让复杂技术清晰可见

导读 你用过 Claude、GPT-4 写代码吗？单个 AI 助手确实能干不少活，但遇到复杂项目时——比如同时需要编写代码、审查 bug、撰写文档——单一模型往往力不从心。这时候就需要**多智能体（Multi-Agent）**方案了：把不同任务分配给专门的 AI Agent，让它们像团队成员一样互相对话、协作完成任务。 微软开源的 AutoGen（读作"auto-gen"）就是这个领域的代表框架。它不让你硬编码复杂的调度逻辑，而是让你用"对话"的方式组织多个 Agent 合作——就像一个主持人协调几个专家一起讨论，最终产出高质量成果。 本文面向零基础读者，假设你会一点 Python 就能看懂。我们从一个最简单的两人对话例子开始，逐步升级到多人协作群聊模式，最后教你怎么接入自己的 API（省钱妙招在后头）。 注意：AutoGen v0.2+ 是全新架构，包名改成了 autogen-agentchat，API 和旧版（v0.1.x）差异很大。不要用 pip install autogen 装旧版。以下所有代码基于 autogen-agentchat 最新版，以官方文档为准。 为什么需要多智能体？ 先对比两种方案： 单模型方案 多 Agent 协作方案 角色 一个 AI 包揽所有工作 每个 Agent 专精一项任务 质量 AI 既要写代码又要检查，容易疏漏 各管一段，互相监督 成本 一轮超长对话消耗大量 token 分工明确，token 利用更高效 适用场景 小任务、快速原型 复杂项目、持续迭代 举个实际场景：你想让 AI 帮你开发一个小工具。 单模型：你把需求一股脑丢给 GPT-4o，等它写出代码。如果代码有 bug，你得再问一次让它修。整个过程就像一个人既当程序员又当测试员还当产品经理——容易顾此失彼。 多 Agent：你建三个 Agent——“编码专家"负责写代码，“审查员"专门挑毛病，“文档官"写说明。它们轮流发言讨论，主持人统筹全局。效果类似一个小团队，但全部由 AI 驱动。 这就是 AutoGen 的核心思想。 安装：一行命令搞定 AutoGen 新版采用分模块设计，核心包叫 autogen-agentchat（注意带连字符），模型适配器单独放在 autogen-ext 里。 ...

导读：这篇要带你做什么？ 如果你听说过 RAG（检索增强生成） 但不知道数据到底存在哪——答案就是向量数据库。它不存普通的文本或表格，而是把文字转成一串数字坐标点（叫作 Embedding / 嵌入向量），然后通过"距离近就相似"的规则找到最相关的文档片段。 本文将围绕 Chroma 这款开源向量数据库展开——它只需几行 Python 就能跑起来，不需要 Docker、不需要外部服务。我们从"向量到底是什么"的白话讲起，一步步完成安装 → Collection CRUD（增删改查）→ Embedding 自定义 → 相似检索，最终拼出一个最小 RAG 问答系统：用户提问 → 在向量库里找到相关文档 → 喂给大语言模型 → 得到答案。 💡 本文示例默认使用本地免费模型做 Embedding，零配置即可跑通全文代码。如果你后面需要 LLM 能力来回答用户问题（RAG 部分），可以接入任何 OpenAI 兼容的云端 API——脚本里会提供配置引导。 一、向量是什么？白话版 想象你有一堆书。你想找"如何做番茄炒蛋"的食谱。 传统搜索方式是关键词匹配——你的查询里有"番茄"和"炒蛋"吗？有就返回。但如果一篇教程写的是"西红柿鸡蛋做法"，因为字不一样就没命中。 向量搜索的思路完全不同： 把每段文字通过一个模型（Embedding 模型）变成一组数字。比如：“如何做番茄炒蛋” → [0.12, -0.35, 0.87, ..., 0.04]（通常 384 维或更高）。 这组数字就是这段文字的"坐标点"（也叫向量）。语义相近的文字，生成的坐标点在空间里也会挨得很近。 当用户问"西红柿怎么做菜"时，同样把它变成向量，然后计算它和库里所有向量的距离——离得最近的那几条就是你想要的结果。 "番茄炒蛋" "西红柿鸡蛋做法" ●──────────────● ← 这两个语义接近，距离近 ● ● ← "机器学习入门"距离很远 这就是向量数据库要做的事：存向量、查最近邻。 ⚠️ 术语速记 Embedding / 嵌入向量：把文字变成坐标点的过程及其结果。 Collection（集合）：Chroma 中数据的容器，类似数据库中的"表"。 Query（检索）：传入一段文字，返回语义最相似的 N 条记录。 二、安装 Chroma Chroma 是一个 Python 库，直接 pip 即可安装（Python 3.9+）： ...

导读：为什么你需要 ComfyUI？ 如果你用过 Stable Diffusion 的 WebUI（也就是大名鼎鼎的 AUTOMATIC 那个界面），你会习惯「输入一段文字 → 点生成 → 等图片出来」的流程——简单粗暴，但可定制性有限。ComfyUI 走的是另一条路：它把整个绘图过程拆成一个个「节点」（Node），你用鼠标把这些节点连起来，像搭积木一样定义每一步要做什么。 这种设计的优势是灵活度极高——你想用两个不同的模型接力？想在采样中途插一个超分节点？能在 WebUI 里折腾半天甚至写插件的事，在 ComfyUI 里就是多拖几个节点、连几条线。 本文将带你走完一遍：安装 ComfyUI → 理解模型目录结构 → 掌握最小文生图工作流 → 导入模板开始创作。全程不需要写代码，适合有基本电脑操作能力的零基础用户。 ⚠️ 硬件要求：ComfyUI 的核心是稳定扩散（Stable Diffusion）模型推理，需要一块 NVIDIA 独立显卡（显存建议 ≥4GB）。苹果 M 系列芯片也可运行，Windows 用户在 WSL2 中体验最佳。显卡配置不够？文末会提到云端替代方案。 一、ComfyUI 是什么：节点式 AI 绘图工具 先给概念做个翻译： 术语 白话解释 节点（Node） 一个小功能模块，比如"加载模型"“编码提示词"“采样去噪”。每个节点有输入端口和输出端口。 工作流（Workflow） 把所有节点按逻辑连起来形成的流水线，决定了"数据从哪来→经过哪些处理→最终产出什么”。 潜空间（Latent Space） 图片在神经网络里的压缩表示，比原始像素小很多，模型在潜空间上做修改效率远高于直接改像素。 采样器（Sampler） 把随机噪声一步步变成清晰图片的算法，常见有 Euler、DPM++、Euler a 等。 对比一下和传统 WebUI 的差异： WebUI (AUTOMATIC)：提供固定表单，你填提示词、选参数、点按钮。所有内部步骤被封装好，你看不见也改不了底层链路。 ComfyUI：每个步骤都是一个可见的节点。你能看到数据流向的每一环，任意替换或插入新节点。 简单来说：WebUI 像是餐厅点餐套餐，ComfyUI 像是自助厨房——你能自己决定每道菜怎么做。 上图：最简文生图的 5 步核心链路。每个方框是一个节点，箭头是数据流向。点击正文末尾导出的 .json 文件即可在工作流管理器中一键导入。 ...

导读 如果你已经用过 ChatGPT、Claude 等单轮对话工具，但发现复杂任务——比如"调研竞品并写出一篇完整报告"——需要反复来回拉扯，那就可以试试 CrewAI。它把每个 AI 模型当作一名"员工"，你只需定义他们的角色（谁来做）、任务（做什么）、流程（按什么顺序做），整个团队就会自动跑起来。 本篇面向零基础读者，不要求任何 Agent 框架经验。我们会用一个**“调研 + 写作"双角色示例**贯穿全文，让你直观理解 CrewAI 的三要素如何拼装。 什么是 CrewAI？ CrewAI 是一个开源的 Python 框架，核心理念是角色化多智能体编排——不是让一个大模型干所有事，而是拆成多个专业化的小 Agent，各自扮演不同角色，组成 Crew 协同完成任务。 它和同类框架的区别在于： LangGraph 走的是"状态机"路线，你需要画完整的流转图来控制每一步； AutoGen 走的是"对话协作"路线，多个 Agent 互相发消息来推进； CrewAI 走的是**“角色分工"路线**——你定义好每个人的岗位 JD，剩下的交给 Crew 调度。 对于日常自动化场景（数据收集 → 分析 → 写报告），CrewAI 是最直观的选择。 环境准备 前置条件 依赖 版本要求 说明 Python ≥ 3.10，< 3.14 当前最新兼容范围 pip / uv 任意一种 包管理器 如果你还没装 Python 3.10+，去 python.org 下载即可。国内用户也可以用清华镜像加速： # macOS / Linux / WSL curl https://pyenv.run | sh 安装 CrewAI # 方式一：用 pip（推荐新手） pip install crewai # 如果想自带一些常用工具链（网页搜索、文件读取等），安装完整套装： pip install "crewai[tools]" 💡 国内网络如果下载慢，加 -i https://pypi.tuna.tsinghua.edu.cn/simple 换清华镜像源。失败后再试官方源就行。 ...

