六月的雨在钉钉_社区达人页

Kimi K2 在开始部署之前，先简单介绍一下Kimi K2。Kimi-K2-Instruct 是由月之暗面（Moonshot AI）于 2025 年 7 月推出的 全球首个开源万亿参数 MoE 模型，定位为“反射级智能代理”（Reflex-Grade Agent），专注于工具调用、复杂推理与自主决策能力。总参数达 1 万亿，本地部署成本高昂且技术门槛高。那么如何快速体验呢？这里提供了一个便捷方案：支持云上调用 API 与部署方案，无需编码，最快 5 分钟即可完成，成本最低 0 元。 方案部署 在当前方案中，Kimi K2支持通过以下三种方式部署，包括：基于 MaaS 调用 Kimi-K2-Instruct 模型、基于人工智能平台 PAI 部署 Kimi-K2-Instruct 模型、基于GPU云服务器部署 Kimi-K2-Instruct 模型。不同的部署方案，操作难度不同，我们可以在方案部署操作页面看到 今天我们要选择的部署方案就是最简单的一种，基于 MaaS 调用 Kimi-K2-Instruct 模型 部署方案，操作简单容易上手，部署操作最快，费用最低。 基于 MaaS 调用 Kimi-K2-Instruct 模型 创建API-KEY 在部署之前，需要您需要开通阿里云百炼的模型服务，并获得免费额度。登录阿里云百炼大模型服务平台 ，选择【模型】-【密钥管理】-【创建API-KEY】 选择归属账号，默认主账号空间后确定即可看到我们的API-KEY，点击【复制】图标，复制我们创建的API Key 备用 下载安装Cherry Studio Cherry Studio 是业界主流的大模型对话客户端，且集成了 MCP 功能，我们可以方便地与大模型进行对话。访问 Cherry Studio 下载并安装客户端，这里我们下载Windows 版本的 下载完成后，双击.exe 文件执行安装程序，这里我选择安装在 D盘 安装完成后，运行 Cherry Studio，按照如下操作顺序配置我们的阿里云百炼模型密钥 密钥配置完成后，在当前页面下拉可以看到【添加】按钮，点击【添加】按钮，输入模型ID Moonshot-Kimi-K2-Instruct 选择【添加模型】就可以完成阿里云百炼 Kimi K2 模型的添加，到这里，部署操作就结束了，是不是特别简单，没什么操作难度。 体验 Kimi 模型 回到对话框界面，在顶部选择模型后开始对话，输入我们的问题【比较8.9 和8.10 谁大】 MCP 调用能力 这里我们测试的是 Fetch网页内容抓取 MCP Server 的网页抓取能力，在ModelScope 社区找到具体的 Fetch网页内容抓取，选择右侧的【连接】可以看到如下通过SSE URL连接服务 复制 SSE URL 连接配置备用，在 Cherry Studio 按照如下操作顺序选择【添加服务器】 在【添加服务器】下拉选择中选择【从JSON 导入】 讲复制好的 SSE URL 配置内容粘贴到打开的窗口中并【确定】 启用 Fetch网页内容抓取 MCP Server 后 再次回到对话框，选择我们刚才配置的 MCP 服务 在对话框中输入我们的问题【https://help.aliyun.com/zh/model-studio/what-is-model-studio 阿里云百炼兼容OpenAI的base_url是什么？】，此时就可以看到AI 自动调用我们配置的网页抓取 MCP Server 来获取我们需要的内容了 到这里我们的整个方案操作也就完成了，步骤特别简单，配置也容易找到，操作没什么难度，但是又特别好用，感兴趣的小伙伴可以快速上手体验了。 体验感受 先说一个整个 基于 MaaS 调用 Kimi-K2-Instruct 模型 部署操作的感受，整个操作过程比较简单，和技术无关，大家只需要按照文档的步骤执行就可以了。对于文档中描述不详细的部分，我在文中也有明确的截图和文字操作说明，希望可以帮到大家。通过我们的对话内容，以及配置网页抓取MCP Server 的体验来看，Kimi-K2-Instruct 凭借其出色的推理能力和对工具调用的高效支持，不仅能够理解复杂的指令并进行逻辑推理，还能灵活调用外部工具以增强解决问题的能力，确实如此。也就是说 Kimi-K2-Instruct 是一款拥有出色推理能力且支持工具调用的大模型，这样对于后期企业在实际应用过程中可拓展的边界会有更大的提升。过去的 AI 大语言模型，可能专注于文本、推理、工具调用其中的某一方面，而当下的 Kimi-K2-Instruct 则是一个混合体，支持的能力更广，可实现的场景也就更多，操作无难度，欢迎有需要的小伙伴上手测试。

现状分析 当前数据库运维面临三大困境：人工经验难以应对复杂场景、故障排查依赖低效试错、资源调度缺乏动态弹性。AI技术通过融合历史工单、专家知识和实时监控数据，构建了异常预测→根因定位→智能优化的全链路闭环，推动运维模式从被动'救火式响应'向主动'预见式治理'跃迁。这一变革使数据库稳定性保障具备'第三只眼'的预判能力，实现从风险预警（如性能瓶颈预测）、秒级根因分析（如硬件故障定位）到资源自优化（如动态伸缩）的智能化跃升。今天我们要用到的数据库自治服务 DAS Agent，就是一款基于大模型技术，融合了阿里云10万+工单和专家经验的智能数据库运维大脑，专注于解决云数据库的日常运维及稳定性问题的产品。通过融合AI，构建了覆盖问题发现、诊断、优化的全链路自治能力，为您提供高效、精准的数据库稳定性保障。目前 DAS Agent 为公测阶段，免费试用。下面我们就来直观的看看这款融合了AI 的数据库自治服务究竟如何？ DAS Agent 操作 在开始操作数据库之前，我们可以在【实例列表】看到当前账号下实例的DAS版本开通状态和安全中心的开通状态如果当前账号有云上实例的话，这里会自动加载，加载完成后就可以进行后面的操作。这里我们选择【自建实例】单击自建接入，接入自建数据库。自建数据库接入目前支持阿里云数据库、阿里云ECS自建数据库、其他自建或者其他云厂商数据库对于数据库运维工程师来说，可以根据数据库具体的情况选择不同的数据库实例接入方式，比如这里我选择了第三种接入方式，第三种接入方式又对应了三种接入，我们选择直连接入在直连接入页面，需要确保你的数据库实例可以通过公网访问的自建机房数据库或者他云数据库,输入数据库公网ip地址，用户名，密码继续进行后面的操作这时我们回到数据库自治服务DAS，选择左侧菜单的【智能运维中心】就可以看到当前实例的一些具体信息，包括实例监控、监控大盘、实时性能大盘等，可以通过页面可视化的方式来检测数据库实例的运行状态也可以单击右下角的DAS Agent图标在打开的DAS Agent 对话页面直接输入你关注的数据库实例情况，从而快速获取数据库实例状态 反馈建议 目前来看DAS Agent 从数据库实例运维的功能点上来看已经很丰富了，DAS通过自感知、自修复、自优化、自运维以及自安全的云服务，保障数据库服务的稳定、安全及高效DAS Agent 的智能运维能力从多方面保证数据库运维的高效，尤其在异常预测（如磁盘写满提前预警）、秒级根因定位（如SSD寿命耗尽精准诊断）和自愈执行（如索引自动优化）上实现了传统人工运维的颠覆性突破。后续可以考虑从三方面深化能力： 增强多引擎混合支持（如MySQL/Redis联动分析），提升决策透明度（添加沙盒预演与权重自定义），覆盖长链路场景（集成TraceID实现跨服务事务优化）。未来若能结合开放生态与社区知识反哺，DAS Agent将从智能助手进化为人机协同的智能副驾，真正释放运维者的架构创造力。

ODPS（阿里云大数据平台）依托云原生架构，实现数十万台集群的弹性调度，峰值数据处理能力达50亿次/秒，为千亿参数模型训练提供算力保障（如通义千问训练成本降低90%）；单日数据处理能力达2.79EB，支持10万台服务器并行计算，满足大模型海量数据需求。通过Object Table技术统一管理文本、图像、视频等非结构化数据（占比80%以上），解决传统异构数据割裂问题；推出MaxFrame框架，实现多模态数据的高效处理，部分算子性能提升3倍，运维成本降低50%；增量计算引擎（DLMV）和近线查询引擎（MaxQA）填补实时与离线数据鸿沟，支持毫秒级延迟的实时推理，DataWorks Copilot支持SQL/Python代码自动生成，开发效率提升30%。支撑阿里巴巴电商、金融等核心业务，服务小红书、国家电网等数万家企业，日均处理百万级图像数据。这些数据无疑展示了ODPS 在 AI 时代引领数据革命的作用。未来ODPS可以在技术层面将数据平台从“被动存储”进化为“主动赋能AI”的操作系统；在商业层面，推动数据价值从“人机协同分析”转向“AI直接变现”。同时如果能在跨模态治理、开源生态、轻量化部署上持续突破，ODPS有望成为AI时代数据基础设施的全球标杆，这也是每一位技术人期待看到的结果。

