基于 DeepSeek LLM 本地知識庫搭建開源方案(AnythingLLM、Cherry、Ragflow、Dify)認知

寫在前面

  • 博文內容涉及 基于 Deepseek LLM 的本地知識庫搭建
  • 使用 ollama 部署 Deepseek-R1 LLM
  • 知識庫能力通過 Ragflow、Dify 、AnythingLLM、Cherry 提供
  • 理解不足小伙伴幫忙指正 😃,生活加油

我站在人潮中央，思考這日日重復的生活。我突然想，如果有一天，垂老和年輕都難以驚起心中漣漪，一潭死水的沉悶，鮮花和蛋糕也撼動不了。如果人開始不能為微小事物而感動，那么地震山洪的噩耗想必也驚聞不了。如果活著和死亡的本質無異，那便沒有了存在的意義。我沒有快樂，也沒有痛苦，只是麻木的置身于平靜的絕望之中，和世界一起下沉。我甚至病態的渴望，心中掀起一場風暴或是海嘯，將我席卷撕裂。可那片黑洞里什么也沒有，它吞噬萬物，它帶走了我的生命 情緒 活力，我眼睜睜的看著，我對此無能為力。 這一刻我明白了我看遠山，遠山悲憫。遠山知道我的苦悶，卻改變不了什么，只能悲憫，悲憫我的麻木，悲憫我的無奈

持續分享技術干貨，感興趣小伙伴可以關注下 _

本地 LLM 部署

LLM 本身只是一些 神經網絡參數, 就拿 DeepSeek-R1 來講，模型本身存儲了 權重矩陣，以及 混合專家（MoE）架構， 實際運行起來需要行業級別的服務器配置， 消費級別的個人電腦不能直接運行，實際還涉及到硬件適配，需手動配置 CUDA/PyTorch 環境，編寫分布式推理代碼，處理量化與內存溢出問題

現在通過 ollama 可以在消費級別電腦部署，上面涉及到的問題 ollama 幫我們完成，同時還涉及模型的管理，推理服務構建

ollama 開源項目地址： https://github.com/ollama/ollama

它在項目中這樣介紹自己：Get up and running with large language models.

ollama安裝

下載 ollama：之后直接安裝就可以，下載地址， https://ollama.com/download

ollama 專注于在本地設備（如個人電腦或服務器）快速部署和運行開源大語言模型（如 DeepSeek-R1），支持模型下載、環境配置及基礎推理服務。

適用需本地化運行 LLM 的場景，強調數據隱私與低成本（無需高性能服務器），但是不提供知識庫管理、RAG 或應用開發功能，需配合其他工具使用

安裝成功會自動配置環境變量

PS C:\Users\Administrator> ollama -h
Large language model runnerUsage:ollama [flags]ollama [command]Available Commands:serve       Start ollamacreate      Create a model from a Modelfileshow        Show information for a modelrun         Run a modelstop        Stop a running modelpull        Pull a model from a registrypush        Push a model to a registrylist        List modelsps          List running modelscp          Copy a modelrm          Remove a modelhelp        Help about any command
。。。。。。

Ollama 采用 Client-Server（C/S）架構,C 端通過命令行（CLI）或桌面應用與用戶交互，發起模型請求。S 端負責處理客戶端請求，管理模型下載與元數據，推理引擎，負責加載模型并執行計算

Ollama 資源優化技術:

  • 權重量化：支持 INT8/INT4 量化，顯存占用降低至原始模型的 1/2 至 1/4，使 65B 參數模型可在 16GB 內存設備運行
  • 分塊加載：長文本分塊處理，避免顯存溢出
  • GPU/CPU 調度：優先調用 NVIDIA/AMD GPU 加速，無 GPU 時通過 Metal 或分布式計算優化 CPU 模式

模型管理機制：

  • 本地存儲：模型文件（如 blobs 數據）和元數據（如 manifests）默認存儲在 $HOME/.ollama，支持離線使用,數據無需上傳云端，適合醫療、金融等隱私敏感場景。
  • 模型拉取：客戶端通過 ollama run <模型名> 觸發服務端從遠程倉庫下載并緩存模型

