LangChain4j实战:Ollama本地模型与阿里百炼云端API高效集成指南

无影云电脑+iMessage+Qwen3.6-Plus轻量AI自动化实战 大模型本地化部署与操作系统级自动化是当前边缘智能落地的关键路径。其核心原理在于突破传统LLM框架仅做‘文本编排’的局限,转向具备真实GUI控制力的系统级执行引擎;技术价值体现在以极低硬件门槛(4核8G)实现端到端加密通信入口(如iMessage)的稳定接入与响应闭环;典型应用场景涵盖客服工单自动生成、私域消息智能运营及云边协同推理服务;本文聚焦阿里云无影云电脑这一合规沙盒环境,结合OpenClaw技能编排框架与Qwen3.6-Plus量化模型,提供可复现的轻量AI工作流全链路方案。 阅读详情

1. 为什么需要混合部署?本地与云端模型的黄金搭档

大家好,我是老张,在AI和智能硬件这块摸爬滚打了十来年。今天想和大家聊聊一个非常“接地气”的场景:当你既想享受本地大模型的隐私、零延迟和低成本,又馋云端大模型那强大的能力和丰富的选择时,该怎么办?答案就是——混合部署。而LangChain4j,正是帮你把这两者无缝粘合起来的“超级胶水”。

我遇到过不少开发者朋友,他们的情况很典型:公司内部有些敏感数据,比如客户信息、内部文档,肯定不能直接丢到公网API去处理,用本地模型最放心。但本地机器性能有限,跑不动千亿参数的大模型,遇到需要复杂推理、代码生成或者多轮深度对话的任务时,本地小模型就显得力不从心了。这时候,如果有一个框架能让我在代码里轻松决定:“这段对话用我本地的Qwen2.5-7B处理”, “那个复杂的分析任务调用阿里百炼上的Qwen-Max”,那开发效率和系统能力都能得到质的提升。

LangChain4j就是这个问题的完美解决方案。它是一个专门为Java和JVM生态(比如Kotlin, Scala)设计的AI应用框架。它的核心思想是“编排”,把大模型调用、工具使用、记忆管理、数据检索这些复杂环节,像搭积木一样组合起来。对于混合部署场景,它提供了统一的接口,让你用几乎相同的代码风格去调用本地Ollama服务和云端阿里百炼API,大大降低了开发和维护的复杂度。

简单来说,这套组合拳能帮你:

  • 成本可控:日常的、简单的、对隐私要求高的任务走本地,省钱又安全。
  • 能力弹性伸缩:遇到高难度任务,一键切换云端顶级模型,瞬间获得“超能力”。
  • 架构统一:一套代码管理所有模型调用,不用为每个服务写不同的客户端代码。
  • 快速实验:可以非常方便地对比同一个问题,本地模型和云端模型的回答差异,帮你做技术选型。

接下来,我就手把手带你从零开始,搭建这个混合部署的环境,并用LangChain4j写一个能智能路由的小应用。

2. 搭建你的双模型基地:Ollama本地与阿里百炼云端

工欲善其事,必先利其器。混合部署的第一步,就是把两边的模型环境都准备好。这一部分我们会分头行动,把两个“基地”都搭建起来。

2.1 在本地轻松玩转Ollama

Ollama可以说是目前最受欢迎的本地大模型运行工具了,它把复杂的模型部署简化成了几条命令,对新手极其友好。

第一步:安装与初体验 直接访问Ollama官网,下载对应你操作系统(Windows/macOS/Linux)的安装包。安装过程就是一路“下一步”,非常简单。安装完成后,打开你的终端(或命令提示符/PowerShell),你会看到欢迎信息。它通常会提示你运行一个类似 ollama run llama3.2 的命令来拉取第一个模型。Llama3.2是一个不错的入门选择,但如果你网络不太好,或者想更快上手,我建议先跑一个超小模型试试水:

ollama run qwen2.5:0.5b

这个命令会从Ollama的模型库中下载一个只有5亿参数的Qwen2.5迷你版。下载完成后,你会直接进入一个交互式聊天界面,就像在终端里和AI对话一样,输入 bye 退出。这证明你的Ollama服务已经成功跑起来了,它会在后台启动一个服务,默认监听 11434 端口。