导读 你是否遇到过这种场景：“在我电脑上明明能跑啊”？代码换了台机器就报各种缺库报错。传统解决方式是重装系统或手动配置环境，但效率极低。Docker 就是来解决这个问题的——它把程序和所有依赖打包成一个"集装箱"，搬到任何地方开箱即用。本篇教程从零讲起，不需要你有运维经验，只要会用命令行就能跟完全程。 参考基准：本教程内容结构参考 Runoob Docker 教程，命令均经过验证。国内访问 Runoob 慢的话可以用浏览器直接搜索"runoob docker"找到镜像站阅读。 一、什么是容器？和白话对比虚拟机 在说 Docker 之前，先看看传统的**虚拟机（VM）**是怎么工作的： 想象你要同时运行两个不同的操作系统应用。虚拟机的做法是：在每个 VM 里安装一个完整的操作系统（叫 Guest OS），然后再装你的程序。每个 VM 都要占用几 GB 空间和几分钟启动时间——就像每栋楼都带一个独立的发电厂。 Docker 容器的思路完全不同。容器不模拟整个操作系统，而是直接共享宿主机的内核（Linux 内核），只隔离出进程所需的资源。结果呢？ 维度 虚拟机（VM） Docker 容器 是否自带完整 OS 是（几百 MB ~ GB 级） 否，共享宿主机内核 启动速度 数分钟 秒级（通常 < 1s） 单个应用的内存开销 几个 GB 几十到几百 MB 一台机器能跑的实例数 几个到十几个 上百个 画个图直观理解 Docker 的架构层次（从下往上）： 宿主机：你实际操作的电脑或服务器（可以是 Linux、Windows 或 macOS） Linux 内核：提供命名空间（隔离）和 cgroup（资源限制） Docker 运行时：负责创建和管理容器 容器：你的应用程序在其中运行的轻量级沙箱 💡 一句话总结：虚拟机 = 完整的房子；Docker 容器 = 公寓里的独立房间。后者更省资源、更快落地。 ...

导读 如果你用过 Flask、Django REST Framework 或者 Node.js/Express 写过 API，一定会觉得"每次都要手写参数校验、返回格式、接口文档"很繁琐。FastAPI 就是来解决这个痛点的——你只需要在函数上写几行 Python 类型注解（比如 item_id: int），它就能自动帮你做参数校验、错误提示，甚至连一份带交互界面的 OpenAPI 文档都给你生成好了。 本篇面向零基础但有 Python 基础的小白。不需要了解什么是 WSGI、ASGI、JSON Schema……跟着步骤走，半小时后你就能跑起来自己的第一个 FastAPI 服务，并在文末看到一个可以对接大模型的 /chat 接口示例。 核心优势一句话总结：类型注解即校验 + 自动 OpenAPI 文档 + 性能对标 NodeJS/Go——这就是为什么越来越多团队选型 FastAPI。 一、为什么选 FastAPI？ 1.1 类型注解即校验 以前写接口，你要手动写类似这样的代码： # 传统写法（以 Flask 为例） def create_user(): data = request.get_json() name = data.get("name") age = data.get("age") if not name or not isinstance(age, int): return {"error": "name 必填且 age 必须是整数"}, 400 在 FastAPI 里，类型注解直接写在函数签名上： from fastapi import FastAPI app = FastAPI() @app.post("/users/") def create_user(name: str, age: int): return {"name": name, "age": age} 如果请求传入 age 不是一个整数（比如 "abc"），FastAPI 会自动返回 422 错误，并给出清晰的错误信息，根本不需要你写任何校验逻辑。 ...

导读 如果你已经会写 Python 函数和类，但从来没自己搭过能让人在浏览器里访问的网页服务，这篇教程就是为你准备的。Flask 是 Python 生态里最轻量级的 Web 框架之一——它不强迫你学复杂的 ORM、迁移工具或项目脚手架，你只需要学会几行代码就能让一个网站跑起来。 本文会带着你一步步完成一件事：搭建一个简易的留言板。你能在其中输入昵称和内容发布留言，页面实时显示所有留言，点击单条留言还能查看详情。通过这个项目，你会掌握 Web 开发中最核心的六个概念： # 概念 白话解释 1 安装与环境隔离 别把库装到系统 Python，用虚拟环境隔离每个项目 2 路由与视图 网址路径 /about 对应哪个函数来处理请求 3 URL 参数 像 /message/1 里的 1 怎么传到函数里 4 Jinja2 模板 把数据塞进 HTML 骨架自动生成完整页面 5 表单与 POST 用户提交数据时怎么用 <form> + HTTP POST 传过来 6 SQLite 存储 用内置数据库保存留言而不是存在内存里（一关就丢） 配图在上面那张图里你可以看到完整的「请求生命周期」流程图——读完本文后回看这张图，你会对每个环节都一目了然。 下面按步骤来，从环境准备一路走到生产部署。中间会穿插一些实用建议，其中关于 AI 功能接入的内容放在后面的部署章节统一说明。 第一步：安装 Python 并创建虚拟环境 检查 Python 是否已安装 打开终端（macOS/Linux 用 Terminal，Windows 用 PowerShell 或 CMD），输入： python3 --version # macOS / Linux # 或 python --version # Windows（可能只写 python） 期望输出类似 Python 3.10.x 或 Python 3.11.x。如果输出了版本号就说明 OK。如果提示 command not found 或未识别命令，先去 python.org/downloads 下载安装（Windows 用户记得勾选"Add Python to PATH"）。 ...

导读 你是不是经历过这样的场景：改代码改到一半，老板突然说"先别动了，做个紧急修复"？或者更惨——改完发现代码全乱了，想回到昨天的版本却找不到路了？ 这就是版本控制要解决的问题。Git 是目前最流行的版本控制工具，几乎所有开源项目（从 Linux 内核到 React）都在用它。学完本篇你不仅能管好自己的代码，还能参与团队协作、在分支上独立开发、甚至处理复杂的合并冲突。 本文以「日常开发」为主线，从克隆仓库开始，一步步走通：创建分支 → 提交更改 → merge 合并 → 必要时用 rebase 或 reset 回滚 → push 到远程。每个命令都附带解释，小白也能跟练。 参考基准：Runoob Git 教程（国内可直接访问）。如需更权威的官方文档，可参考 Git 中文文档 (git-scm.xyz) 或 GitHub Docs（国内用户可用 ghfast.top 代理加速）。 第一步：把代码 Clone 下来 打开终端（Windows 用 PowerShell 或 Git Bash），运行： # 把远程仓库克隆到本地，<url> 替换为实际地址 git clone https://github.com/用户名/项目名.git # 进入项目目录 cd 项目名 白话解释：clone 就是把服务器上的整个项目（包括所有历史提交记录）复制到你的电脑里。之后你所有的操作都在本地完成，不需要联网。 国内提示：如果 github.com 连接慢或超时，可以用 ghfast.top 代理加速，把 URL 中的 github.com 替换为 ghfast.top/github.com 即可。 第二步：理解 Git 的三大区域 这是学习 Git 最重要的概念——理解了就不再死记硬背命令。 Git 的工作区分为三个区域： ...