在开始部署之前，先来介绍一下什么是阿里云Milvus？ 阿里云Milvus Milvus是一款云原生开源向量检索引擎，基于Faiss、Annoy、HNSW等知名库构建，并进行了优化，实现了高可用、高性能、易扩展的特性，适于处理海量向量数据的实时召回。它包含了数据分区分片、持久化、增量摄取、混合查询等高级功能，同时支持time travel操作，提供了直观的API和多语言SDK，适用于推荐系统、图像检索、视频分析、自然语言处理等多个AI领域。阿里云向量检索服务Milvus版是一款全托管向量检索引擎，并确保与开源Milvus的完全兼容性，支持无缝迁移。它在开源版本的基础上增强了可扩展性，能提供大规模AI向量数据的相似性检索服务。凭借其开箱即用的特性、灵活的扩展能力和全链路监控告警，Milvus云服务成为多样化AI应用场景的理想选择，包括多模态搜索、检索增强生成（RAG）、搜索推荐、内容风险识别等。您还可以利用开源的Attu工具进行可视化操作，进一步促进应用的快速开发和部署。 阿里云 Milvus 轻松实现文搜图&图搜图 这里提供了一个基于阿里云 Milvus 轻松实现文搜图&图搜图 的方案部署，通过Milvus 解决多模态数据检索难题。 方案背景 高性能检索能力“断层”：非专业向量数据库产品在应对多模态、高维度、大规模特征向量的相似性检索任务时，存在检索性能弱、索引构建慢及并发能力差等短板，难以满足智能检索场景的高性能与扩展性要求。传统向量检索方案“性价比失衡”：传统向量检索系统多依赖 Faiss + Redis 拼装或集成向量插件，架构耦合高、扩展困难，海量数据下同步与更新频繁，运维压力大，难撑业务快速迭代与高并发场景。Milvus 让多模态搜索更高效：Milvus 赋能高效多模态搜索，内置高性能、可扩展的向量检索能力，原生支持图像、文本、音频等多模态数据的一体化管理与实时检索，为智能推荐、内容理解等场景提供强力支撑。 方案介绍 本方案基于阿里云向量检索服务 Milvus 版，结合阿里云百炼模型服务的多模态语义理解能力，构建高效、灵活的搜索系统，轻松支持文搜图、图搜图、跨模态检索等典型应用。通过 Serverless AI 应用开发平台 Function AI 部署至函数计算，可将模型服务一键部署至函数计算，实现快速上线、自动扩缩容与全托管运维，显著降低部署与运营成本，助力企业聚焦核心业务创新。方案架构图如下： 应用场景 既然解决方案是文搜图&图搜图方向，那么主要的应用场景就是图像相似性检索系统，支持以图搜图、视频审核、医学影像辅助诊断等；以及对海量文本进行向量存储与语义检索，应用于智能问答、法律文书匹配、舆情分析等场景，提升搜索效率与理解能力；同时也可以广泛用于电商、视频平台和内容社区，提升转化率与用户体验。 部署操作 下面我们可以直接点击部署方案：https://www.aliyun.com/solution/tech-solution/milvus-ai 页面的【立即部署】进入部署操作页面 资源准备 在开始部署前，需要先开通好需要的资源。登录 阿里云百炼大模型服务平台 ，根据页面提示签署阿里云百炼服务协议，然后单击页面 顶部 的 【立即开通】 按钮，并按照提示进行开通。登录 函数计算服务控制台，根据页面提示完成开通，开通后，需要完成阿里云服务授权。如果是首次访问阿里云 Milvus 管理控制台，则需先完成相关依赖权限的授权。登录 阿里云 Milvus 管理控制台，根据页面提示完成授权。 获取百炼API-KEY 登录 阿里云百炼大模型服务平台 ，点击顶部的【应用】切换菜单到【API-Key】创建并复制API-KEY 备用 创建专有网络VPC和交换机 登录专有网络管理控制台。在左侧导航栏，单击【专有网络】。在顶部菜单栏，选择【华东1（杭州）】地域。在专有网络页面，单击【创建专有网络】。在创建专有网络页面，配置1个专有网络和1台交换机。在配置交换机时，请确保其所在的可用区内的相关资源均处于可用状态，以保证后续操作的顺利进行。 创建阿里云Milvus实例 登录阿里云 Milvus 管理控制台。创建阿里云向量检索服务 Milvus 版实例。在左侧导航栏，选择 【Milvus 实例】。在顶部菜单栏，选择【华东1（杭州）】地域。在实例列表页面，单击【创建实例】， 在购买页面按照以下配置完成实例创建。未提及配置使用默认值即可 在页面右下角，单击【立即购买】，然后进入确认订单页面，接着单击【立即开通】以完成购买。 到这里，阿里云 Milvus 实例创建成功。下面继续创建数据库。在阿里云Milvus 控制台 单击 【Milvus 实例】。在Milvus 实例页面找到本次创建的目标实例，待实例状态变为运行中后，单击【实例 ID/名称】，进入实例详情页面。在实例详情页面，单击安全配置页签，单击【开启公网】，在弹出的窗口中配置公网访问名单。在配置完成符合要求的公网访问白名单之后，等待系统进行升级。升级成功之后，即可单击右上角【Attu Manager】按钮进入 Attu 登录页面。在 Attu 登录页面，打开认证开关，输入 用户名 和 密码，单击 【连接按钮】 即可登录至 Attu 管理页面在 Attu 管理页面，单击左侧的 图标，进入数据库管理页面，单击【+创建数据库】，在弹出的对话框中，输入数据库名称 test_db，单击 【创建】数据库创建完成后如图 部署应用 请点击 前往部署 打开已经提供的函数计算应用模板，参考下表进行参数配置，其他参数选择默认配置，然后单击部署项目，最后在弹出面板中单击确认部署，部署预计等待 3～5 分钟完成部署操作。 方案验证 进入项目部署详情页，按照下图找到访问地址,点击访问地址，即可打开示例应用在左侧【创建数据】模块中，选择【数据导入】页签，上传提前准备好的测试数据。选择【文本搜索】页签，在文本框中输入 芒果 并将查询数量改为3，随后点击【搜索】按钮进行查询选择【图片搜索】页签，在上传区域上传 Lichi.jpg 并将查询数量改为3，随后点击【搜索相似商品】 方案总结 到这里，整个基于 阿里云 Milvus 轻松实现文搜图&图搜图 的方案部署就算完成了，整个部署过程按照解决方案的步骤逐步操作即可，操作过程中不会有太大的难度，小白新手也可以轻松部署实现。这里需要注意的是，整个部署操作过程步骤比较多，操作时需要仔细按照文档进行，不要忽略一些认为不重要的步骤。在解决方案部署完成验证后，对于不再使用的情况，可以选择释放资源以节省资源损耗和持续的扣费。 对于文搜图&图搜图的应用场景还是很广的，生活中每天都要接触的就是电商场景了。Milvus以其高效处理多模态数据（如图像、文本等）的能力，支持从海量数据中迅速找到与用户兴趣匹配的内容，让Milvus真正化身为你平台上的“AI读心术大师”。“AI读心术大师”可能有些夸张，但是针对非结构化数据检索中存在的检索性能弱、扩展能力有限等问题，阿里云 Milvus 作为专业向量数据检索引擎，专注于高效管理与检索图像、文本、音频、视频等多模态特征向量，结合百炼提供从数据嵌入到相似性搜索的全栈能力，这点是毋庸置疑的。