第二步:管理你的本地模型库 你不可能只用一个模型。Ollama支持很多模型,比如DeepSeek、Mistral、Gemma等。查看所有可用模型,可以去Ollama官网的模型库页面。在终端里,你可以用以下命令管理模型:

# 查看本地已下载的模型列表
ollama list

# 拉取一个新的模型(例如,一个7B参数的中等规模模型)
ollama pull qwen2.5:7b

# 删除一个本地模型(谨慎操作)
ollama rm qwen2.5:0.5b

我个人的经验是,在开发机上常备一个7B参数左右的模型(如 qwen2.5:7b 或 llama3.2:7b),它在速度和能力上有一个很好的平衡,足够处理很多本地化任务。

第三步:验证API调用 Ollama不仅提供命令行聊天,更提供了标准的HTTP API,这是我们用LangChain4j集成它的关键。我们来做个快速测试,确保API是通的。在终端里新开一个窗口,用 curl 命令(或者你喜欢的API测试工具如Apifox、Postman)发送一个请求:

curl http://localhost:11434/api/chat -d '{
  "model": "qwen2.5:7b",
  "messages": [
    { "role": "user", "content": "用一句话介绍下你自己" }
  ],
  "stream": false
}'

如果看到返回了一个包含AI回答的JSON数据,那么恭喜你,本地模型基地已经就绪!这个 http://localhost:11434/v1 就是后续我们要告诉LangChain4j的“地址”。

2.2 获取阿里百炼的云端力量

阿里百炼是阿里云推出的一站式大模型服务平台,上面集成了通义千问系列等多种强大的模型。对于需要顶级AI能力的场景,它是我们的不二之选。

第一步:开通服务与获取密钥

  1. 访问阿里云百炼平台,用你的阿里云账号登录。
  2. 首次进入,平台通常会引导你“开通服务”并领取免费额度(新用户都有,足够我们做大量实验)。务必领取,这是真金白银的抵扣。
  3. 开通后,点击顶部导航栏的“模型”,在左侧菜单找到“API-KEY管理”。
  4. 创建一个新的API-KEY,并立即妥善保存。这个KEY只会显示一次,就像密码一样,丢失了只能重新创建。

注意:这个API-KEY是你的云端模型调用凭证,千万不要泄露或提交到公开的代码仓库(如GitHub)。后续我们会用环境变量来管理它。

第二步:找到模型的调用方式 在“模型”页面,你可以看到琳琅满目的模型,从轻量版的Qwen-Long到功能强大的Qwen-Max。点击任意一个模型卡片,进入详情页,你会看到一个“API参考”或“调用指南”的标签页。这里详细列出了该模型的接入地址、请求格式和参数说明。

关键信息是这两个:

  • API端点:通常是 https://dashscope.aliyuncs.com/compatible-mode/v1 (这是兼容OpenAI格式的通用端点,强烈推荐使用,因为LangChain4j对OpenAI协议支持最好)。
  • API-KEY:就是你上一步创建的那个。

第三步:快速云端测试 同样,我们可以在Apifox里快速测试一下。创建一个POST请求:

  • URL: https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions
  • Header:
    • Authorization: Bearer YOUR_API_KEY (将YOUR_API_KEY替换成你的真实Key)
    • Content-Type: application/json
  • Body (JSON):
{
  "model": "qwen-plus",
  "messages": [
    {"role": "user", "content": "你好,请写一首关于春天的五言绝句。"}
  ]
}

发送请求,你应该能立刻收到来自云端强大模型的诗作。这说明你的云端通道也打通了。

至此,你的“双模型基地”已经全部搭建完成。一边是部署在自己电脑上、听话又隐私的本地模型,另一边是拥有“洪荒之力”的云端模型API。接下来,就是请出主角LangChain4j,让它来指挥这两支“部队”协同作战。