📌 新手提示：本文结尾提供了一键脚本（Windows / macOS / Linux 通用），会自动装好依赖、配好 API Key、生成可直接跑的"客服分流"Demo。动手党直接拉到文末。 导读：为什么需要 Agent “工作流”？ 你可能用过 ChatGPT 或 Claude——你问一句它答一句，这叫单次问答。它的"大脑"不知道你是连续对话里的第几句，也不知道上一轮说过的话，除非你把历史记录一起发过去。 但现实中的 AI 应用往往不是简单的"一问一答"。客服系统需要先判断用户意图（咨询？投诉？退款？），再路由到不同处理流程；翻译助手需要先提取原文、翻译成目标语言、再做格式润色。AI Agent 的工作流就是把一系列步骤编排成一张"流程图"——每一步的输出一部分交给下一步，像流水线一样传递信息。 这篇教程教你用 LangGraph 来做这件事。LangGraph 是 LangChain 团队开源的状态机框架：你把业务逻辑拆成"节点"（函数），用"边"把它们连起来，遇到分支就加"条件边"让 LLM 自己决定走哪条路。一句话总结——用状态机的方式组织 AI 的流程，而不是写一堆 if-else。 📚 参考文档：https://github.com/langchain-ai/langgraph（GitHub 主页，国内访问可能需要镜像：ghfast.top/https://github.com/langchain-ai/langgraph）。官方文档：https://docs.langchain.com。 一、核心概念速览（3 分钟看懂术语） 术语 白话解释 StateGraph（状态图） 你的整个工作流程的"蓝图"——规定了有哪些步骤、每步怎么处理数据 Node（节点） 一个个功能小函数（比如"分类用户意图"、“调用大模型回答”） Edge（边） 节点的连接线——“做完 A 之后去做 B” Conditional Edge（条件边） 带条件的分叉路口——让 LLM 判断：“根据当前内容，决定去节点 X 还是节点 Y” START / END 固定入口和出口。每张图必须有明确的起点和终点 compile() 把画好的蓝图变成可运行的程序（类似 Python 编译代码） invoke() 执行程序、给它输入数据 checkpointer（检查点） 记忆的"记事本"——记住上一次聊到什么，下次接着来 MessagesState：这是 LangGraph 内置的一种状态类型，自带一个消息列表（messages），每次调完 LLM 的结果自动追加进去。相当于给每个节点都发了同一份"聊天记录"。 ...

导读 很多刚接触 Linux 的人都有同一个困扰：命令太多记不住。其实你只需要记住一个规律——Linux 命令是按"场景"分的，把常用操作归到六类里，每类掌握 3~4 个最常用的，日常 90% 的工作都能搞定。 本文覆盖这六类场景：文件与目录（增删改查）、权限管理（谁能读写执行）、进程管理（谁在跑、怎么关）、网络连接（传下载测连通）、日志文本（找内容看变化）、磁盘空间（哪占满了）。每个命令都给出最常用的参数组合，直接复制就能跑。国内用户请注意：文中涉及 GitHub 等海外链接时已附带国内镜像加速说明。 一、文件与目录：ls / cp / mv / rm / tar / find 这是每天都会用到的基础操作，先看懂再上手。 ls — 列出文件与目录 ls -lh # 长格式 + 人类可读大小（-l），显示 KB/MB/GB 而非字节数 ls -la # 加上 -a：显示隐藏文件（以 . 开头的） ls -lt # 按修改时间排序，最新的在最前面 小白提示：-h 是 human-readable 的缩写，看到 -rw-r--r-- 这种一串字符别慌——后面会详细解释。 cd — 切换当前目录 cd ~ # 回到自己的家目录（等价于 cd /home/你的用户名） cd .. # 退回上一级目录 cd - # 回到上一次所在的目录（来回切换很方便） cd /var/log # 绝对路径跳转到系统目录 pwd — 显示当前你在哪个目录 pwd # 打印完整路径，如 /home/user/project cp — 复制文件或目录 cp source.txt dest.txt # 复制单个文件 cp -r /data/project ./backup # 复制整个目录（-r = recursive，递归） cp -v *.log /tmp/logs/ # 加 -v（verbose）显示复制了哪些文件 cp -p file1.txt file2.txt # 保留原文件的权限和时间戳（-p = preserve） mv — 移动或重命名文件 mv old_name.txt new_name.txt # 重命名（其实就是移到同名目标） mv file.txt /tmp/ # 移动到另一个目录 mv -i old.txt new.txt # 如果目标已存在，先问一句"确定覆盖？"（安全开关） rm — 删除文件或目录 ⚠️ 警告：Linux 的 rm 没有回收站！删了就真没了，执行前一定要看清楚路径。 ...

导读 你用过 MySQL 吗？MySQL 的数据存在一张一张的表里——每行必须对齐相同的列。MongoDB 换了一种思路：数据以"文档"为单位存储，每个文档是一段类 JSON 的结构，字段可以自由增减。这篇教程不讲深奥的理论，而是手把手带你装好 MongoDB、学会最常用的增删改查操作，最后回答一个实际问题——什么时候该用 MongoDB 而不是 MySQL。 全程使用 mongosh（MongoDB 官方命令行工具），命令逐行带注释，复制粘贴即可运行。 一、文档模型 vs 关系表：先搞懂"长什么样" 在动手之前，先看 MongoDB 数据长什么样，跟 MySQL 的区别是什么。 下图直观对比了两种存储方式： MySQL 的思路像 Excel： 所有行必须有相同的列（id、姓名、年龄、邮箱） 想关联用户和地址？得建两张表再用 JOIN 拼起来 结构固定，加个新字段要改表结构（ALTER TABLE） MongoDB 的思路像一个装满文件夹的柜子： 每个文档是独立的 JSON 块，字段可以完全不同 上面第二个例子中，李四多了个 address 嵌套对象（城市、邮编），张三没有——没问题，各自独立 不需要 JOIN：相关数据直接嵌套在同一个文档里 术语解释：JSON（JavaScript Object Notation）是一种轻量级数据格式，用 {} 包起来的键值对，几乎所有编程语言都能直接读写。 这就是 MongoDB 被称为"文档型数据库“的原因——数据的基本单位叫 Document（文档），不是 Row（行）。 二、安装 MongoDB Community 2.1 Linux（Ubuntu / Debian） 以下步骤适用于 Ubuntu 20.04+、Debian 11+、WSL2。 第 1 步：导入 MongoDB 官方 GPG 密钥 ...

导读 你是否遇到过这种场景：一条 SQL 查出来要好几秒，数据量再大一点直接超时？90% 的性能问题都出在索引没用对。 这篇文章从零开始——先装好 MySQL，然后一步步讲清楚怎么建表、怎么加主键和外键、B+ 树为什么快、怎么读懂 EXPLAIN 的执行计划、怎么用慢查询日志找到拖后腿的 SQL，最后讲到事务和隔离级别。每个命令都带注释，复制粘贴就能跑。 预计阅读时间 15 分钟，配合同步操作约 30 分钟即可掌握全流程。文末附 Linux/macOS 和 Windows（WSL）双平台一键脚本，开箱即用。 一、安装 MySQL（Linux / macOS / WSL） 1.1 Debian / Ubuntu 系 # 更新软件包列表（apt 必须先做这一步，否则会报"找不到软件包"） sudo apt update # 安装 MySQL 服务器（默认会装最新版，当前最新稳定版为 8.0.x） sudo apt install -y mysql-server # 启动并设置开机自启 sudo systemctl start mysql sudo systemctl enable mysql # 检查运行状态 sudo systemctl status mysql 国内镜像提示：如果 apt update 很慢，可以替换为清华源。编辑 /etc/apt/sources.list，把 deb http://archive.ubuntu.com/ubuntu 改成 deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu。修改后重新 sudo apt update。 ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows WSL / macOS / Linux 通用），自动检测网络环境并完成安装、配置生成和验证，不想手动操作的同学直接拉到文末运行。 导读：Nginx 是什么？ Nginx（读作 “engine-x”）是一个开源的 HTTP 服务器。你可以把它理解成互联网的"门卫 + 快递员"——用户发来请求时，它负责判断：“这个请求我要自己处理，还是交给别的程序处理？” 最常见的三个用途： 托管静态网站：放 HTML/CSS/图片，Nginx 直接返回给用户（速度快、占用资源少） 反向代理：把请求转发给后端的应用服务器（比如 Node.js、Python Flask/Django），实现动静分离 负载均衡：同一份服务跑在多台机器上，Nginx 把流量合理分配给每台机器，避免单点压力过大 本教程面向零基础读者，从零开始：安装 → 配置静态站 → 理解匹配规则 → 反向代理 → 负载均衡 → HTTPS 加密，每个步骤都附带可复制的命令和注释。 第一步：安装 Nginx Debian / Ubuntu 系 # 更新软件包列表（相当于手机应用商店刷新可用应用列表） sudo apt update # 安装 nginx 稳定版 sudo apt install -y nginx 安装完成后会自动启用并启动。验证是否成功： # 查看版本号和编译选项 nginx -v # 输出示例：nginx version: nginx/1.26.3（版本号以实际为准） # 检查服务状态 systemctl status nginx 国内加速：如果 apt update 很慢，可以换成国内镜像源（如阿里云、清华 Tuna）。搜索"Nginx 官方 deb 源"即可找到对应配置方法。 ...

