将智能体模板复制到工作空间之后，就可以对智能体进行定制化修改和改造，让智能体更符合你的个人需求与真实场景。复制过来后我们就可以在我们的工作空间中可以看到，然后就可以对它进行编辑。复制模板后，你会拥有一个与模板配置完全一样的智能体，并将其改造为更适合自己的应用。例如修改智能体的人设与编排逻辑、为智能体添加插件、工作流、数据库等配置，并在预览与调试区域通过对话调试效果。在对话页面，体验该智能体功能。将智能体发布到各种渠道中，在终端应用中使用智能体。设置智能体的名称和所在的工作空间，并单击。

无论你是否有编程基础，你都可以在扣子平台快速搭建一个 AI 智能体。本文以一个夸夸机器人为例演示如何在扣子平台搭建智能体。

扣子是新一代 AI 应用开发平台。无论你是否有编程基础，都可以在扣子上快速搭建基于大模型的各类 AI 应用，并将 AI 应用发布到各个社交平台、通讯软件，也可以通过 API 或 SDK 将 AI 应用集成到你的业务系统中。

我们经常会看到大模型后面，会跟一个奇怪的后缀，如：1.5b7b8b14b32b70b671b在深度学习领域，“参数量”（Parameters）指模型中所有可调整的权重（Weights）和偏置（Bias）的总数量。1.5b：15亿参数70b：700亿参数671b：6710亿参数这里的"b"代表十亿（billion），是衡量模型规模的直接指标。例如，一个全连接层的参数量计算公式为：参数量 = 输入维度 × 输出维度 + 输出维度（偏置项）

Post-Commit钩子是每个git提交之后运行的脚本。生成README.md文件。使用Llama 3模型对项目进行全面描述。自动提交README.md文件，使用标志机制避免无限循环。

在 GPU 和数据密集型 LLM 的世界中，在各种宝贵资源之间找到平衡非常重要。例如，如果我们希望 LLM 在各种任务中表现出色，可以通过增加参数数量来实现，这反过来会使推理（以及训练）更耗费计算资源。MoE 的出现是为了创建一个规模大、能力强但在推理阶段要求稍低的 LLM。MoE 建议拥有多个（例如 8 个）独立版本的前馈块 (FFN) — “专家” — 以及一个路由器，该路由器决定针对每个特定 token 使用哪个（例如 2 个）专家。你可能会问，“为什么只使用 FFN，而不使用自注意力？

我们很高兴推出 Spring AI MCP，它是模型上下文协议（Model Context Protocol，）的强大 Java SDK 实现。Spring AI生态系统的这一新成员为 Java 平台带来了标准化的 AI 模型集成能力。

还有大量其他模型，从音乐生成器到图像分类器。我甚至还没有介绍计算机视觉和图像分类，因为这已经成为常态。我无法深入研究所有的人工智能和机器学习模型。这会让这篇文章变成一本完整的书，而这本书一出版就会过时。对于 iOS、iPhone、iPad 和 macOS 用户来说，一个重要的工具是苹果自己的Create ML。与 TensorFlow 以及 AWS、Google Cloud 和 Azure 上的所有机器学习工具相比，它看起来就像一个玩具。尤其是用 Python。这很好，因为这些模型可以使用苹果的。

在亚马逊等平台上经营自己的商店时，处理大量的产品图片很快就会成为一项具有挑战性且耗时的任务。大家好！迫不及待地想分享新的 AI 内容！😉今天的重点是产品图片的背景替换，这是一个对在线商店非常有价值的工具。当你在亚马逊等平台上经营自己的商店时，处理大量的产品图片很快就会成为一项具有挑战性且耗时的任务。更不用说聘请设计团队来处理所有产品图片处理的巨大成本了。但现在，在人工智能的帮助下，一切都可以简化并高效完成。你所需要的只是找到适合你需求的正确 AI 设计工具。

首先我们用Cursor 打开刚才的项目，然后重新索引一下，如果不知道这个什么意思，可以看我们之前的文章。imgbb的地址如下，因为我们的工作流的参数，也就是图片是地址，所以这里我们需要一个图片服务器。这里我们可以创建两个Doc, 如果不知道Doc 是什么，可以看我们之前的文档。这里我们把运行之前的图片和运行之后的图片放在了一起方便对比。我们可以切换一下我们的运行环境，选择"iphone"这里我们需要token ，然后测试一下我们的工作流。最后我们可以测试一下，这里的这个请求我们后面用得到。