3. 引入LangChain4j:构建统一的模型调用层

现在,我们有了本地和云端两个模型服务。如果每个服务都写一套不同的HTTP客户端代码,那会非常混乱。LangChain4j的核心价值之一,就是提供了一层抽象,让我们能用统一的方式和任何模型对话。这一章,我们来创建项目,并引入必要的依赖。

我假设你使用Maven来管理Java项目(Gradle的配置逻辑类似)。在你的 pom.xml 文件中,需要添加以下关键依赖:

<dependencies>
    <!-- LangChain4j 核心 -->
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j</artifactId>
        <version>0.31.0</version> <!-- 请使用最新稳定版 -->
    </dependency>
    <!-- LangChain4j 用于 OpenAI 兼容 API 的模块 -->
    <!-- 阿里百炼的兼容端点,以及Ollama的OpenAI格式端点,都用这个 -->
    <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-open-ai</artifactId>
        <version>0.31.0</version>
    </dependency>
    <!-- 如果你需要更直接地使用Ollama的原生API(非必须,OpenAI兼容方式更简单) -->
    <!-- <dependency>
        <groupId>dev.langchain4j</groupId>
        <artifactId>langchain4j-ollama</artifactId>
        <version>0.31.0</version>
    </dependency> -->
    <!-- 一个简单的日志框架,方便查看内部调用情况 -->
    <dependency>
        <groupId>org.slf4j</groupId>
        <artifactId>slf4j-simple</artifactId>
        <version>2.0.9</version>
    </dependency>
</dependencies>

这里我强烈推荐使用 langchain4j-open-ai 模块来对接两者。为什么呢?因为Ollama从某个版本开始,也提供了一个完全兼容OpenAI API协议的端点(http://localhost:11434/v1),而阿里百炼也提供了兼容端点。这意味着我们可以用同一套代码、同一种配置风格来初始化两个模型的客户端,只是传入的 baseUrl 和 apiKey 不同而已,极大地简化了开发。

如果你发现你的Ollama版本较旧,没有 /v1 端点,那么你可以使用 langchain4j-ollama 模块,它是专门为Ollama原生API封装的。但在本文中,为了保持统一和简洁,我们默认使用OpenAI兼容模式,这是目前最主流、最推荐的方式。

依赖加好后,我们就可以开始编写代码了。我会先分别展示如何创建本地和云端的客户端,你会惊讶于它们的相似性。

4. 双剑合璧:编写LangChain4j集成代码

代码部分是我们实战的核心。我会带你一步步创建两个模型客户端,并演示一个简单的“智能路由”示例,让你感受混合调度的魅力。

4.1 初始化本地Ollama客户端

首先,我们来连接本地的Ollama服务。记得确保你的Ollama服务正在运行(ollama serve 或直接运行过模型)。

import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;

public class HybridModelDemo {

    public static void main(String[] args) {
        // 1. 创建本地Ollama客户端 (通过OpenAI兼容接口)
        ChatLanguageModel localModel = OpenAiChatModel.builder()
                .baseUrl("http://localhost:11434/v1") // Ollama的OpenAI兼容端点
                .apiKey("ollama") // Ollama在此模式下不需要真实的key,但需要填一个非空值
                .modelName("qwen2.5:7b") // 指定你要使用的本地模型名称
                .temperature(0.7) // 创造性,0-1之间,值越高回答越随机
                .logRequests(true) // 开启请求日志,调试时非常有用
                .logResponses(true)
                .build();

        System.out.println("=== 测试本地模型 (Qwen2.5-7B) ===");
        String localAnswer = localModel.generate("请用简短的话解释什么是人工智能?");
        System.out.println("本地模型回答: " + localAnswer);
    }
}