通過下面的地址選擇對應的參數的模型即可：

https://ollama.com/library/deepseek-r1

在這里插入圖片描述

deepseek R1 蒸餾模型部署

關于什么是蒸餾模型，小伙伴可以看我之前的文章

模型下載成功就可以用了，默認會自動下載 DeepSeek-R1-Distill-Qwen-7B 模型

PS C:\Users\Administrator> ollama run deepseek-r1
pulling manifest
pulling 96c415656d37... 100% ▕████████████████████████████████████████████████████████▏ 4.7 GB
pulling 369ca498f347... 100% ▕████████████████████████████████████████████████████████▏  387 B
pulling 6e4c38e1172f... 100% ▕████████████████████████████████████████████████████████▏ 1.1 KB
pulling f4d24e9138dd... 100% ▕████████████████████████████████████████████████████████▏  148 B
pulling 40fb844194b2... 100% ▕████████████████████████████████████████████████████████▏  487 B
verifying sha256 digest
writing manifest
success

直接命令行就可以交互了，算一道數學題

PS C:\Users\Administrator> ollama run deepseek-r1
>>> 1+2+3+4+54654+213=？
<think>
To solve the equation \(1 + 2 + 3 + 4 + 54654 + 213\), I will follow these steps:First, add the numbers from 1 to 4.Next, add the result to 54654.Finally, add this sum to 213 to get the final answer.
</think>To solve the equation \(1 + 2 + 3 + 4 + 54654 + 213\), follow these steps:1. **Add the numbers from 1 to 4:**\[1 + 2 + 3 + 4 = 10\]2. **Add this sum to 54654:**\[10 + 54654 = 54664\]3. **Finally, add the result to 213:**\[54664 + 213 = 54877\]**Final Answer:**\boxed{54877}>>> Send a message

這里通過命令行的方式啟動服務端，配置，$env:OLLAMA_HOST="0.0.0.0" 的作用是 將 Ollama 服務綁定到所有網絡接口,因為后面涉及到和其他工具交互。

PS C:\Users\Administrator> $env:OLLAMA_HOST="0.0.0.0"  # 設置環境變量

服務啟動涉及到的環境變量在項目中位置：

https://github.com/ollama/ollama/blob/main/envconfig/config.go

PS C:\Users\Administrator> ollama serve                 # 啟動服務
2025/02/20 08:47:44 routes.go:1187: INFO server config env="map[CUDA_VISIBLE_DEVICES: GPU_DEVICE_ORDINAL: HIP_VISIBLE_DEVICES: HSA_OVERRIDE_GFX_VERSION: HTTPS_PROXY: HTTP_PROXY: NO_PROXY: OLLAMA_DEBUG:false OLLAMA_FLASH_ATTENTION:false OLLAMA_GPU_OVERHEAD:0 OLLAMA_HOST:http://0.0.0.0:11434 OLLAMA_INTEL_GPU:false OLLAMA_KEEP_ALIVE:5m0s OLLAMA_KV_CACHE_TYPE: OLLAMA_LLM_LIBRARY: OLLAMA_LOAD_TIMEOUT:5m0s OLLAMA_MAX_LOADED_MODELS:0 OLLAMA_MAX_QUEUE:512 OLLAMA_MODELS:C:\\Users\\Administrator\\.ollama\\models OLLAMA_MULTIUSER_CACHE:false OLLAMA_NOHISTORY:false OLLAMA_NOPRUNE:false OLLAMA_NUM_PARALLEL:0 OLLAMA_ORIGINS:[http://localhost https://localhost http://localhost:* https://localhost:* http://127.0.0.1 https://127.0.0.1 http://127.0.0.1:* https://127.0.0.1:* http://0.0.0.0 https://0.0.0.0 http://0.0.0.0:* https://0.0.0.0:* app://* file://* tauri://* vscode-webview://*] OLLAMA_SCHED_SPREAD:false ROCR_VISIBLE_DEVICES:]"
time=2025-02-20T08:47:44.747+08:00 level=INFO source=images.go:432 msg="total blobs: 14"
time=2025-02-20T08:47:44.748+08:00 level=INFO source=images.go:439 msg="total unused blobs removed: 0"
time=2025-02-20T08:47:44.748+08:00 level=INFO source=routes.go:1238 msg="Listening on [::]:11434 (version 0.5.7)"
time=2025-02-20T08:47:44.749+08:00 level=INFO source=routes.go:1267 msg="Dynamic LLM libraries" runners="[cpu_avx cpu_avx2 cuda_v11_avx cuda_v12_avx rocm_avx cpu]"
time=2025-02-20T08:47:44.749+08:00 level=INFO source=gpu.go:226 msg="looking for compatible GPUs"
time=2025-02-20T08:47:44.749+08:00 level=INFO source=gpu_windows.go:167 msg=packages count=1
time=2025-02-20T08:47:44.749+08:00 level=INFO source=gpu_windows.go:183 msg="efficiency cores detected" maxEfficiencyClass=1
time=2025-02-20T08:47:44.749+08:00 level=INFO source=gpu_windows.go:214 msg="" package=0 cores=12 efficiency=4 threads=20
time=2025-02-20T08:47:44.872+08:00 level=INFO source=types.go:131 msg="inference compute" id=GPU-e65029a6-c2f9-44b1-bd76-c12e4083fa4c library=cuda variant=v12 compute=8.6 driver=12.8 name="NVIDIA GeForce RTX 3060" total="12.0 GiB" available="11.0 GiB"
[GIN] 2025/02/20 - 08:47:57 | 200 |            0s |     172.19.16.1 | GET      "/"
[GIN] 2025/02/20 - 08:47:57 | 404 |            0s |     172.19.16.1 | GET      "/favicon.ico"

