看技术大神如何玩转「终端远程协助」

带你详细入门华为云会议 【摘要】:详细描述华为云会议优势,特色功能具体有哪些,具体的应用如何落地,以及如何集成第三方终端将通过本文更加了解 本文的主要内容有: 1 华为云会议的优势 2 特色功能有哪些 3 如何集成第三方终端 4 具体的应用场景 一 华为云会议的优势 目标是 结合IdeaHub等全系列智能协作终端,给客户提供全场景端云协同的视频会议解决方案,满足跨地区、跨企业、跨终端的智能沟通协作需求。 更多详情请点:https://www.huaweicloud.com/product/meeting.html 全业务场景融 阅读详情

e9e2c95193b49f9391485c7d77fce16a.png

· 前言 ·

百川云开发者是来自长亭的技术爱好者联盟,因我们手里云主机比较多,没有固定的办公电脑,导致经常找不到服务器 IP ,也经常想不起来密码,甚至忘了名下到底有多少台服务器,于是我们3天快速开发了一个能协同使用的在线终端工具,自用的不亦乐乎~

后来发现身边不少朋友都有同样的困扰,于是决定做一个公开服务,上线刚刚一个月就有超过 1000 个朋友注册使用,心甚慰,这篇文章将介绍玩法儿并揭秘设计开发思路,欢迎同为技术爱好者前来体验交流~

在线体验:

https://rivers.chaitin.cn/workbench?promotion=a46555d83883b379c6e77c7a085dc1da

0x01  面临的挑战

做技术的朋友肯定都熟悉终端,终端是管理计算机最简单直接的方式。为了让自己用起来更爽一点,我们决定对终端做一些加工,整理了一下,主要是下面几个问题需要解决:

  • 能连接远程服务器的终端

  • 服务器没有公网 IP 也要能连

  • 不开 ssh 服务也要能连

  • 支持对终端做远程协助

  • 多人同时对同一个终端进行操作

  • 观看远程操作时能复制终端里的文本

  • 支持录制终端操作,能反复观看

  • 安全性

  • 可以使用账号密码登录,可以对指定用户免密登录

  • 需要在服务器留下标准登录日志

0x02 设计思路

2.1  服务端  

服务端架构相对简单,在服务器上安装 Agent,用 Agent 拉起本地终端,用一台公网服务器做中转,通Websocket 将终端的输入输出喂给前端,参考下图:

624b6f24e249499a4e73981d45d36dd7.png

2.2  Web 终端

Web 终端采用 Xterm.js,轮子不错,使用体验和本地终端基本一致,省了很多事,就是有几个小问题:

  • Bug 不少,字体偶尔会跑飞

  • 性能有点拉跨,依赖 GPU,屏幕越大越卡

  • 受浏览器限制,Ctrl-w 和 esc 没法用

2.3  Agent

Agent 的部分,直接用 login 命令搞定

  • login 程序直接调用就有一个看起来还不错的登录界面

  • login -f 就能直接跳过密码认证免密登录

  • login 自己会把登录日志写到 btmp 和 wtmp 里

这样一来 login 程序完全满足需求,只需要把 login 进程的 stdint/stdout/stderr 和网络连接绑定起来就可以。不过也有小问题:centos 默认开了 selinux,会对 login 的登录行为有干扰,root 无法使用密码登录。

2.4  协同方案

关于如何多人协作使用终端的问题,tmate 是目前被广泛使用的方案,但是不符合我们的要求,我们想要的方案:

  • 不依赖 ssh 或其他客户端

  • 不依赖公网环境,可穿透内网

  • 可以选择 ”只能观看终端“ 和 ”可以操作终端“ 两种模式

  • 能支持文件上传下载

实现其实非常简单,只需要把 Agent 的输入输出复制出来,分别发给不同的 Websocket 就可以,参考下图:

e6367a38b6fafa2c87eae3ddc0c6a2d3.png

几个细节处理一下就可以用了:

  • 多人使用时,每个人的屏幕大小不同,需要同步调整 col 和 row

  • 加入分享时如果一直没有输入可能会什么也看不到,需要缓存一下输出流的历史信息

  • 全屏应用如果只刷新局部,加入分享时看起来也会比较奇怪

  • 等等...

