搜索[LLM]结果-低调大师优秀个人博客

精选列表

搜索[LLM]，共5758篇文章

多 Provider LLM 集成指南：何时使用 Codelux CLI，何时需要 AI Gateway？

第一个 LLM API 接入通常并不复杂：保存一个 API Key，调用一个接口，再处理模型返回的文本。真正的摩擦往往出现在第二个、第三个 Provider 加入之后。

2026-09-19

Dify 部署教程：私有化 LLM 应用平台搭建与模型接入

## 摘要 Dify 是开源的大模型应用开发平台，提供可视化工作流编排、知识库检索、智能体框架和 API 发布能力，让「把模型变成可用的应用」这件事不必从零写代码。本文完成 Dify 社区版的私有化部署，包含资源规划、Docker Compose 启动、模型供应商接入、知识库配置、API 调用与反向代理，并说明多容器架构下的常见故障定位方法。 ## 一、Dify 解决什么问题拿到一个能对话的模型之后，距离可用的业务应用还有不少工作：提示词要管理和版本化、文档要切分和向量化才能被检索、多步骤流程要编排、对话历史要存储、还得暴露 API 给其他系统调用。这些工程工作自己搭一遍要花不少时间。 Dify 把这些能力封装成平台： - **可视化工作流**：把模型调用、条件判断、工具调用、数据源串成流程，不用写胶水代码。 - **知识库检索**：上传文档后自动完成切分、向量化和索引，支持基于文档内容的问答。 - **智能体框架**：构建能调用工具的智能体。 - **模型无关**：可以接入不同厂商的模型 API，也能接本地部署的模型。 - **API 优先**：每个构建好的应用自动获得可调用的接口。选择私有化部署而非云端服务的理由通常是：处理的数据不便上传到外部服务、需要控制使用哪些模型、或希望把整套 AI 能力放在自己的基础设施里。需要提前说明的是，社区版的默认部署方式适合中小规模使用。面向大量并发用户的生产场景，需要额外设计消息队列、多副本和负载均衡，这超出了本文范围。 ## 二、资源规划 Dify 不是单个进程，而是一组协同工作的容器，通常包括 API 服务、前端、后台任务处理、关系型数据库、缓存和向量数据库。这决定了它的资源需求比单体应用高。 |项目|最低要求|建议配置| | --- | --- | --- | |CPU|2 核|4 核及以上| |内存|4 GB|8 GB 及以上| |磁盘|50 GB|100 GB 及以上| |操作系统|Ubuntu 22.04 / 24.04 或 Debian 12|同左| 内存是这里的关键项。多个容器同时运行，4 GB 属于勉强能跑起来的下限，在文档批量导入和向量化时容易触发内存不足。如果打算实际使用知识库功能，建议直接 8 GB 起步。关于是否需要 GPU：Dify 本身不做模型推理，它调用外部模型接口，所以不需要 GPU。只有当你打算在同一台机器上同时部署本地模型服务时，才需要考虑 GPU 和相应显存。两者也可以分开部署在不同机器上，Dify 通过网络调用模型服务。前置条件：已安装 Docker Engine 与 Docker Compose 插件。执行以下命令确认： ``` docker --version docker compose version ``` 两条命令都能正常输出版本号才能继续。注意 Compose 命令是 `docker compose`（中间空格），旧版的 `docker-compose` 与之不通用。 ## 三、部署 Dify Dify 官方提供了完整的 Compose 配置，直接使用官方文件，不要自己拼装——各组件之间有版本对应关系，手写容易踩到兼容问题。拉取代码并进入部署目录： ``` git clone https://github.com/langgenius/dify.git cd dify/docker cp .env.example .env ``` 编辑 `.env` 文件，重点关注几项配置： ``` nano .env ``` 必须修改的项： |配置项|说明| | --- | --- | |SECRET_KEY|会话加密密钥，务必改成随机长字符串| |DB_PASSWORD|数据库密码，改掉默认值| |REDIS_PASSWORD|缓存服务密码，改掉默认值| 生成随机密钥可以用： ``` openssl rand -base64 42 ``` `SECRET_KEY` 要在首次启动前就设定好。启动之后再改会导致已有会话失效。默认端口如果与机器上其他服务冲突，可以在 `.env` 中调整对外暴露的端口。启动服务： ``` docker compose up -d ``` 首次启动需要拉取多个镜像，总体积较大，耗时取决于网络速度。如果拉取缓慢，可以先配置容器镜像加速。