你可以使用。

本文介绍了使用 Spring AI 框架实现基于 RAG 架构的应用。利用上下文信息形成提示对于从 LLM 生成正确的响应至关重要。因此，Redis Vector（向量）数据库是存储和执行文档向量相似性搜索的绝佳解决方案。此外，对文档进行分块处理对于获取正确的记录和限制提示 Token 的成本也同样重要。

MarkItDown 是 Microsoft 开发的 Python 包，旨在将各种文件格式转换为 Markdown。是 Microsoft 开发的 Python 包，旨在将各种文件格式转换为 Markdown。自首次亮相以来，该库的人气飙升，在短短两周内就获得了超过 25,000 个 GitHub 星！🤯。

Llama 3.2-Vision 是一个多模态大型语言模型，有 11B 和 90B 两种大小，能够处理文本和图像输入以生成文本输出。该模型在视觉识别、图像推理、图像描述和回答与图像相关的问题方面表现出色，在多个行业基准测试中优于现有的开源和闭源多模态模型。在本文中，我将介绍如何调用由 Ollama 运行的 Llama 3.2-Vision 11B 建模服务并使用实现图像文本识别 (OCR) 功能。

虽然这是一个相对简单的示例项目，但它展示了 AI 辅助开发的基本流程和方法。1、交互策略与Cursor进行清晰、具体的对话将复杂需求拆分成小步骤及时反馈和纠正AI的输出2、效率提升善用上下文管理，保持对话连贯性复用已验证的代码片段建立个人的提示词模板​。

本地启动模型推理服务，为后续LLM调用提供API端点Writer智能体通过DeepSeek-R1模型完成原始邮件创作Editor智能体对文本进行结构化重组与语气调整采用SMTP_SSL协议保障邮箱账号认证安全性。

说到大语言模型，不得不提OpenAI。作为行业的开创者，OpenAI用ChatGPT展示了大语言模型的惊人潜力。但有趣的是，在技术发展道路上，OpenAI选择了一条相对封闭的路线。Deepseek选择了一个与众不同的姿态——开放共享。当笔者深入研读Deepseek的技术文档时，不禁为其披露技术细节的诚意所打动。相比之下，回想前几年研究OpenAI发布的论文时，核心技术细节往往语焉不详。

阿里云 AI 搜索开放平台面向企业及开发者提供丰富的组件化AI搜索服务，本文将重点介绍基于AI搜索开放平台内置的 DeepSeek-R1 系列大模型，如何搭建 Elasticsearch AI Assistant。接下来就能使用 DeepSeek-R1等系列 的大模型，使 AI Assistant 发挥更好的效果，帮助用户高效完成对 Elastic 的各种操作。在创建Connector(连接器)的页面上，参考上述文档步骤10，在默认模型选项上，将模型设置成“deepseek-r1”。

坐我旁边的同事体验了一早上，直言这是他用过最聪明的 AI 编码助手了，还不用充值购买 DeepSeek API 的 tokens（纯白嫖），强烈要求我写个手摸手的教程，给大家普及一下。除了解释一个完整的类，每个方法的左上角也会有一个通义灵码的小图标，点击它，就可以调出“解释代码”、“优化代码”、“生成单元测试”等功能，非常方便。比如说，当你不知道 nohup 命令运行 jar 包的完整命令，就可以这样做，然后补齐完整的命令后，直接运行，不用再切换到终端窗口了。阿里云靠开源，把自己送上了这个生态的核心位置。

Spring Boot 实现提供了一个健壮、可扩展的 DeepSeek API 调用方案，利用响应式编程提供高效的流式对话体验。

今天我们来学习Cursor 的代码版本管理，其实几乎所有的代码开发软件都有代码版本管理的功能，但是这些功能都是通过集成git 或者是svn 实现的。这里其实是我们操作有误，第一次我们添加的是url ，确定之后它要我们输入仓库名称，输入之后就正确了。注册之后，登陆，然后创建仓库，下面是我创建的仓库，也就是一个项目。这下我们可以回到gitee ，就可以看到我们刚推送上来的代码了。然后输入提交信息，进行提交，我们之前没有暂存，所以这里选择是。到这里我们的代码版本管理功能就介绍完了。按照里面的说明进行安装即可。

