本文详细介绍了如何在本地部署Ollama+Llama3.1 8B模型，实现离线AI编程助手功能。主要内容包括：Ollama安装及模型存储路径优化（避免占用C盘空间）、Llama3.1 8B模型下载和基础测试、VSCode Continue插件配置对接本地模型（含yaml文件关键配置），以及常见问题解决方案。文章特别强调16G内存的硬件门槛，并提供了低配环境优化方案和替代模型推荐。该方案完全免费、离

本文介绍了一个纯离线单文件实现的VSCode本地大模型对话界面方案。该方案具备以下特点： 完全离线运行：单个HTML文件，无任何外部依赖，适合内网开发环境 VSCode零侵入：无需安装插件，拷贝即用 标准API兼容：适配OpenAI标准接口，支持Ollama/vLLM等本地模型 持久化存储：利用LocalStorage保存会话历史，数据不丢失 开发友好：支持上传文本/代码文件和图片，适合代码审阅等

本文介绍了一个纯离线单文件实现的VSCode本地大模型对话界面方案。该方案具备以下特点： 完全离线运行：单个HTML文件，无任何外部依赖，适合内网开发环境 VSCode零侵入：无需安装插件，拷贝即用 标准API兼容：适配OpenAI标准接口，支持Ollama/vLLM等本地模型 持久化存储：利用LocalStorage保存会话历史，数据不丢失 开发友好：支持上传文本/代码文件和图片，适合代码审阅等

本文详细介绍了如何在本地部署Ollama+Llama3.1 8B模型，实现离线AI编程助手功能。主要内容包括：Ollama安装及模型存储路径优化（避免占用C盘空间）、Llama3.1 8B模型下载和基础测试、VSCode Continue插件配置对接本地模型（含yaml文件关键配置），以及常见问题解决方案。文章特别强调16G内存的硬件门槛，并提供了低配环境优化方案和替代模型推荐。该方案完全免费、离

预训练就是把模型扔进海量无标注原始语料里自学，包括全网网页、专业书籍、学术论文、开源代码、百科词条等。学习Token之间的概率分布，说白了就是练高级词语接龙。SFT（监督微调）是在预训练底座之上，用高质量指令问答数据集做有监督训练。本质就是给模型上“规范特训”，教会它理解指令、按格式输出、正经回答问题。预训练：海量语料自学，掌握语言和通识，只会接龙不会聊天；SFT微调：学会理解指令、规范作答，具备

一、到底什么是大模型？二、大模型为什么会横空出世？不是偶然，是三方合力1. 数据够多：从人工标注到自监督学习2. 算力够强：硬件迭代+分布式训练成熟3. 架构合理：Transformer 成为底层基石简单小结三、大模型三大计量单位，入门必懂避坑1. 参数规模：B为单位2. 训练数据集规模：Token 为核心3. 计算规模：FLOPS 浮点运算四、大模型完整分类体系1. 按模态分类2. 按功能与输出

本文介绍了如何利用Dify Agent与AntV打造高效的数据可视化解决方案。通过Dify Agent的低代码特性快速构建数据处理流程，结合AntV丰富的图表库实现专业可视化效果。文章详细演示了从创建Dify Agent、添加AntV工具到设置提示词的全过程，并以一周温度数据为例，展示了生成条形图、柱状图、面积图等多种图表的方法。该方案既能简化开发流程，又能满足个性化可视化需求，为开发者提供了一套

本文介绍了如何利用LangChain框架结合DeepSeek API实现多轮对话功能。主要内容包括：LangChain的模块化特性及其在智能代理、文档处理等场景的应用；DeepSeek API密钥的获取与配置；通过Python代码实现带有记忆功能的对话链，支持上下文关联的多轮交互。该方案可集成到自动化测试框架中，用于自动生成测试用例等场景，为测试开发人员提供高效的AI辅助工具。文中提供了完整的实现

pytest是Python的一个单元测试框架，与python自带的unittest测试框架类似；pytest比unittest框架使用起来更简洁，效率更高，而且特性比较多，也就非常的灵活；比如pytest常用的特性有：① 对case可以进行设置跳过，也可以进行标记（比如失败等）；② 可以重复执行失败的case；③ 可以兼容执行unittest编写的case；④ 有很多第三方的插件，比如报告allu

【分享】一个Visual Studio编码检测和修改工具插件。原文链接：编码检测和修改工具编码检测和修改工具在开发中经常遇到编码不一致的文件，而如果这些文件包含需要显示的字符串，就会导致在乱码。所以需要一个工具可以自动检测工程、文件夹内所有文本的编码，并可以规范所有文件编码。工具要求可以设置规定的编码，如果文件的编码不是规定的编码，用户可以选择把文件的编码转换为规定的编码。用户可以设置...