**ms-swift `swift export` 出错样本会怎样**

- 某条样本在预处理时抛错（例如图片损坏 `OSError: broken data stream when reading image file`），会打出：`There are errors in the dataset, the data will be deleted`。
- **“deleted”** 指：这条样本**不会写入**本次 export 的 cached 数据集，相当于被过滤掉；**不会**删除你磁盘上的原始数据文件。
- 想一出错就停、不自动跳过，可加参数：`--strict`。

ms-swift swift export 出错样本会怎样

根据论文内容,让我详细解释视频和音频是如何输入模型并转换为 token 的:

## 🎬 视频输入处理

### 视频处理流程

```
原始视频 → 视觉帧提取 + 音频提取 → 分别编码 → 时间对齐 → 输入 LLM
```



### 1. **视觉部分(无音频的视频帧)**

**视觉编码器**: 
- 采用 Qwen3-VL 的视觉编码器(从 SigLIP2-So400m 初始化)
- 参数量约 543M

**帧采样策略**:
- **动态帧率采样**,以与音频采样率对齐
- 目的是尽可能完整保留视频信息,同时与音频保持时间同步

**处理过程**:
```
视频帧 → Vision Encoder → 视觉 token 序列
```



### 2. **音频部分(从视频提取的音频)**

与独立音频输入的处理方式相同(见下文)

### 3. **时间对齐机制 (TM-RoPE)**

这是关键创新!论文提出了 **Time-aligned Multimodal Rotary Position Embedding (TM-RoPE)**:

**TM-RoPE 的三维分解**:
- **时间维度** (Temporal): 24 个旋转角
- **高度维度** (Height): 20 个旋转角  
- **宽度维度** (Width): 20 个旋转角

**对于视频的具体应用**:
```python
# 伪代码示例
for 视频中的每一帧:
    temporal_id = 帧的实际时间戳 / 80ms  # 每 80ms 一个时间 ID
    height_ids = 帧内各像素的行位置
    width_ids = 帧内各像素的列位置
    
    position_embedding = TM_RoPE(temporal_id, height_ids, width_ids)
```

**关键点**:
- 音频的每个 token 对应 **80ms** 的时间
- 视频帧根据实际时间戳分配递增的 temporal ID
- 确保音视频在时间轴上精确对齐(都是 80ms 的时间分辨率)

**与 Qwen2.5-Omni 的区别**:
- 旧版本:将音视频表示切分为固定的 2 秒块
- **Qwen3-Omni**:直接使用绝对时间戳对齐,支持任意长度的流式输入

---

## 🎵 音频输入处理

### 音频处理流程

```
原始音频 → 重采样 → Mel频谱图 → AuT编码器 → 音频token序列
```

### 详细步骤

#### 1. **预处理**
```python
# 伪代码
原始音频 → 重采样到 16kHz
         ↓
转换为 128 通道 Mel 频谱图
- 窗口大小: 25ms
- 跳跃步长: 10ms
```

#### 2. **AuT 编码器处理**

**架构**: Attention-Encoder-Decoder 自回归模型

**降采样**:
```
Mel频谱图 → Conv2D 模块(8倍降采样) → 12.5Hz token 率
```

**计算**:
- 原始音频: 16kHz 采样率
- 经过 8 倍降采样后: 16000 / 8 / 100 = 20 帧/秒 → **实际约 12.5Hz**
- **每个音频 token 对应约 80ms 的原始音频**

#### 3. **AuT 训练数据**
- 2000 万小时监督音频
- 80% 中英文伪标注 ASR 数据
- 10% 其他语言 ASR 数据  
- 10% 音频理解数据

#### 4. **动态注意力窗口**
```python
# 支持实时预填充缓存
attention_window_sizes = [1秒, 2秒, ..., 8秒]
# 平衡实时性能和离线任务效果
```

---

## 🔄 完整的多模态输入流程

### 统一的 Token 序列构建

```
[文本tokens] + [音频tokens] + [视觉tokens] → 连续的位置编码
```

**位置编码的连续性**:
```python
# 防止多模态位置冲突
当前模态起始位置 = 前一模态最大位置ID + 1

示例:
文本: position_ids [0, 1, 2, ..., 100]
音频: position_ids [101, 102, ..., 200]  
视觉: position_ids [201, 202, ..., 300]
```

