- 博客(247)
- 资源 (5)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 投资笔记-市盈率、市净率、股息率
本文总结了股票投资的三个核心估值指标：市盈率（PE）、市净率（PB）和股息率。PE反映回本年限，低PE适合价值投资，高PE体现成长预期；PB衡量股价与净资产关系，适合重资产行业；股息率评估现金回报，需警惕异常高值。作者强调要综合运用三个指标，并指出数字背后的真实情况更重要，通过医药股的误判案例说明不能仅看表面数据。全文系统解析了估值指标的实际应用与注意事项。
2026-03-29 20:44:15
350
原创 Python 并发编程详解 - Java 开发者视角
本文从Java开发者视角对比讲解了Python并发编程模型。主要内容包括： 核心概念对比：Java使用内核线程，Python受GIL限制采用协程模型 Python并发演进： 多线程（适合IO密集型，受GIL限制） 多进程（突破GIL限制，适合CPU密集型） asyncio协程（Python 3.5+核心模型，最佳IO密集型方案） 实战代码示例展示三种方式的实现，并与Java对应方案对比 关键区别：Java线程可真正并行，Python线程受GIL限制，推荐IO密集型使用asyncio 文章通过具体代码对比，帮
2026-03-26 21:13:52
410
原创 大模型的“推理能力” vs. AgentScope 框架的“推理循环”：你分清楚了吗？
摘要：大模型的“推理能力”指其单次生成中完成逻辑推导的能力，源于预训练和微调；而AgentScope框架的“推理循环”是工程架构，通过多轮交互和工具调用逐步解决问题。前者是模型内在认知能力，后者是外部协调机制。两者协同工作：模型提供单步推理，框架组织多步流程。区别在于模型推理是基础能力，框架循环是应用扩展，共同实现复杂任务处理。（149字）
2026-03-26 21:12:18
511
原创 OpenClaw本地模型慢如牛？一招配置文件优化让Qwen2.5飞起来！
摘要： Mac用户在使用Ollama运行本地模型（如qwen2.5:7b）时普遍遇到响应速度下降问题，主要原因是上下文历史过长导致计算负担加重。本文提出纯配置文件优化方案，通过修改~/.openclaw/openclaw.json中的关键参数（如开启自动压缩、限制记忆长度、截断工具输出等），可显著减少请求上下文体积，提升响应速度80%以上。该方案无需安装额外组件，仅需调整配置即可让本地模型"轻装上阵"，恢复应有性能。
2026-03-15 20:17:03
2656
原创 开发机上通过Ollama安装了qwen2.5:7b-instruct大模型后curl请求示例
本文介绍了在Mac开发机上通过Ollama运行qwen2.5:7b-instruct模型并调用其API的方法。主要提供两种调用方式：推荐使用兼容OpenAI格式的/v1/chat/completions端点，以及备选的Ollama原生/api/generate端点。文章包含完整的curl命令示例、参数说明、服务验证方法和实用技巧（如结合jq格式化输出），并附有执行抓包日志截图。调用前需确保Ollama服务运行且模型可用，成功调用后会返回包含模型回答的JSON响应。
2026-03-15 19:11:17
463
原创 OpenClaw 从本地到云端：阿里云百炼免费模型配置实战指南
如果你已经在 Mac 开发机上成功配置了 OpenClaw 和本地 Ollama 模型（如 qwen2.5:7b），那么恭喜你已经完成了“养虾”的第一步。本地模型虽然免费、隐私、无限制，但受限于硬件性能（尤其是 Mac 上 7B 模型通常只能跑 4bit 量化版），在处理复杂任务、工具调用准确性上，与云端大模型确实存在差距。这时候，阿里云百炼平台的云端模型就成为了完美的补充——推理速度更快，新用户还享有 90 天免费额度，让你零成本体验更强大的 AI 能力。本文将基于你已有的本地模型配置经验，详细介绍如
2026-03-15 10:34:42
1461
原创 为什么令牌桶能应对突发流量？——原理 + Java代码 + 实际案例
