我们所说的SonarQube实际分为两个部分，一个为服务器SonarQube，一个为扫描器Sonar-Scanner。服务器主要是用来定义扫描规则，存放扫描代码之后的检测结果。Sonar-Scanner是用来扫描代码做具体事情的。一、SonarQube的安装这里以windows为例SonarQube下载地址https://www.sonarqube.org/downloads/下载后解压：我下的版

本文介绍了国内外主流大模型API的通用调用方法，帮助开发者实现"一次学会，到处调用"。文章首先分析了统一调用范式的必要性，随后提出3步8要素的通用调用框架。接着详细演示了OpenAI官方API及阿里通义千问、百度文心ERNIE、智谱GLM-4等国内模型的调用方式，包括账号注册、密钥获取和代码示例。最后通过横向对比给出选型建议，并提供生产级优化技巧，如环境变量管理、重试机制和并发

LLaMA-Factory是一个低代码大模型微调框架，相比原生脚本具有显著优势：仅需5行代码、零学习成本、18GB显存即可训练7B模型，支持SFT/RLHF/DPO/PPO全流程。通过WebUI可快速完成数据准备（支持微信聊天记录转换）、模型训练（QLoRA优化）、评估和部署。该框架内置DeepSpeed多卡并行、断点续传、可视化监控等功能，训练后模型可导出为单文件并兼容vLLM部署。实测微调后模

文章摘要 本文系统介绍了大语言模型微调技术（Fine-Tuning），重点聚焦生产落地最成熟的SFT+LoRA/QLoRA方案。微调能以1%算力获得90%模型能力，是企业应用的最佳选择。文章详解了微调技术演进（从全参量到QLoRA）、核心概念（SFT/LoRA/RLHF等）和完整9步流程，并通过中文医疗问答模型实战演示：从数据制备（20万条医学数据）、基座选择（Qwen2.5-7B）、QLoRA配

摘要：提示词工程是优化AI输出的关键技术，通过结构化设计提升模型表现。核心方法包括：1）明确任务目标与格式要求；2）采用角色设定、示例引导等结构化技巧；3）多轮交互细化复杂任务；4）参数调优控制输出特性。应用场景涵盖代码生成、文本润色等，需通过测试迭代建立最佳实践。高级技巧如元提示和链式推理可进一步提升效果，实际应用需结合领域知识持续优化。（149字）

模型A) 原生 ChatGPT-3.5B) 自己 LoRA 微调 7B（Chinese-Alpaca-7b + 6k 摘要数据）数据：50 篇中文财经新闻（平均 800 字）指标：ROUGE-L、BERTScore、LLM 裁判（相关性+准确性+流畅度）成本：脚本指标 0 元，LLM 裁判 ￥0.08/条 × 50 = ￥4均衡 → Accuracy不均衡 → Macro-F1 + PR-AUC

摘要： LangGraph 是一种基于有向图的工作流设计工具，突破了传统线性链式结构的限制。其核心组件包括全局共享的 State、功能节点(Node)、流转边(Edge)和完整图(Graph)，通过条件分支和循环机制支持复杂流程。典型应用场景包括智能客服意图识别、代码自动修复等，能以更简洁的代码实现多轮对话、工具调用等复杂逻辑。安装简单，通过定义状态、编写节点函数、构建图形结构即可快速开发智能应用

本文介绍了国内外主流大模型API的通用调用方法，帮助开发者实现"一次学会，到处调用"。文章首先分析了统一调用范式的必要性，随后提出3步8要素的通用调用框架。接着详细演示了OpenAI官方API及阿里通义千问、百度文心ERNIE、智谱GLM-4等国内模型的调用方式，包括账号注册、密钥获取和代码示例。最后通过横向对比给出选型建议，并提供生产级优化技巧，如环境变量管理、重试机制和并发

LangGraph：构建复杂LLM工作流的利器 传统Chain模式在处理循环、分支等复杂逻辑时存在局限，而LangGraph通过有向图模型提供了更灵活的解决方案。其核心概念包括状态(State)、节点(Node)和边(Edge)，支持条件分支、循环和人机交互。 安装简单，5分钟即可构建第一个工作流。通过6个实战案例展示了LangGraph的强大功能： 带情感分析的智能客服系统 多步骤研究助手（生成

数据连接器 + 索引 + 检索 + 后处理10 行代码让 LLM 读懂你的私域文件；混合召回 + 重排 + HyDE 让正确率提升 15~30%；动态插入 + 版本管理让知识库“热更新”；与 LangChain/vLLM 无缝集成，直接生产上线。