看,代码非常简单!我们使用了 OpenAiChatModel 这个构建器,只是把 baseUrl 指向了本地的 11434 端口下的 /v1 路径。apiKey 随便填个字符串(如"ollama")即可,因为本地服务不需要认证。modelName 必须和你用 ollama list 看到的名称完全一致。

运行这段代码,你应该能看到控制台打印出请求和响应的日志,以及本地模型对你问题的回答。这证明LangChain4j已经成功接管了与Ollama的通信。

4.2 初始化阿里百炼云端客户端

接下来,我们用几乎一模一样的方式来初始化云端客户端。唯一的区别就是 baseUrl 和 apiKey。

// 2. 创建阿里百炼云端客户端
// 重要:建议从环境变量读取API Key,避免硬编码在代码中
String cloudApiKey = System.getenv("ALIYUN_BAILIAN_API_KEY");
if (cloudApiKey == null || cloudApiKey.isEmpty()) {
    System.err.println("请设置环境变量 ALIYUN_BAILIAN_API_KEY");
    return;
}

ChatLanguageModel cloudModel = OpenAiChatModel.builder()
        .baseUrl("https://dashscope.aliyuncs.com/compatible-mode/v1") // 百炼的兼容端点
        .apiKey(cloudApiKey) // 使用从环境变量获取的真实Key
        .modelName("qwen-plus") // 指定云端模型,例如 qwen-plus, qwen-max
        .temperature(0.3) // 对云端模型,我通常设低一点,让回答更确定、更精准
        .logRequests(true)
        .logResponses(true)
        .build();

System.out.println("\n=== 测试云端模型 (Qwen-Plus) ===");
String cloudAnswer = cloudModel.generate("请用简短的话解释什么是人工智能?");
System.out.println("云端模型回答: " + cloudAnswer);

这里有几个关键点:

  1. API Key安全:我强烈建议通过环境变量来传递云端的API Key。你可以在运行程序前,在终端执行 export ALIYUN_BAILIAN_API_KEY=your_key_here (Linux/macOS) 或 set ALIYUN_BAILIAN_API_KEY=your_key_here (Windows)。
  2. 模型选择:modelName 这里填的是你在百炼平台上看到的模型名称,如 qwen-plus、qwen-max、qwen-long 等。
  3. 参数微调:我故意为云端模型设置了较低的 temperature (0.3)。对于需要严谨、准确答案的任务(比如分析、总结),低温度值能让模型更专注于事实,减少“胡言乱语”。而对于创意写作,本地模型可以设置高一点(如0.8)。

分别运行这两段测试代码,你会得到两个模型对同一个问题的回答。可以直观地感受一下,7B的本地模型回答通常更直接、快速,而云端大模型的回答往往更详尽、逻辑性更强、文采也可能更好。

4.3 实现一个简单的智能路由策略

分别调用只是第一步,真正的威力在于“智能调度”。我们来写一个简单的路由逻辑:根据用户问题的复杂程度,决定派给本地模型还是云端模型。

一个非常简单的策略是:根据问题的长度或关键词来判断。在实际项目中,你可以用更复杂的分类器(甚至用一个小模型)来做决策。

public class SmartRouter {
    private final ChatLanguageModel localModel;
    private final ChatLanguageModel cloudModel;

    public SmartRouter(ChatLanguageModel localModel, ChatLanguageModel cloudModel) {
        this.localModel = localModel;
        this.cloudModel = cloudModel;
    }

    public String routeAndAnswer(String userQuestion) {
        // 策略1:基于问题长度和关键词的简单路由
        boolean shouldUseCloud = isComplexQuestion(userQuestion);

        ChatLanguageModel modelToUse = shouldUseCloud ? cloudModel : localModel;
        String modelName = shouldUseCloud ? "云端(Qwen-Plus)" : "本地(Qwen2.5-7B)";

        System.out.printf("[路由决策] 问题: \"%s\" -> 使用模型: %s%n",
                userQuestion.length() > 50 ? userQuestion.substring(0, 50) + "..." : userQuestion,
                modelName);