导读 如果你是第一次接触后端开发，可能会觉得"服务器"“API"“请求-响应"这些词很抽象。这篇文章的目标就是让你亲手写出一个能跑的 Web 服务。我们将从零开始：先安装 Node.js 运行环境，再学习它最基础的 HTTP 服务——几行代码就能让浏览器收到你返回的 JSON 数据。接着引入 Express 框架（行业标配），学会按路径分发请求（路由）、在请求经过时做统一处理（中间件）。最后，我们会给服务接上一个 AI 大模型 API，让你的网站能「说话」。 全文不依赖任何编辑器或 GUI 工具，只用命令行 + 文本文件就能完成。Windows 用户可以用 PowerShell 或 WSL（Windows Subsystem for Linux），macOS / Linux 用户直接用终端即可。 一、安装 Node.js（推荐 nvm） 为什么不用安装包？ 官网 nodejs.org 提供 .msi（Windows）和 .dmg（Mac）安装包，装完就全局可用。但问题来了：一个项目可能需要 Node 18，另一个要 Node 22，换版本就要重新下载安装包，非常麻烦。 所以业界普遍使用 nvm（Node Version Manager —— Node 版本管理器）。它可以在同一个机器上同时装多个 Node 版本，用一行命令切换： nvm use 22 # 切换到 22.x nvm use 20 # 切到 20.x 国内安装步骤 Step 1：安装 nvm 本体 nvm 是一个 shell 脚本，运行在终端里。打开终端（PowerShell 不适合——推荐 WSL 或 cmd），执行： ...

导读 你电脑里大概率已经装着 Python——它是目前全球最流行的编程语言之一，小到自动整理文件夹、批量改文件名，大到搭建网站和训练 AI 模型，都离不开它。本篇教程从零开始：先在你的系统上装上 Python3，搞清楚为什么要用虚拟环境（venv），快速过一遍核心语法，然后实战写一个批量处理文件的脚本。全程命令带注释，读完就能上手。 目标读者：完全没有编程经验的小白，或者用过 Python 但被报错劝退的朋友。 预计用时：阅读约 25 分钟 + 动手 30 分钟。 一、安装 Python3 1. Windows：官网安装包（推荐勾选 PATH） 打开浏览器访问 python.org/downloads，下载 Windows installer（64-bit）（页面会自动识别你的系统）。 双击运行安装程序时，务必勾选底部的「Add python.exe to PATH」（见截图标注位置）。如果漏勾也没关系——点「Modify」重新添加即可。 国内镜像提示：python.org 直连偶尔慢或超时，可以改用华为云镜像站 https://mirrors.huaweicloud.com/python/，里面也有最新的 Windows 安装包，下载速度通常更快。 2. macOS：brew 一行搞定 如果你已经装过 Homebrew（macOS 的包管理器），只需在终端输入： brew install python3 # 下载并安装最新 Python3 python3 --version # 验证：应显示 Python 3.x.x 如果没有 brew：运行 /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" 安装后再执行上面的 brew install python3。 3. Linux：系统包管理器 大多数发行版已经把 Python3 作为默认组件： # Debian / Ubuntu： sudo apt update && sudo apt install python3 python3-venv python3-pip -y # Fedora： sudo dnf install python3 -y # Arch Linux： sudo pacman -S python python-pip 安装完成后同样用 python3 --version 验证。 ...

导读 如果你在做 Web 应用或者小程序后端，大概率会听到"加一层缓存"的说法。最常见的选择就是 Redis——一个跑在内存里的"超级字典"。本文先带你看清它的五种数据结构（别被名字吓到，都是日常能理解的），然后重点讲缓存系统最容易踩的三个坑：穿透、击穿、雪崩——为什么会出现、怎么解决。最后还会覆盖持久化（RDB vs AOF）、过期策略与内存淘汰，以及用 Python（redis-py）快速上手。全文面向零基础读者，每个术语出现时都会给一句白话解释。 一、Redis 是什么？为什么快？ Redis（REmote DIctionary Server）是一个开源的 key-value 内存数据库。你可以把它理解成一个"超大号的字典"——你告诉它一个关键字（key），它就立刻告诉你对应的值（value）。 # 往 Redis 存一条数据：key = name, value = 笑尘主人 127.0.0.1:6379> SET name "笑尘主人" OK # 取出来 127.0.0.1:6379> GET name "笑尘主人" 为什么比传统数据库快？ 对比项 MySQL 等传统数据库 Redis 数据存储位置 硬盘（磁盘 I/O 慢） 内存（速度是硬盘的数万倍） 查询方式 SQL 语句（需要解析和执行计划） 直接 key → value 查找 典型延迟 毫秒级 ~ 几十毫秒 微秒级 ~ 1 毫秒 一句话：Redis 把最常被访问的数据放在内存里，请求来了不用去硬盘翻找，所以极快。 二、五种数据结构，对应不同场景 Redis 不只是简单的 SET/GET，它提供了丰富的数据结构，每种都适合不同的使用场景。 2.1 String（字符串）—— 最基础的类型 String 是最常用的类型，可以存文本、数字，甚至图片的二进制数据。 ...

导读 如果你用过 Linux 或 Mac 的终端，一定接触过命令行的交互方式——你输一条命令，系统回一个结果。但如果要把几十条命令组合起来，按条件自动执行、循环遍历文件、甚至每天定时跑一次呢？这时候就需要 Shell 脚本。 本文从零开始，带你掌握 Shell 脚本最核心的六大知识板块：变量与引号、条件判断（if/case）、循环（for/while）、函数封装、参数传递、错误处理，最后用 crontab 定时任务把这些能力串联成一个完整的系统健康检查脚本。无论你是刚接触 Linux 的小白，还是想系统化补上 Shell 功底的开发者，这篇都能覆盖。 一、你的第一个 Shell 脚本 Shell 脚本本质上就是一个包含多条命令的纯文本文件。系统在读取第一行时，会判断用哪个解释器来执行它。 1.1 Hello World 新建 hello.sh，写入以下内容： #!/bin/bash # 告诉系统用 bash 解释器执行（这叫 shebang） echo "Hello, CleanResolver!" # 输出文字到终端 然后给它可执行权限并运行： chmod +x hello.sh # 让文件变成"可执行程序"的样子 ./hello.sh # 在当前目录下运行它 # 输出：Hello, CleanResolver! 白话解释：chmod +x 相当于给文件贴一张"可以执行"的标签；./ 表示"当前目录下的这个文件"。如果不加 ./，系统会在环境变量 $PATH 指定的系统目录里去找这个名字。 国内镜像提示：如果你在中国大陆下载 bash 相关教程，推荐 Runoob Shell 教程（直连）。国内打不开时用代理：ghfast.top 代理。 二、变量与引号 2.1 定义变量 Shell 中的变量就像快递柜的储物格编号——你把数据"存"进去，需要时再"取"出来。赋值时不加 $，取值时加 $。 name="CleanResolver" # 定义变量 name version=1.0 # 数字也可以直接赋值（不用引号） echo $name # 取值：CleanResolver echo "${name}_v${version}" # 用大括号区分边界：CleanResolver_v1.0 重要规则： ...

📌 新手提示：本文结尾提供了一键安装脚本（Windows / macOS / Linux 通用），自动检测网络源、安装 Vim 并生成基础配置文件。想省时间的朋友直接拉到文末运行即可。 导读：为什么学 Vim？ Vim 是一个运行在终端里的文本编辑器——也就是说你不需要点鼠标，只需要键盘就能完成所有编辑工作。它在程序员中非常流行，因为一旦熟练了，编辑速度远超鼠标 + 图形界面。更重要的是：绝大多数远程服务器（尤其是 Linux 服务器）都自带 Vim，当你通过 SSH 连到一台空荡荡的机器时，Vim 几乎是你唯一可用的编辑器。 学习 Vim 的最大门槛是"打破直觉"：它不像 Word 或 VS Code 那样用按钮操作，而是靠模式切换 + 快捷键组合。好消息是，你其实只需要掌握不到 30 个命令就能完成日常编辑——剩下的都是进阶玩法，可以慢慢积累。 下面我们从最基础的三大模式讲起，一步步带你上手。 参考文档：Runoob Vim 教程（国内可直接访问，内容详尽） 官方网站：https://www.vim.org/（国内用户如果打开慢，可以用镜像 https://ghfast.top/https://www.vim.org/ 先逛逛介绍页） 一、三大核心模式：Vim 的灵魂 Vim 的核心思想是"每种模式有每种模式的职责"。你不可能在打字的时候同时执行删除命令——必须切换到对应模式。这听起来麻烦，但熟练后会发现非常清晰高效。 1. 普通模式（Normal Mode）—— 默认模式 启动 Vim 后自动进入此模式。这里的每一个按键都是一条命令，而不是输入字符。 按键 功能 白话解释 h / j / k / l 左 / 下 / 上 / 右 不摸方向键也能精准移动 w 跳到下一个词开头 word = “单词"的意思 b 跳到上一个词开头 back = 回退 $ 跳到行尾 end of line 0（数字零） 跳到行首 zero G 跳到文件末尾 Go to end gg 跳到文件开头 Go to top（连按两次 G） nG（如 5G） 跳到第 n 行 比如 42G 直接跳到第 42 行 2. 插入模式（Insert Mode）—— 像记事本一样打字 想要打字、粘贴内容？先切换到插入模式。这是唯一的"写入"模式。 ...

