这是一个大模型机器人的试验尝试。效果预期就是可以将大模型引入QQ对话。
效果就是:让自己的QQ成为一个机器人客服,别人发消息给自己的QQ,自己的QQ自动就回复别人了,回复依靠的是大模型的语言能力。
项目在这里:https://astrbot.app/deploy/astrbot/docker.html#%E4%BD%BF%E7%94%A8-docker-%E9%83%A8%E7%BD%B2-astrbot
AstrBot 结合 NapCat 做QQ机器人, AstrBot 也可以结合其他消息中间件,做别的平台的机器人,比如微信、QQ、飞书、钉钉。
下载模型:
sh展开代码modelscope download Qwen/Qwen3-32B --local_dir ./Qwen/Qwen3-32B
部署:
bash展开代码# 拉取最新的
docker pull lmsysorg/sglang:v0.4.6.post1-cu121
# 启动服务
docker run -d --gpus '"device=0,1,2,3"' --shm-size=32g \
-v ./Qwen/Qwen3-32B:/model \
-p 8055:8000 \
-e PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True \
lmsysorg/sglang:v0.4.6.post1-cu121 python3 -m sglang.launch_server --model-path /model --host 0.0.0.0 --port 8000 --mem-fraction-static 0.9 --tensor-parallel-size 4 --context-length 40960 --served-model-name "gpt" --api-key "abc"
客制化里面加ccs:
ccs展开代码.snow-container { position: fixed; top: 0; left: 0; width: 100%; height: 100%; pointer-events: none; z-index: -1; overflow: hidden; } .snowflake { position: absolute; will-change: transform; user-select: none; text-shadow: 0 0 6px rgba(255, 255, 255, 0.7); /* 确保GPU加速 */ transform: translate3d(0, 0, 0); backface-visibility: hidden; }
如何搭建一个自己的博客,下面是我这个博客搭建的过程:
核心优势:
使用基于 VanBlog 的二次开发版本(xxddccaa/vanblog),集成以下特性:
代码结构:
bash展开代码├── packages/
│ ├── admin # 后台管理界面(Ant Design Pro)
│ ├── website # 前端页面(Next.js + Tailwind CSS)
│ ├── server # 后端服务(NestJS + MongoDB)
│ └── waline # 可选评论系统
└── docker-compose.yml # 容器化编排
注意:使用这个 docker compose.yaml 文件即可使用 docker compose 一键部署: https://github.com/xxddccaa/vanblog/blob/master/docker-compose/docker-compose.yml
作为开发者,我们经常会遇到这样的情况:
.vscode/
、.idea/
)很多人的第一反应是在 .gitignore
中添加这些文件路径,但发现完全没用!文件依然会被 Git 追踪和同步。
SVM 就是一个分类器,它想在两个类别之间画一条“最宽的分界线”,让两边的数据离这条线越远越好。
你可以把它想象成:
在猫和狗之间划出一条“安全距离线”,谁靠得近谁就容易被误判。SVM 想让这条线尽可能远离两边的样本。
本教程通过Python代码实现核心公式+动态图演示,帮助你直观理解这些变换的本质。
将信号分解为不同频率的正弦波分量,揭示信号的频率组成。
Automatic Prefix Caching
https://docs.vllm.ai/en/latest/features/automatic_prefix_caching.html
如果每次query都有相同的前缀,那么启用这个参数将获得极大的推理时间收益:
bash展开代码enable_prefix_caching=True
查看当前word多少个表格:
vba展开代码Sub CountTablesInDocument() Dim tableCount As Long ' 获取文档中所有表格的数量 tableCount = ActiveDocument.Tables.Count ' 显示结果 If tableCount > 0 Then MsgBox "当前文档中包含 " & tableCount & " 个表格。", vbInformation, "表格统计" Else MsgBox "当前文档中没有表格。", vbInformation, "表格统计" End If End Sub
以下是强化学习中所有关键专有名词的统一解释,结合理论定义与直观理解,便于快速查阅。
给定维度 和位置 ,定义频率参数:
其中:
(1)梯度消失是深度神经网络训练过程中出现的一种现象,指的是在反向传播时,靠近输入层的梯度变得非常小,几乎趋近于零。这通常发生在使用如 Sigmoid 或 Tanh 等饱和激活函数的深层网络中,由于链式法则导致多个小于1的数连乘,使得梯度指数级衰减。
(2)梯度消失的现象主要表现为模型训练缓慢甚至停滞,靠近输入层的参数几乎不更新,导致网络无法有效学习特征。这会直接影响模型的收敛速度和最终性能,尤其在层数较多的情况下更为明显。
(3)缓解梯度消失的方法包括:使用如 ReLU 及其变体等非饱和激活函数;采用合适的参数初始化方法如 He 初始化 或 Xavier 初始化,保证信号传播的稳定性;引入 Batch Normalization 层来标准化每层输出;利用 残差连接(Residual Connection) 使梯度更容易回传;以及在必要时使用 梯度裁剪(Gradient Clipping) 防止梯度过小或过大带来的训练不稳定问题。