查看容器状态： ``` docker compose ps ``` 所有容器状态应为 `running`。有容器处于 `Exited` 状态时，查看它的日志定位原因： ``` docker compose logs api --tail 100 docker compose logs worker --tail 100 ``` ## 四、初始化与模型接入 **完成初始化** 在浏览器访问 `http://服务器IP/install`，创建管理员账号。这是第一个账号，自动获得管理员权限，凭据请妥善保存。如果页面打不开，先确认端口已在控制台放通。轻量应用服务器在实例详情页的「防火墙」页签点击「添加规则」，协议选 TCP、填入端口、策略选允许；云服务器 CVM 在安全组的「入站规则」中添加。 **接入模型** 登录后进入「设置」→「模型供应商」。Dify 支持接入多种模型来源，选择方式取决于你的场景。接入本地部署的模型服务时，以 Ollama 为例，填写： - 模型名称：与本地已下载的模型名一致，例如 `qwen2.5:7b`。 - 基础 URL：这一项最容易出错，需要按部署方式区分。关于基础 URL 的填法，这是新手最常卡住的地方： |部署情况|应填地址| | --- | --- | |模型服务在宿主机，Dify 在容器|http://host.docker.internal:11434| |模型服务与 Dify 在同一 Docker 网络|http://容器服务名:11434| |模型服务在另一台机器|http://对方内网IP:11434| 填 `http://127.0.0.1:11434` 一定不通。因为在容器内，`127.0.0.1` 指向容器自己，而不是宿主机。如果模型服务在宿主机上，还需要确认它监听的是 `0.0.0.0` 而非仅 `127.0.0.1`，否则容器无法连入。配置完成后点击保存，Dify 会发起一次连通性校验。校验通过后模型才可在应用中选用。 **配置嵌入模型** 如果要使用知识库功能，除了对话模型，还需要配置一个嵌入模型用于把文档转成向量。这一步经常被漏掉，表现为知识库上传文档后一直处于处理中或直接报错。嵌入模型同样在「模型供应商」中配置。 ## 五、构建第一个应用 **基础对话应用** 进入「工作室」→「创建应用」，选择聊天助手类型。在编排界面： 1. 选择已配置的对话模型。 1. 填写系统提示词，定义助手的角色和回答风格。 1. 在右侧调试区输入问题，验证回答是否符合预期。 1. 确认无误后点击发布。发布后应用会获得一个可访问的网页地址和一组 API 凭据。 **知识库问答** 进入「知识库」→「创建知识库」： 1. 上传文档，支持常见的文本和文档格式。 1. 选择分段方式。文档结构规整时用自动分段即可；文档层级复杂或段落很长时，手动调整分段大小和重叠长度效果更好。 1. 选择嵌入模型，开始处理。文档处理需要时间，数量多时耗时较长。处理完成后在知识库的命中测试中输入问题，检查检索到的片段是否相关。这一步很关键——如果检索片段本身就不对，后面模型生成的回答一定不准，问题出在分段和检索配置，而不是模型。然后在应用编排中关联该知识库，让应用回答时先检索文档再生成。 **API 调用** 在应用的 API 访问页面获取密钥，调用方式示例： ``` curl -X POST 'http://服务器IP/v1/chat-messages' \ -H 'Authorization: Bearer 你的API密钥' \ -H 'Content-Type: application/json' \ -d '{ "inputs": {}, "query": "你好", "response_mode": "blocking", "user": "test-user" }' ``` 返回 JSON 中包含回答内容即表示接口正常。 ## 六、验证部署是否成功逐层确认，不要只看页面能打开。容器全部健康运行： ``` docker compose ps ``` Web 界面可访问：浏览器打开服务地址，能正常登录。模型连通性正常：在「模型供应商」中模型显示为可用状态。对话链路通畅：在应用调试区提问并得到回答。这一步验证了从前端到 API 到模型的完整链路。知识库检索有效：在命中测试中输入问题，返回的片段与问题相关。 API 可被外部调用：用 curl 成功获得响应。后台任务正常：查看 worker 容器日志，确认没有持续报错。文档处理、异步任务都依赖 worker，它挂了的话表现是文档一直处理不完，而前端界面看起来正常。 ## 七、配置域名与 HTTPS 用 IP 加端口访问只适合测试。正式使用建议配置域名和 HTTPS，尤其是需要在移动端或跨网络访问时。推荐用反向代理接管入口。先在域名服务商处添加 A 记录指向服务器公网 IP，解析生效后配置代理转发。