        // 调用选中的模型生成答案
        return modelToUse.generate(userQuestion);
    }

    private boolean isComplexQuestion(String question) {
        question = question.toLowerCase();
        // 定义一些我们认为“复杂”的关键词或条件
        boolean isLong = question.length() > 100; // 长问题可能更复杂
        boolean hasComplexKeywords = question.contains("解释") ||
                                     question.contains("分析") ||
                                     question.contains("对比") ||
                                     question.contains("创作") ||
                                     question.contains("代码");
        // 简单问题关键词
        boolean isSimpleGreeting = question.matches("(你好|hello|hi|早上好).*");
        boolean isSimpleFact = question.contains("是什么") && question.length() < 30;

        // 决策逻辑:长问题或有关键词,且不是简单问候/事实,则用云端
        return (isLong || hasComplexKeywords) && !(isSimpleGreeting || isSimpleFact);
    }

    public static void main(String[] args) {
        // 初始化两个模型(代码同上,此处省略)
        ChatLanguageModel localModel = ...;
        ChatLanguageModel cloudModel = ...;

        SmartRouter router = new SmartRouter(localModel, cloudModel);

        String[] testQuestions = {
                "你好,今天天气怎么样?", // 简单问候,应路由到本地
                "Java和Python的主要区别是什么?", // 对比问题,应路由到云端
                "写一个简单的Java函数计算斐波那契数列。", // 代码生成,应路由到云端
                "人工智能的定义?" // 简短事实,可路由到本地
        };

        for (String q : testQuestions) {
            System.out.println("\n>>> 用户提问: " + q);
            String answer = router.routeAndAnswer(q);
            System.out.println("<<< AI回答: " + answer);
            System.out.println("---");
        }
    }
}

在这个例子中,isComplexQuestion 方法实现了一个非常基础的决策逻辑。运行这个程序,你会看到控制台清晰地打印出每个问题被路由到了哪个模型,并给出相应的回答。虽然这个路由策略很原始,但它清晰地展示了混合架构的核心思想:让合适的模型处理合适的问题。

5. 进阶实战:构建一个带记忆的对话助手

前面的例子都是单次问答。在实际应用中,对话往往是有上下文、有记忆的。LangChain4j另一个强大的功能就是轻松管理对话历史。我们来构建一个更真实的、能记住上下文的对话助手,并且它依然能在本地和云端模型间智能切换。

我们将使用 ConversationalChain 和 MessageWindowChatMemory 来实现。

import dev.langchain4j.chain.ConversationalChain;
import dev.langchain4j.memory.chat.MessageWindowChatMemory;
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;

public class ConversationalAssistant {
    private final ConversationalChain localChain;
    private final ConversationalChain cloudChain;
    private final SmartRouter router; // 复用之前的路由器

    public ConversationalAssistant() {
        // 初始化模型(略,同前)
        ChatLanguageModel localModel = OpenAiChatModel.builder()...build();
        ChatLanguageModel cloudModel = OpenAiChatModel.builder()...build();

        // 为每个模型创建独立的对话链和记忆
        // MessageWindowChatMemory会保留最近N条消息作为上下文
        this.localChain = ConversationalChain.builder()
                .chatLanguageModel(localModel)
                .chatMemory(MessageWindowChatMemory.withMaxMessages(10)) // 记住最近10轮对话
                .build();
        this.cloudChain = ConversationalChain.builder()
                .chatLanguageModel(cloudModel)
                .chatMemory(MessageWindowChatMemory.withMaxMessages(10))
                .build();

        this.router = new SmartRouter(localModel, cloudModel); // 假设SmartRouter稍作修改,能返回模型引用
    }

    public String chat(String userMessage) {
        // 1. 根据当前用户消息决定本次使用哪个模型
        boolean useCloud = router.isComplexQuestion(userMessage);
        ConversationalChain currentChain = useCloud ? cloudChain : localChain;