什么是Data Agent 在开始话题讨论之前，先来了解一下什么是Data Agent？ 简单理解就是：Data Agent=AI Agent+数据领域任务能力。 Data Agent是一个能自主理解、分析、处理和响应数据任务的AI智能体。但更准确地说，它具备一整套“数据任务执行链”的能力，能够从理解意图，到操作数据，再到输出结果，完成闭环。也就是说，这个Agent是一种能理解任务、做出决策、执行操作的自主系统，它不像传统程序那样“只做被动响应”，而是能主动感知、思考和行动。 支撑Data Agent的核心技术 在了解了Data Agent 之后，我们再来聊聊支撑 Data Agent的核心技术。从定义来看，Data Agent是从数据源到数据分析，再到数据报表的一整套完整流程的加工车间。那么我们就可以理解为支撑 Data Agent（数据智能体）的核心技术是一系列结合了数据处理、人工智能和自动化能力的先进技术。 Data Agent的最终处理结果是将数据按照需求分析并输出出来。那么第一步自然就是要获取数据。Data Agent 支持常见的数据库连接（MySQL、PostgreSQL、NoSQL）、API、文件（CSV/Excel）等数据源的统一接入（如Apache NiFi、Airbyte），并且借助现有计算引擎实现对接入数据的高效数据清洗与转换，支持自动检测异常值、缺失值，确保分析可靠性。 在获取了数据之后，Data Agent 支持通过自然语言进行交互，在接收到自然语言之后，Data Agent利用大模型解析用户自然语言查询，根据自然语言分析判断用户意图，自动选择算法、调参，降低机器学习门槛。从而让用户可以无需关注代码实现，而只需要关注自身也许需要即可。 最后通过用户需要的方式输出用户需要的数据分析结果并展示。同时支持多轮对话交互，从而保证生成的输出结果的质量。 Data+AI开发中的挑战与解决方案 在实际开发Data Agent类产品时，可能会遇到以下的情况：对于用户来说，用户提问方式多样，无法强制规定用户自然语言的提问方式，那么这就可能导致自然语言查询的精准解析有难度，在这种情况下，就需要结合业务规则引擎，对模糊查询进行二次校验，或者是增强NLP 模型的泛化能力，以期待尽可能的准确理解用户需求。 在数据获取方面，当接入多源数据时，可能会遇到跨数据库JOIN操作效率低，实时分析延迟高的情况，那么这种时候就可以考虑使用Apache Arrow实现内存零拷贝数据传输 ，或者提前设定好预计算常用指标（如OLAP Cube），加速查询。 对瑶池数据库发布的 Data Agent for Analytics 产品期待 对于瑶池数据库此次发布的Data Agent for Analytics，最关注的还是在深度集成大模型，自然语言分析能力方面。对于用户来说，其实用户并不关心具体的技术细节，而是比较关心是否能达到自己想要的效果。在数据源方面，期待Data Agent for Analytics支持多模态交互（如语音+图表），并允许用户上传PDF/PPT自动提取分析需求。同时也可以结合瑶池数据库的向量检索能力，实现“基于文档的知识增强分析”。 对于一些实时分析场景，希望内置实时OLAP引擎，支持秒级响应动态查询（如“当前库存预警”），同时期待提供流式机器学习（Streaming ML）能力，例如实时欺诈检测。 另外对于一些自然语言无法描述清楚的场景，希望可以通过 低代码+AI的灵活扩展 的方式来实现。用户通过Data Agent for Analytics 初步生成自己想要的内容后，期待Data Agent for Analytics 提供可视化编排界面，让业务人员自定义分析流程，同时允许开发者插入Python/UDF。同时可以支持AI Agent协作，例如自动调用Python脚本完成复杂预测。 最后 Data Agent正成为企业数据驱动的“智能助手”，其核心技术依赖NLP、AutoML、实时计算与知识增强的深度融合。瑶池数据库的Data Agent for Analytics若能在语言交互、实时分析、安全合规等方面领先，将为企业提供更高效的决策支持。

背景信息 诚然，在数字浪潮奔涌，创意亟需快速落地的时代！无论是展示个人项目、搭建企业官网，还是打造应用原型，开发者和企业都渴望一条极速上线的捷径。Bolt.diy 应运而生，助你一步跨越从构想到上线的鸿沟！它提供一站式服务，将你的灵感极速部署为在线站点。凭借高度灵活与可定制的特性，你甚至能用自然语言交互简化操作，在获得强大全栈支持的同时，自由进行二次开发。那么具体怎么样呢，来上手体验吧。 方案架构 对于本次部署方案【Bolt.diy 一步搞定创意建站】，整个方案是基于云原生应用开发平台 CAP 构建 Web 服务，利用其函数计算资源与阿里云百炼的模型服务能力，快速完成 Bolt.diy 开源项目的部署，部署过程可以称得上为一键部署，部署完成后通过浏览器直接访问示例应用，生成创意网站。方案架构图如下 部署操作 这里我们直接点击部署文档为我们准备的项目模板，点击 前往部署 打开我们提供的云原生应用开发平台 CAP 项目模板，全部不用改动，按照模板的默认设置即可，直接点击【部署项目】等待部署完成之后找到应用生成的 访问地址进入示例应用之后如图所示在Bolt.diy 的操作页面需要配置API-KEY，下面先来配置操作。 配置百炼 API-KEY 进入示例应用之后，需要配置百炼 API-KEY，那么需要我们首先登录 阿里云百炼大模型服务平台。点击【应用】，选择左侧菜单【API-Key】，然后点击【创建我的API-KEY】创建完成后复制好我们创建的API Key 之后，就可以点击示例应用的编辑按钮来配置百炼 API-KEY。点击编辑按钮输入我们复制好的 API Key 并点击 对勾，确认 创意建站 那么在配置好阿里云百炼服务平台创建的API Key 之后，我们就可以点击在 Bolt.diy 示例应用页面的默认示例来创建网站，这里我选择创建一个中文星座的提示语这里我们可以看到对应Bolt.diy 示例应用的几个工作区域，在操作区域我们可以等待网站代码生成完成之后点击 【Preview】预览生成的页面，同时也可以点击【Download Code】 下载生成的源码文件在看到代码生成结束之后，同时也出现了 Terminal Error 的错误，这个时候可以单击【 Ask Bolt】，让 AI 自动处理问题或者遇到不能自动预览时，可以尝试执行命令npm install安装依赖，然后执行命令npm run dev运行项目待整个问题都处理之后，就可以直接预览我们生成的中文星座产品页面了，具体的页面效果放大后如图整个来说，官方提供的示例模板的效果还是很不错的，下面我们来尝试一下自己的想法 新的尝试 这里我有一个场景，比如现在适逢初级会计招生宣传阶段，那么作为一个会计培训企业，就需要在企业的官网挂一个初级会计招生的宣传页面，页面中可以包含一些套餐信息，优惠信息，备考建议，以及一些学习咨询等内容，基于这个想法，下面我们来尝试通过 Bolt.diy 自然语言的方式来快速生成我们的初级会计招生宣传页面。 初级会计考试的招生宣传页面 在AI 对话框中输入我们的需求【我需要生成一个初级会计考试的招生宣传页面】下面是Bolt.diy 帮我们生成的页面，以及当前页面包含的主要部分对于当前生成的初级会计考试招生宣传页面，我是不太满意的，内容过于简单，且页面也过于传统，更像是很久之前的风格，那么基于此，我需要对当前生成的页面进行一些调整，下面针对页面问题，我提出我的优化需求，优化需求内容较多，这里我通过代码片段的方式展示 对上面页面做以下调整： * 宣传标题的年份替换为 2025年 * 课程特色以图文的形式展示，图片内容要展示授课教师图片，课程详细的文字内容介绍通过点击图片跳转 * 课程特色下面增加同级目录，展示报名套餐，比如：套餐A（书+课）、 套餐B（课+在线考试）、套餐C（1V1私教） * 报名流程可以通过文字和图片结合展示的方式，引用官方的报名流程图展示 * 常见问题需要展示问题和答案 经过优化后的页面我们可以看到已经按照我上面提出的页面调整内容进行了调整，包括年份的替换，课程特色修改等内容后面我们可以按照我们的想法继续优化，那么最终的效果图就像这样，虽然页面看起来还是不美，但是还是可以继续优化的，这里受限于时间，页面优化先告一段落 尝试后的发现 经过我们上面尝试的效果来看，目前Bolt.diy 主要是支持文本类型的自然语言的交互内容的开发，并不支持像上面我通过上传附件图片，并通过指定附件名称的方式来替换页面中具体位置未展示图片的操作，个人推测应该是因为在AI 对话框中输入的内容经过AI 自然语言分析之后会转化成对应的页面样式内容的展示，并不会直接将我们上传的附件图片做为原始文件传递到生成的页面资源下。那么到这里就是我个人理解的错误了，对于AI 对话框的附件上传，正确的理解其实是为了方便当需求描述内容过多时，不用手动输入AI对话框，而是可以通过上传附件解析的方式来进行后续的页面生成操作。不过总的体验还是不错的，页面生成的质量，效率都是可以的，唯一的遗憾是不够美。那么其实想让上面的图片展示出来，就可以通过下载代码，本地二次开发补充资源文件以及修改引用图片路径的方式来进行尝试，理论上肯定是可行的，只是需要调整一下图片资源文件的存放位置及路径配置等。 最后总结 到这里，关于本次基于云原生应用开发平台 CAP 和 函数计算 快速搭建Bolt.diy 并一步搞定创意建站的部署操作就结束了，由于时间比较分散，每次写文章时总会部署一遍（来回删除并部署，是心理上为了避免资源浪费来的操作，哈哈）。那么整个这篇文章写下来大概部署删除操作了四次，不过每次一键部署很快的，几分钟搞定，并不耽误时间。对于资费的问题，大家可以通过函数计算控制台查看，大家可以看到，虽然我来回部署了四次，但是函数资源的消耗量其实并不高，对于个人学习或者企业正式使用来说，成本方面是完全可控的。

