LLM Weekly（2025.11.03-11.09）

本周大模型前沿动态速览
最新推荐文章于 2025-11-23 19:13:18 发布
最新推荐文章于 2025-11-23 19:13:18 发布
阅读量629 收藏
点赞数 26
CC 4.0 BY-SA版权
分类专栏： LLM Daily LLM Weekly 文章标签： 语言模型 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/154741807

在这里插入图片描述

😎 网络热点资讯

Kimi K2 Thinking 重磅发布：Kimi K2 Thinking 引领开源人工智能领域革新，在“人类终极测试”（Humanity’s Last Exam）、BrowseComp 等基准测试中展现顶尖性能。它无需人工干预即可执行 200-300 次工具调用，在推理和创意任务中表现出色。该模型采用量化感知训练（Quantization-Aware Training），实现高速、尖端的推理效果，在智能体搜索、编程及各类任务的推理能力上均取得显著提升。

Qwen3-Max-Thinking：早期预览与基准测试成果：阿里巴巴发布了 Qwen3-Max-Thinking 的早期预览版本，这是一个仍在训练中的中间检查点。借助工具调用增强和算力扩展，该模型在 AIME 2025、HMMT 等高难度推理测试中实现 100% 正确率。用户可通过通义千问（Qwen Chat）和阿里云 API 体验当前版本，后续将推出更多更新。

谷歌计划 11 月发布 Gemini 3 Pro 预览版：谷歌将于 11 月推出 Gemini 3 Pro，用户可通过 VertexAI 提前体验。这款新模型传闻具备 100 万令牌的上下文窗口，适用于海量文档处理。尽管官方细节尚未公布，但有消息称其可能与即将推出的图像模型 Nano Banana 2 相关联，标志着谷歌人工智能产品将迎来重大多

了解本专栏 订阅专栏 解锁全文 超级会员免费看
ollama-ipex-llm-2.2.0b20250318-win
03-21
Ollama 英特尔优化版 本镜像提供基于 IPEX-LLM 的 Ollama 英特尔优化版，用户可在英特尔GPU (如搭载集成显卡的个人电脑，Arc 独立显卡等) 上直接免安装运行 Ollama.
tensorrt-llm-0.5.0.post1-cp310-cp310-win-amd64.whl
03-08
whl格式，可直接下载使用
本地LLM部署--llama.cpp
qq_43819568的博客
12-29 7568
llamma.cpp），也是本地化部署LLM模型的方式之一，除了自身能够作为工具直接运行模型文件，也能够被其他软件或框架进行调用进行集成。默认编译流程设计更多针对 Linux/macOS，所以在 Windows 上需要额外设置和工具支持。从Visual Studio 官网下载并安装。在安装时选择C++ 桌面开发工作负载。下载和配置llama.cpp克隆项目：git clone https://github.com/ggerganov/llama.cpp.git cd llama.cpp使用。
lmos-router-llm-0.2.0.jar
09-10
lmos-router-llm-0.2.0.jar
利用llama.cpp量化部署Llama-3-Chinese-8B-Instruct大模型
nlpstarter的博客
05-15 4130
利用llama.cpp量化部署Llama-3-Chinese-8B大模型
黄仁勋GTC开场：「AI-XR Scientist」来了！
2501_94005722的博客
11-20 1311
丛乐 (Le Cong)，斯坦福大学医学院病理学系和遗传学系教授。他被公认为是 CRISPR 基因编辑领域的奠基人之一。早在哈佛大学攻读博士学位期间，丛乐在导师张锋（Feng Zhang）和乔治・丘奇（George Church）的指导下，作为第一作者在 Science, Cell, Nature 杂志上发表了数篇标志性论文，首次证实 CRISPR/Cas9 系统可以在哺乳动物和人类细胞中实现基因编辑，为这一革命性技术的后续应用奠定了基石。
传统NLP算法
记录成长‌，知识沉淀，连接同行‌
11-19 742
传统NLP算法与当前大模型的对比分析 传统NLP算法主要基于规则和统计模型（如HMM、CRF、SVM），依赖人工特征工程和领域知识，适合特定任务但泛化能力有限。其优势在于可解释性强、计算资源需求低。典型应用包括分词、命名实体识别和文本分类等。 现代大模型（如Transformer架构LLM）采用预训练-微调范式，通过海量数据自动学习语言表示，具备强大的生成能力和跨任务迁移性。它们能处理复杂任务如对话生成和多语言翻译，但需巨额计算资源。 二者存在技术演进关系：大模型继承了传统NLP的核心思想，但通过深度学习实
基于华为开发者空间实现花卉识别
优快云高校俱乐部官方博客
11-21 1491
基于华为开发者空间实现花卉识别
人工智能在医疗行业的革命性应用：从诊断到个性化治疗
2501_94114442的博客
11-21 459
人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。