### 不同模态的 TM-RoPE 应用

| 模态 | Temporal ID | Height ID | Width ID |
|------|-------------|-----------|----------|
| **文本** | 共享 | 共享 | 共享 (等效1D RoPE) |
| **音频** | 每80ms递增 | 共享 | 共享 |
| **图像** | 常量 | 行位置 | 列位置 |
| **视频** | 每80ms递增 | 行位置 | 列位置 |

---

## 📊 具体数值示例

### 音频 Token 化
```
1秒音频:
- 采样率: 16kHz
- Mel特征: 10ms hop → 100帧/秒
- 8倍降采样 → 12.5帧/秒
- 结果: 1秒音频 ≈ 12-13个tokens

40分钟音频:
- 40 × 60 × 12.5 = 30,000 tokens
```

### 视频 Token 化
```
假设视频:
- 分辨率: 224×224
- 帧率: 动态采样(与音频对齐)
- Vision Encoder输出: 每帧约256-512 tokens

1分钟视频(含音频):
- 音频: 60 × 12.5 = 750 tokens
- 视觉: 帧数 × 每帧tokens (取决于采样率)
```

---

## 💡 关键技术优势

1. **时间精确对齐**: 音频和视频都基于 80ms 的时间分辨率
2. **流式支持**: 可以处理任意长度的输入(不再限制于 2 秒块)
3. **高效编码**: 12.5Hz 的 token 率在保证质量的同时降低计算量
4. **统一表示**: 所有模态通过 TM-RoPE 在同一空间中建模

这种设计使得模型能够自然地处理音视频的时序对应关系,为后续的跨模态推理提供了坚实的基础。

Qwen3-Omni Technical Report

https://cloud.tencent.com/document/product/243/97669



腾讯云备案



### 1. 《Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context》

* **来源：** Google DeepMind
* **核心点：** 介绍了如何将视频、音频和文本统一在一个混合专家模型（MoE）架构下。
* **技术解密：** 它不再是将视频音频转成文字后再理解，而是将音频信号直接切碎成“音频 Token”，与视频帧 

![image.png](/static/img/055c020af631d054069e6de0176c8143.image.webp)




### 2. 《Audio-Visual LLM for Video Understanding》 (ICCV 2025)

* **来源：** 学术界最新研究
* **核心点：** 专门讨论了“全方位视频理解”。
* **技术解密：** 论文提出了一种**模态增强技术**，利用特定 Token 触发视觉或听觉编码器。它强调了视觉和听觉的“互补性”——比如画面里只有手指滑动，但音频里有“咔哒”一声，模型能通过音频补全视觉上的逻辑。

### 3. 《UniAVLM: Unified Large Audio-Visual Language Models》 (PRICAI 2025)

* **来源：** IBM Research
* **核心点：** 解决音频和视频流“割裂”的问题。
* **技术解密：** 之前的模型可能是“看一遍视频，听一遍音频”，而这篇论文研究的是如何让模型像人类一样**实时同步（Temporal Alignment）**视听信号，从而在对话中实现极高的准确度。




原生多模态（Native Multimodality）

https://arxiv.org/html/2505.09970v2

让我用一个具体的对话客服场景来演示 **Pre-Act 和 ReAct 的区别**。

## 场景：银行客户服务
**用户查询**：我想查询我的储蓄账户（尾号1234）余额，然后把5000元从储蓄账户转到我的信用卡（尾号5678）还款，最后告诉我转账后的储蓄账户余额。

可用的工具：
1. `check_balance(account_number)` - 查询账户余额
2. `transfer_funds(from_account, to_account, amount)` - 转账
3. `check_credit_card_balance(card_number)` - 查询信用卡欠款