        // 2. 执行对话链。链会自动处理:将用户消息+历史记忆 -> 发给模型 -> 返回AI回复 -> 更新记忆
        String aiResponse = currentChain.execute(userMessage);

        // 3. (可选)记录日志
        System.out.printf("[记忆对话] 模型: %s, 用户: %s, AI: %s%n",
                useCloud ? "云端" : "本地",
                userMessage,
                aiResponse.length() > 60 ? aiResponse.substring(0, 60) + "..." : aiResponse);
        return aiResponse;
    }

    public static void main(String[] args) {
        ConversationalAssistant assistant = new ConversationalAssistant();

        // 模拟多轮对话
        System.out.println("助手: 你好!我是你的混合AI助手。简单问题我会用本地模型快速回答,复杂问题我会调用云端强大模型。");
        Scanner scanner = new Scanner(System.in);
        while (true) {
            System.out.print("\n你: ");
            String input = scanner.nextLine();
            if ("exit".equalsIgnoreCase(input) || "退出".equalsIgnoreCase(input)) {
                break;
            }
            String response = assistant.chat(input);
            System.out.println("助手: " + response);
        }
        scanner.close();
        System.out.println("对话结束。");
    }
}

这个助手类更贴近真实应用了。它维护了两套独立的对话链和记忆系统。当你问“今天的天气怎么样?”时,它可能用本地模型回答,并且这个问答记录在本地模型的记忆里。紧接着你问“那明天呢?”,由于上下文存在,本地模型能理解“明天”指的是天气,并给出连贯的回答。而当你突然问“请分析一下全球气候变化对农业的长期影响”时,路由器会判断这是复杂问题,转而使用云端模型链,云端模型也会基于它自己的记忆上下文(如果有的话)来回答。

这种设计的好处是隔离性很好,本地和云端的对话上下文互不干扰。当然,你也可以设计更复杂的记忆共享策略,这取决于你的业务需求。

6. 避坑指南与性能优化建议

踩过不少坑之后,我总结了一些在混合部署中使用LangChain4j、Ollama和阿里百炼的关键要点,希望能帮你少走弯路。

1. 网络与超时设置

  • 本地Ollama:确保 localhost:11434 可访问。如果服务启动失败,检查Ollama进程。在Docker或远程服务器部署时,注意IP地址要改。
  • 阿里百炼:国内访问稳定,但也要考虑网络波动。务必在构建客户端时设置合理的超时,避免线程长时间阻塞。
    OpenAiChatModel.builder()
        .baseUrl("...")
        .apiKey("...")
        .timeout(Duration.ofSeconds(60)) // 设置完整的调用超时
        .connectTimeout(Duration.ofSeconds(10)) // 连接超时
        .readTimeout(Duration.ofSeconds(30)) // 读取响应超时
        .build();
    

2. 模型名称与版本

  • Ollama:模型名必须完全匹配 ollama list 的输出,包括标签(如 qwen2.5:7b、llama3.2:1b)。拉取模型时最好指定完整标签。
  • 阿里百炼:模型名是平台规定的,如 qwen-plus、qwen-max、qwen-long。在百炼的模型详情页可以找到准确的名称。用错了会报错。

3. 成本与额度管理

  • 阿里百炼的免费额度很宝贵,主要用于测试和复杂任务。千万不要在循环或高频任务中无节制地调用云端模型。可以在路由策略中加入预算控制,例如设置每日云端调用次数上限。
  • 本地模型虽然免费,但消耗计算资源。在资源有限的机器上,运行一个大参数模型可能会导致应用卡顿。根据你的硬件条件(CPU/内存/显卡)选择合适的本地模型尺寸。

4. 错误处理与降级

  • 任何网络或服务调用都可能失败。在生产环境中,必须为模型调用添加健壮的错误处理(Try-Catch)。
  • 实现降级策略:当云端模型调用失败(如超时、额度不足)时,自动降级到本地模型,哪怕回答质量差一点,也比服务完全不可用要好。
    try {
        answer = cloudModel.generate(question);
    } catch (Exception e) {
        log.warn("云端模型调用失败,降级到本地模型", e);
        answer = localModel.generate(question);
    }
    

