4、个性化定制，适配工业场景：Inno Setup支持通过脚本自定义安装流程，比如指定默认安装路径（避免客户误装到系统盘）、隐藏高级配置（避免非专业用户误操作）、安装完成后自动启动程序，甚至可以定制多语言安装界面，适配不同客户的需求。4、批量部署更高效：很多场景下，需要在多台工业电脑上安装上位机（比如工厂多条生产线、多个监控工位），安装包可以实现批量安装、静默安装，节省大量部署时间，而散文件需要逐

通过dotenv库的load_dotenv()方法，自动读取项目里的.env配置文件，把文件中所有键值对自动载入系统环境变量os.environ，后续可直接读取模型地址、密钥等配置，避免硬编码。使用 LangChain 内置的init_chat_model初始化大模型，通过两个核心参数配置：model指定模型名称，model_provider指定模型对接厂商。可以省略model_provider参

接下来演示如何使用Qwen1.5-1.8B-Chat对一段文本生成摘要。model_path = "./qwen1.5-1.8b-chat" # 离线大模型的本地保存目录"""加载本地离线模型 Qwen1.5-1.8B-Chat 做摘要【无需联网、无需下载、纯本地运行】"""# 加载本地分词器 + 本地模型（完全离线）trust_remote_code=True # Qwen 必须加这个trust

机器学习的本质是，通过算法让计算机从数据中自动归纳规律并优化性能，而非依赖人工预设规则。其核心逻辑是：给定任务目标，系统通过分析历史数据自主构建预测模型，且模型精度随数据量增加而持续提升。Tom Mitchell（卡内基梅隆大学）的权威表述，“对于某类任务 T和性能度量 P，若计算机程序通过经验 E提升在 T 上的性能 P ，则称其从 E 中学习。”例如：垃圾邮件分类任务（T）中，模型通过学习历史

下图是官网的经典图，它详细描述了我们的代码是如何运行在 Flink Cluster 中的。的区别只有最后一个参数。细粒度资源配置并不是所有场景均适用的，当你的算子并行度基本相同，各个 Task 消耗的资源差不多时粗粒度是非常好用的。每个算子根据资源规格生成一个 SSG，相同资源规格的算子自动归入同一组，operator chain 得以保持。：剩余资源多的 TM 优先被当前 Slots 占用，剩余

举个例子，当你问“北京天气怎么样”时，大模型会先分析你的意图，然后决定调用get_weather这个工具。但这里有个关键点：大模型本身并不能直接调用工具。实际的过程是，AI应用会拦截这个调用请求，通过MCP客户端将它转发给对应的服务器端。服务器端执行真正的天气查询操作，把结果返回给客户端，客户端再将结果注入回对话中。最后，大模型基于这些真实数据，生成一段自然语言回答给你。整个过程对用户来说是透明的

从 30 行代码的 Agent Loop 开始，逐步加入 Tool Calling、Memory、Planning、多 Agent 协作——每一步都有代码，每一步都能跑。

上周我的电脑忘记充电，重启了，然后我重新打开我的web terminal，很快就恢复了之前的工作状态，不需要一个个打开terminal重新构建，按照分组以及web terminal里的历史命令，三两下就把需要的服务启动了，Agent的session也可以自动恢复，体验真的提升了一大截。现在 terminal 里跑的是 Agent，它可能自己工作十几分钟，甚至更久，等待一大段时间后，还需要继续交互。

通过dotenv库的load_dotenv()方法，自动读取项目里的.env配置文件，把文件中所有键值对自动载入系统环境变量os.environ，后续可直接读取模型地址、密钥等配置，避免硬编码。使用 LangChain 内置的init_chat_model初始化大模型，通过两个核心参数配置：model指定模型名称，model_provider指定模型对接厂商。可以省略model_provider参

接下来演示如何使用Qwen1.5-1.8B-Chat对一段文本生成摘要。model_path = "./qwen1.5-1.8b-chat" # 离线大模型的本地保存目录"""加载本地离线模型 Qwen1.5-1.8B-Chat 做摘要【无需联网、无需下载、纯本地运行】"""# 加载本地分词器 + 本地模型（完全离线）trust_remote_code=True # Qwen 必须加这个trust