---

## 传统 ReAct 方式（逐步思考）

```
用户：我想查询储蓄账户余额，转账5000元到信用卡，然后告诉我新余额。

AI思考：
1. 用户要先查询储蓄账户余额。我需要账户号，用户提到了尾号1234。
   行动：check_balance("1234")

系统返回：储蓄账户余额为15,000元。

AI思考：
2. 用户要转账5000元到信用卡。需要源账户、目标账户和金额。源账户是1234，目标账户是信用卡5678，金额是5000。
   行动：transfer_funds("1234", "5678", 5000)

系统返回：转账成功。手续费10元。

AI思考：
3. 用户想知道转账后的新余额。需要再次查询。
   行动：check_balance("1234")

系统返回：储蓄账户余额为9,990元。

AI思考：
4. 现在可以给出最终答案。
   最终回答：已为您完成操作。转账前余额15,000元，成功转账5000元到信用卡5678（手续费10元），当前储蓄账户余额为9,990元。
```

**问题**：ReAct 是走一步看一步，没有提前规划。如果转账时发现余额不足，或者信用卡账户不存在，它只能在出错后才重新思考。

---

## Pre-Act 方式（先规划再执行）

```
用户：我想查询储蓄账户余额，转账5000元到信用卡，然后告诉我新余额。

AI 先生成完整计划：

【多步规划与推理】
计划步骤：
1. 步骤1（验证与查询）：
   - 目标：确认账户有效性并获取当前余额
   - 思考：需要先确认储蓄账户1234存在且有足够余额。调用余额查询。
   - 行动：check_balance("1234")

2. 步骤2（执行转账）：
   - 目标：执行转账操作
   - 思考：在确认余额足够后，从1234向信用卡5678转账5000元。需要验证信用卡账户有效性。
   - 行动：transfer_funds("1234", "5678", 5000)

3. 步骤3（确认结果）：
   - 目标：验证转账结果
   - 思考：转账成功后，重新查询储蓄账户余额，计算是否准确扣除。
   - 行动：check_balance("1234")

4. 步骤4（最终回答）：
   - 目标：汇总信息给用户
   - 思考：整合所有步骤结果，提供清晰总结。
   - 行动：生成最终答案

【开始执行】
```

**执行过程**：

```
执行步骤1：
行动：check_balance("1234")
结果：余额为2,000元（注意：这里余额不足！）

AI重新规划：
【计划调整】检测到余额不足，原计划步骤2不可行。

更新计划：
1. 步骤1（已完成）：余额2,000元
2. 步骤2（新）：通知用户余额不足
   - 思考：余额仅2,000元，不足5,000元转账。需要建议用户修改金额或存款。
   - 行动：告知用户“您的储蓄账户余额仅2,000元，无法转账5,000元。您希望：a) 修改转账金额 b) 先存款再转账 c) 取消操作？”

执行步骤2（新）：
用户响应：那转账2,000元吧。

AI重新规划：
【计划调整】用户修改金额为2,000元，继续执行。

更新计划：
3. 步骤3：执行调整后的转账
4. 步骤4：查询新余额
5. 步骤5：最终回答

...继续执行
```

---

## Pre-Act 的核心优势

| 场景 | ReAct 的反应 | Pre-Act 的反应 |
|------|-------------|---------------|
| **余额不足** | 执行转账时才会失败，然后重新思考 | 在规划阶段就考虑到余额验证，或在执行第一步后就发现问题，立即调整计划 |
| **账户不存在** | 调用工具失败后重新规划 | 可以在规划中加入“验证账户存在性”的预备步骤 |
| **复杂依赖** | 可能遗漏步骤间的依赖关系 | 提前规划能看到完整流程，识别依赖（如：必须先登录才能查询） |
| **异常处理** | 被动反应异常 | 主动规划中可包含异常处理分支 |