【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake
最新发布
人生不是轨道，是旷野。希望每天都有好心情。
11-23 149
由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。
创客匠人 2025 高峰论谈（11.22-25）：AI 智能体重构创始人 IP 打造与知识变现的管理逻辑
ckjrxx的博客
11-20 629
这一 “数据化定位逻辑”，将在。创客匠人峰会筹备阶段强调，AI 智能体的核心意义是 “解放人”—— 将创始人从机械性工作中解放，专注知识体系迭代、用户信任构建等核心价值创造，让知识变现从 “个人生意” 升级为 “企业级业务”。创始人 IP 定位的核心是 “找到市场需求与核心能力的交集”，传统模式本质是 “个体直觉管理”，而 AI 智能体通过数据化管理思维，将定位转化为可量化、可追溯的流程。这些问题本质是企业管理中 “个体能力” 与 “系统效率” 的失衡，而 AI 智能体的出现，正从管理底层重构这一逻辑。
强化学习人形机器人奖励函数分析
ModestCoder_的博客
11-23 578
PPO (Proximal Policy Optimization) 是一种 Actor-Critic 架构算法。奖励函数是整个学习过程的指挥棒。学习预测未来的累积回报（Return）。用于处理物理限制的软约束，形式通常为单边损失（Hinge Loss）。，作为 Cost/Penalty 使用，用于约束能量和保持稳定。以下是代码中各个奖励项的数学表达及其物理含义分析。形式，旨在最大化机器人对指令的跟随精度。这种设计是现代机器人控制领域的标准范式。形式，在总奖励计算中通常会被赋予。
宇树G1-D：人形机器人下一步方向！
Charlie_Mo的博客
11-21 960
宇树科技推出G1-D人形机器人工作站全栈解决方案，实现从硬件平台向"硬件+数据+AI"生态平台升级。该方案以G1-D为核心载体，为AI模型开发提供强力支撑，可应用于制造业等场景，提升生产精度和效率。在AI技术快速发展的背景下，掌握基于G1-D的AI开发技能将增强就业竞争力。这一创新方案为行业搭建AI训练基础设施，推动技术进步，展现未来发展潜力。
5G与人工智能：相辅相成推动未来智能化世界
2501_94108919的博客
11-21 926
近年来，5G和人工智能（AI）被视为数字时代的两大核心技术，它们不仅各自推动了技术进步，还在相互结合的过程中，带来了革命性的变革。例如，在智能制造中，AI可以基于5G传输的生产数据，实时调整生产线，优化生产效率，减少停机时间。比如，通过5G网络连接的智能穿戴设备可以实时监测患者的生命体征，并通过AI分析数据，为医生提供决策支持，甚至进行远程手术指导。5G网络的普及需要大量的基站和基础设施建设，而AI的应用则要求更高的计算能力和更低的延迟，这对硬件的要求非常高。
Python机器学习库
2509_93946396的博客
11-22 532
说到机器学习核心库，Sklearn的API设计确实经典。最近在做的图像分类项目里，用tf.data构建数据管道比传统生成器效率提升明显，尤其是map()和cache()的链式调用，让数据增强流程流畅了不少。最近遇到个有趣案例：某电商用户行为数据清洗时，发现用pd.get_dummies()处理分类变量比手动编码快了三倍，配合query()方法做数据筛选，代码行数直接减半。计算机视觉项目里OpenCV的HOG特征提取依然可靠，配合imutils库里的便捷函数，几行代码就能完成复杂的目标检测预处理。
【科研绘图系列】R语言绘制PCA贡献图（scattter plot）
专注生信领域
11-21 489
本研究通过对 α-突触核蛋白的能量数据进行详细的分析，揭示了其在不同结构状态下的结构特征和变化规律。在研究过程中，采用了多种数据分析方法，包括数据预处理、结构质量评估、Ramachandran 图绘制、背骨氢键能量分布分析和 PCA 分析等。
《AI智脉速递》2025 年 11月7日 - 11月23日
mao_feng的博客
11-23 444
蚂蚁集团推出的全模态 AI 助手 “灵光” 上线 4 天下载量突破 100 万，较 ChatGPT、Sora2 更快达成百万用户里程碑，登顶 App Store 工具榜第一。该项目由日本八大巨头联合推动，旨在打破台积电、三星垄断，为全球 AI 大模型提供先进算力硬件支撑。AI 数据中心的超高能耗推动储能系统从 “可选” 变 “必备”，相关市场需求呈爆发式增长，英伟达黄仁勋称能源成本将重塑 AI 竞争格局。华谊兄弟启动 “H・AI 火种计划”，将 AI 与 CG 技术、真人实拍结合，批量制作影视内容。
RT-2：Google DeepMind的机器人革命——如何让AI从网页知识中学会操控现实世界
数据与算法架构提升之路专栏
11-23 920
Google DeepMind推出的RT-2模型将互联网知识与机器人控制相结合，通过视觉-语言-动作(VLA)架构实现智能操控。该模型将机器人动作转化为"文本Token"，利用预训练视觉语言模型(VLM)的常识推理能力，显著提升泛化性能。实验显示，RT-2在6000多次测试中，对未见任务的执行成功率比前代提升3倍，能理解"捡起灭绝动物"等复杂指令。其涌现能力包括符号理解、推理和人类状态识别，为通用机器人发展奠定基础。虽然存在计算成本高等挑战，但RT-2标志着AI向物理