0x03 玩法说明

1. 微信扫码登录百川平台

https://rivers.chaitin.cn/workbench?promotion=a46555d83883b379c6e77c7a085dc1da

2. 绑定你的主机

47a9a5ef2430c607e5cdabcc74fa8239.png

3.点击 在线终端 > 分享按钮,可以一键生成访问链接。

2b0e46fbf6d66b61138d3cc3403eae51.png

在另一个浏览器里打开分享链接,这时候就可以两边同步操作了,如丝一般顺滑。

a20d7e7990b374386b0b0c5ef0719110.png

0x04 写在最后

除了远程协同,牧云主机管理助手还提供资源监控、文件管理等功能,且对普通个人用户都是免费的,但是如果你非常有钱,也十分感谢你能不吝打赏五毛~  我们为了讨同为死宅程序员们的欢心,还花了半晚上时间 P 图,定制了一套 Miku 皮肤,这里故意不说换肤入口,谁找到谁先用~

后续计划:

  1. Windows 版本:支持管理 Windows 主机

  2. 私有化版本:提供独立部署能力,给暂时不方便使用 SaaS 服务的用户使用

  3. 开源:等待功能相对完善后,项目源码最终我们会以开源的方式回馈技术社区

.

END

抽牧云助手兑换码

  • 50元兑换码*1,

    10元兑换码*2,5元兑换码*2

  • 转发此篇文章到朋友圈即可参与抽奖


欢迎加 CTRivers 入群积极讨论

  • 发现 Bug 有 ¥8.88 的现金红包

  • 提需求被采纳有 ¥8.88 的现金红包

9e651da525ebf8e8be438e4e0cdd2eb3.png

Windows 11家庭版也能玩转远程开机?保姆级BIOS与网卡设置避坑指南 本文详细解析了Windows 11家庭版实现远程开机的完整方案,重点介绍BIOS设置与网卡驱动的关键配置步骤。从主板唤醒逻辑到网卡节能模式调优,提供保姆级避坑指南,帮助用户突破家庭版功能限制,轻松实现远程唤醒功能。特别针对远程开关机需求,给出实用解决方案。 阅读详情

相关推荐

APT攻击中MST文件利用剖析:从Living off the Land到威胁狩猎实战

在网络安全领域,高级持续性威胁(APT)攻击正日益采用Living off the Land(LotL)战术,即利用操作系统内置的合法工具和进程来实施恶意活动,以此规避传统安全检测。其核心原理在于滥用系统信任链,通过合法的、签名的系统程序(如msdt.exe)执行恶意脚本或下载载荷,从而在行为层面实现高度隐蔽。这种技术的价值在于极大地提高了攻击的生存能力和检测难度,迫使防御方从基于文件的静态分析转向基于行为序列的动态检测。在实际应用场景中,此类攻击常被用于针对政府、企业等高价值目标的鱼叉式钓鱼和水坑攻击,通

weixin_34314962的博客 446

牧云主机管理助手 —— 一款免费且便捷的服务器运维工具

在日常运维工作中,服务器管理是一项至关重要的任务。对于许多企业和个人而言,这往往意味着需要投入大量的时间和精力。

weixin_58350926的博客 868

动态知识图谱构建:从本体论到工程实践

知识图谱作为语义网和人工智能领域的核心技术,旨在通过结构化的方式表示和组织知识。其核心原理在于将实体、概念及其关系建模为图结构,从而支持复杂的语义推理和关联查询。这一技术为机器理解数据间的深层联系提供了基础,在智能推荐、企业知识管理和学术研究等领域具有重要价值。通过结合自然语言处理(NLP)和图数据库技术,系统能够从非结构化数据中自动抽取知识,并构建动态演化的认知网络。本文以“本体论章鱼”项目为例,探讨了如何实现从静态本体到动态知识网络的范式转变,并详细解析了其分布式感知、适应性学习的架构设计,为构建灵活可