Pre-Act

https://help.aliyun.com/zh/pai/getting-started/estimation-of-the-required-video-memory-for-the-model?spm=a2c4g.11186623.0.nextDoc.47d12bddQsv4KN#3059519c8fgiv

估算大模型所需显存

# Hugging Face 仓库下载指南

## 核心要点

### 1. 区分仓库类型
- **模型 (model)**: 默认类型，用于下载预训练模型
- **数据集 (dataset)**: 必须指定 `repo_type="dataset"`，用于下载数据集

**关键经验**: 如果作为 model 下载失败（401错误），立即尝试作为 dataset 下载。



### 2. 使用镜像源
在中国大陆，使用镜像源可大幅提升下载速度：
```python
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
```

### 3. 下载方法优先级
1. **首选**: `huggingface_hub.snapshot_download()` - 自动处理大文件和断点续传
2. **备选**: `git clone` - 当 huggingface_hub 失败时使用

## 标准下载代码

```python
import os
from huggingface_hub import snapshot_download

# 设置镜像源（推荐）
os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'

# 下载仓库
repo_id = "username/repo_name"
local_dir = "/path/to/save"

try:
    # 先尝试作为 model 下载
    snapshot_download(
        repo_id=repo_id,
        local_dir=local_dir,
    )
except Exception:
    # 如果失败，尝试作为 dataset 下载
    snapshot_download(
        repo_id=repo_id,
        repo_type="dataset",
        local_dir=local_dir,
    )
```

## 常见问题解决

### 问题1: 401 错误 - Repository Not Found
**原因**: 仓库类型不匹配（model vs dataset）或需要认证
**解决**: 
- 尝试添加 `repo_type="dataset"`
- 如果是私有仓库，设置 `HF_TOKEN` 环境变量

### 问题2: 网络连接失败
**原因**: 无法访问 huggingface.co
**解决**: 
- 使用镜像源: `os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'`
- 检查网络连接和防火墙设置

### 问题3: 认证失败
**原因**: 私有仓库需要 token
**解决**: 
```bash
export HF_TOKEN=your_token_here
# 或
export HUGGINGFACE_HUB_TOKEN=your_token_here
```

## 完整示例脚本

```python
#!/usr/bin/env python3
import os
import sys
from huggingface_hub import snapshot_download

def download_hf_repo(repo_id: str, local_dir: str, use_mirror: bool = True):
    """下载 Hugging Face 仓库"""
    if use_mirror:
        os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com'
    
    os.makedirs(local_dir, exist_ok=True)
    
    # 先尝试作为 model
    try:
        snapshot_download(repo_id=repo_id, local_dir=local_dir)
        print(f"✅ 下载完成: {local_dir}")
        return
    except Exception as e:
        print(f"作为 model 下载失败，尝试作为 dataset...")
    
    # 再尝试作为 dataset
    try:
        snapshot_download(
            repo_id=repo_id,
            repo_type="dataset",
            local_dir=local_dir
        )
        print(f"✅ 下载完成: {local_dir}")
    except Exception as e:
        print(f"❌ 下载失败: {e}")
        sys.exit(1)

# 使用示例
if __name__ == "__main__":
    download_hf_repo(
        repo_id="hugxd/mmdu_val",
        local_dir="/mnt/data/datasets/mmdu_val"
    )
```

## 最佳实践

1. **总是先尝试 model，再尝试 dataset** - 大多数仓库是 model 类型
2. **使用镜像源** - 在中国大陆环境下必须使用
3. **检查 token** - 私有仓库需要提前设置
4. **使用 snapshot_download** - 自动处理大文件和 Git LFS
5. **设置断点续传** - 大文件下载中断后可继续

## 快速命令

```bash
# 设置镜像源
export HF_ENDPOINT=https://hf-mirror.com

# 设置 token（如需要）
export HF_TOKEN=your_token

# 使用 Python 下载
python -c "from huggingface_hub import snapshot_download; snapshot_download(repo_id='username/repo', local_dir='./repo')"
```