5. 异步与非阻塞调用

  • 对于需要快速响应的应用(如Web服务),同步调用模型可能会导致请求线程被长时间挂起。LangChain4j支持异步模型接口(AsyncChatLanguageModel)。考虑使用异步客户端,或者将模型调用任务提交到单独的线程池,避免阻塞主业务线程。

6. 内容安全与审核

  • 本地模型不受内容审核。如果你构建的是对外的服务,务必对用户输入和模型输出添加必要的安全过滤和审核逻辑,防止生成有害或不适当的内容。阿里百炼的API通常自带一定程度的内容安全策略,但自定义审核仍是好习惯。

混合部署的模式为你提供了极大的灵活性,但同时也带来了架构上的复杂性。从简单的路由开始,逐步根据你的实际业务需求,增加缓存、负载均衡、监控、更智能的路由决策(甚至用一个小模型来路由)等组件,才能构建出真正稳定、高效、智能的AI应用系统。

阿里云工作空间与Ollama(一) Ollama 是一个开源框架,旨在帮助用户在其本地计算机上轻松地管理和部署大型语言模型(LLM)。它提供了一个轻量级且可扩展的解决方案,支持多种开源大模型,包括但不限于 Llama 、Gemma、Mistral 等,并允许用户自定义和创建自己的模型。本地化部署:允许企业或个人在本地环境中部署大型语言模型,提高计算效率并降低延迟。模型管理:Ollama 支持多种大型语言模型,用户可以根据需要选择和安装不同的模型。 阅读详情

相关推荐

11、5G LTE窄带物联网(NB - IoT)的介质访问控制子层解析

本文详细解析了5G LTE窄带物联网(NB-IoT)的介质访问控制(MAC)子层的关键功能与机制,包括随机接入与竞争解决流程、定时提前命令的调整与应用、上下行数据传输的 HARQ 机制、不连续接收(DRX)模式及其定时器管理,以及 MAC PDU 的组装与复用机制。文章还探讨了缓冲区状态报告(BSR)的类型与触发条件,帮助理解 NB-IoT 中 UE 与 eNodeB 之间的高效通信实现方式。

net55的博客 107

Spring AI 实战全攻略|手把手教你对接 OpenAI、Ollama、DeepSeek、阿里百炼!从环境搭建到前端联调,一篇搞定!

Spring AI 实战全攻略!手把手教你从零搭建 Java 大模型应用,无缝对接 OpenAI、Ollama(本地)、DeepSeek、阿里百炼等多平台。涵盖环境配置、Swagger 调试、动态切换模型、前端联调及常见 Bug 修复,附完整代码+图解,30分钟上手,Java开发者必备入门指南!

hejuan___的博客 417

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

ollama部署本地大模型,Linux以及python调用

调用apikey和本地部署的区别仅在api_key、base_url、model三个参数有区别。

forevercui的博客 1976

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

本地部署 OpenAI 的 实时语音合作伙伴LiveKit(模拟人类对话即可以打断对话继续语音交互)教程:openai,ollama,阿里百炼

结合 LiveKit 的实时音视频功能和 Ollama 的大模型响应,可以实现诸如语音转文本、文本生成等功能。: 使用 LiveKit 提供的客户端 SDK(如 JavaScript)连接 LiveKit 服务器。通过客户端应用连接 LiveKit 和 Ollama,需要编写代码来处理这两个组件的交互。: 在本地目录(这是我的路径"D:\Downloads\livekit")中创建。(我们可以去阿里云百炼大模型去拿自己的api-key::有免费额度)添加 WebHook。

zsfzdz的博客 4578

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

大模型:2024开源项目汇总

当大模型成本逐渐降低,可靠性提升后,这意味着越来越多的业务应用将会与 LLM 结合,为了让这种结合更加顺畅,需要有与现有来支撑 LLM 应用开发的快速开发应用构建工具: 插件中心, 流程编排, Prompt工程, RAG, Agent模型开发工具: 训练数据管理, 模型调优, 模型评测, 模型部署对比说明可参考:**2.1 Dify:**开源的 LLM 应用开发平台。其直观的界面结合了 AI 工作流、RAG 、Agent、模型管理、可观测性功能等,让您可以快速从原型到生产。

z099164的博客 3359

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

Spring Boot 3 + LangChain4j实战:手把手搭建医疗智能体(对接阿里百炼+Ollama)