同时，深度思考不仅增强了模型的推理过程，还有效提高了推理的准确性，从而使模型能更精准地理解用户需求。尽管DeepSeek在多个领域展现了卓越的性能，但由于硬件资源的限制和系统负载过重，它在高并发使用时常出现不稳定的情况，特别是在大量用户同时进行深度学习训练时，系统容易出现卡顿或响应迟缓的现象。联网搜索功能则通过实时收集和整合网络上的最新资料，确保模型能够基于最前沿的信息进行推理，并最终输出更加全面和准确的结果。我们的代码也比较简单，之前我这里请求的是本地模型，现在这里是字节的模型。

DeepSeek与ChatGPT的技术路线差异，本质是“垂直深耕”与“通用扩张”的路径选择。前者以开源生态与行业Know-How构筑护城河，后者依赖算力霸权与全球化数据网络。在可预见的未来，二者将分别主导东西方AI市场，而混合架构（MoE+Transformer）与联邦学习可能成为下一代模型的突破方向。

1.操作简单：整体操作流程较为简洁。用户只需根据阿里云提供的实操手册进行步骤操作，即可顺利完成API调用的配置和测试。对于熟悉阿里云产品的用户来说，界面非常熟悉，设置过程不会遇到过多的复杂步骤。5-8分钟左右可以搞定。2.易用性：手册详细说明了每个步骤的操作，用户只需按照提示逐步完成配置即可。通过百炼平台，用户能够轻松获得API-KEY并进行配置。对于没有使用过阿里云的用户，手册也提供了完整的指导，帮助用户顺利开始。3.用户友好性。

AI 时代腾讯的优势巨大，具体不是提现在技术上，而是微信的生态。基本每个中国人只要会上网都得使用微信，这么强大的一个生态当接入 DeepSeek 后，无疑会爆发出巨大的能量。“ima知识库”就像你在微信里的私人知识库助手，上传所需的文档、文章等资料或者公众号文章，即可构建你的专属智库。上传的垂直领域资料越多，系统在相关赛道的解答就越深入全面，后续在更多垂直领域比拼的就是知识库数。

cline插件的MCP Servers是干什么用的cline插件的 plan和act模式有什么区别等。前往项目开源地址 https://github.com/cline/cline/tree/main。

由于近期 DeepSeek 使用人数激增，服务器压力较大，官网已，且接口响应也开始不稳定，建议使用第三方部署的 DeepSeek，如或者使用其他模型/插件，如或者一步到位，使用完全体的 AI编辑器(收费，每月$20，2周试用) /(完全免费，字节出品，中文更友好)DeepSeek V3 是一个拥有 6710 亿参数的专家混合（MoE）语言模型。最新评估表明，DeepSeek V3 已经超越了其他开源模型。重点是：国内(不需要工具)，便宜(10块钱大约500万tokens)。

DeepSeekAPI接口是一组基于RESTful架构的Web服务，允许开发者通过HTTP请求与DeepSeek平台进行交互。通过调用这些接口，开发者可以实现数据的自动上传、分析、结果获取等功能。DeepSeekAPI支持多种编程语言，如Python、Java、JavaScript等，方便开发者根据自身需求进行集成。DeepSeek API接口为开发者提供了强大的数据挖掘与分析能力，极大地简化了数据处理流程。通过调用这些接口，企业和开发者可以快速获取有价值的洞察，提升业务决策的准确性和效率。

上面的分析案例，总体来说我觉得Cursor 做的还是很不错的，因为我们并没有提一些很具体的建议，其实如果我们要是能更加准确的提出我们想要的效果Cursor 可以做的更好。

其实生成测试数据是我们工作中比较常见的一种场景，我们借助Cursor 其实可以帮我们节约很多时间。

与 CodeGPT、GitHub Copilot 等类似，它基于大语言模型（如 OpenAI 、DeepSeek 或其他模型），为开发者提供实时代码生成、问题解决、单元测试生成等功能。IDEA 右侧便可以看到 Continue 的图标，选择添加 DeepSeek 模型和 DeepSeek Coder，再填写 DeepSeek API Key。：由于一些特殊原因，目前 DeepSeek 官方提供的 API 稳定性非常差，我在测试的时候经常遇到无法使用的情况。（macOS），在窗口左侧的导航栏中选择。

但是我们发现这个插件还是有问题，中间的区域不现实内容，这里我们再调整一下，而且这里还有个问题，就是翻译和总结的这两个菜单有问题，不方便，我们直接两个并排放着吧。之前我们使用Cursor 开发了一个小红书海报生成的网站，今天我们使用Cursor开发一个浏览器插件,网站开发可以参考之前的文章。可以看到我们的文件都生成了，这里需要一个Kimi 的API key ,需要我们去官网配置。因为这里我们涉及到一个插件的图标，这里我们创建了一个文件夹，放了几张图标的图片。我们看到生成的过程中，它检查了Kimi 的API。

