lamanchas的博客

原来是使用90％的脑仁儿交出一个60％的输出，现在，50％甚至是30％的脑仁利用率，交出一个80％的输出。且心满意足，停止思考。对于自己来说，发布技术文章，回到了最初的样子，记录和输出，而不是指望它能带来多大的关注度。是能弥补很多输出内容上的不足，但自己的脑子好像并不能快速吸收进来这些'补品'。不过可能还不如当初，现在甚至连发布，也开始要借助于大模型的优化和完善。大模型成熟之后，查找csdn的频率肉眼可见的变低。原本想要锻炼的表达能力，也缺少了训练的意义。

3. 如何才能识别到异常问题——提前对整体的项目做结构化的分解、定义，设立评价标准权重等，针对每个环节的异常有预判以及影响性评估。2. 实际落地中，尽管有优化方式的总结，但却很难识别到异常问题的原因，无法做出有效的优化。RAG的本质：构建一条高质量的提示词Prompt。让大模型理解你的业务（知识增强==》RAG）人类与大模型的交互方式：只有提示词。1. 定位到问题所在，才能进行优化。

【预留】Dify：step4 提示词工程

【预留】Dify：step3 知识库 分段、清洗、检索

摘要：Dify是一个工作流模拟工具，通过Docker容器化部署其运行环境（含API、数据库等组件）。Ollama作为大模型管理平台，可本地或Docker部署，为Dify提供模型支持。配置时需修改Dify的.env文件，添加Ollama的API地址（如host.docker.internal:11434），并确保模型名称与Ollama中的Name一致。关键步骤包括：安装Ollama桌面版、本地部署模型（如llava/deepseek）、在Dify中添加Ollama供应商并匹配模型名称。（149字）

本文记录了在Mac系统上部署Dify平台的过程及问题解决。主要步骤包括安装Docker桌面版、下载Dify源码、通过Docker启动服务。实际部署耗时两天，遇到Docker版本过旧、系统版本过低、brew镜像源、文件权限、Docker命令缺失等问题。通过豆包屏幕共享、DeepSeek验证、CSDN教程和B站视频等工具，最终解决了所有问题并成功部署。文中详细记录了每个问题的分析过程和具体解决方案，包括系统升级、镜像源更换、环境变量配置等操作，为类似环境下的部署提供了参考。