同時項目啟動之后會輸出當前推理服務的環境變量

2025/02/20 08:47:44 routes.go:1187: INFO server config env="map[CUDA_VISIBLE_DEVICES: GPU_DEVICE_ORDINAL: HIP_VISIBLE_DEVICES: HSA_OVERRIDE_GFX_VERSION: HTTPS_PROXY: HTTP_PROXY: NO_PROXY: OLLAMA_DEBUG:false OLLAMA_FLASH_ATTENTION:false OLLAMA_GPU_OVERHEAD:0 OLLAMA_HOST:http://0.0.0.0:11434 OLLAMA_INTEL_GPU:false OLLAMA_KEEP_ALIVE:5m0s OLLAMA_KV_CACHE_TYPE: OLLAMA_LLM_LIBRARY: OLLAMA_LOAD_TIMEOUT:5m0s OLLAMA_MAX_LOADED_MODELS:0 OLLAMA_MAX_QUEUE:512 OLLAMA_MODELS:C:\\Users\\Administrator\\.ollama\\models OLLAMA_MULTIUSER_CACHE:false OLLAMA_NOHISTORY:false OLLAMA_NOPRUNE:false OLLAMA_NUM_PARALLEL:0 OLLAMA_ORIGINS:[http://localhost https://localhost http://localhost:* https://localhost:* http://127.0.0.1 https://127.0.0.1 http://127.0.0.1:* https://127.0.0.1:* http://0.0.0.0 https://0.0.0.0 http://0.0.0.0:* https://0.0.0.0:* app://* file://* tauri://* vscode-webview://*] OLLAMA_SCHED_SPREAD:false ROCR_VISIBLE_DEVICES:]"

如果有需要部署生產級別的小伙伴需要詳細了解，這里簡單看幾個常用的：

OLLAMA_HOST

  • 作用：指定服務器監聽的 IP 地址和端口。它定義了客戶端可以訪問服務器的地址。
  • 當前值：http://0.0.0.0:11434，表示服務器將監聽所有可用的網絡接口，端口為 11434，使用 HTTP 協議。

OLLAMA_KEEP_ALIVE

  • 作用：設置模型在內存中保持加載的時間。如果在這個時間內沒有新的請求，模型可能會被卸載以釋放內存。
  • 當前值：5m0s，即 5 分鐘，意味著模型在 5 分鐘內沒有被使用就可能會被卸載。