摘要： 令牌桶算法通过积攒令牌机制，允许瞬时流量超过长期平均速率，有效应对突发流量。其核心原理是：令牌以固定速率生成并存入容量有限的桶中，突发请求可快速消耗积攒的令牌，实现瞬时高并发。与漏桶算法不同，令牌桶能利用空闲期“储蓄”处理突发，而漏桶强制恒定输出速率。 Java代码演示显示，当桶容量为20、生成速率为10令牌/秒时，20个突发请求可在0.12毫秒内全部通过（瞬时速率16.6万请求/秒），之后恢复限流。实际案例中，API网关、电商秒杀等场景通过合理设置桶容量，既保护后端又提升用户体验。令牌桶的突发能力
2026-03-13 14:28:03
383
原创 OpenClaw与ClawHub的关系：当“智能体”遇上“技能商店”
如果你是OpenClaw的用戶，一定在文档或社区中频繁看到两个名字：OpenClaw 和 ClawHub。它们听起来像是一对孪生兄弟，但实际扮演的角色截然不同——简单来说，OpenClaw是“虾”（智能体本身），而ClawHub是“水产市场”（技能交易中心）。本文将深入解析两者的定位与协作关系，帮你彻底理清这对核心概念。OpenClaw（曾用名Clawdbot、Moltbot）是一个开源AI Agent框架，由PSPDFKit创始人Peter Steinberger于2025年11月发布，采用MIT开源协议
2026-03-11 23:02:19
672
原创 openclaw 配置本地安装的大模型qwen2.5:7b，0成本竟是如此简单
本文详细介绍了在OpenClaw中配置本地qwen2.5:7b模型的完整流程。主要内容包括：通过Ollama搭建兼容OpenAI API的本地服务器，下载4.7GB的Qwen2.5模型；安装配置OpenClaw并修改相关参数；以及最后的验证测试步骤。重点解决了模型窗口大小报错等常见问题，提供了可直接使用的配置示例。该方案支持Windows/macOS/Linux系统，推荐16GB以上内存，包含手动修改配置文件和错误处理等实用技巧，帮助用户成功实现本地模型调用。
2026-03-11 17:40:27
3818
1
原创 AgentScope 框架源码深度解读：ReAct = Reasoning + Acting 的实现原理
本文深入解析了AgentScope框架中ReAct（推理+行动）模式的实现原理。通过分析源码继承体系（AgentBase→ReActAgentBase→ReActAgent）和核心方法reply()，揭示了ReAct循环的自动化机制。reply()方法作为总控开关，通过循环执行推理(_reasoning)和行动(_acting)过程，最多迭代max_iters次。推理阶段生成工具调用指令，行动阶段执行工具并获取结果，循环持续直到LLM决定直接回答或达到结构化输出要求。元类_ReActAgentMeta自动为
2026-03-08 21:10:18
509
1
原创 Agent 隐式工具调用原理详解
本文深入解析了AI Agent隐式工具调用的工作原理，重点介绍了ReAct模式（推理+行动）的实现机制。通过一个读取PDF文件的实例，展示了Agent如何自动完成：1）理解用户意图；2）选择并调用read_pdf工具；3）总结核心内容的三步流程。文章详细剖析了关键技术组件，包括工具注册机制、系统提示词设计、模型调用格式器以及ReActAgent的执行循环逻辑。该架构使AI助手能够智能地识别任务需求并自动调用合适工具完成任务，适用于需要理解Agent底层原理的开发者阅读。
2026-03-07 23:19:36
441
原创 手撕 Agent 教程 - 打造一个轻量级个人智能助手
Alioo Agent是一款轻量级个人智能助手，专注于PDF阅读和新闻摘要两大核心功能。该工具支持多种AI模型（DashScope、Ollama、OpenAI等），提供命令行、Web界面和API三种交互方式。v0.2.0版本改进了代码结构、错误处理和用户体验，具有完整的类型注解和详细文档。安装简单，通过几个命令即可开始使用，还能轻松扩展新功能。相比复杂的企业级助手，Alioo Agent采用极简设计，代码量约1500行，特别适合学习、原型开发和轻量使用场景。
2026-03-07 23:12:13
1019
2
原创 一步步教你用 venv 管理python环境
在 macOS 上使用 venv 创建和管理 Python 虚拟环境的简明指南： 创建环境：在项目目录运行 python3 -m venv venv 激活环境：执行 source venv/bin/activate（终端提示符前会显示 (venv)） 管理依赖：在激活环境中使用 pip 安装包，通过 pip freeze > requirements.txt 保存依赖 退出环境：运行 deactivate 删除环境：直接删除 venv 文件夹 常见问题：若环境缺少 pip，可尝试 python -m