导读：你还在手动操控 DOM 吗？ 如果你是从 jQuery、Zepto 那个年代过来的前端开发者，一定有过这样的经历：数据变了，你要手动去找元素、改文本、加 class、绑事件——改一处牵全身，项目越大越像一团乱麻。 Vue3 的核心理念就一句话：你只管写数据，页面会自动更新。 这叫"响应式编程"——当你的 JavaScript 变量发生变化时，Vue 自动帮你把页面对应的部分刷新掉。你不需要再操心"哪个 DOM 需要改"。 此外，Vue3 引入了组合式 API（Composition API），核心语法是 <script setup>。它让你按"功能"组织代码（而不是按"生命周期钩子"拆散），代码更紧凑、更容易复用。 这篇教程会带着你从头搭建一个 Vue3 项目，一步步了解关键概念，最后做一个完整的 TodoList 小应用收尾。全程无废话，只讲你需要用的。 前置知识：基本的 HTML、CSS、JavaScript（ES6 箭头函数和解构赋值就够了）。如果你会用 npm 装过一个工具包，那就足够了。 一、Vue3 对比 jQuery：一张表说清楚 维度 jQuery 时代（传统写法） Vue3 组合式 API 更新页面 $('#box').text(newData) 手动操作 DOM 变量变了，{{ data }} 自动更新 事件绑定 .on('click', handler) 到处散布 @click="handleClick" 写在模板里 组件化 靠约定或第三方库（如 React 风格封装） 内置 .vue 单文件组件，开箱即用 状态管理 全局变量 / $bus 事件总线 ref / reactive 响应式系统 + Pinia 构建方式 CDN 直接引入即可 推荐 Vite 脚手架（开发快、打包小） jQuery 不是不好——它是那个时代的最佳实践。但在今天的项目复杂度面前，手动操作 DOM 成了最大的维护负担。Vue3 的思路是：声明式地描述"数据长什么样"，让框架负责"DOM 怎么变"。 ...

导读 如果你有一段录音（会议、播客、课堂笔记），想快速把它变成文字稿——以前你可能要花钱买在线转写服务，或者花好几天搭一套复杂的深度学习系统。今天我们要用的 Whisper 正好解决了这个问题：它是 OpenAI 在 2022 年开源的多语言语音识别模型，可以在你自己的电脑上离线运行，免费、隐私有保障，支持中文在内的 99 种语言。 本篇从零开始，帮你把整个环境搭起来。只需要一个前置依赖 ffmpeg，剩下的通过 pip 一行命令搞定。文末提供一键脚本，Windows / macOS / Linux 都能跑。 一、Whisper 是什么？ Whisper 是 OpenAI 发布的一个自动语音识别（ASR，Automatic Speech Recognition）模型。它用来自 68 万小时多语言+多标签数据的训练数据训练的，核心特点包括： 开源免费：Apache 2.0 许可，可以随意修改和商业使用 多语言：支持中文、英文、日语等 99 种语言的识别和翻译 本地运行：不需要联网调用 API，装好就在本机跑，保护隐私 开箱即用：命令行工具 + Python API 双接口，小白也能上手 GitHub 仓库地址：https://github.com/openai/whisper （国内用户访问不畅时，可以加 ghfast.top 前缀代理：https://ghfast.top/https://github.com/openai/whisper） 模型规格一览 Whisper 提供了多个规格（规格越大，准确率越高，但需要的内存和速度越慢）。官方共有以下模型供选择： 模型 参数量 VRAM 需求 参考速度 适用场景 tiny 39M ~1 GB 最快 快速原型验证 base 74M ~1 GB 快 日常轻度使用 small 244M ~2 GB 中等 较好中文效果 medium 769M ~5 GB 较慢 高准确率要求 large-v1/v2/v3 1.5B ~10 GB 很慢 最高精度 distil-small/en / distil-medium/en 量化蒸馏版 — 比原版快 2～6 倍 英文加速（非官方完整版） 推荐起步策略：先用 tiny 或 base 确认流程畅通，再按需换 small 或更大的模型。 ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），会自动完成 Python 环境、SDK 安装与 API Key 配置，不想手动逐条敲命令的同学可以直接拉到文末运行。 前言 你大概已经听说过 Claude 这个名字——它是在编程、写作、长文本分析上口碑最好的大模型之一，来自 Anthropic 公司。 但你可能不知道的是：Claude 不只可以在网页上聊天，它还开放了 API（Application Programming Interface，应用程序编程接口）——简单说，就是一个"程序调用通道"：你可以写几行代码，让 Claude 变成你自己软件里的"大脑"，自动完成总结文档、写代码、翻译、客服问答这些事。 这篇文章面向完全没有编程经验的零基础读者：只要求你有一台电脑、能复制粘贴命令。我会带你完成以下四件事： 拿到一把 API Key（钥匙） 装好 Python 和 Anthropic 官方 SDK（软件开发工具包，可以理解为"官方写好的调用插件"） 写出并运行你人生中第一段 AI 调用代码 学会按需调整参数、看懂报错 官方文档地址：海外用户可直连 https://platform.claude.com/docs；国内用户访问需要科学上网，也可以参照本文第八节用国内可直连的中转方式接入。 好，我们现在开始。 一、准备工作（三样东西） 1. 一台装了 Python 的电脑 文章用 Python 3（版本 ≥ 3.8 即可）写调用代码。怎么确认装没装？打开终端（macOS 叫"终端"，Linux 由发行版决定，Windows 建议用 WSL，即"Windows 自带的 Linux 子系统"），输入： python3 --version 看到 Python 3.x.x 就说明有了。如果没有，去 https://www.python.org/downloads/ 下载安装，Windows 用户安装时记得勾选"Add Python to PATH"。 ...