OLLAMA_LOAD_TIMEOUT

  • 作用：設置模型加載的超時時間。如果模型在這個時間內沒有加載完成，服務器可能會放棄加載操作。
  • 當前值：5m0s，表示模型加載的最長時間為 5 分鐘。

OLLAMA_MAX_LOADED_MODELS

  • 作用：限制每個 GPU 上最多可以加載的模型數量。這有助于控制 GPU 的資源使用。
  • 當前值：0，表示沒有對每個 GPU 加載的模型數量進行限制。

OLLAMA_MAX_QUEUE

  • 作用：設置請求隊列的最大長度。當請求數量超過這個值時，新的請求可能會被拒絕。
  • 當前值：512，表示請求隊列最多可以容納 512 個請求。

OLLAMA_MODELS

  • 作用：指定模型文件存儲的目錄。服務器會從這個目錄中加載模型。
  • 當前值：C:\Users\Administrator.ollama\models，表示模型文件存儲在該 Windows 用戶目錄下的 .
    ollama\models 文件夾中。

OLLAMA_NUM_PARALLEL

  • 作用：設置服務器可以同時處理的并行模型請求數量。
  • 當前值：0，表示沒有對并行請求數量進行限制。

知識庫搭建

在知識庫搭建的時候，我們還需要一個基本的嵌入模型，用于理解分析已有的知識庫內容

嵌入模型

這里我們使用的是 BGE-M3 ，嵌入模型是什么，通俗的話講，它把文本信息翻譯成計算機能夠理解和處理的數字形式，也就是向量。它就像是給每一段文本生成了一個獨一無二的 “數字指紋”，憑借這個 “指紋”，計算機就能對文本進行各種分析和操作。

有了嵌入模型分析知識庫的文本內容，那么是如何和問答結合的，這就需要 RAG

RAG

檢索增強生成（RAG）是一種將外部知識檢索與大語言模型（LLM）相結合的技術。傳統的大語言模型雖然擁有豐富的知識，但知識更新可能不及時，或者在特定領域的知識儲備不足。RAG 通過在生成回答之前，先從外部知識源（如文檔數據庫、網頁等）中檢索相關信息，然后將這些信息與用戶的問題一起輸入到大語言模型中，從而生成更準確、更具時效性的回答。

需要注意的事項

知識庫的搭建部分使用的是容器的方式，所以調用 ollama 提供的推理能力的時候，通過 127.0.0.0:11434 訪問是訪問不通的，所以需要一個能代表宿主機但是IP地址或者域名不是 127.0.0.0或localhost 的地址。

在windos 上面會有這個一個虛擬交換設備， 在其他服務調用 ollama 的時候，需要本地ID：11434 的方式訪問，這里我們選用這個 IP ， 172.29.176.1:11434,至于這個 設備如何創建的，一般開啟虛擬化 Hyper - V 的時候會自動創建

以太網適配器 vEthernet (Default Switch):連接特定的 DNS 后綴 . . . . . . . :本地鏈接 IPv6 地址. . . . . . . . : fe80::c872:92b3:b00a:6ce0%25IPv4 地址 . . . . . . . . . . . . : 172.29.176.1子網掩碼  . . . . . . . . . . . . : 255.255.240.0默認網關. . . . . . . . . . . . . :

對于通過客戶端的方式直接部署的，我們可以之間使用 127.0.0.0:11434 或者 localhost 來訪問推理服務

Ragflow + DeepSeek

RAGFlow 是一款基于深度文檔理解構建的開源 RAG（Retrieval-Augmented Generation，檢索增強生成）引擎。RAGFlow 可以為各種規模的企業及個人提供一套精簡的 RAG 工作流程，結合大語言模型（LLM）針對用戶各類不同的復雜格式數據提供可靠的問答以及有理有據的引用。