2026-03-02 10:54:20
670
原创 重新认识JVM的内存分布（JDK11 + G1垃圾收集器）
JVM内存主要分为堆内存、非堆内存、堆外内存和JVM自身开销四部分。堆内存由G1收集器管理，采用Region机制划分年轻代和老年代；非堆内存包含元空间和代码缓存；堆外内存涉及直接缓冲区和JNI调用；JVM Overhead则包括线程栈、GC元数据等运行开销。通过-Xms/-Xmx等参数可配置内存大小，需注意线程栈归属JVM Overhead而非非堆内存。典型500线程应用的内存估算显示总内存约7.75GB，建议通过调整线程栈大小、限制直接缓冲区等方式优化。监控工具如jstat、jcmd等可辅助调优。
2026-01-29 20:07:01
873
原创 AIGC入门，在Mac上基于Ollama和phi3:mini的完整Agent/Subagent例子
摘要： 本文演示了如何在Mac上基于Ollama和phi3:mini构建一个多智能体协作系统。通过创建一个主Agent和两个专业Subagent（任务分解专家和执行专家），实现了复杂任务的自动分解与执行。文章提供了完整的代码实现，包括： 项目目录结构 核心Agent基类定义 两个具体Subagent实现（任务分解JSON格式输出、任务执行状态报告） 与Ollama API的交互方法 错误处理机制（JSON解析容错） 系统通过分工协作，将复杂任务分解为可执行步骤并逐一处理，展示了多智能体协作的基本工作流程。
2026-01-09 15:02:25
670
原创 AIGC入门，为什么你的大模型应用这么慢又贵？RAG架构的降本增效革命
本文分析了直接向大模型投喂完整文档的"反模式"及其性能瓶颈，提出了RAG（检索增强生成）架构的优化方案。通过对比实验显示，RAG架构可将大模型应用的API成本降低99.76%（从单次$3.75降至$0.009），响应时间缩短70-90%（30秒→3秒），并发能力提升10-100倍。RAG的核心优势在于预处理文档切片并建立向量索引，使每次查询仅需检索相关片段而非完整文档，大幅减少token消耗。文章还提供了两种方案的代码实现对比，证明RAG在成本、性能和扩展性上的显著优势，是企业级大模型应
2026-01-09 14:17:34
760
原创 机器学习入门，微积分之导数概念
本文系统介绍了导数的核心概念、计算方法和应用意义。导数定义为函数在某点的瞬时变化率，通过极限表达式表示。实际计算中主要运用基本初等函数导数公式和运算法则（如四则运算、复合函数求导法则）。文章提供了多个计算示例，并阐述了导数在物理、经济等领域的重要应用价值，如速度、边际效应等。掌握导数的关键在于熟记基本公式、准确识别函数结构并正确应用相应法则。通过系统学习这些基础内容，可以解决大多数初等函数的求导问题。
2025-12-03 20:27:07
294
原创 机器学习入门，无监督学习之DBSCAN聚类算法完全指南：面向Java开发者的Python实现详解
本文介绍了DBSCAN聚类算法的核心概念、实现原理及Python实现。DBSCAN是一种基于密度的聚类算法，相比K-Means具有无需预设簇数、能识别任意形状簇和噪声点等优势。文章通过Java类比解释了核心概念（如核心点、边界点等），详细讲解了算法步骤，并提供了完整的Python实现代码，包括自定义DBSCAN类和可视化示例。该实现采用广度优先搜索策略扩展簇，适合Java开发者理解Python实现方式。
2025-10-15 20:52:12
688
原创 机器学习入门，无监督学习之K-Means聚类算法完全指南：面向Java开发者的Python实现详解
本文为Java开发者提供了K-Means聚类算法的Python实现指南。文章首先通过对照表将Java概念映射到Python语法，帮助开发者快速上手。然后详细讲解了K-Means算法的核心思想，将其类比为"将彩色球分到K个篮子"的过程。完整代码实现包括数据生成、算法核心和可视化模块，特别对Python的向量化操作与Java循环进行了对比说明。文章还介绍了如何使用sklearn库的KMeans实现以及如何评估聚类效果，最后提供了算法优缺点的分析。通过这种针对Java开发者的视角，帮助读者理解
2025-10-15 20:40:48
967
原创 AIGC入门，手搓大模型客户端与MCP交互第2集
