从数据到行为的可控暴露:SAP RAP 中的 BO Projection 与 BO Interface 全面实践指南

这是一篇面向生产落地的技术长文,系统梳理 ABAP RAP 中的 BO Projection 与 BO Interface 的定位、语义与实现方式,串起 CDS 数据模型、Behavior 定义、EML 消费、命名规范与常见项目场景,配以可运行/可移植的示例与排错提示,帮助你在复杂企业项目里稳定落地。


一、为什么在 RAP 里要用 BO Projection 与 BO Interface

在 ABAP RESTful Application Programming Model(简称 RAP)中,消费一个 Business Object(简称 BO)的标准途径只有两类:其一是通过 Business Service(例如为 SAP Fiori 应用暴露的 OData UI Service),其二是通过 ABAP 代码里的 Entity Manipulation Language(简称 EML)。出于稳定性与封装性考虑,RAP 并不鼓励直接暴露 BO 本体给外部消费者,而是要求:

  • 面向服务(UI 或 API)的访问,经由 BO Projection;
  • 面向 ABAP 代码通过 EML 的访问,经由 BO Interface。 (
五色五音的诱惑,与 SAP RAP 开发里的克制之道 摘要(149字) RAP项目常陷入功能堆砌的陷阱,业务方追求"全能对象",开发团队沉迷语法糖,导致系统臃肿难维护。这恰如老子所言"五色令人目盲"——过度装饰反而模糊业务本质。SAP官方文档强调RAP应聚焦事务型业务核心,通过分层设计(CDS实体/行为定义/服务绑定)保持清晰边界。实践中需克制:UI注解应收敛于元数据扩展,校验逻辑集中处理,避免分散触发;托管模式优先,减少手工事务代码。真正的优雅不在于功能叠加,而在于精准匹配业务场景,让每个技术决策都服务明确的业务语义, 阅读详情

相关推荐

把 RAP 行为定义讲清楚:Implementation Type 从 managed 到 interface 的落地选择指南

SAP RAP开发中业务对象实现类型的选择与影响 摘要:在SAP ABAP现代化开发中,RAP框架的业务对象实现类型(Implementation Type)选择直接影响架构设计和交付效率。文章深入分析了五种实现类型的特点: managed:框架托管事务缓冲和标准操作,适合全新开发(greenfield)场景 unmanaged:开发者自行实现事务逻辑,适用于复用既有业务逻辑(brownfield)的情况 projection:基于已有BO创建服务特定的行为投影,适配不同消费场景 abstract:主要用于

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 828

RAP 中的 ABAP CDS Transactional Interface:用稳定的事务接口,做出符合 Clean Core 的可扩展设计

摘要:本文探讨了SAP S/4HANA开发中的CDS事务接口(Transactional Interface)在实现稳定扩展中的关键作用。作为CDS Projection View的一种特殊类型,该接口通过provider contract transactional_interface明确界定系统边界,为RAP业务对象提供稳定的公共访问面。文章分析了其分层定位(介于数据模型与消费层之间)、语法特征及功能限制(如投影元素、关联暴露和条件过滤),并强调其通过C1/C0发布合约实现升级安全扩展。通过设备维保案例

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1280

把 RAP 行为定义写成可执行的业务契约:RAP BDL 与五类 Behavior Definition 的实战拆解

摘要:SAP RAP中的Behavior Definition(BDEF)是业务对象的核心契约,定义了数据操作规则和业务逻辑。文章详细解析了BDEF的五种实现类型:managed(框架处理标准事务)、unmanaged(复用现有逻辑)、interface(稳定API契约)、projection(服务边界层)和abstract(复杂参数类型)。重点对比了managed和unmanaged的应用场景,前者适合全新开发,后者适合集成遗留系统。通过设备巡检案例展示了managed BDEF的设计要点,并强调BDEF

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 713

在 RAP 里打造可升级的 Business Object Interface:用 transactional_interface 把稳定性和演进能力同时握在手

本文探讨了SAP RAP中Business Object Interface的设计价值与技术实现。接口层通过CDS投影视图和接口行为定义,将业务对象的稳定契约与可变实现解耦,支持多版本接口以适应不同消费场景。文章详细解析了接口层的技术构成、发布策略和扩展机制,强调其作为"Clean Core"中最经济的稳定性保障层,既能满足API消费方的稳定需求,又允许底层业务对象持续优化演进。通过具体代码示例展示了如何定义事务性接口投影和行为接口,并指出接口层在SAP技术栈中的定位——作为本地API和

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1921

在 SAP RAP Fiori Elements 里用 Domain Fixed Values 做 Value Help

摘要:在RAP开发Fiori Elements应用时,状态字段等固定值推荐使用ABAP Domain的固定值范围(Domain Value Range)管理,而非单独建表。通过创建CDS View读取DD07L/DD07T表数据作为Value Help提供者,并在Projection View中通过@Consumption.valueHelpDefinition注解绑定,可实现轻量化的值帮助功能。这种方法避免了冗余配置表,同时确保字段取值约束和多语言支持,适合状态码等稳定的枚举型字段。 核心步骤: 在Dom