话题背景 在人工智能飞速发展的今天，如何快速获取、梳理并灵活运用信息已成为各领域的关键竞争力。这里，阿里云推出的基于DeepSeek的智能知识库解决方案，借助前沿的AI模型技术，让用户无需任何编程基础即可搭建个性化知识管理系统。该工具不仅能自动化完成海量数据的结构化处理，更能通过智能分析将碎片化信息转化为可执行方案，帮助用户突破传统知识管理瓶颈，在科研、教育、企业运营等多场景中实现效率质的飞跃。 部署体验 有这样的一款部署方案，那么如何搭建呢?这里我们可以直接参考官方提供的操作步骤部署即可，整个部署过程比较详细，需要你有足够的耐心才可以，每一步按照文档的操作步骤即可，部署文档地址：https://www.aliyun.com/solution/tech-solution/deepseek-and-mobi-build-personal-space?spm=a2c6h.13066369.question.1.46db6eb0HrslEu部署成功之后在线体验的效果如图 建议优化 这个部署操作虽然文档描述的步骤足够详细，但是对于当下AI普适化的背景下，还是不太适合小白操作，需要有一定的开发基础，对于页面的设计，插件的引用也是需要有一定的这方面工作的经验。在部署文档方面，后续可以考虑通过ROS部署模板的方式一键部署，对于操作者来说只需要简单配置必要参数就好，降低小白的操作难度。另外就是关于通过魔笔低代码开发平台生成页面的操作，在操作文档中也可以尝试引导用户通过魔笔智能助手的方式来实现，这样可以进一步降低在页面设计，以及页面插件使用时遇到的关于使用上面的问题，从而让更多的更广范围的用户参与进来，一起搭建一款专属于你自己的智能知识库。

人脸识别的应用场景变化 人脸识别对于现在的大家来说并不陌生，但是在最开始的时候，人脸识别还是没有这么普及的。回顾整个人脸识别的发展史，可以说，人脸识别技术的应用场景发展逐步经历了从专业领域向日常生活渗透的演变过程。 最初的人脸识别主要用于安防监控、刑侦身份识别等专业领域，例如机场和边境安检中的身份核验；随着智能手机普及和深度学习技术的突破，人脸识别开始进入消费领域，比如我们常用的人脸解锁手机和刷脸支付；随后人脸识别又快速扩展至公共服务和日常生活：医院通过人脸识别打击“黄牛挂号”，政务App实现刷脸提取公积金，社区门禁、无人超市、高铁刷脸进站等场景逐渐普及。 那么，作为企业来说，企业无需自行训练和部署深度学习模型。想要接入人脸服务，可以直接使用人脸比对服务，为企业提供高效、精准且易于实施的身份认证。下面我们来自己上手部署一款人脸比对服务，感受一下人脸识别的魅力吧。 部署操作 在部署人脸比对服务之前，需要先开通服务，具体开通服务的步骤比较简答，大家可以直接按照文档中的操作开通即可，具体的文档地址：https://www.aliyun.com/solution/tech-solution/viapi-for-face-detection下面我们来开始我们的部署操作吧。 资源准备 在开通了对应的函数计算FC服务以及视觉智能开放平台-人脸人体服务之后，需要登录OSS管理控制台：https://oss.console.aliyun.com/overview 创建对象存储OSS Bucket，在对象存储OSS控制台，选择 Bucket列表，单击 创建Bucket在创建Bucket 页面输入Bucket 名称，同事选择地域属性为 杭州，其他默认，点击 完成创建 完成 对象存储的创建 部署操作 直接点击前往部署打开我们提供的函数计算应用模板，地域选择 杭州， 对象存储存储桶名 选择我们刚才创建的存储桶 ，其他默认，如果没有授权的话，按照页面的授权提示进行授权操作， 最后 单击创建并部署默认环境等待函数计算服务部署成功 访问示例 应用部署完成后，您可以在环境详情的环境信息中找到示例网站的访问域名。点击访问域名，即可打开示例应用在打开的示例应用页面，我们可以直接上传我们自己的两张照片进行比对，或者也可以去视觉智能开放平台人脸比对在线体验页面下载两张demo图片来体验一下具体的人脸比对，这里我下载了两张图片。选择本地设备待校验的两张人脸图片，并分别上传至左右两个图片上传区域中，然后就可以比对两张图片的相似度到这里，整个部署人脸比对服务以及比对操作就完成了，整个部署过程比较简单，直接按照文档很快就可以完成，体验效果也很不错。 技术价值 说起人脸识别，想必大家肯定都用过，比如日常的智能手机人脸解锁，手机银行和刷脸支付通过生物特征验证替代传统密码，降低盗刷风险并提升交易便捷性，政务系统人脸识别认证，日常工作打卡的考勤机或者钉钉考勤，外出旅行火车或者飞机的人脸识别检票，缓解高峰期拥堵问题等很多场景。可以说人脸识别现在基本上已经渗透到生活的方方面面了，人脸作为人体个性化特征最丰富的部分，本身的人脸数据有着重要的意义，人脸识别认证相对于传统证件认证来说，抗复制性，精准性，安全性等各个方面都远超过传统证件。

我理解的职场钝感力，既不是“反抗”，也不是“妥协”，而是一种自我保护的方式。 在职场中，职场情商可以说是每个人工作之中所必须学会的东西，可以说，你可以不会干活，但是你会拍马屁，一样可以混的风声水起（夸张了，但是确实有这样的，当然技术人都是靠实力的）。 职场，除了是你工作能力表现的地方，也是你为人处世表现的地方。面对同事的语言让你感到不舒服时，大多数情况下可以一笑了之，但是如果遇到咄咄逼人的情况，还是不要吝啬，直接怼回去，毕竟在很多时候，纵容也是一种邪恶。当领导提出不合理需求时，你可以正面表达你的观点以及建议，如果领导还是坚持己见，那么你就按照领导的需求做就好了，毕竟时领导，没必要在哪儿争得两败俱伤。 当然，更多的时候，职场钝感力可以让你有更多的时间处理自己的工作或者是提升自己，而不是让自己一直处于无效的沟通中。凡事不争，做好自己，做好自己的事，那么不争也是争，当你自己强大了，你才有发言的底气。