官網地址：https://ragflow.io

項目地址： https://github.com/infiniflow/ragflow

這里需要使用 docker 來部署，安裝dockr， 克隆項目，執行 docker-compose 就可以了

git clone https://github.com/infiniflow/ragflow.git

在這里插入圖片描述

然后參考 readme 部署即可

$ cd ragflow/docker
$ docker compose -f docker-compose.yml up -d

這里需要說明一下，有些 docker-compose 維護不及時，可能部署有問題，所以我們用 readme 推薦的方式

在這里插入圖片描述

上面截圖中 GPU 版本的 我嘗試了好久，server 啟動鏈接 es 報錯，未果，用了默認的 compose。

在這里插入圖片描述

部署成功之后可以在docker 桌面版中看到容器，核心服務是一個 server

在這里插入圖片描述

默認 80 端口，需要注冊賬號登陸

在這里插入圖片描述

需要先配置基礎模型，需要注意這里的地址不能寫 127.0.0.1

在這里插入圖片描述

選擇本地模型 LLM 模型

在這里插入圖片描述

選擇嵌入模型

在這里插入圖片描述

在系統模型設置添加對應的模型

在這里插入圖片描述

選擇知識庫

在這里插入圖片描述

創建知識庫

在這里插入圖片描述

在配置中配置需要的數據

在這里插入圖片描述

上傳本地的知識庫內容

在這里插入圖片描述

全選，解析啟用

在這里插入圖片描述

之后在聊天配置中選擇對應的知識庫

在這里插入圖片描述

模型參數調整

在這里插入圖片描述

簡單測試

在這里插入圖片描述

每次提問會顯示對應的文本內容

在這里插入圖片描述

Dify + DeepSeek

Dify 是一個開源的 LLM 應用開發平臺。其直觀的界面結合了 AI 工作流、RAG 管道、Agent、模型管理、可觀測性功能等，可以快速從原型到生產。

官網地址： https://dify.ai/zh

項目地址： https://github.com/langgenius/dify/blob/main/README_CN.md

和上面的部署一眼，克隆項目，然后通過 docker 部署

git clone  https://github.com/langgenius/dify.git

在這里插入圖片描述

運行項目中的 docker-compose.yml

在這里插入圖片描述

這里直接通過 vs code 運行

在這里插入圖片描述

docker 中觀察容器運行情況

在這里插入圖片描述

同樣是 80 端口，需要注冊一個賬號

在這里插入圖片描述

用注冊的賬號登陸即可

在這里插入圖片描述

選擇知識庫

在這里插入圖片描述

在用戶中心設置中配置模型相關配置

在這里插入圖片描述

配置本地模型，需要注意這里的地址

在這里插入圖片描述

配置嵌入模型

在這里插入圖片描述

然后中模型配置中添加

在這里插入圖片描述

選擇創建知識庫

在這里插入圖片描述

導入本地知識庫

在這里插入圖片描述

分段相關配置

在這里插入圖片描述

保存設置

在這里插入圖片描述

等待文檔解析完成

在這里插入圖片描述

知識庫創建完成

在這里插入圖片描述

創建聊天助手

在這里插入圖片描述

上下文選擇之前創建的知識庫

在這里插入圖片描述

做簡單的問答測試，可以看到最下面引用的文檔

在這里插入圖片描述

點擊發布，知識庫機器人創建完成

在這里插入圖片描述

Cherry Studio + DeepSeek

Cherry Studio 是一款開源、跨平臺（支持 Windows/macOS/Linux）的 AI 桌面客戶端，專注于聚合多模型服務并提供本地化 AI 應用開發支持。

官網地址： https://cherry-ai.com/

下載地址： https://cherry-ai.com/download

項目地址： https://github.com/CherryHQ/cherry-studio

它的這樣介紹自己： Cherry Studio 是一款支持多個大語言模型（LLM）服務商的桌面客戶端，兼容 Windows、Mac 和 Linux 系統。

在這里插入圖片描述

以下是其核心功能與使用要點：

  • 多模型集成：支持 300+ 主流大語言模型，包括 DeepSeek、OpenAI、Gemini、Claude 等，通過 API 密鑰接入云端服務，也支持本地部署模型（如 Ollama）
  • 知識庫管理:可上傳 PDF、Word、Excel、網頁鏈接等文件，構建本地結構化數據庫，通過 RAG 技術實現智能檢索，支持向量化處理和來源標注
  • 預置智能體: 內置 300+ 行業助手（如翻譯、編程、營銷），支持自定義提示詞（Prompt）創建專屬 AI 應用
  • 多模態處理: 支持文本生成、圖像生成（集成硅基流動等平臺）、代碼高亮、Markdown 渲染及文件格式轉換