本文详细介绍了如何利用Spring Boot 3和LangChain4j框架构建医疗智能体系统,结合阿里百炼和Ollama双模型架构,实现高可靠性、隐私保护的医疗AI应用。涵盖挂号系统对接、多模型切换策略及生产级优化方案,助力医疗行业数字化转型。

186

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

Langchain-Chatchat本地知识库部署指南

基于Langchain思想的中文问答系统,支持开源模型与离线运行。通过文件加载、文本分割、向量化匹配与大模型生成回答,实现本地知识库高效检索与交互,适配阿里云百炼与One-API平台。

weixin_42504649的博客 1148

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

告别过热焦虑:用Ansys Icepak给你的电子设备做个“水冷体检”(附冷板案例全流程)

本文详细介绍了如何利用Ansys Icepak进行电子设备水冷系统的热仿真分析,帮助工程师解决设备过热问题。通过冷板案例全流程演示,展示了从几何处理、材料设定到求解器设置和后处理的关键步骤,提升散热设计效率与准确性。

weixin_29299807的博客 442

01:SpringAI

ai

weixin_43761434的博客 429

新手避坑指南:用COMSOL Multiphysics仿真气体放电(汤逊vs.流注)

本文详细介绍了使用COMSOL Multiphysics仿真气体放电的实战指南,涵盖汤逊理论和流注模型的实现方法。通过对比两种放电模型的关键参数和物理场配置,帮助新手避免常见错误,准确预测气体击穿过程。文章还提供了工程应用案例,如高压绝缘子设计优化,展示了仿真技术在电力设备绝缘设计中的实际价值。

weixin_28716181的博客 479

JB3-9-SpringAI(一)

基础对话,通义千问,SpringAI,SpringAIAlibaba,AI对话,文生图,文生音频,文生视频,AI记忆,RAG,ETL,向量库,ToolCalling,MCP,Graph 等。

周航宇的博客 3930

MATLAB AppDesigner 中TextArea保留原有信息并换行显示提示信息

App Designer 中的文本区域TextArea组件,一般可以用来作为matlab app设计中的信息显示。 app.TextArea.Value = 'Hello Matlab'; Value可以是字符向量、字符向量元胞数组、字符串数组或一维分类数组。这样直接给TextArea赋值,每次赋值都会消除先前的信息,然后显示新的信息。如果想要在app实现保留原有信息、多行信息的输出,在MathWorks官方帮助中心给出了一种方法: cellArrayText{1} = sprintf('%s\n

我是麻瓜喔的博客 1万+

第八章 MobileNetv3网络详解

本文介绍了基于互补的搜索技术和新颖的架构设计的MobileNets的下一代。MobileNetV3通过硬件感知网络架构搜索(NAS)和NetAdapt算法相结合,针对移动电话CPU进行优化,随后通过新颖的架构改进技术进行了进一步提高。本文开始探索自动化搜索算法和网络设计如何相互协作,以利用互补的方法改进整体技术水平。通过此过程,我们创建了两个新的MobileNet模型:MobileNetV3-Large和MobileNetV3-Small,分别针对高资源和低资源使用情况。

ADICDFHL的博客 1万+
上一篇: HarmonyOS开发必备:HDC环境变量配置全攻略(Windows/macOS双平台)
下一篇: FreeRTOS面试必问:从内存管理到任务调度的实战避坑指南
devops8pract
博客等级 码龄4年 533粉丝 849原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
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
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