背景介绍 随着AI 技术的不断发展，AI渗透的范围也在不断扩大，在教育场景中，AI是否也同样可以开辟一方广阔天地呢？这里我们来基于函数计算 FC 部署 Web 应用，结合智能媒体服务（AI实时互动）的 AI 智能体和百炼工作流应用，搭建一款实现英语口语陪练系统。 服务搭建 在服务搭建之前首先需要提前开通相应的服务，具体的开通操作这里就不过多的赘述了，我们直接进入资源准备操作。 资源准备 在阿里百炼大模型服务平台，单击顶部【应用】，左侧导航栏单击【应用管理】，单击【新增应用】，选择【工作流应用】，单击创建对话型工作流，进入工作流配置页面进入页面后，开始节点会预设两个参数，更改为difficulty和scene，对应描述分别更改为难度和场景将左侧大模型节点拖入画布配置页面，将开始节点连接到大模型节点，并配置对应参数。提示词中需要在[]中插入开始节点传入的两个变量 difficulty 和 scene，在[]中输入/插入变量，先后选择scene和difficultyUser Prompt 输入 ${sys.query} 上下文开启，结果返回开启。将大模型节点连接到结束节点，并配置对应参数，结束节点的结果返回关闭点击右上角发布按钮，完成发布，同时复制应用ID 备用 创建API-KEY 单击顶部应用，在左侧导航栏单击API-Key，然后创建或查看API-KEY创建完成后复制API-KEY 备用。 创建音视频应用 在创建实时通信音视频应用之前，如果没有开通音视频服务的话，需要先开通音视频服务。然后 在视频云直播控制台：https://live.console.aliyun.com/#/overview 点击左侧导航栏【直播+】 > 【实时音视频】 > 【应用管理】，单击【创建应用】在创建应用页面输入 实例名称 后点击【立即购买】完成实时音视频应用的创建 创建AI智能体 登录 智能媒体服务控制台：https://ims.console.aliyun.com/summary 如果没有开通服务，需要根据提示开通服务，并完成服务授权点击左侧菜单 【AI实时互动-工作流管理】，单击创建工作流模板自定义工作流名称为 Workflow-English，并编辑 STT 语音转文字节点在弹出的节点配置页面，修改语言模型为中英 并保存编辑 LLM 大语言模型节点，在弹出的节点配置页面，模型选择选择对接阿里百炼平台，百炼类型选择应用中心，填写上一步获取的AppId和API-KEY，然后点击保存编辑 TTS 文字转语音节点，在弹出的节点配置页面修改音色，下拉选择龙橙，然后单击保存工作流节点全部修改完成后，点击工作流的 保存。点击左侧菜单 AI实时互动-智能体管理，单击创建智能体自定义智能体名称为 Agent-English，并绑定之前创建的实时工作流 ID Workflow-English和实时音视频 ARTC 应用，完成后点击提交 应用部署 在上面所有的资源都准备完成之后，就可以进入应用部署操作，这里实验室已经直接准备好了部署模板资源，可以直接点击前往部署打开我们提供的函数计算应用模板，参考下表进行参数配置，然后单击创建并部署默认环境配置完成后点击【创建并部署默认环境】完成应用部署。 在线体验 等待部署成功后就可以在环境详情的环境信息中找到示例应用的访问域名在web应用页面，选择想要学习的场景和难度，开始对话互动然后我们可以直接用英语进行沟通交流，这里我简单一句 Hello，下面是应用给出的评价和具体的语言对话提示到这里我们整个搭建AI 英语对话的应用部署就完成了。 部署体验 对于部署操作，一般来说个人比较习惯在部署结束之后，对本次的部署操作进行一个简单的评价，对于本次操作来说，部署文档描述的很详细，部署步骤比较多，需要操作者有一定的耐心。我这边按照文档部署同时记录一部分的部署步骤，大概耗时90分钟。不过整个部署体验还是很丝滑的，按照文档的步骤正常操作，最后一定是可以走通的。 AI 陪练 与 真人教学 对于AI 陪练与真人教学，如果要评价更喜欢哪一个，这要看具体的场景。在大多数场景下，AI 陪练的实用性要更高，比如说你在日常的交流联系中，或者是在小块的休息时间，或者是工作之余，如果你想要练习口语交流的话，那么你可以随时随地的拿出你的AI 陪练应用来进行练习。同时也可以切换不同的场景，不同的难度来进行口语练习。AI 应用也会对你的口语进行实时的评分鼓励和后续交流引导，在方便性和实用性上比真人教学要好很多。那么真人教学的话，主要是在教育场景或者是公开的场合。真人教学突出在情感引导、价值观塑造、复杂问题讨论等领域，相对于AI 陪练的话，显得更正式一些。另外真人教学在教学过程中也可以通过观察学习状态来进行实时调整教学方案，在遇到一些复杂问题时，可以通过深度讨论的方式来提高对问题的分析和理解能力。 协作互补 其实看了上面我关于AI 陪练和真人教学的一些分析之后，就发现这两者在分工和协作上是可以实现互补的。AI 陪练的适用场景，在时间和场景方面主要突出散而多，正好可以弥补真人教学在时间和场景方面大而少的缺憾。真人教学需要固定场景，大块时间，那么零碎的时间就可以介入AI 陪练，从而实现教学场景的生活化，在生活中无时无刻都可以进入学习状态，提升学习效率。总的来说，AI陪练凭借全天候可及性、标准化纠音能力和大数据分析优势，可提供高频次重复训练与即时反馈，有效突破传统课堂的时空限制；而真人教学则在文化语境渗透、情感互动激励和个性化教学策略制定方面具有不可替代性，尤其在纠正常规化表达偏误、引导开放式思辨对话等维度展现独特价值。二者协同可构建'智能强化训练+人文引导深化'的立体化学习生态，既保障语言技能的量化积累，又促进跨文化交际能力的质性提升。

春天来了，一片生机盎然，春天是开始的季节，也是希望的季节，那么在程序员的眼中，春天是什么样的呢？作为java 程序员，在有了通义灵码编码工具之后，编码效率大大提高了，那么我们何不让 AI程序员帮我们描绘一下java语言的春天呢？在AI 程序员的对话框中输入我们的希望【用java语言描绘春天的景色】下面的内容是来自AI 程序员的描绘 package com.ruoyi.web.controller.system; /** * 描述春天景色的类 */ public class SpringScenery { /** * 春天的主要特征 */ private String[] features = { '温暖的阳光', '嫩绿的树叶', '盛开的花朵', '清新的空气', '鸟儿的歌唱', '潺潺的流水', '和煦的春风' }; /** * 描绘春天景色的方法 */ public void describeSpring() { System.out.println('春天来了，万物复苏，到处充满了生机和活力。'); System.out.println('以下是春天的主要特征：'); for (String feature : features) { System.out.println('- ' + feature); } System.out.println('\n春天是一个美丽的季节，让我们一起感受它的魅力吧！'); } /** * 主方法，用于运行程序 */ public static void main(String[] args) { SpringScenery spring = new SpringScenery(); spring.describeSpring(); } } 选择接受文件之后我们来执行一下看看效果吧纯文本的展示是不是感觉有点感受不到春天的景色，虽然关于春天的文本描述很优美，但是还是没有视觉上直观的看到效果好。那么想到AI 程序员可以跨语言编程，那么我们来感受一下python 语言的春天，在AI 程序员对话框输入我们的需求【用python语言描绘春天的景色】，下面的内容是来自AI 程序员的生成 # 春天的景色描绘 def describe_spring(): print('春天来了，万物复苏，生机勃勃。') print('树木抽出新的枝条，长出嫩绿的叶子。') print('花儿竞相开放，红的、黄的、白的，五彩缤纷。') print('小溪叮咚作响，清澈见底，鱼儿在水中自由游弋。') print('天空湛蓝，白云悠闲地飘过，偶尔有燕子飞过，带来春天的气息。') print('田野里，农民伯伯开始忙碌起来，播种希望，期待秋天的丰收。') print('春天，是大自然最美的季节，让我们一起感受它的温暖和美好。') if __name__ == '__main__': describe_spring() 运行之后的效果可以看到是这样的，但是也是文本的描述 看到还是文本描述，想了一下，还是不太满意，于是又问AI 程序员，想着生成一个描绘春天景色的html 页面，这样应该就可以展示美景了吧，于是再次向AI 程序员提出了我们的想法【生成一个春天景色的页面，有蓝天，白云，小鸟，树木，花草，公园，玩耍的小孩，休闲的人们】等待html 文件生成之后，点击接受文件后，可以再本地磁盘找到对应的文件双击在浏览器打开，看到这样的效果虽然不是我想象中的样子，但是作为程序语言，已经有了春天的色彩，不错了。那么我们还是让专业的人干专业的事吧，让我们的通义万相来为我们描绘一下春天吧，输入我们的春天【生成一个春天景色的图片，有蓝天，白云，小鸟，树木，花草，公园，玩耍的小孩，休闲的人们】下面是生成效果图，很不错