📌 新手提示：还没装 Claude Code 的同学请先阅读本站《Claude Code 快速上手教程》；本文假设你已经能用 claude 命令在终端里和 AI 结对编程，现在要把它调教成"懂你项目"的老兵。 前言 用过几周 Claude Code 你会遇到同一个困惑：这个 AI 每次开工都像第一天入职——不知道你的代码规范、记不住你的偏好、每次都得重新交代。 Claude Code 官方给的答案是三个机制： CLAUDE.md：你写的"项目说明书"，每次会话自动加载 Auto memory：AI 自己记的"工作笔记"，根据你的纠正自动积累 子代理（subagents）：给 AI 配一群"专家同事"，各司其职，互不干扰 本文基于 Claude Code 官方文档（https://code.claude.com/docs）编写，走完三件事：把记忆体系配好、给项目立规矩、给团队加专家。 官方文档是海外站点，国内访问需要科学上网；配置过程需要调用 Claude API（或国内的 Anthropic 兼容中转），文末脚本会带你配好。 一、CLAUDE.md：每次会话自动加载的"项目说明书" CLAUDE.md 是纯文本 Markdown 文件，Claude Code 每次启动会话都会自动读取它——把你的约定写进去，AI 就不用每次重新问。 放哪里？四个等级 级别 位置 管什么 谁看 组织级 Linux/WSL：/etc/claude-code/CLAUDE.md；macOS：/Library/Application Support/ClaudeCode/CLAUDE.md；Windows：C:\Program Files\ClaudeCode\CLAUDE.md 公司标准、安全规范 全公司 用户级 ~/.claude/CLAUDE.md 你的个人偏好 你所有的项目 项目级（最常用） ./CLAUDE.md 或 ./.claude/CLAUDE.md 项目架构、规范、工作流 项目团队（随仓库提交） 本地级 ./CLAUDE.local.md（记得加进 .gitignore） 只属于你的项目偏好 只有你 优先级：加载顺序从宽到窄（组织→用户→项目→本地），越靠近你当前项目、越"后读"，权重越高。 ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），自动完成 Python 环境、SDK 安装与 API Key 配置，想省事的同学直接拉到文末运行即可。 前言 DeepSeek 是中国本土的大模型团队，做出来的模型在代码、推理、中文理解上一直处于第一梯队——而且相比海外大厂，国内用户注册、充值、调用全都畅通无阻，不需要海外信用卡，也不需要科学上网。这是它最"亲民"的地方。 和 Claude 一样，DeepSeek 也开放了 API（应用程序编程接口）——就是"程序调用通道"：写几行代码，就能让 DeepSeek 的模型住进你自己的程序里，自动写代码、做分析、当客服。 本教程面向零基础读者，四步走： 注册账号，拿到 API Key（钥匙） 装好 Python 环境 跑通第一个 DeepSeek 调用 看懂定价、常见报错，把它用起来 官方文档：https://api-docs.deepseek.com/（国内可直接访问）。 一、注册账号并获取 API Key 打开 https://platform.deepseek.com，用手机号或邮箱注册 登录后点左侧「API Keys」，创建一个新 Key，立刻复制保存（形如 sk- 开头的一长串，只显示一次，丢了要重建） 如果需要调用付费模型，先去「充值」页充一点钱（按量扣费，充多少用多少，没有月租；充值与赠送余额并存时系统会优先扣赠送余额） ⚠️ Key 相当于你的"钱包钥匙"，别截图发给别人，别提交到公开的代码仓库（GitHub 会扫描并提示风险）。 二、准备 Python 环境 确认终端里 python3 可用（不会开终端的同学见文末脚本，全部自动化）： python3 --version 看到 Python 3.x.x 即可。然后装官方示例用的 OpenAI 官方 Python 包（deepseek 复用 OpenAI 的 SDK，所以不用装 deepseek 自己的包）： ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），帮你把 Dify 完整装起来，配好模型就能动手搭应用。 前言 前两篇文章我们聊的是"用代码调 API"（Claude API / DeepSeek API）和"用框架写程序"（LangChain RAG）——适合喜欢写代码的同学。但如果你不想写代码，或者你想在一个可视化界面里快速把应用搭出来、直接复用成熟组件，那 Dify 是你的菜。 Dify 是一个用于构建 AI 应用的开源平台（GitHub 46k+ 星）：网页界面 + 拖拽编排，不写一行代码就能做出聊天机器人、知识库问答、自动化工作流、Agent（能调用工具的 AI 助手）……做完还能一键发布成网页应用，或用 API 接入你自己的系统。 一句话定位： 写代码搭 AI 应用 = 自己买菜做饭；用 Dify 搭 AI 应用 = 用厨房智能炒菜锅——功能覆盖面 90%，上手只要十分钟。 本教程面向零基础读者，走完四步： 用 Docker 一键部署 Dify（自托管，数据完全归你） 接入大模型（一个 Key 搞定） 拖拽做出第一个聊天机器人 挂上你自己的知识库（RAG 能力内置） 官方文档：https://docs.dify.ai/zh-hans（中文）；GitHub：https://github.com/langgenius/dify（社区版开源）。 一、Dify 能做什么（先看能力地图） 官方首页点名的核心能力： 聊天机器人：对话式应用，配上系统提示词（给 AI 立人设）就是客服/助理 Agent 编排：AI 可以调用工具（查数据库、发邮件、传 API），不止"聊天"，还能"办事" Agentic 工作流：可视化流程编排，条件分支、循环、多步调度都拖出来 知识库（基于自有数据的应用）：上传 PDF/Word/网页，自动切分向量化，聊天时"现查现答"——这正是 RAG（Retrieval-Augmented Generation，检索增强生成，“给 AI 塞专属资料、让它只依据资料作答"的技术），Dify 把它做成了上传即用，不用写任何代码 插件扩展：官方插件市场，扩展工具和模型 发布方式：一键发布为 Web 应用（独立链接），或通过 API 集成到你的系统 二、部署 Dify（社区版，Docker 一键装） Dify 社区版完全开源、数据自持。部署需要 Docker（容器技术，可以理解成"一键打包运行软件的盒子”）与 Docker Compose（管理多个容器组合的工具）。 ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），会自动装好全部依赖、配置 API Key、生成一个可直接运行的知识库问答 Demo，动手党直接拉到文末。 前言 一个扎心的事实：大模型（ChatGPT、Claude、DeepSeek 这类 AI 的大脑）并不知道你的私有资料。你的公司规章、产品手册、个人笔记，模型一概没学过——你问它，它只能靠"编"来回答，这就是著名的"一本正经地胡说八道"（AI 圈叫"幻觉"）。 RAG（Retrieval-Augmented Generation，检索增强生成） 就是解决这个问题的标准方案。一句话解释： 给 AI 塞一个你专属的资料库，每次提问先从这个库里"检索"相关片段，再让 AI 基于检索到的内容回答。 效果是：AI 只依据你的资料作答，不乱编、不认错人，还永远跟得上资料的最新版本（资料更新，答案自动变）——因为它每次都是"现查现答"。 官方对 RAG 的定义是：在推理（回答）时把外部文档作为上下文喂给模型，避免幻觉与过时信息。 本教程基于 LangChain 官方 RAG 教程编写（https://docs.langchain.com/oss/python/langchain/rag），面向零基础读者，一步步跑通一个"公司制度问答机器人"。 一、RAG 的五步流水线（先看懂再动手） 把整个过程想象成"图书馆查资料"： 入库（加载文档）：把你的资料搬进系统——Document 对象，每个文档带"来源"标签（哪个文件/网页） 切分（拆成块）：长文档切成 1000 字一块的小段——图书馆把书拆成一页页，检索才知道翻哪页 向量化（编号上架）：每一段文字变成一串数字（叫"向量"），语义相近的文字，数字也相近——检索"迟到怎么处理"能找到"考勤制度"那段 检索：用户提问→把问题也变成向量→找出库里最相近的前几段 回答：把"问题 + 检索到的片段"一起发给大模型，让模型只依据这些片段回答 五步里，1-4 是"资料库"，5 用到了大模型能力。我们一步步来。 二、准备工作（三样东西） Python 3（终端执行 python3 --version 确认；Windows 建议用 WSL） 一把 OpenAI 兼容的 API Key——本文代码按 OpenAI 格式写（这也是整个 AI 生态里最通用的格式：DeepSeek、Ollama、各种中转站都兼容）。还没 Key 的同学先注册一个（国内推荐 DeepSeek 官方平台 https://platform.deepseek.com，注册即送少量体验额度；或者运行文末一键脚本，脚本会带你把 Key 配好） 一个文本资料（随便拿一个 .txt 文件：公司制度、产品说明、学习笔记都行） 三、安装依赖 mkdir rag-demo && cd rag-demo python3 -m venv .venv && source .venv/bin/activate pip install "langchain[openai]" langchain-text-splitters requests numpy python3 -m venv .venv：建虚拟环境（独立目录装依赖，不污染系统） langchain[openai]：LangChain 主包 + OpenAI 兼容适配（[openai] 是"附加组件"标记，一次装齐） langchain-text-splitters：切分文档的官方组件 requests：发 HTTP 请求（抓网页用）；numpy：向量计算底层依赖 pip 慢或失败：加 -i https://pypi.tuna.tsinghua.edu.cn/simple。 ...