weixin_30731305的博客 664

牧云主机管理助手——简单轻量的主机管理软件初体验

安装十分简单,新手友好,一行命令搞定界面简洁,操作流畅无需公网 IP,可以面对复杂 NAT 环境进行救急可以统一管理大量主机,无需记住主机秘钥。

qq_36224778的博客 1994

ADS RFpro 射频阻抗仿真步骤

导入器件后,在库里面选取器件的对应模型,如图所示我们选取10pf 系统自带的村田模型。选取网络上的器件,拖入到下面component Models。导入成功后,截取需要仿真的区域(不截取仿真时间会非常长),可以生成对应如下原理图,通过原理图继续调整仿真。图上找到需要仿真链路上的网络,右键设置为信号。的叠层信息,按照PCB板厂提供信息填写完整。选择仿真的频率范围和频点数,生成如下图的RFPro仿真界。,然后再把GND也添加到下面。按图设置截取需要仿真的部分。添加成功后 网络就有了,15 双击run开始仿真。

m0_72954480的博客 3217

衡山派Luban-Lite系统SDIO无线网络配置实战:以D133CBV-QFN88开发板与RTL8189模组为例

本文详细介绍了在衡山派D133CBV-QFN88开发板上,为Luban-Lite系统配置SDIO无线网络的完整实战流程。通过配置SDMC接口、RTL8189 Wi-Fi驱动、lwIP协议栈及内核参数,并解决编译分区问题,最终实现Wi-Fi网络连接与测试,为嵌入式设备联网提供清晰指导。

weixin_35677363的博客 272

长亭牧云主机管理助手——免费轻量的服务器管理软件初体验

本文主要介绍了首次使用牧云主机管理助手的使用感受,该产品安装简单、界面简洁、适应复杂网络环境、可统一管理主机,功能丰富,支持在线终端和文件管理。

2301_77984496的博客 3694

FLUKA软件在Ubuntu的安装指南(亲测有效)

FLUKA其强大的蒙特卡洛模拟能力使得用户能够模拟复杂的辐射相互作用过程

chencheng1127的博客 2889

一款完全免费的批量服务器监控运维工具——牧云主机管理助手

牧云主机管理助手是一款完全免费的批量服务器监控运维工具,解决了服务器管理中的痛点。它提供强大的监控功能,能实时监测服务器性能状况,并及时报警。同时,它还通过Web Terminal功能实现远程操作,方

itxiangcai的博客 1702

光谱特征选择之模拟退火算法SA

光谱特征选择之模拟退火算法SA。

weixin_42621095的博客 902

MFC C++ 中实现跨平台(WindowsLinux)的远程桌面控制

**输入捕获**:在显示窗口中捕获鼠标/键盘事件(重写 `OnLButtonDown`、`OnMouseMove`、`OnKeyDown` 等),将事件坐标/键值通过网络发送到服务端。- **显示窗口**:使用 `CStatic` 或自定义 `CWnd` 派生类显示远程桌面图像(通过 `StretchDIBits` 绘制解压后的像素数据)。// 转换为相对坐标。- **Wayland 支持**:需使用 `libweston` 或 `xdg-desktop-portal`,较复杂,建议优先支持 X11。

寒寒豆豆软件公司的博客 157

【转载】牧云主机管理助手和宝塔有什么区别?