通义灵码 Project Rules 在开始体验通义灵码 Project Rules 之前，我们先来简单了解一下什么是 通义灵码 Project Rules ？大家都知道，在适用AI 代码助手的时候，有时候生成的代码不是自己想要的，或者说生成的代码采纳后还需要人工修改一部分。这其实就是当模型对于你的描述不能正确理解，或者说理解了你的描述，但是没有适当的方案时，大模型会根据自己的规则来生成相似的自己认为对的代码。这就是我们常说的模型幻觉。那么当模型生成代码不精准的时候，是否用什么手段可以硬控 AI 根据你的代码风格和偏好生成代码和回复，现在有了，你可以感受一下通义灵码 Project Rules的效果。 举个例子 这里我们来举个小例子，比如我想要使用阿里云百炼服务平台的模型来在自己的项目中引入一个 deepseek 的调用，那么我就可以拿到阿里云百炼服务平台的 curl 的调用方法复制curl 的调用内容放在通义灵码的对话框中，输入我想要的内容 curl -X POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation' \ -H 'Authorization: Bearer $DASHSCOPE_API_KEY' \ -H 'Content-Type: application/json' \ -d '{ 'model': 'deepseek-r1', 'input':{ 'messages':[ { 'role': 'user', 'content': '你是谁？' } ] }, 'parameters': { 'result_format': 'message' } }' 生成java代码 以下是通义灵码为我们生成的使用Java 调用deepseek 的API 接口的调用工具类这里通过截图我们可以看到，生成的代码基本上没有注释，生成的效果功能上稍作改动就可以用，采纳率95%以上。下面我们再来为通义灵码定义AI 编码规则，定义完AI 编码规则之后再来看一下基于上面的 curl 调用方法生成的Java 代码的效果。 环境准备 在配置通义灵码 Project Rules AI编码规则之前，首先需要我们确认一下我们的通义灵码插件版本是否在 v2.1.5 及以上 规则配置 这里我们在IDEA 开发工具的 setting 弹框中找到【Lingma】,勾选启用并点击【编辑】在编辑页面输入具体的编码规则 Project Rules ，这里的规则我们直接使用官方提供的java 编码规则，具体规则内容的markdown 语法格式如下 你是一个资深的java专家，请在开发中遵循如下规则： 严格遵循 SOLID、DRY、KISS、YAGNI 原则遵循 OWASP 安全最佳实践（如输入验证、SQL注入防护）采用 分层架构设计，确保职责分离代码变更需通过 单元测试覆盖（测试覆盖率 ≥ 80%） 二、技术栈规范 技术栈要求 框架：Spring Boot 3.x + Java 17依赖：核心：Spring Web, Spring Data JPA, Lombok数据库：PostgreSQL Driver 或其他关系型数据库驱动其他：Swagger (SpringDoc), Spring Security (如需权限控制) 三、应用逻辑设计规范 1. 分层架构原则 层级职责约束条件Controller处理 HTTP 请求与响应，定义 API 接口- 禁止直接操作数据库- 必须通过 Service 层调用Service业务逻辑实现，事务管理，数据校验- 必须通过 Repository 访问数据库- 返回 DTO 而非实体类（除非必要）Repository数据持久化操作，定义数据库查询逻辑- 必须继承 JpaRepository- 使用 @EntityGraph 避免 N+1 查询问题Entity数据库表结构映射对象- 仅用于数据库交互- 禁止直接返回给前端（需通过 DTO 转换） 四、核心代码规范 1. 实体类（Entity）规范 @Entity @Data // Lombok 注解 public class User { @Id @GeneratedValue(strategy = GenerationType.IDENTITY) private Long id; @NotBlank(message = '用户名不能为空') @Size(min = 3, max = 50) private String username; @Email private String email; // 关联关系使用懒加载 @ManyToOne(fetch = FetchType.LAZY) private Department department; } 2. 数据访问层（Repository）规范 public interface UserRepository extends JpaRepositoryUser, Long> { // 命名查询 OptionalUser> findByUsername(String username); // 自定义 JPQL 查询 @Query('SELECT u FROM User u JOIN FETCH u.department WHERE u.id = :id') @EntityGraph(attributePaths = {'department'}) OptionalUser> findUserWithDepartment(@Param('id') Long id); } 3. 服务层（Service）规范 @Service public class UserServiceImpl implements UserService { @Autowired private UserRepository userRepository; @Transactional public ApiResponseUserDTO> createUser(UserDTO dto) { // 业务逻辑实现 User user = User.builder().username(dto.getUsername()).build(); User savedUser = userRepository.save(user); return ApiResponse.success(UserDTO.fromEntity(savedUser)); } } 4. 控制器（RestController）规范 @RestController @RequestMapping('/api/users') public class UserController { @Autowired private UserService userService; @PostMapping public ResponseEntityApiResponseUserDTO>> createUser(@RequestBody @Valid UserDTO dto) { try { ApiResponseUserDTO> response = userService.createUser(dto); return ResponseEntity.ok(response); } catch (Exception e) { return GlobalExceptionHandler.errorResponseEntity(e.getMessage(), HttpStatus.BAD_REQUEST); } } } 五、数据传输对象（DTO）规范 // 使用 record 或 @Data 注解 public record UserDTO( @NotBlank String username, @Email String email ) { public static UserDTO fromEntity(User entity) { return new UserDTO(entity.getUsername(), entity.getEmail()); } } 六、全局异常处理规范 1. 统一响应类（ApiResponse） @Data @NoArgsConstructor @AllArgsConstructor public class ApiResponseT> { private String result; // SUCCESS/ERROR private String message; private T data; // 工厂方法 public static T> ApiResponseT> success(T data) { return new ApiResponse>('SUCCESS', '操作成功', data); } public static T> ApiResponseT> error(String message) { return new ApiResponse>('ERROR', message, null); } } 2. 全局异常处理器（GlobalExceptionHandler） @RestControllerAdvice public class GlobalExceptionHandler { @ExceptionHandler(EntityNotFoundException.class) public ResponseEntityApiResponse?>> handleEntityNotFound(EntityNotFoundException ex) { return ResponseEntity.status(HttpStatus.NOT_FOUND) .body(ApiResponse.error(ex.getMessage())); } @ExceptionHandler(MethodArgumentNotValidException.class) public ResponseEntityApiResponse?>> handleValidationErrors(MethodArgumentNotValidException ex) { String errorMessage = ex.getBindingResult() .getFieldErrors() .stream() .map(error -> error.getField() + ': ' + error.getDefaultMessage()) .collect(Collectors.joining(', ')); return ResponseEntity.badRequest().body(ApiResponse.error(errorMessage)); } } 七、安全与性能规范 输入校验：使用 @Valid 注解 + JSR-303 校验注解（如 @NotBlank, @Size）禁止直接拼接 SQL 防止注入攻击 事务管理：@Transactional 注解仅标注在 Service 方法上避免在循环中频繁提交事务 性能优化：使用 @EntityGraph 预加载关联关系避免在循环中执行数据库查询（批量操作优先） 八、代码风格规范 命名规范：类名：UpperCamelCase（如 UserServiceImpl）方法/变量名：lowerCamelCase（如 saveUser）常量：UPPER_SNAKE_CASE（如 MAX_LOGIN_ATTEMPTS） 注释规范：方法必须添加注释且方法级注释使用 Javadoc 格式计划待完成的任务需要添加 // TODO 标记存在潜在缺陷的逻辑需要添加 // FIXME 标记 代码格式化：使用 IntelliJ IDEA 默认的 Spring Boot 风格禁止手动修改代码缩进（依赖 IDE 自动格式化） 九、部署规范 部署规范：生产环境需禁用 @EnableAutoConfiguration 的默认配置敏感信息通过 application.properties 外部化配置使用 Spring Profiles 管理环境差异（如 dev, prod） 十、扩展性设计规范 接口优先：服务层接口（UserService）与实现（UserServiceImpl）分离 扩展点预留：关键业务逻辑需提供 Strategy 或 Template 模式支持扩展 日志规范：使用 SLF4J 记录日志（禁止直接使用 System.out.println）核心操作需记录 INFO 级别日志，异常记录 ERROR 级别 再增加了 rules 规则之后，我们再来执行一次上面基于 curl 请求生成java 调用代码的需求，执行之后，我们可以看到对第一次生成的 DeepSeekClient.java 类进行了按照 rules 规则的变更可以看到已经按照我们添加的异常处理规则以及编码规范进行了优化。编辑后的灵码规则文件的的位置在项目的具体目录位置如图，如果没有看到的话刷新一下磁盘就看到了

回顾部署体验 在开始话题之前，首先来说一下关于一键创作AI 有声绘本的部署操作体验。这个活动是前两个月就有了，当时也部署体验了，整个部署操作基本没有任何难度，通过云原生应用开发平台CAP的模板一键就可以完成部署，个人只需要简单的配置就可以了。从这一点上来说，这个实验就可以让更多的非技术人员体验到AI 带来的不一样的乐趣，感觉很不错。下面再来说说真人配音合AI创作有声读物。 真人配音 对于真人配音来说，最大的特点就是独特的情感表达和个性化演绎，长期以来被视为不可替代的艺术形式。在一些需要情感深度、文化背景或角色塑造的内容（如文学经典、方言作品、影视配音），真人配音仍不可替代。但是真人配音也有着比较明显的缺点，也不能说是缺点吧，毕竟作为配音人员来说，也是需要生存，那么自然是需要费用的。如果不收费，或者收费不足维护生活，那么只会让配音这个行业无法维继而最终消亡，长久来看不利于真人配音行业的发展。 AI有声读物 在了解了真人配音的一些不足之处之后，那么AI创作有声读物的特点就显露出来了。AI有声读物相对于传统的真人配音来说，效率更高，可以在短时间内完成自定义语气，角色等的文本阅读配音。并且整个过程的费用也很低，不及真人配音的十分之一。相对于真人配音来说，成本上有巨大优势，但是在情感上则会稍逊一筹，真人配音的情感投入是AI有声读物所无法模拟的。还有一点就是，对于AI有声读物来说，AI可能会有一定的误差，那么这就需要有一定的人力复核操作，这个虽然成本不大，但是还是需要一部分的成本投入。 和谐共存 针对上面的分析，真人配音和AI有声读物如何和谐共存？这就可以根据具体的场景来说，比如知识科普、企业宣传、多语言有声书等标准化场景，完全可以通过AI创作有声读物来制作，低成本、高效率且拥有多语言适配能力，另外AI还可通过情感计算自动调整语速、叠加环境音效，提升基础内容的沉浸感。而那些需要情感深度、文化背景或角色塑造的内容，像文学作品、影视配音等，这种需要根据具体情况不断做出调整的配音工作则需要真人配音来支撑。在保证不同场景下不同情感配音准确的前提下，还要有真人配音的温度在里面。因此总的来说，真人配音和AI创作有声读物，可以根据具体的需求、成本、场景等综合考虑，他们各有各的优势，也都有各自的适用场景，怎么选择，看你啦。

