AI大模型应用开发-Linux 入门命令及一些操作

全程不搞复杂数学、不深入源码，只讲 “是什么、做什么、流程怎么走、小白怎么选”。

本文聚焦渗透测试必备的HTML/CSS/JavaScript前端基础，以**漏洞关联场景**为核心，拆解表单与注入漏洞、CSS样式伪装、JS DOM操作与XSS触发的底层逻辑。搭配可直接复现的代码案例与浏览器开发者工具实操步骤，详解隐藏参数篡改、视觉欺骗识别等渗透技巧，解答新手高频问题。内容兼顾入门易懂性与实战关联性，为后续深度漏洞挖掘夯实基础。

工具调用（Tool Calling）：Agent的“超能力”来源

ollama pull 命令，拉取超轻量模型（如 qwen2.5:3b 或 llama3.2:3b）及常见报错

人脸检测用 OpenCV 自带的 Haar 级联分类器（无需额外安装），车牌识别用 easyocr + OpenCV（一站式识别字符），所有代码可直接复制运行，小白 15 分钟就能跑通两个场景。

用 3 行核心代码调用 YOLOv8 预训练模型，自动识别图片里的猫、狗、人、车等 80 + 常见物体，无需手动训练、无需懂神经网络原理，小白 10 分钟就能跑通案例

本文聚焦 DVWA Low 级别 SQL 注入实战，针对新手 “只会抄 Payload、不懂原理” 的痛点，拆解判断注入点→确定字段数→爆库→爆表→爆字段→爆敏感数据6 大核心步骤。每个环节结合漏洞原理、Payload 逻辑与靶场实操，搭配避坑指南与防御建议，纯手工实现无工具注入。内容适配入门学习者，为后续盲注、WAF 绕过等进阶技能夯实基础。

全程无复杂公式，聚焦 **“模型能做什么、适合什么场景”**，用生活化类比讲清 CNN（看图片）、RNN（读文字）的核心用途和区别

CPU优化：介绍Ollama自动量化模型，使其更适合CPU运行