以 Caddy 为例： ``` dify.example.com { reverse_proxy 127.0.0.1:80 request_body { max_size 100MB } } ``` `request_body max_size` 需要按知识库上传的文档大小调整。默认值偏小会导致上传大文件失败并返回 413，而这个错误在 Dify 界面上往往只显示为上传失败，看不出真正原因。配置完成后，还需要在 Dify 的 `.env` 中把对外访问地址改为新域名，否则应用内生成的链接仍指向旧地址： ``` nano .env # 修改 APP_WEB_URL 等地址相关配置为 https://dify.example.com docker compose down && docker compose up -d ``` 服务器位于中国内地且使用域名对外提供服务时，需要先完成 ICP 备案。 ## 八、常见问题与排查 **容器启动后反复重启** 查看具体容器日志定位。常见原因：`.env` 中数据库密码与已初始化的数据库不一致（改过密码但没清理数据卷）；内存不足被系统终止；端口被占用。内存不足的特征是容器状态显示 `Exited (137)`。用以下命令确认内存压力： ``` free -h docker stats --no-stream ``` **模型连通性校验失败** 九成是基础 URL 填错。按第四节的表格核对填法。确认无误后，进入容器内部实测连通性： ``` docker compose exec api curl -I http://host.docker.internal:11434 ``` 不通说明是网络层问题，检查模型服务的监听地址和防火墙规则。 **知识库文档一直处于处理中** 先确认嵌入模型已正确配置，这是最常见原因。再查看 worker 容器日志，处理任务由 worker 执行，它异常时任务会一直挂着。文档数量大时处理确实需要时间，可以对比日志中的进度判断是卡住还是在正常处理。 **上传文档失败** 检查反向代理和 Web 服务器的请求体大小限制，两处都需要放宽。Dify 自身也有文件大小上限配置，可在 `.env` 中调整。 **回答质量不理想** 先区分问题出在检索还是生成。用知识库的命中测试单独验证检索效果：如果检索片段本身不相关，需要调整分段策略、增大重叠长度或更换嵌入模型；如果检索片段是对的但回答跑偏，则需要优化提示词，明确要求基于给定内容回答。 **响应缓慢** Dify 本身开销不大，延迟主要来自模型推理。如果用的是本地模型，检查模型服务的资源占用；如果调用外部 API，延迟受网络和对方服务影响。同时确认机器内存是否充足，内存紧张会导致容器频繁换页，整体变慢。 **升级后出现异常** Dify 迭代较快，部分版本升级涉及数据库结构变更。升级前务必备份数据卷并创建实例快照，并先阅读版本发布说明确认是否有需要手动执行的迁移步骤。 ## 九、维护与合规建议 **备份两部分数据**：数据库中的应用配置、对话记录和知识库元数据，以及存储卷中的原始文档文件。两者要一并备份，只备份其中一个恢复出来是不完整的。建议把备份同步到对象存储，不要只留在本机。 **变更前创建快照**：升级版本、调整配置前先给实例创建快照。轻量应用服务器在实例详情页的「快照」页签操作，通常 5 分钟内完成且无需关机。回滚会将整块系统盘恢复到快照时间点，之后写入的数据会被清除，运行中的实例会自动关机。使用存储型套餐的实例不支持创建快照。 **收紧访问范围**：Dify 后台包含所有应用配置和知识库内容，不应对全网开放。建议在防火墙规则中限制来源 IP，或通过反向代理叠加一层认证。 **数据授权边界**：上传到知识库的文档必须是你有权使用和传播的内容，不要把未获许可的第三方资料放进去。对外提供服务时，还需注意知识库内容不应包含个人敏感信息。 **输出内容审核**：模型生成的内容需要人工抽查，尤其是用于对外发布或辅助决策的场景。生成结果可能包含不准确信息，不宜直接采信。 **关注资源增长**：知识库文档和向量数据会持续占用磁盘，对话记录也会累积。定期检查磁盘水位，数据增长较快时可为数据目录单独挂载云硬盘。部署完成后，如果需要在同一环境接入本地模型以降低对外部 API 的依赖，或需要给平台配置统一的域名入口和访问认证，可以作为下一步的工作。需要 GPU 环境来同时部署本地模型时，[高性能应用服务 HAI](https://cloud.tencent.com/product/hai) 的预置 GPU 镜像可以省去驱动配置；只部署 Dify 平台本身并调用外部模型 API 的话，[云服务器 CVM](https://cloud.tencent.com/product/cvm) 在规格调整上更灵活。