本文针对大语言模型（LLM）与MCP服务交互过程中出现的JSON格式不规范问题，提出了一套鲁棒的参数提取方案。原系统假设模型总是返回完美JSON，但实际响应常包含多余文本、注释或格式错误，导致解析失败。改进方案通过两个核心函数：extract_json_from_response()使用正则表达式清除注释并采用多层解析策略，validate_tool_call()验证JSON结构完整性。该方案显著提升了工具调用的成功率，代码演示了如何从杂乱响应中提取有效JSON并进行验证。
2025-10-09 17:57:36
455
原创 Git高级操作：提升开发效率的实用别名设置
本文分享了一系列优化Git工作流的实用配置和别名设置。通过禁用分页器、强制彩色输出、设置严格时间格式等基础配置，提升操作体验。同时提供了st(status)、co(checkout)等常用命令的简化别名，以及loggg、logg等高级日志格式化工具，使输出更清晰易读。这些设置能显著减少日常命令输入量，建议根据个人习惯调整后加入全局配置。文末附完整脚本可直接复制到~/.bashrc使用。
2025-10-09 17:13:45
425
原创 用AI帮忙，开发刷题小程序：软考真经微信小程序API接口文档（更新版）
本文档详细介绍了软考真经微信小程序的API接口规范，主要包含三个环境配置和三类核心接口：认证接口（微信登录、用户信息）、考试接口（开始/结束考试、题目/错题列表、提交答案）和统计接口。所有请求需携带认证token，遵循标准HTTP状态码规范。小程序为软考考生提供在线考试、错题练习和学习数据统计功能，通过REST API实现前后端交互。文档还提供了典型接口调用示例，如考试流程管理和答题提交等核心场景的实现方式。
2025-10-08 18:00:10
788
原创 用AI帮忙，开发刷题小程序：微信小程序中实现Markdown图片解析与渲染功能详解
本文介绍了在微信小程序中实现Markdown图片解析与渲染功能的技术方案。通过创建工具函数解析包含Markdown图片的文本内容，将其转换为混合数组，并在WXML模板中循环渲染，实现了图文混排效果。该方法保持了内容的原始顺序和语义连贯性，适用于在线考试系统等需要展示图文内容的场景。文章详细说明了核心实现步骤，包括工具函数编写、组件逻辑修改、模板调整和样式优化，并提供了项目源码地址供参考。
2025-10-08 17:39:53
962
原创 用AI帮忙，开发刷题小程序：从零开始，构建微信小程序答题系统
《微信小程序答题系统开发实践》摘要：本文详细介绍了从零开发微信小程序答题系统的全过程。项目采用标准的微信小程序架构，通过组件化设计和TypeScript类型定义确保代码质量。核心功能包括题目数据模型设计、答题流程控制、记录管理机制等，并实现了流畅的滑动切换和实时反馈交互。系统采用API封装和异步加载优化网络请求，最后通过代码优化和全面测试完成部署。项目展现了小程序开发的全流程实践，源码已开源并提供体验二维码。
2025-10-06 19:01:16
2665
3
原创 用AI帮忙，开发刷题小程序：微信小程序在线答题系统架构解析
本项目开发了一个基于微信小程序的在线答题系统，采用原生小程序框架实现组件化开发。系统包含首页导航、答题、学习和记录四大功能模块，通过标准化的exam-question组件统一题目展示，并利用工具类封装核心逻辑。技术亮点包括流畅的交互体验、清晰的数据流设计和组件复用机制。目前系统已实现基本答题功能，支持题目展示、作答验证和结果统计，后续可扩展更多题型和数据分析功能。项目代码已开源，便于开发者参考和学习微信小程序开发实践。
2025-10-06 16:46:32
1569
原创 用AI帮忙，开发刷题小程序，在线答题系统数据库设计文档
本文档描述了在线答题系统的核心数据库设计，包含7个主要数据表： 题目表(question)存储题目基本信息 选项表(question_option)记录题目选项 试卷表(exam_paper)管理试卷信息 试卷题目关联表(exam_paper_question)建立试卷与题目关系 试卷分类表(exam_paper_category)组织试卷分类结构 用户考试记录表(user_exam_record)记录考试整体情况 用户答题详情表(user_answer_detail)记录每题答题详情 每个表包含详细的字段
2025-10-06 11:05:54
920
