↓远程 app-server↓没有继承 HTTP_PROXY↓网络异常最终通过给codex↓↓强制注入 HTTP_PROXY↓真正的 Codex binary↓OpenAI如果代理配置没了，重新生成 wrapper 即可。

这个命令是用来生成基于 Ed25519 算法的 SSH 密钥对（公钥 + 私钥），是 Git 等工具通过 SSH 协议免密码访问远程仓库（比如 GitHub/Gitee/GitLab）的核心操作。settings -> SSH and GPG keys -> New SSH key-> 粘贴生成的公钥 -> 起一个名字(如果是服务器就起用户名，比如tu) -> 添加。个人设置 -> SSH公钥 -

最近在折腾大模型的Function Calling（函数调用），也就是让大模型能联网、能查库、能执行代码。以前觉得这东西挺神秘，其实拆解开来看，核心逻辑并不复杂。正好手头有一段刚跑通的代码，本来是记在Jupyter里的，现在整理记录一下。这段代码用的是本地部署的Qwen3（通义千问）模型，配合OpenWeather的API查天气。下面就顺着代码逻辑，把这套“让大模型通过外部工具获取信息”的流程给捋

上一篇刚把手动调用 Function Calling 的坑踩完，写了一堆 auto_functions 和 run_conversation，代码虽然能跑，但说实话，看着那一坨 JSON Schema 的转换逻辑还是挺累人的。今天折腾了一下 LangChain，发现这玩意儿确实能省不少事。它把那些繁琐的代码都封装好了，而且提供了一套很简洁的“链式调用”写法。把之前的代码重构了一遍，感觉清爽了不少。

本文是深度学习模型部署框架的第一篇，更多部署框架可以查看本专栏的其他文章。概念：onnx一种开源模型格式，专注于推理所需的能力。同时，它还是一个中间深度学习框架，用于连接不同深度学习框架之间的转换。优势：跨平台兼容性好；性能优化；支持多种框架。坑点：onnx只是一个格式，就和json一样，只要满足规则，就是合法的。因此单纯从pytorch转成onnx格式很简单，但是不同后端框架接受的onnx是不一

最近使用了flask和docker部署了一个深度学习的模型，做的是nlp的情感分析，经历了九九八十一难终于算是部署成功了，自己也总结了这次模型部署的流程，记录下来供自己和大家参考。以上就是全部的内容了，这是基于我自己做的项目部署来记录的，所以有一定的格式规范，比如需要准备app bin等文件。不知道是否写的足够清楚，如果有啥疑问欢迎留言，大家一起交流。

本文是深度学习模型部署框架的第二篇，更多部署框架可以查看本专栏的其他文章。概念：TensorFlow Lite 是TensorFlow在移动和嵌入式设备上的轻量级推理框架，专门针对资源受限的环境进行了优化，以便在手机、嵌入式设备上运行深度学习模型。优势：缩减了模型的大小和功耗，适合嵌入式等资源受限的设备。坑点：tfl 目前主要支持 cnn 相关的算子 ，对 rnn 等其他网络中的算子还没有很好的支

有人说AI应用开发就是"换皮CRUD"，和以前写Spring Boot调包没区别。对，也不对。日常操作确实像CRUD——注册工具、读取上下文、更新状态、压缩历史。你的核心引擎从确定性逻辑变成了概率性黑盒。表面相似，底层逻辑完全不同。能不能看穿这一层，决定了你是"Agent调包侠"还是"Harness工程师"。AI应用工程师的核心能力，是在不确定性之上构建确定性。你的核心引擎是概率性的，它会犯错、会

就在快要放弃的时候，点开了 C:\Users\23349.claude-code-router\config.json 看了一下配置文件，结果发现里面的 PROXY_URL 字段为空，难怪出现这种问题，重新配置 “PROXY_URL”: “http://127.0.0.1:7890” 之后就没问题了。最近使用ccr(claude code router )的时候总是显示claude模型无法使用，前

闽南语这个数字看起来仍然不低，但你把它放到其他模型旁边看，差距就出来了，Qwen3-ASR-0.6B 是 38.64%，FunASR-Nano-2512 是 55.36%。Dolphin-CN-Dialect 把中文改成字符级建模，英文和字母语言继续用 BPE subword，同时加入任务 token、时间戳 token、方言和地区 token，还预留了 80 个方言 token slot。真实中