牧云主机管理助手与宝塔linux面板的区别——牧云主机管理助手是由网络安全公司出品的一款完全免费的服务器运维工具,相比宝塔面板,功能更加集中,更加现代化、轻量化。

知白的博客 334

python利用IQR方法与3σ方法进行异常值处理(含代码)

python利用IQR方法进行异常值处理

weixin_46713695的博客 2031

终端共享神器 Tmate 简明教程

公众号关注「奇妙的 Linux 世界」设为「星标」,每天带你玩转 Linux !在 Unix/Linux 上工作,最常用的就是 Terminal。那么,如何将你的 Terminal 共...

easylife206的专栏 1958

SolidWorks软件二次开发:使用C#进行SolidWorks二次开发

SolidWorks 提供的 API(应用程序编程接口)允许开发者使用多种编程语言(如 C#、VB.NET 等)来控制和扩展 SolidWorks 的功能。API 架构基于 COM(组件对象模型),这意味着开发者可以通过引用 SolidWorks 的类型库来访问其对象模型。SolidWorks 的对象模型包括了从文档、零件、装配体到特征、草图等所有 SolidWorks 中可操作的对象。

kkchenjj的博客 3220

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

手机秒变开发机:ToDesk移动终端功能上线,应急写代码真香

这两年,随着AI编程助手(如Claude Code、Codex)的普及,越来越多的开发者习惯在终端里直接和AI对话来生成代码、修改Bug。为了让这种高效的开发方式不再局限于电脑前,ToDesk在新版本的移动端(安卓&iOS)新增了【终端】功能!这意味着,当你身边没有电脑时,通过手机远控家里或公司的电脑,可以直接打开终端输入指令,操作可以和电脑前一模一样。

JoyCong1998的博客 398

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Windows下玩转Linux开发:WSL2+Ubuntu配置与终端美化实践

在Windows下运行Linux开发环境已成为开发者绕不开的效率命题。WSL2(Windows Subsystem for Linux 2)基于轻量级虚拟化原理,通过完整Linux内核让Ubuntu与Windows无缝协同,既避免双系统切换,又大幅降低传统虚拟机的资源开销。这项技术尤为适配Docker容器、CUDA加速和Ollama大模型推理等重负载场景,同时配合Windows Terminal与zsh、Powerlevel10k等终端美化和效率工具,可以打造出响应迅速、反馈清晰的跨平台工作台。对于后端开发

weixin_33754065的博客 510

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

script学习,如何用linux监控你的同事?

环境:CentOS7 一、为什么要学习script命令 当你在终端或控制台上工作时,你想记录下自己做了些什么吗?当你跟一些Linux管理员同时在系统上干活,你想知道别人干了什么吗?当你让别人远程到你的服务器,帮你解决问题时,你想学习别人的经验吗?当你怀疑你的同事时,你想监控他干了什么吗?或者想实现学生作业的完成证明,两人远程或者说异台电脑的同步指导操作, 那么,你就可以使用script命令。 ...

weixin_30602505的博客 131

5分钟部署Magma多模态智能体:零基础玩转AI交互

本文介绍了如何在星图GPU平台上自动化部署Magma:面向多模态 AI 智能体的基础模型镜像,快速构建具备图像理解与自然语言交互能力的AI服务。用户可零代码上传手机截图或商品图片,实现UI操作指引、电商文案生成等典型应用,显著提升人机协同效率。

weixin_32324637的博客 810

Ubuntu终端通过命令行操控ToDesk实现远程桌面自动化连接

远程桌面技术为跨设备图形化操作提供了便利,而命令行则是Linux系统管理与自动化的核心。将两者结合,通过脚本实现远程连接的自动化,能显著提升运维效率。其原理在于通过工具与远程桌面客户端的后台服务或图形界面进行交互,实现静默连接与批量管理。这种技术方案在服务器运维、开发环境管理以及自动化测试等场景中具有重要价值。本文聚焦于在Ubuntu系统中,利用xdotool等工具,通过命令行脚本自动化操控ToDesk客户端,完成设备连接,并深入探讨了无人值守访问等安全配置与脚本优化技巧。

weixin_34130389的博客 322

Ubuntu终端高效远程控制:ToDesk命令行工具全解析与实战

远程控制技术是实现跨平台设备管理和远程协作的核心方案,其原理是通过网络协议传输屏幕图像、指令和文件数据。在Linux运维和自动化场景中,命令行工具(CLI)因其可脚本化、低资源占用和精准控制的特性,展现出极高的技术价值。ToDesk作为一款主流的远程控制软件,其官方提供的`todesk`命令行工具,完美融合了远程控制与自动化运维的需求。通过`todesk`命令,用户可以在Ubuntu终端中直接管理服务、查看设备状态、发起连接,并轻松集成到Shell脚本中,实现服务状态监控、定时任务触发等自动化流程,极大地提

weixin_30325971的博客 414

华为u2020操作指南_如何远程指导父母用智能机?华为手机这四个功能帮你轻松解决...

