墨衍会员
·
1平台
·
400+阅读
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
445平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
这两年很多团队开始把 Dify 真正往业务里放时，一个很明显的变化就是：大家不再满足于只调用公有模型 API 了。
当一个团队开始讨论私有 LLM 要不要接入 Dify，本质上往往已经不是在讨论“模型能不能用”，而是在讨论“企业自己的 AI 能力层要不要可控”。
在早期阶段，直接接公有模型当然是最省事的。模型现成、调用方便、效果也容易快速验证，所以不管是做知识库问答、工作流自动化，还是做内部助手，很多项目都会先从 SaaS 模型开始。
但项目一旦继续往前走，团队很快就会碰到几个更现实的问题：
这时候，“把私有 LLM 接入 Dify”就不再只是一个技术动作，而是一次平台能力重构。
这篇文章想讲清楚的是：从本地推理到企业级 AI 平台，私有模型接入到底在补什么能力、应该怎么选路径，以及为什么‘接通模型’并不等于‘平台已经搭好’。
很多人第一次
零代码搭本地私有AI！DeepSeek大模型+Dify从RAG知识库搭建到工作流落地
本文介绍了如何利用开源大模型DeepSeek和零代码平台Dify搭建本地私有AI应用。该组合解决了数据安全和易用性两大痛点：DeepSeek提供开源高性能模型，支持本地部署；Dify则通过四大核心模块（探索、工作室、知识库、工具）实现零代码搭建AI应用。重点解析了知识库的文档处理、召回优化和外部集成，以及工作流的变量控制、节点设计和复杂任务处理。最后通过旅游智能体和本地知识库问答两个实战案例，展示了从模板选择到应用落地的完整流程，为企业和开发者提供了一套安全、灵活、低成本的AI解决方案。
让AI转化为生产力，Dify 私有化部署 + 接入Ollama部署本地模型。
（1）Dify官方释义 工作流是通过将复杂的任务分解成较小的步骤（节点）降低系统复杂度，减少了对提示词技术和模型推理能力的依赖，提高了 LLM 应用面向复杂任务的性能，提升了系统的可解释性、稳定性和容错性。我是渔夫，是一名程序员，现已 All in AI，努力探索小而美的AI商业模式、包括AI副业、个人IP、分享技术、非科班转码经验等相关文章，欢迎关注，和渔夫一起成长。优点：把目标场景的任务分解成多个节点，每个节点完成一个任务，然后通过数据流连接起来，其确保逻辑清晰易懂，提升了结果的准确性。
DeepSeek本地部署+私有化部署Dify全流程详解
通过DeepSeek本地部署与Dify私有化方案，企业可构建完全自主可控的AI系统。数据处理成本降低40%-60%知识检索效率提升300%以上模型训练周期从周级缩短至天级随着大模型技术民主化进程加速，掌握私有化部署能力将成为企业数字化转型的核心竞争力。建议定期关注DeepSeek官方文档更新（https://api-docs.deepseek.com）和Dify社区动态（GitHub仓库），持续优化AI应用生态。
Dify智能体开发：大语言模型(LLM)自定义模型接入
供应商集成完成后，接下来为供应商下模型的接入，为了帮助理解整个接入过程，我们以Xinference为例，逐步完成一个完整的供应商接入。
制作 img系统镜像的详细方法
I.MX6开发板目前支持从TF卡和eMMC启动，启动时，由于各个不同的启动文件对路径有不同的要求，例如uboot文件要求位于启动设备的某个块，dtb文件要求在FAT分区上，文件系统要求在Linux分区上，基于此，我们目前采用将映像制作成img文件的方式，这样可以更简单完成对启动卡的制作。 关于如何制作img，方法如下：方法一 Windows下面利用Win32工具1. 准备我司提供...
LDPC码介绍：基础&编码&译码
本博客介绍了LDPC码的基本原理，其中包括校验矩阵的构造、Tanner 图和编译码的基础知识。
Ubuntu虚拟机IP卡在127.0.0.1？别慌，试试这条万能命令 `sudo dhclient`
本文详细解析了Ubuntu虚拟机IP卡在127.0.0.1的常见原因及解决方案，重点介绍了`sudo dhclient`命令的使用方法及其变体，帮助用户快速恢复网络连接。同时提供了网络诊断工具和预防措施，适用于开发者和系统管理员应对网络故障。
手把手教你学simulink（90.1）--直流电动机实例：基于Simulink的基本模型的直流电动机（DC Motor）建模
直流电动机（DC Motor）因其结构简单、控制方便和良好的调速性能，广泛应用于各种工业自动化、机器人技术、家用电器以及航空航天等领域。为了更好地理解和应用直流电动机的工作原理及其控制系统，本项目旨在通过Simulink对直流电动机进行基本模型的建模与仿真。
Claude Code 错误解决方案: Request Timed Out 超时 原因、配置与解决方案
Claude Code 抛出 Request Timed Out 不仅可 能是网络问题，更大概率是 API 高负载或超大响应导致。本文从 默认超时机制出发，拆解三种根因场景，给出 API_TIMEOUT_MS 环境变量调优与任务拆分策略，帮助开发者在保证稳定性的同时 避免误判网络故障。
SAP ABAP CDS View 里的日期函数
摘要：本文系统介绍了ABAP CDS日期函数在企业级应用中的关键作用，包括账龄计算、合同续期等业务场景。重点解析了DATS_IS_VALID、DATS_DAYS_BETWEEN等核心函数的语义和使用边界，特别强调on_error四种异常处理策略的选择逻辑。针对系统日期获取，对比了经典CDS的参数注入和View Entity会话变量两种方式。文章还提供了完整可运行的示例代码（包含CDS视图和ABAP程序），帮助开发者快速验证不同版本下的函数行为差异，确保在实际项目中正确应用这些日期处理函数。（149字）
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');```[](https://bitdeli.com/free "Bitdeli Badge")
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
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
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
2471
扫一扫
