p 2892:22，这里把服务器的22端口号映射到外面2892；

find / -name “libpython3.7m.so.1.0”找到路径：/usr/local/lib/libpython3.7m.so.1.0。/etc/ld.so.conf.d目录，创建文件python3.conf，加入这个库所在的路径/usr/local/lib。

分布式训练多卡修改单卡，本地调试

mmcv-full安装常见报错

如果你是个 AI Agent / 模型开发的人，最近应该没少听说 DeepSeek Harness。简单说，它是一个围绕 DeepSeek 模型打造的、可以自托管、能插件的智能体运行框架——所有能力都是插件，你想让它干什么，装个插件就行。但网上的资料大多是讲"它是什么、架构怎么样"，真正讲"我到底怎么把它跑起来"的少。这篇就是纯实操，从零开始，把我自己走过的路完整记录下来——装依赖、起服务、装插件

如果你是个 AI Agent / 模型开发的人，最近应该没少听说 DeepSeek Harness。简单说，它是一个围绕 DeepSeek 模型打造的、可以自托管、能插件的智能体运行框架——所有能力都是插件，你想让它干什么，装个插件就行。但网上的资料大多是讲"它是什么、架构怎么样"，真正讲"我到底怎么把它跑起来"的少。这篇就是纯实操，从零开始，把我自己走过的路完整记录下来——装依赖、起服务、装插件

本文介绍了基于LLaMA-Factory框架的大模型微调全流程。首先对比了主流微调工具的特点，选定LLaMA-Factory作为开发框架。随后详细说明了环境搭建步骤，包括创建Python 3.10虚拟环境、源码安装及验证。在数据准备环节，重点阐述了数据集JSON文件的配置格式要求，包括dataset_info.json的结构和关联数据文件规范。最后简要介绍了通过图形化界面启动训练的过程，并提及训练

本文用通俗语言解析了AI Agent的本质、架构及主流框架选型指南。核心观点：1. Agent是LLM的升级版，通过添加工具调用、记忆存储和循环机制，实现了从"语言生成"到"任务执行"的跨越；2. Agent采用ReAct循环机制（观察-思考-行动），通过多轮迭代完成任务；3. 主流架构包括单Agent、多Agent协作、规划执行等六种模式，实际应用中常组合

这是「大模型部署学习路线」的第一课（L1 推理基础）。 学完这一篇，你将能手算一个模型占多少显存、看懂 TTFT / TPOT / 吞吐这些指标，从此调参不再靠感觉，而是靠算。

先说一个反直觉的事：大模型自己根本不会干活。你让它"帮我修这个 bug"，它不会真的去翻代码、跑测试、改文件。它只会做一件事——吐字。一个字一个字往外蹦。那Codex 是怎么做到"真的去干活"的？秘密就在一个叫 Harness 的东西里。今天我就把它拆开给你看。