要说工作以来，哪件麻烦事是我成长中的关键，这得回顾到我刚到公司的时候。 事情追溯 记得当时刚到公司，主要是开发，后来大概开发了两个多月之后，项目功能基本测试完成。随后就到了要去甲方现场部署实施的阶段，当时公司是排一个开发和一个运维去现场部署，开发作为技术支持，负责排查部署后的项目运行问题。当时那个外包项目，对于公司来说，也是第一次给其他公司做技术项目，流程上不是很全。而对于项目的购买方来说，对于各个部署环境又有其自己的特点，当时就是说在自己公司部署好好的项目，到了甲方测试环境、UAT环境、模拟环境部署，总是会出现各种莫名其妙的错误。那个时候甲方催的也急，公司这边也催着等待尽快部署上线后好收款，压力全给到了现场实施身上。而现场的问题排查又不让开发操作服务器，当时真的是想排查问题各种麻烦拦着，真的是巨难受。 现在回想 现在回想当时，虽然那个时候几乎每天晚上都到十一点，为的就是尽快在甲方环境部署好，测试验证通过后好尽快上线，人很累，心情很烦躁，遇到的事也总是很麻烦。但是当时分析问题，解决问题的能力确实有了很大的提升。本来这个项目自己只是负责其中一部分，但是在经过了甲方现场部署测试上线的全流程折磨后，对于整个业务流程急业务代码，基本上可以说是了然于心了，成就感也是很大的。也是那个时候发现，原来自己可以做到这个程度，不错。 经典话语 没有压力就没有动力，你现在所经历的麻烦事，闹心事，或者让你一度想放弃的阻碍，在以后或许真的会成为你成长路上最美好的回忆。

对于这个话题，我觉得我确实有发言权。下面来先看个小故事。故事的主人翁是小A，小A是一位开发者。 小故事 小A作为一个开发者，应聘进了DA公司，由于小A是初次踏上北漂行列，对北漂不太熟悉，因此入职DA公司时薪资并不高。后来小A有了自己负责的项目，薪资加了一点，虽然不多，但是小A想着，薪资不高的话，就图一个工作稳定。后来不知不觉在DA公司工作了9年多，在这9年多时间里，小A兢兢业业，认真完成领导交付的工作，业余时间也积极学习新技术，加班时长小组最高，薪资远没有后进的同事高。只是小A不爱表现，在领导面前没有太多的存在感，在小A作为开发者的大限，35岁年龄，小A经历了裁员... 确定性？可能性？ 对于小A来说，兢兢业业干活，不会主动为自己争取加薪，不会为难领导，一心只图一个工作稳定，但是结果是工作不稳定。其实从小A我们就可以看出，对于职场，或者说对于职业发展来说，当你想要图一个确定性的时候，那么你一定会失败。DA不在乎你是否有贡献，如果你没有在核心岗位，裁员永远是排在第一位的。那么这个时候，你放弃了所有个人利益所换来的稳定就一文不值。而在面对现在不断变化的世界，拥抱未知，尝试新的领域、探索未开发的潜力，或许才是开发者追求稳定的坦途。虽然在这条充满各种可能性的道路上，你会承担风险，但是也只有你去追寻更多的可能性，这样你的职业发展才会有更多的可能性。 结语 最后总结一句话，就是说，在职业发展的道路上，你只有不断探索，不断寻找各种可能性，才能在变化中寻求稳定。

在正式讲解QwQ-32B 技术实现上的亮点之前，我们先来简单自己部署一下QwQ-32B 方案来亲身感受一下部署操作有多么简单。 基于 MaaS 调用 QwQ-32B API 基于MaaS调用QwQ-32B API，可以理解为基于阿里云百炼服务平台调用 QwQ-32B API，那么在开始调用 QwQ-32B API 之前，我们同样需要先获取 API-KEY。 API-KEY 在阿里云百炼平台选择左侧菜单【API-Key】，点击【创建我的API-KEY】，在弹出的弹框页面选择主账号空间，输入描述后点击【确定】完成API-KEY的创建创建完成之后，在我的API-KEY列表页面点击右侧的【查看】按钮，然后点击【复制】按钮复制API-KEY备用 Chatbox客户端调用 在使用Chatbox 客户端调用之前，首先需要下载安装 Chatbox， 访问 Chatbox 下载地址下载并安装客户端，我的电脑是Windows 系统，这里我选择下载 Windows 版本的下载完成后双击安装，整个安装过程比较简单，按照默认的操作点击【下一步】即可，如果需要更换安装路径的，在选择安装路径操作页面更换自己想要安装的路径，安装完成后双击打开 Chatbox 客户端，选择【使用自己的API Key 或本地模型】继续在【选择并配置 AI 模型提供方】的弹框页面下拉选择【添加自定义提供方】在弹出的页面按照部署文档中的说明进行配置，其中，【名称】、【API域名】、【API密钥】、【模型】需要手动填写，其他默认选择即可，配置完成后的效果图如图所示，点击【保存】保存完成后，在Chatbox 输入问题，然后就可以在Chatbox 对话页面看到具体的返回内容以及使用tokens 模型名称等内容 回答问题 那么既然到这里了，我们就可以让 QwQ-32B 来尝试回答一下我们话题的问题，输入问题【QwQ-32B 在技术实现上有哪些值得关注的亮点】之后，可以看到我们关注的问题 QwQ-32B 在技术实现上融合了多项前沿技术，其核心亮点主要体现在以下几个方面： 1. 超大规模参数与高效训练优化 超大规模参数量：QwQ-32B 拥有 320 亿参数量，属于超大规模模型，能够捕捉复杂的语言模式和多步骤推理能力。 混合并行训练：通过 Tensor Parallelism + Pipeline Parallelism 结合的方式，高效利用计算资源，支持在 GPU/TPU 集群上进行分布式训练。 混合精度训练：采用 FP16 或 BF16 精度计算，结合动态损失缩放（Dynamic Loss Scaling），在保证精度的同时显著降低显存占用和计算成本。 2. 多模态与多语言处理 多语言支持：通过跨语言预训练（Cross-lingual Pretraining），支持多种语言（如中文、英文、德语、法语等），并具备跨语言迁移能力。 代码理解与生成：针对代码场景优化，支持多种编程语言（如 Python、Java、JavaScript 等），能够编写、调试和解释代码，适用于开发场景。 多模态扩展性：虽然 QwQ-32B 主要面向文本，但其架构设计兼容多模态任务（如图文理解），通过扩展视觉编码器即可实现多模态推理。 3. 复杂推理与任务适应性 深度上下文理解：通过长序列建模（支持超长上下文长度）和注意力机制优化（如局部注意力、稀疏注意力），提升对复杂任务的推理能力。 指令微调（Instruction Tuning）：基于大量人工标注的指令数据集进行微调，使其能够理解并执行多样化任务（如写作、编程、逻辑推理等）。 动态计算路径：在推理时根据输入内容动态调整计算资源分配，提升对复杂任务的响应效率。 4. 安全性与伦理控制 对话安全机制：内置内容过滤和安全校验模块，通过强化学习（RLHF，Reinforcement Learning from Human Feedback）优化，确保生成内容符合伦理规范。 对抗攻击防御：针对模型可能存在的漏洞（如对抗样本攻击），通过数据增强和模型鲁棒性训练提升防御能力。 5. 轻量化与推理效率优化 模型压缩技术：通过 知识蒸馏（Knowledge Distillation） 或 模型剪枝（Pruning），可将模型压缩为更小的版本（如 Qwen-Max、Qwen-Plus 等），平衡性能与资源消耗。 高效推理引擎：基于 CUDA 内核优化 和 模型并行策略，在推理时进一步降低延迟，支持实时交互场景。 6. 灵活的部署与应用 开源生态支持：提供完整的模型工具链（如推理框架、数据处理工具），支持在云计算、边缘计算等多种场景部署。 API 与 SDK：通过阿里云等平台提供 API 接口，开发者可快速集成模型能力，支持个性化定制。 总结 QwQ-32B 的核心优势在于其 超大规模参数量、多语言与多模态兼容性、复杂推理能力，以及 高效训练与部署技术。这些技术亮点使其在自然语言处理、代码生成、逻辑推理等场景中表现出色，同时兼顾了实际应用中的资源效率和安全性需求。 技术亮点 对于大模型来说，如何在性能与资源消耗之间找到一种平衡，是技术人一直努力的点。在性能方面，QwQ-32B 模型具有强大的推理能力，其参数量约为 DeepSeek-R1 满血版的 1/21 且推理成本是后者的1/10，在数学、代码等核心指标（AIME 24/25、LiveCodeBench）达到 DeepSeek-R1 满血版水平。在资源消耗方面，QwQ-32B 模型，支持2-bit至8-bit量化，最小仅需13GB显存（Q4量化版本仅8GB），单张RTX 3090 Ti即可实现30+ token/s的生成速度，而同类千亿模型需数十倍资源。仅320亿参数，通过动态稀疏注意力机制和分组查询注意力（GQA）等技术优化，性能媲美6710亿参数的模型，同时降低显存需求，支持消费级GPU（如RTX 4090）、苹果M系列芯片（如M4 Max）及云端部署，提供从本地到云端的全栈适配方案。