## 注意事项

- 数据集通常很大，确保有足够的磁盘空间
- 下载过程中会显示进度条，请耐心等待
- 如果下载中断，重新运行会自动续传
- 私有仓库必须提供有效的 token

Hugging Face 仓库下载指南

# Podman安装配置经验沉淀文档

## 📋 文档目的

本文档用于指导AI助手在阿里PAI DSW（Kubernetes pod）环境中安装和配置Podman，包括持久化存储的处理方案。



## 🎯 环境信息

- **平台**: 阿里PAI DSW（Data Science Workshop）
- **系统**: Ubuntu 22.04.5 LTS (jammy)
- **环境**: Kubernetes pod容器环境
- **持久化存储**: `/mnt/data/xiedong/docker_cache` (ossfs2 FUSE文件系统)
- **特点**: 无systemd，网络可能受限（需要国内镜像源）

## ✅ 安装步骤

### 1. 更新apt源（使用阿里云镜像）

```bash
# 配置apt使用阿里云镜像源
sed -i 's|http://archive.ubuntu.com|http://mirrors.aliyun.com|g' /etc/apt/sources.list
sed -i 's|http://security.ubuntu.com|http://mirrors.aliyun.com|g' /etc/apt/sources.list
apt-get update
```

### 2. 安装Podman

```bash
apt-get install -y podman
```

**说明**: 
- Podman会自动安装依赖：buildah, conmon, crun, containernetworking-plugins等
- 安装后即可使用，无需启动守护进程（与Docker不同）

### 3. 验证安装

```bash
podman --version
podman info
podman ps
```

## ⚠️ 重要限制：持久化存储配置

### 问题说明

**Podman不能像Docker那样直接配置存储路径到ossfs2文件系统**

**原因**:
- Podman使用boltdb数据库存储元数据，需要`truncate`等文件系统操作
- ossfs2是FUSE文件系统，不支持某些底层文件操作（如truncate）
- 直接配置会导致错误：`file resize error: truncate ... operation not supported`

**Docker vs Podman对比**:
- ✅ Docker: 可以配置 `"data-root": "/mnt/data/xiedong/docker_cache/docker"`
- ❌ Podman: 不能直接配置到ossfs2路径

### 解决方案：导出/导入镜像

由于不能直接配置存储路径，采用以下方案：

1. **Podman使用默认路径**: `/var/lib/containers/storage` (本地文件系统)
2. **通过导出/导入实现持久化**: 使用`podman save/load`命令

## 🔧 配置方案

### 方案1: 使用默认路径 + 导出镜像（推荐）

**工作流程**:
1. 构建/拉取镜像 → 存储在默认路径
2. 导出镜像 → 保存到持久化存储
3. 需要时导入 → 从持久化存储恢复

**创建持久化目录**:
```bash
mkdir -p /mnt/data/xiedong/docker_cache/images
```

**导出镜像脚本** (`podman_save_images.sh`):
```bash
#!/bin/bash
IMAGES_DIR="/mnt/data/xiedong/docker_cache/images"
mkdir -p "$IMAGES_DIR"

for image in $(podman images --format "{{.Repository}}:{{.Tag}}" | grep -v "<none>" | grep -v "REPOSITORY"); do
    filename=$(echo "$image" | sed 's/\//_/g' | sed 's/:/_/g')
    tarfile="$IMAGES_DIR/${filename}.tar"
    echo "导出镜像: $image -> $tarfile"
    podman save -o "$tarfile" "$image"
done
```

**导入镜像脚本** (`podman_load_images.sh`):
```bash
#!/bin/bash
IMAGES_DIR="/mnt/data/xiedong/docker_cache/images"

for tarfile in $(find "$IMAGES_DIR" -name "*.tar" -type f); do
    echo "导入镜像: $tarfile"
    podman load -i "$tarfile"
done
```