2026-09-13

DataBuff v0.1.9 发布 · SkyWalking 8.x 接入 + LLM 凭据加固

这版主要补三块：老 SkyWalking 8.0–8.3 Agent 能直接打进来、配置里把 LLM 供应商管完整、以及 Agent Shell / 只读 SQL 摸不到 LLM 密钥表。

2026-09-08

Awesome LLM Apps：100+ 个手写的 AI Agent 应用样板库

# Awesome LLM Apps：100+ 个手写的 AI Agent 应用样板库 --- **Awesome LLM Apps** 是一个开源的 AI 应用样板库——100+ 个 AI Agent

2026-08-31

Spring 之父的 Agent 框架 Embabel：把"规划"从 LLM 手里抢回来

而不像 LLM 一样，背后藏着几百亿参数，让你根本无法解释它为何那样决策。" !

2026-08-26

基于Python与LLM的RAG系统实战：从Embedding到推理优化

# 基于Python与LLM的RAG系统实战：从Embedding到推理优化 > 腾讯云专栏 · 技术深度剖析 · 2026-08-15 --- ## 引言检索增强生成（RAG）是当前大模型落地中最具工程价值的范式之一

2026-08-15

研究者发现可以从商业 LLM API 中窃取推理轨迹

一篇名为"Stealing Reasoning Traces from Proprietary LLM APIs"的研究论文展示了一种攻击手法，可以从商业 LLM API（如 OpenAI

2026-08-13

基于LLM的云原生故障根因定位与自愈系统设计

我们的团队在过去两年中，逐步构建了一套基于大语言模型（LLM）的云原生故障根因定位与自愈系统，内部代号**Hermes**。

2026-08-09

第 13 篇：验证循环 —— 规则验证、视觉反馈与 LLM-as-Judge

**后端类比**：LLM-as-Judge ≈ 自动化 Code Review。就像 SonarQube 用规则引擎检测代码异味，LLM-as-Judge 用语言模型检测语义问题。

2026-08-07

从 LLM 评测到 AI Agent 评测，我的一些思考！

过去做 LLM 评测，准备好数据集，跑一轮，对对答案，出个分数，完事。

2026-07-24

别先堆 Agent：LLM、RAG、Agent 的调用边界才是真问题

DigitalHuman 早期 ASR→LLM→TTS 卡在约 2s；HeroDash 客服上量后，并发和口径一起爆。问题不在模型不够聪明，在**调用边界没画清**。先定「什么时候不该调模型」。

2026-07-23

LLM API选型避坑指南：我的实战经验总结

LLM API选型避坑指南：我的实战经验总结最近两年，我一直在给不同规模的企业做AI集成方案，发现很多人一上来就问“哪个LLM API最好用”。这是个真实问题，但答案其实很复杂。