📌 新手提示：本文的"用 MCP"，面向想快速给 AI 接上文件系统、Git 仓库、数据库等能力的读者（不是教写 MCP 服务端——那是本站《MCP Server 开发实战》的内容）。所有命令复制粘贴即可。 前言 你有没有遇过这样的尴尬：AI 编程助手写得飞起，但让它"看一下我桌面上那个 Excel"或者"把这个仓库的历史提交统计出来"，它只会说**“我无法访问你的文件”**。 MCP（Model Context Protocol，模型上下文协议）就是来解决这个问题的——它是 Anthropic 于 2024 年末提出的开放标准，官方定位是： AI 应用的"USB-C 接口"——就像 USB-C 统一了充电口一样，MCP 统一了"AI 连接外部世界的接口"。AI 应用通过 MCP 可以接入数据源（本地文件、数据库）、工具（搜索、计算器）和工作流。 一句话版本：装一个 MCP 服务器，你的 AI 就能用上那个工具；同一个服务器，Claude、ChatGPT、VS Code、Cursor 等所有支持 MCP 的客户端都能用——“一次接入，到处使用”。 本文从零开始，带你 10 分钟把最常用的几类 MCP 服务器接进 Claude Code。 官方文档：https://modelcontextprotocol.io（海外站点，国内访问需科学上网）；官方参考服务器仓库：https://github.com/modelcontextprotocol/servers。 一、MCP 的骨架：host / client / server 三个角色，用"点外卖"理解： 角色 是什么 比喻 Host（宿主） 你正在用的 AI 应用（如 Claude Code、Claude 桌面版、VS Code） 点餐的食客 Client（客户端） 宿主内部负责与服务器通信的组件 外卖 App Server（服务器） 暴露"工具/数据"给 AI 用的小服务（如"文件系统服务器"暴露读写文件的工具） 后厨 你的 AI = 食客，MCP 服务器 = 后厨。食客想吃什么（要用什么工具），后厨现做（执行操作）再端上来（把结果喂回 AI 的上下文）。 ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），自动安装 Ollama 并引导你运行第一个模型，不想手动操作的同学直接拉到文末运行。 前言 这几年"大模型"（能对话、能写代码的人工智能模型，像 ChatGPT、DeepSeek 背后的大脑）都是云端服务——你的问题发到别人服务器上，算完再传回来。好处是效果强，坏处是你得注册、充值、排队，还有隐私顾虑：所有对话都经过第三方。 Ollama 是另一条路：它把开源大模型装到你自己的电脑上，本地运行，不联网、不花钱、数据不出门。它的定位可以这么理解： 云端模型像"点外卖"，本地模型像"自己家做饭"——外卖（云端）省事但付钱、排队；做饭（本地）要一次投入食材和设备（下载模型、占内存），但之后无限吃、私密、断网也能吃。 本教程面向零基础读者，走完五步： 明白 Ollama 是什么 在自己的电脑上装好它 跑起人生第一个本地大模型 学会用代码调用它（本地 API） 弄清"本地 vs 云端"怎么选 官方文档：https://docs.ollama.com/；模型库列表：https://ollama.com/search。 一、Ollama 是什么 一句话：Ollama 是一个"大模型运行工具"——装好后，你在命令行输入一条命令，它就从官方模型库下载一个开源模型到本地（几 GB 到几十 GB），然后在你的电脑上把它跑起来，你就能像和 ChatGPT 聊天一样和它对话。 几个关键事实： 开源免费：Ollama 本身是开源项目，模型也大多是开源模型（如 Qwen、DeepSeek、Llama、Gemma、GPT-OSS 等系列） 离线可用：模型下载完成后完全本地运行，不需要网络（断网也能聊） 有 API：暴露一个本地接口（默认端口 11434），你可以用普通 HTTP 请求或 OpenAI 兼容的 SDK 调用它——也就是说，你在云端 API 写过的调用代码，改一行地址就能指向本地模型 跨平台：macOS / Windows / Linux / WSL2 / Docker 都支持 二、安装 Ollama（三平台） 打开终端（macOS"终端"、Linux"终端"、Windows 建议 WSL，即 Windows 自带的 Linux 子系统），按你的系统执行一行命令： ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），自动装好 Python 环境、配好 API Key、生成一个能直接跑的 AI 聊天网页应用。 前言 你已经学会了调 Claude API（本站《Claude API 开发实战》），但都是"黑乎乎的终端输出"——能不能把自己写的 AI 变成一个带聊天框、带按钮、别人点开就能用的网页？ Streamlit 就是干这个的：一个开源的 Python 库，纯 Python 写网页——没有 HTML、没有 CSS、没有前后端分离，几十行代码就能出一个漂亮的 Web 工具。 它的口号很诚实：“The fastest way to build and share data apps”（构建和分享数据应用的最快方式）。对 AI 应用来说尤其合适：你有 API 逻辑，Streamlit 帮你把外壳（输入框/聊天气泡/按钮/状态）全包了。 本文基于官方教程（https://docs.streamlit.io/develop/tutorials/llms/build-conversational-apps，海外站点国内访问需科学上网）编写，最终产出：一个 ChatGPT 式的聊天网页应用，可以在浏览器里和 AI 连续对话。 一、安装与首跑（30 秒） pip install streamlit 写一个 app.py： import streamlit as st st.title("我的第一个 AI 应用") name = st.text_input("你叫什么？") if st.button("打招呼"): st.write(f"你好，{name}！") 运行： ...

📌 新手提示：本文定位"进阶一档"——目标读者是已会调 API、想把自己的开源模型部署成服务的学生与开发者。命令全部可直接复制；文末脚本自动装环境、下载模型、启动服务。 前言 上一篇 Ollama 教程解决了"把 AI 跑在个人电脑上"——但真实的生产环境（网站、公司服务）用的是另一类工具，其中的公认主力是 vLLM（GitHub 4 万+ 星，UC Berkeley 发起）。 一句话理解 vLLM： Ollama 是单机玩具，vLLM 是生产引擎。它把开源大模型（Qwen、DeepSeek、Llama…）变成高性能 API 服务——吞吐量比朴素推理高一个数量级，同时把显存利用压榨到极致（官方特性：PagedAttention 连续批处理、KV 缓存复用）。 用官网定位：“Easy, fast, and cheap LLM serving for everyone”（人人可用的又好又快又省的大模型服务）。 本文基于官方快速开始（https://docs.vllm.ai，海外站点国内访问需科学上网）编写，走完四步：装 vLLM → 离线批量推理 → 一条命令起 OpenAI 兼容服务 → 用任意代码调用它。 一、安装（两条命令） vLLM 是 Python 包，官方推荐用 uv 建干净环境（uv 是新一代 Python 工具）： uv venv --python 3.12 --seed source .venv/bin/activate uv pip install vllm --torch-backend=auto 你没装 uv？curl -LsSf https://astral.sh/uv/install.sh | sh 一行装（官方方式）。不想用 uv，pip install vllm 也行，但官方把 uv 列为推荐——因为它快且环境干净。 ...