下面我們看看如何搭建

下載安裝

在這里插入圖片描述

設置圖標選擇模型服務，選擇本地的 ollama 服務,

在這里插入圖片描述

模型配置

在這里插入圖片描述

選擇我們之前 pull 的模型

在這里插入圖片描述

然后在默認助手中作簡單測試

在這里插入圖片描述

選擇知識庫圖標，創建知識庫，添加嵌入模型

在這里插入圖片描述

然后上傳要創建知識庫的文件，可以通過搜索知識庫簡單測試

在這里插入圖片描述

然后就可以提問了，選擇一開始添加的本地模型，提問的時候選擇知識庫

在這里插入圖片描述

文檔中的內容做簡單問答測試

在這里插入圖片描述

引用知識庫中的內容

AnythingLLM + DeepSeek

AnythingLLM 同樣是一個全棧應用程序，可以使用現成的商業大語言模型或流行的開源大語言模型，再結合向量數據庫解決方案構建一個私有ChatGPT，不再受制于人：您可以本地運行，也可以遠程托管，并能夠與您提供的任何文檔智能聊天。

官網下載地址： https://anythingllm.com/

文檔地址： https://docs.anythingllm.com/

項目地址： https://github.com/Mintplex-Labs/anything-llm/blob/master/locales/README.zh-CN.md

下載安裝包：

在這里插入圖片描述

直接安裝即可，安裝完后會有如下的界面

在這里插入圖片描述

選擇本地的模型

在這里插入圖片描述

之后一直下一步，創建工作區

在這里插入圖片描述

然后在新工作區，選擇下面的箭頭

在這里插入圖片描述

導入知識庫文檔

在這里插入圖片描述

添加到工作區

在這里插入圖片描述

選擇啟用

在這里插入圖片描述

問一個知識庫相關的問題測試

在這里插入圖片描述

最下面會列出引用的文檔

在這里插入圖片描述

LLM 相關配置可以在設置中設置

在這里插入圖片描述

AnythingLLM 和 Cherry Studio 都是客戶端，所以 ollama 的推理模型直接設置 本地回環地址就可以

整體來看，Ragflow 相對專業一點，其次是 Dify ，Cherry Studio ，AnythingLLM ，但是前兩個相對部署較重，后兩個客戶端，可以直接客戶端部署。

博文部分內容參考

? 文中涉及參考鏈接內容版權歸原作者所有，如有侵權請告知 😃

https://ragflow.io

https://dify.ai/zh

https://cherry-ai.com/

https://anythingllm.com/

? 2018-至今 liruilonger@gmail.com, 保持署名-非商用-相同方式共享(CC BY-NC-SA 4.0)

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/diannao/70768.shtml
繁體地址，請注明出處：http://hk.pswp.cn/diannao/70768.shtml
英文地址，請注明出處：http://en.pswp.cn/diannao/70768.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

PCB設計常用布局布線方法

PCB設計常用布局布線方法

PCB設計常用布局布線方法 **1.模塊化布局&#xff0c;**先放大器件再放小器件。 立創在原理圖框完后&#xff0c;在PCB快捷shiftp 2.布局對齊美觀 3.重要信號線優先處理 分類再畫 4.減少Stub布線&#xff1a;就是避免為連接的線段&#xff0c;防止產生“天線效應”&#xff…
閱讀更多...
Mac 版 本地部署deepseek ? RAGflow 知識庫搭建流程分享（附問題解決方法）

Mac 版 本地部署deepseek ? RAGflow 知識庫搭建流程分享（附問題解決方法）

安裝&#xff1a; 1、首先按照此視頻的流程一步一步進行安裝&#xff1a;(macos版&#xff09;ragflowdeepseek 私域知識庫搭建流程分享_嗶哩嗶哩_bilibili 2、RAGflow 官網文檔指南&#xff1a;https://ragflow.io 3、RAGflow 下載地址&#xff1a;https://github.com/infi…
閱讀更多...
娛閑放鬆篇2

娛閑放鬆篇2

最近看了好多動畫和以前的新聞&#xff0c;都挺有想法&#xff0c;可以了解一下 有些是N年前的&#xff0c;希望見怪莫怪 若說如何用最小作用量去理解世界觀的話&#xff0c;其實就是書&#xff0c;以動畫的角度來看&#xff0c;日本動畫足以 一.高達系列 一系列的利用巨大…
閱讀更多...
OpenIPC開源FPV之Adaptive-Link安裝

OpenIPC開源FPV之Adaptive-Link安裝

OpenIPC開源FPV之Adaptive-Link安裝 1. 源由2. 介紹2.1 天空端安裝2.2 地面端安裝 3. 問題匯總3.1 安裝腳本問題3.2 網絡安裝問題3.3 非SSC30KQ/SSC338Q硬件3.4 代碼疑問 4. 總結5. 后續 1. 源由 鑒于飛行過程&#xff0c;發現一些馬賽克現象&#xff0c;且60FPS桌面30FPS的錄…
閱讀更多...
解析第十一頁