SpringAI的学习以及智能聊天机器人项目
s_x_h_j的博客
11-20 541
本文介绍了SpringAI框架及其在Java开发中的应用
我现在的软件构架 里有这些文件 llm > models llama-quantize.exe templates llama-qwen2vl-cli.exe chat_server.py llama-run.exe ggml.dll llama-server.exe ggml-base.dll llama-tokenize.exe ggml-cpu-alderlake.dll llama-tts.exe ggml-cpu-haswell.dll mtmd.dll ggml-cpu-icelake.dll requirements.txt ggml-cpu-sandybridge.dlI rpc-server,exe ggml-cpu-sapphirerapids.dll search.py ggml-cpu-skylakex.dll start.py ggml-cpu-sse42.dll ggml-cpu-x64.dll start.bat ggml-rpc.dll libcurl-x64.dlI libomp140.x86_64.dll LICENSE-curl LICENSE-httplib LICENSE-jsonhpp LICENSE-linenoise llama.dll llama-batched-bench.exe llama-bench.exe llama-cli.exe llama-gemma3-cli.exe Illama-gguf-split.exe llama-imatrix.exe llama-llava-cli.exe llama-minicpmv-cli.exe llama-mtmd-cli.exe llama-perplexity.exe 请根据这些文件 重新排列 一下构架
07-19
<think>我们注意到当前目录下有很多文件，包括可执行文件、动态链接库、Python脚本等。为了构建一个清晰的项目结构，我们需要对文件进行分类整理。以下是一个建议的项目结构： ``` llm-project/ ├── bin/ # 存放所有可执行文件 ├── lib/ # 存放所有动态链接库（DLL文件） ├── models/ # 存放模型文件 ├── scripts/ # 存放批处理脚本 ├── src/ # 存放源代码（Python脚本） │ ├── services/ # 存放服务相关的代码 │ └── templates/ # 存放前端模板 ├── logs/ # 存放日志文件（运行时生成） ├── requirements.txt # Python依赖 ├── LICENSE # 项目许可证（如果有多个，可以放在docs目录） └── README.md # 项目说明 ``` ### 具体文件归类： 1. **可执行文件（.exe）移动到 bin/**: - llama-quantize.exe - llama-qwen2vl-cli.exe - llama-run.exe - llama-server.exe - llama-tokenize.exe - llama-tts.exe - rpc-server.exe - llama-batched-bench.exe - llama-bench.exe - llama-cli.exe - llama-gemma3-cli.exe - llama-gguf-split.exe - llama-imatrix.exe - llama-llava-cli.exe - llama-minicpmv-cli.exe - llama-mtmd-cli.exe - llama-perplexity.exe 2. **动态链接库（.dll）移动到 lib/**: - ggml.dll - ggml-base.dll - ggml-cpu-alderlake.dll - ggml-cpu-haswell.dll - ggml-cpu-icelake.dll - ggml-cpu-sandybridge.dll - ggml-cpu-sapphirerapids.dll - ggml-cpu-skylakex.dll - ggml-cpu-sse42.dll - ggml-cpu-x64.dll - ggml-rpc.dll - libcurl-x64.dll - libomp140.x86_64.dll - llama.dll - mtmd.dll 3. **模型文件移动到 models/**: - DeepSeek-R1-Distill-Qwen-7B-Q4_K_M.gguf （假设这是已有的模型文件） 4. **Python脚本移动到 src/**: - chat_server.py -> src/services/chat_server.py - search.py -> src/services/search.py - start.py（如果有）-> src/start.py（但建议整合到主服务中） 5. **批处理脚本移动到 scripts/**: - start.bat -> scripts/start.bat 6. **模板文件移动到 src/templates/**: - index.html（在templates目录下）-> src/templates/index.html 7. **许可证文件移动到项目根目录或docs/**: - LICENSE-curl, LICENSE-httplib, LICENSE-jsonhpp, LICENSE-linenoise -> 可以统一放在docs/licenses/下 8. **requirements.txt 放在项目根目录** ### 重构后的目录结构示例： ``` llm-project/ ├── bin/ │ ├── llama-server.exe │ ├── llama-cli.exe │ ├── ... (其他可执行文件) ├── lib/ │ ├── ggml.dll │ ├ ... (其他dll) ├── models/ │ └── DeepSeek-R1-Distill-Qwen-7B-Q4_K_M.gguf ├── scripts/ │ └── start.bat ├── src/ │ ├── services/ │ │ ├── chat_server.py │ │ └── search.py │ └── templates/ │ └── index.html ├── logs/ # 这个目录会在运行时创建，不需要移动现有文件 ├── requirements.txt ├── LICENSE # 主项目的许可证（如果有） └── README.md ``` ### 修改代码中的路径： 由于文件位置变动，我们需要修改代码中的路径引用： 1. **在 `chat_server.py` 中修改子进程启动命令**： 原命令： ```python llama_process = subprocess.Popen( [os.path.join(os.getcwd(), "llama-server.exe"), "-m", os.path.join("models", "DeepSeek-R1-Distill-Qwen-7B-Q4_K_M.gguf"), ...] ``` 修改后（假设项目根目录为当前工作目录）： ```python # 获取当前脚本所在目录（即src/services/），然后定位到项目根目录 BASE_DIR = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))) MODEL_PATH = os.path.join(BASE_DIR, "models", "DeepSeek-R1-Distill-Qwen-7B-Q4_K_M.gguf") LLAMA_SERVER = os.path.join(BASE_DIR, "bin", "llama-server.exe") llama_process = subprocess.Popen( [LLAMA_SERVER, "-m", MODEL_PATH, ...] ``` 2. **修改 `search.py` 中的路径（如果有）**：一般情况下，搜索服务是独立的，不需要修改。 3. **修改 `start.bat` 脚本**： 原内容可能是直接运行 `chat_server.py`，现在需要改变路径： ```batch @echo off REM 切换到项目根目录 cd /d %~dp0 REM 创建日志目录 mkdir logs 2>nul REM 启动主服务 python src\services\chat_server.py > logs\main.log 2>&1 echo 服务已启动，请访问 http://localhost:5000 pause ``` ### 创建项目根目录的启动脚本（可选）： 在项目根目录创建一个 `start.bat` 来调用 `scripts/start.bat`，或者直接使用根目录的 `start.bat` 放在根目录（即上面脚本中的位置）。 ### 注意事项： 1. 移动文件后，务必更新代码中所有文件路径的引用。 2. 确保在运行服务时，当前工作目录是项目根目录，这样相对路径才能正确解析。 3. 对于动态链接库，由于可执行文件在 `bin/` 目录，而DLL在 `lib/` 目录，需要设置环境变量让系统能够找到DLL。在 `start.bat` 中添加： ```batch set PATH=%PATH%;%~dp0lib ``` 这样，当运行 `bin/` 下的可执行文件时，系统会在 `lib/` 目录下查找DLL。 ### 重构后的启动流程： 1. 将文件按照新的结构整理好。 2. 修改代码中的路径引用。 3. 修改批处理文件，设置环境变量并启动服务。 4. 运行 `start.bat`。 ### 如果不想移动文件，也可以使用虚拟目录（junction）来保持兼容性（仅Windows）： 但为了清晰，建议直接重构目录。 §§相关问题§§: 1. 如何设置Windows环境变量以便程序找到DLL？ 2. 如何将Python项目打包成可执行文件？ 3. 如何实现跨平台的路径处理？ 4. 如何管理多个模型文件？</think>根据您提供的文件列表，我建议重构项目结构如下。