### 方案2: 挂载持久化目录到容器

运行容器时挂载持久化目录：

```bash
podman run -v /mnt/data/xiedong/docker_cache:/data ubuntu:20.04
```

## 📝 完整安装脚本示例

```bash
#!/bin/bash
set -e

echo "开始安装Podman..."

# 1. 更新apt源
echo "配置apt镜像源..."
sed -i 's|http://archive.ubuntu.com|http://mirrors.aliyun.com|g' /etc/apt/sources.list
sed -i 's|http://security.ubuntu.com|http://mirrors.aliyun.com|g' /etc/apt/sources.list
apt-get update

# 2. 安装Podman
echo "安装Podman..."
apt-get install -y podman

# 3. 创建持久化目录
echo "创建持久化存储目录..."
mkdir -p /mnt/data/xiedong/docker_cache/images

# 4. 创建导出脚本
cat > /mnt/data/xiedong/git_code/podman_save_images.sh <<'EOF'
#!/bin/bash
IMAGES_DIR="/mnt/data/xiedong/docker_cache/images"
mkdir -p "$IMAGES_DIR"

for image in $(podman images --format "{{.Repository}}:{{.Tag}}" | grep -v "<none>" | grep -v "REPOSITORY"); do
    filename=$(echo "$image" | sed 's/\//_/g' | sed 's/:/_/g')
    tarfile="$IMAGES_DIR/${filename}.tar"
    echo "导出镜像: $image -> $tarfile"
    podman save -o "$tarfile" "$image"
done
EOF

# 5. 创建导入脚本
cat > /mnt/data/xiedong/git_code/podman_load_images.sh <<'EOF'
#!/bin/bash
IMAGES_DIR="/mnt/data/xiedong/docker_cache/images"

for tarfile in $(find "$IMAGES_DIR" -name "*.tar" -type f); do
    echo "导入镜像: $tarfile"
    podman load -i "$tarfile"
done
EOF

# 6. 添加执行权限
chmod +x /mnt/data/xiedong/git_code/podman_save_images.sh
chmod +x /mnt/data/xiedong/git_code/podman_load_images.sh

# 7. 验证安装
echo "验证Podman安装..."
podman --version
podman ps

echo ""
echo "=========================================="
echo "Podman安装完成！"
echo "持久化镜像目录: /mnt/data/xiedong/docker_cache/images"
echo "导出脚本: /mnt/data/xiedong/git_code/podman_save_images.sh"
echo "导入脚本: /mnt/data/xiedong/git_code/podman_load_images.sh"
echo "=========================================="
```

## 🚀 常用命令

### 基本操作
```bash
# 查看版本
podman --version

# 查看信息
podman info

# 查看容器
podman ps          # 运行中的容器
podman ps -a       # 所有容器

# 查看镜像
podman images
```

### 镜像操作
```bash
# 拉取镜像
podman pull ubuntu:20.04

# 构建镜像
podman build -t myimage:latest .

# 导出镜像到持久化存储
podman save -o /mnt/data/xiedong/docker_cache/images/myimage.tar myimage:latest

# 从持久化存储导入镜像
podman load -i /mnt/data/xiedong/docker_cache/images/myimage.tar

# 删除镜像
podman rmi myimage:latest
```

### 容器操作
```bash
# 运行容器
podman run -it ubuntu:20.04 bash

# 后台运行
podman run -d --name mycontainer ubuntu:20.04 sleep 3600

# 挂载持久化目录
podman run -v /mnt/data/xiedong/docker_cache:/data ubuntu:20.04

# 启动/停止容器
podman start mycontainer
podman stop mycontainer

# 进入容器
podman exec -it mycontainer bash

# 删除容器
podman rm mycontainer
```