原创 AIGC入门，手搓大模型客户端与MCP交互
本文介绍了一个基于MCP协议和Ollama本地大模型的智能时间查询系统。该系统由两部分组成：时间服务器(time_server.py)提供获取当前时间和列出时区的工具函数；客户端(time_client_test3.py)利用Ollama模型分析用户查询并智能调用时间服务。时间服务器实现了完整的时区处理和错误提示功能，通过MCP协议暴露工具接口。客户端采用异步连接管理和多重策略解析模型响应，能够智能判断是否需要调用时间服务工具。这种架构展示了如何将大语言模型与专用工具服务相结合，构建既能理解自然语言又能精准
2025-09-16 21:36:01
800
原创 AIGC入门，从理解通信协议sse与streamhttp开始
随着AIGC（生成式人工智能）的普及，大模型如GPT、通义千问等已广泛应用于对话、代码生成、数据分析等场景。这些模型在运行时需要与客户端进行高效通信，SSE（Server-Sent Events） 和 Stream HTTP（流式HTTP） 是两种核心通信协议。本文将结合理论和Java代码示例，帮助你理解这两种协议的原理、区别及在AIGC中的实际应用。
2025-09-16 21:21:30
1132
原创 AIGC入门，程序员的第一个MCP例子
本文展示了一个基于MCP协议的时间查询服务器示例。该Python脚本提供了四个主要功能：1)获取指定时区的当前时间并可自定义格式；2)查询特定时区的详细信息；3)列出常用时区可按地区过滤；4)计算两个时区之间的时间差。服务器通过标准输入/输出(stdio)方式运行，使用pytz库处理时区转换，并提供了清晰的错误处理机制。每个功能都定义了输入参数模式，支持默认值设置，确保接口的易用性。
2025-09-14 17:16:34
886
原创 机器学习入门，用Lima在macOS免费搭建Docker环境，彻底解决镜像与收费难题！
本文介绍了在macOS上使用Lima免费搭建Docker环境的完整方案，解决了Docker收费和镜像访问难题。主要内容包括：通过Homebrew安装Lima工具；使用官方模板或自定义配置启动Docker实例；配置Shell环境变量实现通信；以及验证安装的测试方法。该方法比Docker Desktop更轻量且完全免费，特别适合因公司政策无法使用Docker桌面版的用户。文章还提供了详细的配置示例和关键步骤说明，确保用户能顺利完成安装并运行测试容器。最后附上了相关技术文章的扩展阅读链接。
2025-09-05 17:33:13
895
原创 机器学习入门，第一个MCP示例
本文介绍了MCP（Model Context Protocol）协议及其应用。MCP作为Anthropic提出的开放协议，为AI大模型提供了连接外部资源的标准接口。文章通过六个步骤详细演示了如何搭建MCP服务：首先安装必要组件，然后创建文件管理工具的MCP服务器脚本，接着配置Open-WebUI连接MCP服务，最后进行测试验证。示例代码展示了如何实现列出桌面文件和读取文件信息的功能，并提供了调试建议。该方案使大模型能够直接操作用户本地数据，扩展了AI的实际应用能力。
2025-09-04 21:28:26
1400
原创 机器学习进阶，梯度提升机（GBM）与XGBoost
XGBoost是当前结构化数据竞赛和工业应用中强大的集成学习算法，相比随机森林（Bagging思想）采用Boosting方式串行构建模型，通过纠正前序模型错误提升性能。本文通过鸢尾花分类任务对比两种算法，提供完整Python实现：1）数据加载与预处理；2）训练随机森林和XGBoost模型；3）评估准确率与交叉验证比较；4）可视化特征重要性。XGBoost优势包括：state-of-the-art性能、高效可扩展、内置正则化防过拟合，特别适合表格数据。代码模块化实现包含早停法等高级功能，显示XGBoost测试
2025-09-04 17:01:25
1087
原创 机器学习进阶，一文搞定模型选型！
如何选择适合的机器学习算法？关键步骤包括：1）明确业务目标与评估标准；2）确定问题类型（回归/分类/聚类）；3）分析数据特性（规模、线性、特征等）；4）从简单模型开始（如线性回归/逻辑回归）；5）逐步尝试强效算法（如随机森林/XGBoost）；6）通过交叉验证快速迭代验证。核心原则是：没有"最优"算法，只有最适合具体问题和数据特点的解决方案。建议优先考虑随机森林/XGBoost等对表格数据处理效果好的算法，再根据实际效果调整。最终选择需结合业务需求和实验结果。