2026-07-13

LLM API调用成本高？我来聊聊怎么省钱又不踩坑

LLM API调用成本高？我来聊聊怎么省钱又不踩坑如果你是一个正在做AI应用开发的工程师，或者是个刚入行的创业者，这篇文章就是为你写的。

2026-07-10

LLM 正在侵蚀我的软件工程师职业生涯

我带着最少的人工智能辅助完成了第一份文档——当时我甚至把LLM称为"随机鹦鹉"，这个观点我后来不再持有了。

2026-06-11

你对 LLM 的评估体系会失效，而你甚至不会察觉

刚从 Deepmind 离职的工程师 Lun Wang 发表关于大模型性能评估的文章：《你对 LLM 的评估体系会失效，而你甚至不会察觉》。

2026-05-18

Zig 项目全面禁止 LLM 辅助贡献：押注于人而非代码

这项政策明确禁止在所有 issue、Pull Request 及评论中使用 LLM 辅助生成内容，引发了开源社区对 "AI 与开源治理" 关系的广泛讨论。

2026-04-30

LLM 扩展方式的三年演进之路：复杂之后，回归简单

编者按：在当前 LLM 能力日益增强、扩展方式不断演进的背景下，我们是否正在走向一种“越复杂越强大”的技术路径？抑或，真正的突破恰恰源于回归简单与通用？

2025-12-24

SLS 脱敏函数实践：构建 LLM 应用数据输出的安全防线

作者：孙玉梅注：本文数据都为模拟生成。引言过去两年，电商客服、工单、物流等环节的自动化正急速推进。一个智能助手可以同时处理上百条退款请求、物流查询、账单追踪；它不知疲倦地与用户对话，也在后台不停调用接口、记录日志、汇总报表。在这些自动化交互中，隐藏着大量敏感数据：用户咨询里可能出现手机号、订单号、收货地址；后端业务日志中常常包含银行卡号、接口 IP、账户 ID；工单流转过程中甚至会附带内部 Token、用户名。这些信息若在系统内未经处理地流转、存储或导出，不仅违反数据最小化原则，更可能在调试、共享或导出日志时意外泄露。然而，现实场景中我们又无法简单地"少打日志"或"去掉字段"。日志是运维排障的工具，是运营分析的基础，也是安全审计的依据。本文将以一个电商 Copilot Demo 为例，展示如何借助阿里云日志服务（SLS）的脱敏函数，在不改变业务逻辑的前提下，确保系统中的敏感数据隐私安全。方案全景：智能化与数据安全的融合整体设计系统的上层编排由 Dify 平台完成，Dify 负责协调用户输入、意图识别、调用后端服务以及生成回复，是整个 Copilot 系统的中枢。但在实践中发现一个关键问题，Dify 自身的数据链路观测并不细粒度，主要体现在：平台主要提供节点级执行日志；但对下游 API 调用、异常堆栈、耗时分布的观测有限；出现故障时，Dify 内置日志往往不足以支撑排障与审计。因此，选择在 Dify 服务部署侧通过 LoongCollector 采集服务日志，通过 LoongCollector 将日志统一推送到 SLS LogStore。数据流：采集来源统一，同时采集 Dify 编排日志、后端服务日志、系统标准输出，并以固定的日志格式输出，完整的数据流转时序图如下：写入脱敏：通过写入处理器配置 SPL 脱敏（mask）函数，确保敏感字段在入库时已被打码。使用层：不管是运维、运营或者安全同学，都可以基于脱敏的 Logstore 数据做可以做相关业务分析。日志链路数据采集 LoongCollector [ 1] 作为一款轻量级日志采集工具，支持采集主机文本日志、Kubernetes 集群容器日志、HTTP 数据等不同的数据源，当前 Copilot Demo 日志以 JSON 格式打印在主机日志目录中，此处接入单行文本日志即可：配置日志所在的文件路径：写入脱敏 SLS 提供的 mask（脱敏）函数，支持内置和关键字匹配两种模式，能高效、精准地识别并脱敏日志中的敏感信息：内置匹配（buildin）： mask 函数开箱即用，内置了对常见 6 种敏感信息（如手机号、身份证、邮箱、IP 地址、座机电话、银行卡号）的识别能力。关键字匹配（keyword）：智能识别任意文本中符合 "key":"value"、'key':'value' 或 key=value 等常见 KV 对格式的敏感信息。针对文中电商 copilot 日志，在对应的 project 中新建数据处理器（配置下图 SPL 配置），即可智能识别并对 IP 地址、邮箱等敏感内容进行脱敏。其中手机号、身份证号、信用卡号、姓名以及地址信息，定制化地保留前后缀。详细配置介绍可参见《无需复杂正则：SLS 新脱敏函数让隐私保护更简单高效》。配置写入处理器使任务生效：选择待应用的 logstore，在写入处理器 tab 中应用上面新建的处理任务。