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 746

脚不离地,心不自满,老子这句话落到 SAP RAP 开发里的工程修养

摘要:老子"企者不立,跨者不行"的智慧在SAP RAP开发中尤为适用。RAP开发的核心挑战不在于实现基础功能,而在于构建长期可持续的业务对象架构。开发者需避免三大误区:过度追求短期速度而忽视分层设计(企者不立);跨越架构层级处理业务逻辑(跨者不行);固执己见导致模型僵化(自见者不明)。RAP的价值在于其分层体系:CDS负责数据建模,behavior定义声明能力,实现类处理特殊逻辑,projection面向消费场景。遵循这些原则,才能构建出既满足当前需求又具备扩展性的业务对象,避免陷入短期

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1356

功成以后让模型退到边界之内,SAP CDS View 开发里的「功遂身退」

摘要:本文以《道德经》"功遂身退"思想为引,探讨SAP CDS View开发中的建模边界问题。CDS View的"功"在于建立可复用的数据模型,其"退"则体现在不越界处理UI逻辑等上层职责。文章指出健康的分层架构应让底层表达业务事实、中层处理组合关系、上层适配服务契约,各层完成本职后即退回边界。同时强调association应表达而非滥用关系,annotation需传递语义而非固化展示逻辑。这种"成其功而不恋其位"的开发哲学,能

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1313

SAP-ABAP-1,ABAP 世界里的专用基础模型,正在改变老代码理解方式

本文探讨了SAP-ABAP-1模型在老ABAP系统改造中的价值定位。文章指出,企业SAP系统面临的核心挑战不是代码缺失,而是缺乏能快速理解复杂遗留代码的人才。SAP-ABAP-1作为SAP专为ABAP生态构建的基础模型,其独特价值在于深度理解ABAP代码背后的业务语境和技术演进历史,而非仅提供语法解释。该模型特别适合code-to-text场景,能帮助开发人员快速理解老代码的业务意图,为S/4HANA迁移、Clean Core治理等工作提供初步分析。文章强调,该模型并非替代开发人员,而是通过结构化解释提升代

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 7971

让 Claude Code 和 ABAP 系统真正协作起来,Model Context Protocol Tools 在 ABAP 开发里的落地方式

ABAP开发工具链中引入Model Context Protocol(MCP)标志着AI辅助开发的重要转变。MCP作为开放标准,允许AI应用安全接入ABAP系统能力,使AI助手不再仅限于代码解释和模板生成,而能实际参与开发流程。通过ADT MCP Server,AI agent可调用包括对象创建、测试执行、对象激活等开发工具,但需遵循系统权限、校验机制和审批流程的约束。关键工具如ABAP Server Destinations确定目标系统,Object Creation工具则通过schema驱动方式确保创建

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1965

给 ABAP Agent 戴上安全帽,Agent Configuration 在 SAP 开发里的正确打开方式

摘要 ABAP开发正迎来AI赋能的重大变革,开发者开始将VS Code与多种AI编程助手(如Claude Code、Gemini Code Assist等)通过MCP服务器深度集成。不同于以往的代码补全,新一代AI代理可以直接执行创建类、运行单元测试、调整源码等完整开发流程,成为"虚拟初级开发"。 这种转变要求开发者必须为AI代理配置严格的工作规范(通过agents.md文件),明确: 系统边界(Cloud/On-Premise环境差异) 开发约束(Clean Core原则、命名规范等) 操作权限(MCP工

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 818

ADT for VS Code 的 MCP Server 为什么还不能直接读取已有 ABAP 对象源码,答案藏在 SAP 对风险边界的控制里

文章摘要: 本文深入探讨了SAP ABAP开发工具与AI代码助手(如Claude Code)集成时面临的源码读取问题。核心痛点在于,虽然技术上可通过MCP协议连接ABAP系统,但SAP官方VS Code扩展并未开放完整的源码读取能力。这主要源于企业级安全考量:ABAP对象包含业务逻辑、权限控制等敏感信息,直接暴露存在数据外流风险。当前ADT for VS Code更聚焦ABAP Cloud开发场景,而非全面复刻传统SE80功能。文章指出,源码读取不仅是技术实现问题,更是需要平衡开发效率与系统安全的架构决策,

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 791

SAP HANA 上的 CDS View 性能暗坑,LOCALE 让 HEX 失效,大 IN 条件让 CPU 被 SQL 编译拖垮

生产系统里的 HANA CPU 飙高,很多时候并不是某个开发人员写了一段明显很差的 SQL。更麻烦的情况是,ABAP 代码看起来很干净,CDS View 也能正常返回数据,Fiori 页面没有报错,单元测试也全部通过,但一到真实业务高峰,数据库 CPU 就开始抖动,SQL Plan Cache 里出现一批看似普通、实际非常耗资源的语句。这类问题在 SAP S/4HANA 项目里并不少见。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1514