又是一年离家时,在远方奋斗的你,如果想要继续和远方的父母家人保持亲密友好的沟通,首先第一步,就是要教会他们用!智!能!机!那么问题来了,与父母分隔两地,怎么才能对他们进行有效的远程指导呢?莫慌,终端君特意整理了以下几招,即使你不能时刻陪在父母身边,TA也能代替你给予父母有效帮助。【亲情关怀】远程协助实时演示你是否遇到过这样的问题?父母向你远程求助手机内的某项功能,你想方设法费尽口舌却怎么也解释不清...

weixin_42395462的博客 1131

跨屏协作新篇章:iOS跟iPadOS 18 Beta 2 抢先看,Mac 也能玩转 iPhone 生态

iOS 18和iPadOS 18 Beta 2的更新为用户带来了许多实用的新功能和改进,尤其是iPhone Mirroring和SharePlay Remote Control,它们极大地提升了用户的使用体验。iOS 18 Beta 2的最大亮点是新增的iPhone Mirroring功能,这项功能允许用户将iPhone的屏幕镜像投射到Mac上。要使用这项功能,用户需要确保iPhone和Mac运行的是相应的最新Beta版本,并且两者都登录了相同的Apple ID。

m0_73026984的博客 584

如何与AI实时对话:AMC-WebUI Live API语音通话、屏幕共享与视觉识别实战

AMC-WebUI 是一款面向 Gemini 的 Local-First AI 工作流 WebUI,除了多模态聊天、文件处理与代码执行,它还内置了基于 Gemini Live API 的**与 AI 实时对话**能力:双向语音通话、屏幕共享与视觉识别,全部在浏览器中完成,聊天数据默认保存在本地。本文带你用最短路径跑通 Gemini 语音通话,并玩转屏幕共享与视觉识别。 ## Live API 实

gitblog_00690的博客 703

从ESP8266到云端:拆解一套开源物联网控制平台

设备管理、开关管理、计划管理、传感器管理、传感器数据展示、报警规则管理、设备日志、用户管理、角色管理、部门管理、岗位管理、菜单管理、字典管理、参数管理、通知公告、操作日志、登录日志、在线用户、定时任务、代码生成、系统接口、服务监控、缓存监控、在线构建器、连接池监视等。1、包含单片机源码、云平台源码、MQTT服务、数据库设计、相关资料、相关工具软件等,可提供,可远程协助。1、包含单片机源码、云平台源码、MQTT服务、数据库设计、相关资料、相关工具软件等,可提供,可远程协助。

hlABgYML的博客 396

向日葵使用记录

向日葵是一款阳光的远程控制软件。您可在任何可连入互联网的地方,轻松访问和控制安装了向日葵客户端的设备,且目前支持电脑、手机等多种控制端的方式进行远控。 支持通过电脑、手机或平板等多种控制方式进行远控,且还能进行远程文件传输、远程摄像头监控、远程管理等功能。 作为一个新手,如何玩转向日葵远控? 提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录1. 注册帐号2. 下载安装向日葵客户端1.Windows版安装过程2.Linux安装过程(Ubuntu20.04)3.手机端直接在应用商店搜

qq_45722185的博客 2961
上一篇: GPT-4刚刚发布!ChatGPT大升级!太太太太强了!
下一篇: 刚刚!李开复宣布筹办新公司,进军大模型:不仅是中国版ChatGPT,全球广招顶级人才。。。...
公众号:【GitHub爱好者社区】
博客等级 码龄6年 357粉丝 48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
 
 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