown+静态站点生成器,打造高效在线课程教材

做课程文档项目的时候,我越来越倾向于用“coursebook”这种以Git仓库为核心的方案来管理整套课程材料。不是因为它新潮,而是因为它实实在在地解决了我过去用Word、用网盘、用Wiki维护课件时遇到的种种糟心事。这套模式把课程大纲、讲义、实验手册、参考资料全部以纯文本Markdown的形式组织起来,配合静态站点生成工具渲染成一本结构完整的在线教材,再由Git负责版本管理和多人协作。我最初接手这类项目只是为了给自己带的几门课整理出一份统一的电子教材,后来发现它完全可以作为团队级课程内容平台来运作,从单一课程扩展到系列课、微专业甚至全院的培养方案都适用。 这篇文章就围绕“coursebook