解析第十一頁

多選707、如圖所示組網，SWA、SWB、SWC、SWD運行RSTP,則以下說法正確的是? A、可以在SWB的GE0/0/2端口開啟邊緣端口，讓連接終端的接口快速進入轉發狀態 B、邊緣端口收到BPDU之后會重新參與生成樹的計算 C、可以在SWC的GEO/0/2端口開啟邊緣端口，讓連接終端的接口快速進入轉…
閱讀更多...
禾邁電力電子嵌入式面經和參考答案

禾邁電力電子嵌入式面經和參考答案

CMakeLists 怎么寫？ CMakeLists.txt 是 CMake 構建系統的配置文件，用于描述項目的構建規則和依賴關系。以下是一個簡單的 CMakeLists.txt 示例及基本寫法說明。 首先，指定 CMake 的最低版本要求，例如cmake_minimum_required(VERSION 3.10)。 然后，定義項目名稱，如project…
閱讀更多...
我的AI工具箱Tauri版-FluxCharacterGeneration參考圖像生成人像手辦（Flux 版）

我的AI工具箱Tauri版-FluxCharacterGeneration參考圖像生成人像手辦（Flux 版）

本教程基于自研的AI工具箱Tauri版進行ComfyUI工作流FluxCharacterGeneration參考圖像生成人像手辦&#xff08;Flux 版&#xff09;。 我的AI工具箱Tauri版 - FluxCharacterGeneration參考圖像生成人像手辦&#xff08;Flux版&#xff09; 基于先進的FLUX模型&#xff0c;通過…
閱讀更多...
什么是DrawCall？DrawCall為什么會影響游戲運行效率？如何減少DrawCall？

什么是DrawCall？DrawCall為什么會影響游戲運行效率？如何減少DrawCall？

目錄 1 什么是DrawCall&#xff1f; 2 DrawCall為什么會影響游戲運行效率&#xff1f; 3 如何減少 DrawCall&#xff1f;&#xff08;結合性能分析工具&#xff09; 1 什么是DrawCall&#xff1f; DrawCall&#xff08;繪制調用&#xff09; 是 GPU 的一個指令&#xff0c…
閱讀更多...
深入解析提示詞：從基礎到結構化應用

深入解析提示詞：從基礎到結構化應用

在人工智能蓬勃發展的當下&#xff0c;提示詞&#xff08;Prompt&#xff09;扮演著至關重要的角色。無論是在與聊天機器人交流&#xff0c;還是驅動復雜智能體完成任務&#xff0c;精準且高效的提示詞都能起到事半功倍的效果。本文將帶你全面了解提示詞&#xff0c;深入探索結…
閱讀更多...
【前端基礎】Day 2 HTML

【前端基礎】Day 2 HTML

目錄 1.表格標簽 2.列表標簽 3.表單標簽 4.綜合案例 5.查閱文檔 1.表格標簽 <body><table align"center" border"1" cellpadding"0" cellspacing"0" width"500" height"100"><thead> …
閱讀更多...
R與RStudio簡介及安裝

R與RStudio簡介及安裝

目錄 一、R與RStudio關系 二、R簡介 2.1. 發展歷史 2.2. R語言特點 三、安裝指南 3.1 R安裝指南 3.2 R studio安裝指南 一、R與RStudio關系 R是統計領域廣泛使用的工具&#xff0c;屬于GNU系統的一個自由、免費、源代碼開放的軟件&#xff0c;是 用于統計計算和統計繪圖…
閱讀更多...
20分鐘 Bash 上手指南