## 🔍 故障排查

### 问题1: 无法拉取镜像（网络超时）

**原因**: 网络受限，无法访问Docker Hub

**解决方案**:
- 使用国内镜像源（如阿里云容器镜像服务）
- 配置镜像加速器（需要修改`/etc/containers/registries.conf`）

### 问题2: 存储路径配置失败

**错误**: `file resize error: truncate ... operation not supported`

**原因**: 尝试将存储路径配置到ossfs2文件系统

**解决方案**: 
- 不要配置`/etc/containers/storage.conf`指向ossfs2路径
- 使用默认路径，通过导出/导入实现持久化

### 问题3: 权限问题

**错误**: `permission denied`

**解决方案**:
- 确保以root用户运行，或配置用户命名空间
- 检查目录权限：`chmod 755 /mnt/data/xiedong/docker_cache`

## 📊 与Docker的对比

| 特性 | Docker | Podman |
|------|--------|--------|
| 守护进程 | 需要dockerd | 无需守护进程 |
| 存储路径配置 | ✅ 支持 (`data-root`) | ❌ ossfs2不支持 |
| 持久化方案 | 直接配置路径 | 导出/导入镜像 |
| 命令兼容性 | - | 完全兼容Docker命令 |
| 容器环境 | 可能崩溃（29.1.5 bug） | 更稳定 |

## 💡 最佳实践

1. **镜像管理**:
   - 定期使用`podman_save_images.sh`导出镜像到持久化存储
   - 重要镜像及时导出备份

2. **数据持久化**:
   - 容器数据通过`-v`挂载持久化目录
   - 镜像通过导出/导入方式保存

3. **网络问题**:
   - 使用国内镜像源
   - 配置镜像加速器

4. **资源清理**:
   ```bash
   # 清理未使用的镜像
   podman image prune
   
   # 清理未使用的容器
   podman container prune
   ```

## 📚 相关文件位置

- Podman安装脚本: `/mnt/data/xiedong/git_code/install_podman.sh` (可创建)
- 导出镜像脚本: `/mnt/data/xiedong/git_code/podman_save_images.sh`
- 导入镜像脚本: `/mnt/data/xiedong/git_code/podman_load_images.sh`
- 持久化镜像目录: `/mnt/data/xiedong/docker_cache/images`
- 使用说明文档: `/mnt/data/xiedong/git_code/podman使用说明.md`

## 🎓 给AI助手的提示

当用户要求安装Podman时：

1. **直接安装**: 使用`apt-get install -y podman`，无需配置守护进程
2. **持久化存储**: 
   - ❌ 不要尝试配置`/etc/containers/storage.conf`指向ossfs2路径
   - ✅ 创建导出/导入脚本，使用`podman save/load`实现持久化
3. **验证**: 安装后运行`podman ps`验证是否正常工作
4. **文档**: 提供使用说明，特别是持久化存储的处理方式

## ✅ 检查清单

安装完成后检查：

- [ ] Podman版本: `podman --version`
- [ ] Podman可用: `podman ps` 无错误
- [ ] 持久化目录已创建: `/mnt/data/xiedong/docker_cache/images`
- [ ] 导出脚本已创建: `podman_save_images.sh`
- [ ] 导入脚本已创建: `podman_load_images.sh`
- [ ] 脚本有执行权限

---

**最后更新**: 2026-01-23
**适用环境**: 阿里PAI DSW (Ubuntu 22.04, Kubernetes pod, ossfs2存储)

Podman安装配置经验沉淀文档

1.  **查看出站 IP：** 运行以下命令，它会通过查询外部服务来显示你的公网出站地址：
    ```bash
    curl -s http://ipinfo.io/ip
    ```
    或者：
    ```bash
    curl -s http://ifconfig.me
    ```

查看出站 IP


## DSW 

Ubuntu 22.04 

安装docker：


```bash
# 1. 下载并执行 Docker 安装脚本
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh

# 2. 将当前用户添加到 docker 组（避免每次使用 sudo）
sudo usermod -aG docker $USER

# 3. 重启或注销重新登录使更改生效
# 或者执行
newgrp docker
```