📌 新手提示：本文结论基于 Anthropic 官方提示工程指南（https://platform.claude.com/docs/en/build-with-claude/prompt-engineering，海外站点国内需科学上网）。文末一键脚本会生成一个"前后对比"小工具，让你亲眼看到提示词的作用。 前言 很多人以为提示词（Prompt）就是"多说点好话、多发点脾气"，这是误解。提示词不是玄学，它有一套官方方法论——就像写代码有规范和架构，写提示词也有原则。 一个残酷的事实：同一个模型、同一个问题，提示词写法和写法之间，回答质量可以差 10 倍。官方文档的原话是：把 Claude 想成一个"聪明但完全不熟悉你们公司的新员工"——你不说清楚，他就发挥不出。 本文带你看官方六大原则 + 一张可直接抄的三段式模板，再用一个真实案例感受差距。 一、官方六大黄金原则 原则 1：清晰直接（Be clear and direct） 说得越具体，得到的结果越好。想要"超出预期"的发挥（比如"做得全面一点"），要明确写出来，而不是指望模型自行领悟。 黄金准则（官方原文）：把你的提示词拿给一位对任务几乎一无所知的同事，请 TA 照着做。如果 TA 会困惑，Claude 也会困惑。 对照（官方示例）： ❌ 差的：“Create an analytics dashboard”（做一个分析仪表盘） ✅ 好的：“Create an analytics dashboard. Include as many relevant features and interactions as possible. Go beyond the basics to create a fully-featured implementation."（……把能用上的功能和交互都做上，别停留在基础版） 原则 2：补充上下文与动机（Add context） 解释"为什么"能让模型更精准。官方例子： ❌ 差的：“NEVER use ellipses”（永远别用省略号） ✅ 好的：“Your response will be read aloud by a text-to-speech engine, so never use ellipses since the text-to-speech engine will not know how to pronounce them."（你的回答会被语音引擎朗读，所以别用省略号——它不知道怎么发音） 一句话解释了动机，模型就懂了"这是硬规则，不是个人风格”。 ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），不想手动逐条敲命令的同学，可以直接拉到文末下载运行，脚本会自动检测网络环境并选择最快的下载源。 一、Hermes Agent 是什么 Hermes Agent 是 Nous Research 开发的自进化 AI agent——它不只是"能聊天的 AI"，而是目前唯一内置学习闭环（learning loop）的 agent：它从经验中自创技能、在使用中改进技能、主动提醒自己持久化知识、能搜索自己过去的对话、并跨会话逐步加深对你的理解。 用三个场景说人话： 它是个能"成长"的助手：第一次你让它写了个数据清洗脚本，它会把这个流程存成"技能"。下次你说"再清洗一份"，它直接调技能，不用从零教。技能用得越多它越熟，跟人积累经验一个道理。 它不住在你电脑里：跑在云端 VPS 上，你从手机 Telegram 给它发消息就能指挥它干活——白天让它监控日志、晚上让它跑备份、每周生成周报。它闲时几乎不耗钱（Daytona/Modal 这类 serverless 后端空闲时自动休眠）。 不绑任何一家模型：今天用 Claude，明天用 GPT，后天换 DeepSeek——hermes model 一条命令切换，代码不动、数据不丢。 核心能力（来自官方 README）： | 能力 | 说明 | |—| | 真·终端界面 | 全功能 TUI：多行编辑、slash 命令自动补全、历史回溯、中断重定向、流式工具输出 | | 住在你常驻的 IM 里 | Telegram / Discord / Slack / WhatsApp / Signal / 邮件，全从一个 gateway 进程接入 | | 闭环学习 | agent 自管的记忆 + 周期性自提醒；复杂任务后自动建技能；FTS5 全文检索跨会话召回 | | 定时任务 | 内置 cron 调度器，自然语言定义，投递到任意平台——每日报告、每晚备份、每周审计 | | 并行委派 | 派生隔离 subagent 并行干活；Python 脚本经 RPC 调工具，多步流水线压成一轮 | | 跑哪都行 | 七种终端后端：本地、Docker、SSH、Singularity、Modal、Daytona、Vercel Sandbox | ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），不想手动逐条敲命令的同学，可以直接拉到文末下载运行，脚本会自动检测网络环境并选择最快的下载源。 引言 如果你用过 Claude Code，一定体验过它在你的项目里读代码、改文件、运行命令的丝滑感。但如果我问你：Claude Code 能不能查你公司内部的 MySQL 数据库？能不能调你团队内部的工单 API？能不能读你私有知识库里的文档？ 答案是：能，只要你写一个 MCP Server。 MCP（Model Context Protocol，模型上下文协议） 是 Anthropic 于 2024 年底发布的开源标准，专门用来解决一个问题：AI 助手如何安全、标准化地接入外部数据源和工具。你可以把它理解成 AI 世界的"USB-C 接口"——不管后端是什么（数据库、API、文件系统、第三方服务），只要实现 MCP 协议，AI 就能即插即用。 上图展示了 MCP 的核心架构：Host（宿主进程，比如 Claude Code）通过 Client 与 Server 建立一对一的有状态连接，Server 则暴露 Resources（资源）、Tools（工具）、Prompts（提示词） 三种能力。 本教程会带你从零开始，用 Python 写一个真正能用的 MCP Server——先让它暴露一个简单的计算工具，再接上一个 SQLite 数据库和内部 API 调用，最后部署到云 Agent 沙箱里，让 Claude Code 在生产环境中安全地访问你的私有数据。 读完本文，你将掌握： MCP 协议的核心概念：Host、Client、Server 三角色各干什么，为什么这样设计 用 Python SDK 手写 MCP Server：从 15 行代码的玩具到能查数据库、调 API 的真实工具 接入 Claude Code：配置 .mcp.json，让 AI 在你的项目里直接调用你的 Server 部署到生产环境：用云 Agent 沙箱实现容器隔离、出站白名单、自动休眠 一、什么是 MCP——给 AI 装一个"万能接口" 1.1 先理解一个痛点 在没有 MCP 之前，如果你想让 AI 助手访问你的私有数据，你只有几条路： ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），不想手动逐条敲命令的同学，可以直接拉到文末下载运行，脚本会自动检测网络环境并选择最快的下载源。 前言 如果你正在寻找一个开源、免费、不绑定任何厂商的终端 AI 编程助手，那你来对地方了。 先交代背景：市面上最强的 AI 编程工具——Claude Code——是闭源的，绑定 Anthropic 一家厂商，还要求海外信用卡。对国内用户来说，这意味着要翻墙、要绑卡、要担心封号，还不便宜。 OpenCode（原名 SST OpenCode，现由 anomalyco 团队维护）正是为了解决这个问题而生的。它的定位非常清晰： 一个开源的终端 AI 编程助手，原生支持 75 种以上的大模型提供商，你想用谁就用谁。 打个比方： Claude Code 像 iPhone——很好用，但只能用苹果官方的 App Store，硬件也绑死。 OpenCode 像 Android——开源、自由，你可以装任何应用商店，甚至自己编译系统。 更具体地说，OpenCode 能做什么？ 在终端里用自然语言描述需求，AI 直接帮你读代码、写代码、改文件、跑命令 支持 Anthropic（Claude 系列）、OpenAI（GPT 系列）、DeepSeek、Google Gemini、本地 Ollama 等 75+ 家模型提供商 所有配置都是明文 JSON 文件，你可以把请求地址改成任何一个中转服务——包括国内可以直接访问的 API 中转站 内置 build（全权限开发）和 plan（只读分析）两种工作模式，按 Tab 键一秒切换 完全开源（GitHub 仓库已获 近 20 万星），代码公开可审计 本教程面向完全零基础的用户。只要你有一台电脑、能看懂文字、照着复制粘贴，就一定能成功启动 OpenCode。 海外用户可直连 GitHub：https://github.com/anomalyco/opencode。国内用户如果访问 GitHub 较慢，可以尝试 ghproxy.com 等镜像服务（注意：部分镜像对大型仓库可能不稳定，遇到问题可尝试切换镜像或直连）。 ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），不想手动逐条敲命令的同学，可以直接拉到文末下载运行，脚本会自动检测网络环境并选择最快的下载源。 前言 如果你还没听过"VIBE CODING"——简单说，就是用自然语言描述需求，让 AI 直接帮你写代码、改代码、跑测试、提交 commit。而 Claude Code，正是目前这个领域公认能力最强的工具之一。 Claude Code 是 Anthropic 出品的终端 AI 编程助手。它不再只是一个对话框，而是一个拥有"手"和"眼"的虚拟程序员——能直接读取你的文件系统、运行终端命令、执行 git 操作，自主完成复杂的开发任务。 打个比方： Claude 网页版像一个顾问，你把代码贴给它，它给建议，但你得自己动手改。 Claude Code像坐在你旁边的搭档，能看到整个项目，帮你改代码、写测试、重构函数。 本教程面向完全零基础的用户，只要你有一台电脑、能看懂文字、照着复制粘贴，就一定能成功启动 Claude Code。 一、Claude Code 的几种使用方式 方式 适合人群 优点 缺点 Web 端 完全新手 无需安装 功能有限，无法深度集成本地代码 CLI（命令行） 绝大多数开发者 功能最完整，最稳定 需要熟悉命令行基础 编辑器集成 日常开发者 无缝融入 VS Code / Cursor 依赖插件和环境 桌面版 不想用命令行的用户 图形界面 功能略少于 CLI 本教程采用 CLI 方式，因为它是官方主力支持、功能最全、也最通用的形态。 二、前置准备（只需要两样东西） ① 终端工具 Mac / Linux：打开系统自带的 Terminal（终端） Windows：打开 PowerShell，或者 WSL（推荐） 如果你从未用过命令行，不要怕——每条命令我都会写清楚，你只要复制粘贴即可。 ...

📌 新手提示：本文结尾提供了一键部署脚本（Windows / macOS / Linux 通用），会自动安装 Node.js、CC Switch、Claude Code 并配置好云间 API，不想手动操作的同学直接拉到文末。 前言 在上一篇教程中，我们完成了 Claude Code 的安装，并通过环境变量的方式配置了云间 API 的 Key。但这种方式有一个明显的痛点：每次要切换不同的 API Key、不同的模型供应商，或者想对比测试多家服务的质量时，都得手动改环境变量、重启终端，非常麻烦。 今天介绍的 CC Switch 项目，正是为了解决这个问题而生。 ℹ️ CC Switch 是一个开源项目，源码托管在 GitHub（https://github.com/farion1231/cc-switch）。 ⚠️ 国内用户访问提示：GitHub 在国内无法直接访问。海外用户可点击上方链接查看源码；国内用户可通过 GitHub 镜像站访问，例如把域名替换为 https://ghfast.top/https://github.com/farion1231/cc-switch，或使用文末一键脚本（脚本会自动检测网络并用 npm 国内镜像安装，无需访问 GitHub）。 一、CC Switch 是什么？ CC Switch 是一个跨平台的桌面端一体化管理工具，专门用于管理 Claude Code、Claude Desktop、Codex、Gemini CLI、Grok Build、OpenCode 等多个 AI 编程助手的 API 配置。 简单来说，它的核心功能就两件事： 集中管理：把你所有的 API Key（Claude、GPT、Gemini，以及各种中转服务的 Key）统一存到一个地方 一键切换：执行一条命令就能瞬间切换当前使用的配置，无需手动改文件、无需重启 它本质上是一个配置管理中间层–CC Switch 会把你的 API 配置写入 Claude Code 的配置文件 ~/.claude/settings.json 中，执行 cc-switch use 时自动替换对应的 Key 和 Base URL，切换即时生效。 ...