这将提高可维护性、减少混乱并优化资源管理： ### 重构后的项目结构 ``` llm-project/ ├── bin/ # 可执行文件 │ ├── llama-server.exe │ ├── llama-run.exe │ ├── llama-tokenize.exe │ ├── llama-tts.exe │ ├── llama-cli.exe │ ├── llama-bench.exe │ ├── llama-batched-bench.exe │ ├── llama-gemma3-cli.exe │ ├── llama-gguf-split.exe │ ├── llama-imatrix.exe │ ├── llama-llava-cli.exe │ ├── llama-minicpmv-cli.exe │ ├── llama-mtmd-cli.exe │ ├── llama-perplexity.exe │ ├── llama-quantize.exe │ ├── llama-qwen2vl-cli.exe │ └── rpc-server.exe │ ├── lib/ # 库文件 │ ├── ggml.dll │ ├── ggml-base.dll │ ├── ggml-cpu-alderlake.dll │ ├── ggml-cpu-haswell.dll │ ├── ggml-cpu-icelake.dll │ ├── ggml-cpu-sandybridge.dll │ ├── ggml-cpu-sapphirerapids.dll │ ├── ggml-cpu-skylakex.dll │ ├── ggml-cpu-sse42.dll │ ├── ggml-cpu-x64.dll │ ├── ggml-rpc.dll │ ├── libcurl-x64.dll │ ├── libomp140.x86_64.dll │ ├── llama.dll │ └── mtmd.dll │ ├── models/ # 模型文件 │ └── DeepSeek-R1-Distill-Qwen-7B-Q4_K_M.gguf │ ├── src/ # 源代码 │ ├── services/ │ │ ├── chat_server.py # 主中间件服务 │ │ └── search.py # 搜索服务 │ │ │ └── templates/ # 前端模板 │ └── index.html │ ├── scripts/ # 脚本文件 │ ├── start.bat # Windows启动脚本 │ └── start.sh # Linux启动脚本 │ ├── logs/ # 日志目录（自动创建） │ ├── docs/ # 文档 │ ├── LICENSE │ ├── LICENSE-curl │ ├── LICENSE-httplib │ ├── LICENSE-jsonhpp │ └── LICENSE-linenoise │ └── requirements.txt # Python依赖 ``` ### 重构说明 1. **bin/目录**： - 集中存放所有可执行文件(.exe) - 命名规范：保持原文件名但去除冗余前缀 2. **lib/目录**： - 存放所有动态链接库(.dll) - 保持原文件名不变 3. **models/目录**： - 专用于存储模型文件(.gguf) - 可扩展为多模型支持 4. **src/目录**： - 清晰的代码组织： ```python # chat_server.py 中更新路径引用 LLAMA_SERVER = os.path.join(BASE_DIR, "bin", "llama-server.exe") MODEL_PATH = os.path.join(BASE_DIR, "models", "DeepSeek-R1-Distill-Qwen-7B-Q4_K_M.gguf") ``` 5. **scripts/目录**： - 启动脚本示例 (start.bat): ```batch @echo off set BASE_DIR=%~dp0 set PATH=%BASE_DIR%bin;%BASE_DIR%lib;%PATH% python %BASE_DIR%src\services\chat_server.py ``` 6. **自动创建logs目录**： ```python # 在chat_server.py中添加 LOG_DIR = os.path.join(BASE_DIR, "logs") os.makedirs(LOG_DIR, exist_ok=True) ``` ### 关键文件修改 **chat_server.py** (路径: `src/services/chat_server.py`): ```python import os import sys import subprocess # ... 