脱敏前后日志对比对比脱敏前的数据可以看到：按需保留，安全与可用性兼顾：针对不同敏感字段，可定制化保留前后缀字符。手机号保留前三后四位，既保护了用户隐私，又方便运维人员进行问题排查和用户身份核验，在保障安全的同时兼顾了数据可用性。配置极简，无需正则：关键字匹配模式下，即使数据嵌套多层 JSON 结构，也只需配置最内层的 Key 即可精准匹配 Value 进行脱敏，同时无需编写复杂的正则表达式来兼容各种 key:value 对格式，大大降低了配置难度。中文精准脱敏：姓名与地址精确按照配置的规则进行打码，避免因编码问题导致脱敏失效。此外，mask 函数相较于使用正则表达式进行脱敏，在性能上具有显著优势，可有效降低日志处理延迟，提升整体性能。尤其是在复杂或者数据量巨大的场景下，性能优势更为明显。使用层日志分析数据脱敏让同一份日志呈现出三种"视角"：运维看到调用链与性能瓶颈，却看不到隐私；运营看到趋势、效率与体验，却看不到个体；安全看到策略执行与留痕证据，却无需担心遗漏。在这套体系中，数据不再是一座孤岛，而是一套有边界的智能资产，数据合规、分析、排障三者可以并行。运维工程师：定位对于运维团队来说，以往排障往往依赖包含用户手机号、地址、账户号的明文日志，这在合规上存在高风险。现在，脱敏后的日志让这一过程从源头安全化，在问题定位场景中通过 trace_id 检索即可复原整个调用链：从 Copilot 的意图识别开始；到订单服务 → 退款服务 → 第三方支付网关；再到返回结果与耗时。需要核对用户身份时，日志里只保留了脱敏后的银行卡号、手机号等信息，足以和业务侧"同一用户"比对，而不会暴露原值。即便是跨团队协查，也能直接在脱敏日志上定位问题，避免泄露风险。运营团队：分析报表的价值在于发现整体趋势，而非窥探个人信息。在脱敏运营报表中，用户信息已匿名化处理，仅保留关键业务指标，助力团队从数据中挖掘洞察。从这份报表中，运营团队可以快速了解：整体概况：UV、PV 等关键指标，Copilot 交互次数，以及咨询总量，快速掌握运营概况。咨询分类：退款、商品、物流咨询占比，清晰了解用户关注点。问题分类：掌握用户提问的侧重点，如功能、价格、规格等。重复咨询率：衡量服务质量，快速定位需要优化的环节。用户行为：咨询后购买转化漏斗，以及热门咨询关键词，助力优化产品和营销策略。重点用户：Top 10 咨询用户，虽然用户信息脱敏，但可通过 VIP 等级和咨询次数，制定差异化服务策略。此外，报表中所有用户信息都经过脱敏处理，电话号码、姓名等个人信息均被掩码，确保无法反推到具体用户，充分保障用户隐私。安全与合规团队：审计对安全与合规团队而言，日志的最大风险在于"存量明文"。本文中的脱敏方案将脱敏前置：数据在写入前已被处理，这从根本上消除了敏感数据脱敏覆盖不全与导出明文数据的可能。此外，SLS 还提供完善的合规支撑能力：数据存储：支持自定义日志存储时间，对网络审计相关日志设置>180 天的存储天数，满足安全审计要求。数据操作审计：日志使用过程中会存在用户级操作行为，这些不管是管控层面的控制台操作、OpenAPI 调用，或者数据面的业务日志使用，任何人查看、分析、导出日志，都只在授权范围内看到应当看到的内容。同时 CloudLens for SLS [ 2] 还提供 Project、Logstore 的资产使用监控。小结当 LoongCollector 的日志采集与 LogStore 的数据脱敏连成闭环，日志在落库同时完成安全转化。运维能定位，运营能分析，安全能审计。这不是一次性的加固，而是一条可复用的路径：写入侧脱敏 + 默认脱敏落库 + 角色化访问。以此为基线，企业能放心扩展 Copilot 的业务覆盖，让"效率红利"与"合规确定性"并行存在。相关链接： [1] LoongCollector https://help.aliyun.com/zh/sls/what-is-sls-loongcollector [2] CloudLens for SLS https://help.aliyun.com/zh/sls/cloudlens-for-sls/

2025-11-19

MiniMax LLM 负责人确认：新模型 M2.1 即将推出

MiniMax LLM 负责人 Pengyu Zhao 表示，为了实现“Intelligence with Everyone”的愿景，公司将继续开源其模型，以推动人工智能社区的持续发展。

2025-11-03

MCP 是为开发者设计的工具，而非为 LLM 而设

对 LLM 来说，"常规"的工具调用和使用 MCP 这样的标准没有任何区别。

2025-09-11

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。