2025-09-03 17:57:04
1291
原创 机器学习入门，随机森林算法
随机森林算法是一种集成学习方法，通过构建多棵决策树并采用投票或平均机制来提高预测性能。其核心在于Bagging思想，使用Bootstrap抽样生成多个训练子集，并在节点分裂时随机选择特征子集以增强模型多样性。该算法具有抗过拟合、处理高维数据和评估特征重要性等优势。文中提供了完整的Python实现示例，包括数据加载、EDA分析、模型训练和评估流程，使用鸢尾花数据集展示了随机森林分类器的应用。
2025-09-03 17:34:33
1096
原创 机器学习入门，支持向量机
本文介绍了支持向量机(SVM)在客户信用评分中的应用。SVM通过寻找最优超平面来分隔不同类别数据，最大化边界距离。在银行信用评估场景中，可基于客户收入和负债数据，使用线性核SVM进行高风险/低风险分类。文章提供了一个模块化Python实现，包含数据生成、模型训练、评估和可视化功能，并解释了准确率计算公式。该方案适用于小样本线性可分数据，准确率达100%，支持向量在图中被明确标出。代码采用函数式设计，便于复用和扩展。
2025-09-02 17:03:43
547
原创 机器学习入门，决策树模型详解及完整实现
决策树是一种基于树结构的预测模型，通过一系列"如果...那么..."规则进行决策。它包含根节点、内部节点和叶节点三种节点类型，使用信息增益、基尼不纯度等准则选择最佳分裂点。本文以房价预测为例，展示了如何根据位置、面积等特征构建决策树，并提供了Python实现代码，包括节点分裂、递归建树和预测功能。该简化模型可处理回归问题，通过计算均方误差寻找最佳分裂，支持限制最大深度等停止条件，最终输出易解释的树形结构。
2025-09-02 12:59:01
676
原创 机器学习入门，非线性模型的预测方法之多项式
本文展示了一个带L2正则化的多项式回归模型实现。代码包含数据生成、特征转换、损失计算、梯度下降优化和模型评估等功能模块。主要特点包括：1）生成二次多项式样本数据并添加噪声；2）实现多项式特征转换；3）采用L2正则化防止过拟合；4）使用梯度下降优化算法；5）提供模型评估指标（MSE、RMSE、R²等）和可视化功能。该实现可灵活调整多项式次数，适用于非线性数据的回归分析。
2025-09-01 17:36:09
1345
原创 机器学习入门，非线性规划类模型如何预测
摘要：本文分析了线性模型预测中使用点积的局限性，指出其仅适用于线性关系。针对非线性问题，介绍了多项式回归、神经网络、树模型和支持向量机等预测方法，并提供了各方法的Python实现示例。文章建议从简单线性模型开始，通过可视化分析和交叉验证逐步选择合适模型，同时考虑计算成本。最后强调应根据数据特性和业务需求选择最优预测方法。
2025-08-29 13:16:44
379
原创 机器学习入门，从线性规划开始
本文介绍了机器学习中几个核心数学概念及其实现方法。首先解释了矩阵点积的计算原理，包括不同维度矩阵的点积示例。其次详细说明了偏置项的作用及其代码实现方式，通过添加全1列实现模型截距。重点讲解了梯度下降算法，通过线性回归实例演示参数更新过程，展示如何逐步逼近最优解。最后介绍了回归模型的性能评估指标：MSE、RMSE和MAE，分别解释了它们的计算公式、数学意义及评价标准。这些基础概念为理解机器学习算法提供了必要的数学基础。
2025-08-29 12:11:11
744
原创 自己动手，在Mac开发机上利用ollama部署一款轻量级的大模型Phi-3:mini
Ollama是一个开源的大语言模型运行框架，支持在本地计算机上部署和管理各种LLM。本文介绍了在Mac上通过Docker安装Ollama的详细步骤，包括：1)使用Docker运行Ollama容器；2)进入容器并下载轻量级模型(推荐phi3:mini或llama3.2:1b)；3)通过命令行或API与模型交互；4)可选安装Open-WebUI图形界面。文章还提供了常见问题解决方案(如内存不足错误)和常用命令参考，帮助用户快速上手使用Ollama运行本地大语言模型。
2025-08-21 21:32:54
2186
Servlet 中文乱码问题
2014-10-20
CMPP2.0 CMPP3.0 接口协议
2014-10-20
java中获取HashMap中的table？
2017-05-18
TA创建的收藏夹 TA关注的收藏夹
TA关注的人