页面描述，只是输入了我们想要的文本信息，因为这里我们是生成小红书海报的，所以我们需要在请求大模型的时候，对页面描述信息进行补充，方便大模型更好的生成页面信息。对于很多做自媒体的人而言，做图其实是非常常见的，尤其是小红书，小红书的高质量笔记要求至少三张图，很多时候我们要做文字图片，就是图片中主要是文字介绍产品。我们先看一下效果，首先是我们有个页面描述，然后点击生成代码，生成的是HTML 代码，然后我们点击预览，就可以看得到预览效果。这两个地方我们都是需要使用大模型的，这里我选择的是。

通过以上六个步骤，我们已经完成了基于 DeepSeek 的企业数据治理体系的搭建。1.试运行：选择一个小规模的数据集进行试运行，验证整个流程的可行性。2.优化调整：根据试运行的结果，优化数据清洗、分类和关联的规则。3.全面推广：将整个流程推广到企业的所有业务系统中。

今天我们来看一下关于去某鱼或者某宝上购买的账户不稳定的问题，我遇到的是前一天刚购买今天就用不成了，多次联系客服都解决不了，我们看看自己能不能解决这个问题，其实也简单，因为我们知道Cursor有个两周的免费试用时间，我们只要用好这个福利就能无限续杯。前面我们在基础篇的时候，介绍过Cursor账户相关的问题，毕竟Cursor是个付费软件，而且收费还不低，所以这个问题会一直存在，其实很多人利用解决这个问题已经赚到钱了，关于账户的问题可以看之前的文章。重新登陆，可以用我们刚才删除的账户，或者这里可以选择注册。

通过以上步骤，你就成功地将 DeepSeek 集成到了 IDEA 中。在今后的编程工作中，你可以尽情享受 DeepSeek 带来的便利和高效，感受它为你带来的那些温暖治愈的瞬间，领略编程世界的无限魅力。

在数据与大模型交汇的时代浪潮中，Apache SeaTunnel以开源之力重新定义了数据集成工具的边界。无论是降低AI应用门槛，还是加速企业智能化转型，SeaTunnel正成为开发者与企业的首选武器。立即行动，搭乘这趟开往未来的数据快车，共同书写智能时代的新篇章！

这是我发现一个比较好玩的应用场景，其实我们知道Cursor主要是用来生成代码的，但是只要我们用的好，Cursor 可以帮我们完成的事情，其实不止是写代码，因为Cursor 借助大模型是理解了我们的上下文和意图的，那么它能完成的事情就很多。像我们之前就是使用Cursor来帮我们写文章，甚至是爬取文章和编辑整理文章，可以参考之前的文章。例如你丢给它一个文件让它整理核心观点，然后整理成表格给你，这里我找了一份关于养老政策的。生成的效果如下，简直完美，还增加了一些信息。你甚至可以让它整理成这样的。

蒸馏版本本地化部署的意义在于，可以免费使用个人电脑算力进行逻辑推理。而且，蒸馏模型相对于教师模型，是一个体积缩小60% 到80%、推理速度提升3~5倍，同时保留90%+原模型性能的轻量级模型。在 AI 应用高算力、堆硬件需求的当今而言，有多么宝贵！蒸馏模型的应用场景移动端应用：将百亿参数模型（如GPT-3、PaLM）蒸馏为适用于移动端的小模型（如Hugging Face的DistilGPT-2）。低延迟推理：在边缘设备（如手机、IoT）部署轻量蒸馏模型，满足实时性需求（如实时翻译、自动驾驶感知）。

前面我们演示了使用Cursor阅读开源项目，这里我们看一下如何使用Cursor生成AI工作流，现在的Ai 工作流工具很多，各个平台各有千秋，工具太多对我们而言是有学习成本的，现在有了Cursor我们就可以让Cursor根据不同工具的使用说明给我们生成工作流了。这里我们就可以打开dify 的官网，上传我们刚才生成的工作流，当然我们也可以本地部署dify ,关于本地部署可以参考之前的文章。菜单中看到我们已经添加了那些文档，这里我们就只有一个。这里我们就使用dify 的官方文档就可以了。