官方 ADT MCP Server 为什么还不像一个完整的 ABAP Repository 读取网关

SAP ABAP开发工具在VS Code中缺失源码直接读取功能,反映了其产品边界的设计选择。技术层面ADT后端完全具备该能力,但官方MCP Server未将其定位为完整的远程文件系统,而是聚焦于ABAP Cloud开发场景下的创建、编辑和变更流程。这种设计差异源于企业级安全考量——在AI Agent时代,开放任意源码读取可能引发核心业务逻辑泄露风险。当前实现更侧重受控开发动作,而非系统级代码考古,体现了SAP在开发者效率与企业安全之间的权衡。社区方案虽已证明技术可行性,但官方产品需要更完善的安全审计和权限控

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 2975

chrome-win64-159.0.8145.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chrome-headless-shell-win64-157.0.8103.38(Stable).zip

Chrome for Testing 官方指定版本的 Chrome 浏览器、ChromeDriver 与 Headless Shell 压缩包,适用于 Selenium、Playwright 等自动化测试环境搭建,覆盖 Windows、macOS、Linux 多平台,解压即可使用,无需额外安装或配置。

相衬成像介绍

相衬成像介绍

qq_41981768的博客 2918

new delete 详解

常规的new 和 delete 当需要内存时,可以使用new申请内存,但在用完内存时应当使用delete 去归还内存,以防止内存泄漏,具体使用方案见下面代码: int* ps = new int ; // 使用new 申明变量空间 ... ... delete ps ; '// delete 删除所申明的变量空间 上述代码将删除ps 指针指向的内存空间,但不会删除指针本身,即仍然可以使用该指针去指向其他int 类型的变量。new 和 delete 一定需要成对的使用否则极易发生内存泄漏。 注意:不

qq_42138448的博客 6942

基于STM32F407标准库与SimpleFOC实现无刷电机2804位置闭环控制的实战解析

本文详细解析了基于STM32F407标准库与SimpleFOC算法实现2804无刷电机位置闭环控制的实战过程。通过硬件选型、速度闭环调试到位置环PID参数整定,提供了完整的工程实现方案和抗饱和策略,帮助开发者掌握高精度电机控制技术。

oauth7security的博客 920

R语言分类变量的统计描述

三篇介绍了连续变量的统计描述的R语言相关函数,计算数值的相关统计指标。本文介绍分类变量的统计描述及如何在R语言中实现。 不同于连续变量,分类变量的统计描述主要是汇总分类变量各类别例数及百分比。 1、table()函数 ...

zsc943290710的博客 1万+

分布式存储系统关于GDPR条例中的数据清除原则

文章目录前言HDFS存储系统数据的完全删除基于加解密的输入输出流的数据保护方案 前言 关于GDPR是什么,可能许多同学之前并不太了解,至少笔者在之前也是不清楚的。GDPR全称为通用数据保护条例,General Data Protection Regulation。它是一项来自欧盟的关于计算机数据保护相关的条约,旨在规范系统如何收集,管控用户私人数据的种种行为。但是当前的一些存储系统并没有完全符合...

走在前往架构师的路上 3633

【实战】CANOE实现UDS安全访问过程的CAPL脚本

首先我已经有了包含安全访问算法的dll文件,并通过Diagnostics/ISO TP Configuration中加载了此dll文件,如下。在on start部分,要将“ECU qualifier“作为参数,执行diagSetTarget函数。这个函数是用于设置tester从现在开始与之通信的目标ECU,并配置/建立与该ECU的通信通道。我最近在做密钥学习上位机时,遇到一些问题:如何用CAPL脚本实现安全访问过程?ECU Qualifier可以通过加载cdd文件后,在如下位置找到。CAPL脚本如何编写。

weixin_46481662的博客 4942

【工控基础】UVW平台踩坑

1 每个轴按顺时针或逆时针走一个距离,就是旋转。 2 图中W动,U轴V轴不动,就是X方向的平移 3 图中U轴V轴同时动,X不动,就是Y方向的平移。

songhuangong123的博客 6969

Allegro 给元器件PCB封装库添加3D模型详细步骤

从上面视图可以看到模型跟PCB 库的方向是对了,但是位置偏下,且在PCB封装库后面,我们下面需要做的就是把模型往上移、往前移。首先将元器件3D模型文件放在封装库的目录下(也可以单独新建一个模型库文件夹),注意3D文件必须是Step格式。Transparent: 选择透视的对象,可以是模型、也可以是PCB封装,或者两种都透视。在左边搜索要添加的3D模型的文件(注意是在* 星号前面输入文件名),按回车即可找到。同样的,接下来需要往Y 负方向移,即左移,一边调整一边观察视图。

sinat_15677011的博客 3691

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

上一篇: EML 全面实践指南:把 SAP RAP 业务对象玩出工程化的稳定与优雅
下一篇: 从技术键到语义键:在 SAP RAP 中校验 Semantic Key 的完整实践指南
汪子熙
汪子熙 新星创作者: 前端开发技术领域 新星创作者: 前端开发技术领域 优质创作者: 软件测试技术领域 优质创作者: 软件测试技术领域 领域专家: 数据库技术领域 领域专家: 数据库技术领域
博客等级 码龄16年 3万+粉丝 1万+原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

汪子熙

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址