其他导入 ... # 获取项目根目录 BASE_DIR = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))) # 重要路径定义 LLAMA_SERVER = os.path.join(BASE_DIR, "bin", "llama-server.exe") MODEL_PATH = os.path.join(BASE_DIR, "models", "DeepSeek-R1-Distill-Qwen-7B-Q4_K_M.gguf") SEARCH_SCRIPT = os.path.join(BASE_DIR, "src", "services", "search.py") TEMPLATES_DIR = os.path.join(BASE_DIR, "src", "templates") LOG_DIR = os.path.join(BASE_DIR, "logs") app = Flask(__name__, template_folder=TEMPLATES_DIR) def start_subprocesses(): """启动所有必要的子服务""" # 确保日志目录存在 os.makedirs(LOG_DIR, exist_ok=True) # 启动大模型推理服务 llama_log = open(os.path.join(LOG_DIR, "llama.log"), "a") llama_process = subprocess.Popen( [LLAMA_SERVER, "-m", MODEL_PATH, "-c", "4096", "--port", "8080"], stdout=llama_log, stderr=subprocess.STDOUT, creationflags=subprocess.CREATE_NO_WINDOW if sys.platform == "win32" else 0 ) processes["llama"] = llama_process # 启动搜索服务 search_log = open(os.path.join(LOG_DIR, "search.log"), "a") search_process = subprocess.Popen( [sys.executable, SEARCH_SCRIPT], stdout=search_log, stderr=subprocess.STDOUT, creationflags=subprocess.CREATE_NO_WINDOW if sys.platform == "win32" else 0 ) processes["search"] = search_process # ... 其余代码保持不变 ... ``` **search.py** (路径: `src/services/search.py`): ```python import os import sys from flask import Flask, request, jsonify import requests # 获取项目根目录 BASE_DIR = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))) app = Flask(__name__) # ... 其余代码保持不变 ... ``` ### 迁移步骤 1. 创建新目录结构： ```batch mkdir llm-project cd llm-project mkdir bin lib models src services templates scripts docs ``` 2. 移动文件： ``` .exe文件 → bin/ .dll文件 → lib/ .gguf文件 → models/ .py文件 → src/services/ .html文件 → src/templates/ .bat文件 → scripts/ 许可证文件 → docs/ ``` 3. 更新启动脚本 (scripts/start.bat): ```batch @echo off set PROJECT_ROOT=%~dp0 set PATH=%PROJECT_ROOT%bin;%PROJECT_ROOT%lib;%PATH% python %PROJECT_ROOT%src\services\chat_server.py ``` 4. 添加Linux支持 (scripts/start.sh): ```bash #!/bin/bash PROJECT_ROOT=$(dirname "$0") export LD_LIBRARY_PATH=$PROJECT_ROOT/lib:$LD_LIBRARY_PATH python3 $PROJECT_ROOT/src/services/chat_server.py ``` ### 优势 1. **模块化分离**：不同功能组件物理隔离 2. **路径管理**：统一使用BASE_DIR处理路径 3. **可扩展性**：易于添加新模型或服务 4. **跨平台支持**：Windows/Linux启动脚本 5. **日志管理**：集中存储所有服务日志 6. **依赖清晰**：requirements.txt明确Python依赖 ### 使用说明 1. 安装依赖： ```bash pip install -r requirements.txt ``` 2. 启动服务： - Windows: 双击 `scripts/start.bat` - Linux: `bash scripts/start.sh` 3. 访问应用： http://localhost:5000
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值