背景信息 在数字化转型的浪潮中，企业数据的价值正从“事后分析”向“实时驱动”快速迁移。企业需要快速、高效地将分散在不同系统中的数据整合起来，以支持实时分析和业务决策。诚然，企业数据对于企业来说，无异于是血液对于人体的关系，企业数据的实时分析，在现在瞬息万变的市场环境下，将能为企业提供强有力的决策支撑。 传统方式 传统数据同步工具因依赖批量传输机制和封闭式架构，在应对高并发实时数据流时普遍存在同步延迟问题，难以满足业务对数据时效性的严苛需求；其垂直扩展模式在面对指数级增长的数据规模时，不仅运维成本激增，更易遭遇性能瓶颈；而缺乏统一数据抽象层和智能转换引擎的设计，使得跨关系型数据库、NoSQL、物联网时序数据等多源异构系统的语义对齐与格式转换效率低下，最终导致数据价值滞后于业务决策节奏，沦为验证历史结果的'事后诸葛亮'。 Flink CDC Flink CDC 技术提供了全量和增量一体化同步的解决方案，相对于传统方式全量和增量两套同步方案来说，不仅减少了维护组件，简化实时链路，同时降低部署成本。另外其基于 Serverless 的弹性扩缩容, 支持服务作业根据实时需求动态调整资源，适应不同的工作负载。相比于传统方式的手动管理服务器资源以及无法横向扩展来说，灵活性、可操作性大大提升。同时支持丰富的上下游生态系统，包括Kafka、Paimon、StarRocks、Hologres等，还支持自定义连接器。另外还具备强大的数据转换功能，可通过 CDC YAML 作业实现数据同步过程中的多种转换操作。 如何用技术之力 这里我们通过实验体验到Flink CDC实现数据库变更数据的秒级捕获与实时同步，打破传统ETL批处理的延迟瓶颈：其基于日志解析技术（如MySQL Binlog、PostgreSQL WAL）无侵入捕获增量数据，通过Flink SQL或DataStream API将数据库事务级变更直接转化为实时流，无缝对接Kafka或数据湖；结合Flink流计算引擎对变更流进行实时清洗、关联与聚合，驱动下游数仓、OLAP系统（如ClickHouse/Doris）毫秒级更新；同时借助Flink CDC的多源异构连接器（MySQL/Oracle/MongoDB等），统一异构数据实时入湖入仓，并通过Flink ML或实时风控规则引擎直接生成决策信号，形成“数据库-流计算-业务决策”的端到端秒级闭环，让数据在产生瞬间即汇入决策流程，真正成为驱动业务敏捷响应的“实时血液”。

背景信息 随着AI人工智能的不断飞速发展，越来越多的行业不断被AI智能渗透，并逐步替代一部分人的工作，这样带来的结果就是，科技是进步了，工作却丢了。这似乎与过去一直倡导的科技改变生活相违背，但是不然，首先科技的进步任何人或者任何组织机构都是无法阻止的；其次科技的发展是为了让人们生活的更好，可以让这个世界更高效。科技带来的工作危机确实会让很多人感到焦虑，但是如何使用科技，让科技为自己服务，这种非专业技能的软技能，往往才是生存的基石。 什么是软技能 通俗来讲，软技能就是你与人打交道、处理问题的“生存本领”，和专业技术无关，但决定你混得好不好。比如同事吵架你能调解，公司改革你能快速适应，遇到麻烦能拆解成小问题解决——这些看不见的能力就像打游戏的“综合战力值”，让你在不同工作、时代变化中都能吃得开。 软技能有哪些 工作中拥有哪些软技能可以跨越时间周期，实现终身成长呢？简单来说可以分为以下几个方面。 【持续】学习 学习这个能力，是人的本能，也是人的最基础的能力。正所谓：活到老，学到老。知识会不断更新丰富，科技会不断进步，但是不管何时，持续的学习能力，往往可以让你能够游刃有余的应对各种变化。就比如现在AI的飞速发展，AI是替代了很多场景的文字工作，但是如何让AI为你更好的服务，这本身就是一种需要不断学习的能力。 沟通能力 沟通能力不管是哪个行业都是很必要的，不管你是和人沟通还是和机器通过指令沟通，有效的沟通才是高效解决问题的渠道。沟通能力也是一种情商的表现，体现在你听得懂别人说的，也体现在别人听得懂你说的，这是一个双向沟通的能力。 交往能力 说到沟通能力，那么就必须说说交往能力。交往能力就是说你可以和你的同事或者是客户建立友好的关系，可以体现在别人需要时你提供帮助，当你需要时别人也会提供帮助的这种互帮互助的场景。在职场，好的交往能力可以让你的工作更加得心应手，也可以让你的个人魅力得到充分的展现。 抗压能力 在工作中还有一个重要的能力就是抗压能力，不管什么时候，什么工作，压力总是存在的，也只有将压力转化为动力，才能更好的促进个人的成长。同样的，抗压能力还体现在你面对挫折，勇敢面对的心态上，不管如何，只有做到任何压力都压不倒，你才能真的独当一面。 最后 总的来说，非专业的技能都可以成为软技能，而陪伴你终身成长的并不是专业技能，专业技能有被替代的一天，但是软技能确实人在这个社会上生存所必不可少的技能，是随着时代，随着科技，随着社会的变化更不断变化的技能。

说起2025年AI产业会不会迎来全面爆发，这个即使没有迎来AI产业的全面爆发，在2025年，也可以说是AI产业突破到了一个新level的一年。年初的DeepSeek横空出世，迅速火遍了各行各业，同时也火遍了各大媒体，各种科技公众号，直播号，视频号，技术社区，朋友圈，自媒体传播渠道等，无不充斥着DeepSeek的身影。DeepSeek以其强大的数学推理能力及自然语言能力，正在充斥着我们生活的方方面面。比如你不懂的数学题，DeepSeek可以给予你完美的推理过程和最终的解决答案。身体不适时，你也可以给出你详细的描述，让DeepSeek给予你最佳的介入手段来促进身体状况的改变。除了这些，AI产业同样也在智能家居、智能驾驶方面有着不错的体验。智能辅助驾驶，在一定程度上甚至可以协助驾驶员躲避人类无法预知的危险，从而保障车载人员的安全。在医疗行业，精准化的医疗建议，同样可以帮助更多的患者尽快恢复健康。总的来说，2025年AI产业有没有全面爆发，可能并不能z直观的感受到，但是AI产业带来的生活上的改变，却是实实在在在影响我们生活的方方面面。

对于程序员来说，在开发的世界里，自己提交的每一行代码都应该是被认可被尊重，并且是完美的。同样，也正是由于程序员拥有这样认真较真的劲儿，才让我们的系统运行的更加稳定，更加高效。也正是由于这份较真儿，才给程序员带来了另一个困难：选择困难症。为了让自己的代码完美实现，为了让功能的稳定好用，为了让系统架构的承灾能力更强，程序员总是会遇到各种各样的选择。在面临这些选择时，程序员往往会由于考虑的太细太深而陷入纠结，而纠结本身带给程序员的并不是系统的稳定，而是裹足不前的畏缩，同时也让自己陷入了无限自我否定，无限内耗的漩涡中无法自拔，从而错过了系统本身功能的实现，过度消耗了过多的无意义时间。如何保持平常心，不陷入无意义的纠结，这就需要我们来辩证的看问题。当你面临架构选择时，你应该考虑的是当下系统的承载量以及未来的预估承载量，而不是纠结于选什么很牛的架构，而应该选适合你当下需求的架构，适合的才是最好的。当你面临功能选择时，你应该考虑的不是这个功能是否必要，而应该考虑的是功能来源，功能应用场景，客户需求，综合考虑之后再决定是否做这个功能；或者说先实现功能，再根据后期情况来评估功能的存在价值，毕竟很多时候，客户看到功能才会想用，而不会告诉你该做什么功能。总的来说，在开发世界中，少一点顾虑，多一点大胆尝试；少一点过于追求完美，多一点实际出发。