20分鐘 Bash 上手指南

文章目錄 bash 概念與學習目的第一個 bash 腳本bash 語法變量的使用位置參數管道符號&#xff08;過濾條件&#xff09;重定向符號條件測試命令條件語句case 條件分支Arrayfor 循環函數exit 關鍵字 bash 腳本記錄歷史命令查詢文件分發內容 bash 概念與學習目的 bash&#xff0…
閱讀更多...
django校園互助平臺~源碼

django校園互助平臺~源碼

博主介紹&#xff1a;?程序猿徐師兄、8年大廠程序員經歷。全網粉絲15w、csdn博客專家、掘金/華為云/阿里云/InfoQ等平臺優質作者、專注于Java技術領域和畢業項目實戰? &#x1f345;文末獲取源碼聯系&#x1f345; &#x1f447;&#x1f3fb; 精彩專欄推薦訂閱&#x1f447;…
閱讀更多...
易基因：RNA甲基化修飾和R-loop的交叉調控：從分子機制到臨床意義｜深度綜述

易基因：RNA甲基化修飾和R-loop的交叉調控：從分子機制到臨床意義｜深度綜述

大家好&#xff0c;這里是專注表觀組學十余年&#xff0c;領跑多組學科研服務的易基因。 R-loop&#xff08;RNA-DNA雜合結構&#xff09;是轉錄調控、DNA復制和修復等關鍵細胞過程的重要組成部分。但R-loop異常積累可能會破壞基因組完整性&#xff0c;從而導致多種疾病的發生…
閱讀更多...
多智能體框架

多智能體框架

多個不同的角色的Agent&#xff0c;共同完成一份復雜的工作。由一個統籌管理的智能體&#xff0c;自主規劃多個智能體分別做什么&#xff0c;以及執行的順序。 agent 應該包含的屬性 執行特定任務 根據其角色和目標做出決策 能夠使用工具來實現目標 與其他代理溝通和協作 保留…
閱讀更多...
wifi5和wifi6，WiFi 2.4G、5G，五類網線和六類網線，4G和5G的區別

wifi5和wifi6，WiFi 2.4G、5G，五類網線和六類網線，4G和5G的區別

wifi5和wifi6的區別 是Wi-Fi 5和Wi-Fi 6的選擇與路由器密切相關。路由器是創建和管理無線網絡的設備，它決定了網絡的類型和性能。具體來說： 路由器的標準支持：路由器可以支持不同的Wi-Fi標準，如Wi-Fi 5（802.11ac）和Wi-Fi 6（802.11ax）。支持Wi-Fi 6的路由器能夠提供更高…
閱讀更多...
Metal 學習筆記四：頂點函數

Metal 學習筆記四：頂點函數

到目前為止&#xff0c;您已經完成了 3D 模型和圖形管道。現在&#xff0c;是時候看看 Metal 中兩個可編程階段中的第一個階段&#xff0c;即頂點階段&#xff0c;更具體地說&#xff0c;是頂點函數。 著色器函數 定義著色器函數時&#xff0c;可以為其指定一個屬性。您將在本…
閱讀更多...
什么是零拷貝？

什么是零拷貝？

零拷貝是一種優化技術&#xff0c;用于減少數據在計算機系統中的拷貝次數&#xff0c;從而提高性能和效率。在傳統的數據傳輸中&#xff0c;數據通常會在多個緩沖區之間進行多次拷貝&#xff0c;而零拷貝技術通過減少這些不必要的拷貝操作&#xff0c;顯著降低了CPU和內存的開銷…
閱讀更多...
【LeetCode20】有效的括號

【LeetCode20】有效的括號

題目描述 給定一個只包括 ‘(’&#xff0c;‘)’&#xff0c;‘{’&#xff0c;‘}’&#xff0c;‘[’&#xff0c;‘]’ 的字符串 s &#xff0c;判斷字符串是否有效。 有效字符串需滿足&#xff1a; 左括號必須用相同類型的右括號閉合。 左括號必須以正確的順序閉合。 每…
閱讀更多...
算法訓練（leetcode）二刷第三十七天 | *300. 最長遞增子序列、674. 最長連續遞增序列、*718. 最長重復子數組

算法訓練（leetcode）二刷第三十七天 | *300. 最長遞增子序列、674. 最長連續遞增序列、*718. 最長重復子數組

刷題記錄 *300. 最長遞增子序列674. 最長連續遞增序列基礎解法&#xff08;非動規&#xff09;動態規劃 718. 最長重復子數組滾動數組 *300. 最長遞增子序列 leetcode題目地址 dp數組含義&#xff1a; dp[i]表示以nums[i]結尾的最長遞增子序列長度&#xff0c;即以nums[i]結尾…
閱讀更多...
最新文章

Copyright @ 2022~2023