网关路由AI安全审计系统:全量自动化检测+成本优化,实现API安全审计智能化

AI赋能网络设备基线检查:从自动化到智能化的运维实践 网络设备配置管理是保障网络安全与稳定运行的基础,其核心在于确保设备配置符合既定的安全基线。传统基于人工或简单脚本的检查方式,在效率、准确性和一致性上面临巨大挑战。随着自然语言处理(NLP)和机器学习(ML)等AI技术的发展,智能化的配置解析与意图理解成为可能,为自动化运维带来了质的飞跃。通过构建结构化的基线规则库,并结合AI模型对非标准化配置进行语义分析与异常检测,能够实现对海量网络设备配置的高效、精准核查。这一技术融合方案,尤其适用于拥有大量异构设备、需应对频繁安全审计的企业网络环境,将运维人员从重复劳动 阅读详情

突发:网关路由AI安全审计系统带来智能化解决方案

本项目构建了一个网关路由AI安全审计系统,采用"通用Agent + 业务Skill"分层设计,增量日检/存量月检。落地Open网关路由越权漏洞检测流程,通过AI批量筛查 + 人工深度验证的人机协同模式,为大规模API安全审计提供了可复用的智能化解决方案。充分发挥通用Agent能力,业务逻辑在Skill中快速迭代。

背景与技术方案

随着平台API规模持续扩张,安全审计面临新的规模化挑战。主要挑战包括覆盖面不足(抽样审计约覆盖~20%)、时效性压力(新接口需要更快的安全评估)、规则一致性(标准化检测规则难以沉淀)。

当前,以大型语言模型为基座的AI Agent在代码语义理解、逻辑推理与自动化执行等维度的能力已超预期成熟,工程落地准确率与稳定性得到大规模验证。这一技术跃迁使全量自动化安全审计从概念验证走向可靠实践。传统人工抽样模式在数万条API、数百个微服务的规模下已难以为继,而基于AI Agent的方案可实现100%路由覆盖与分钟级检测响应。本文将围绕这一契机,阐述如何构建贯穿全链路调用链的智能审计体系,解决覆盖面、时效性与规则一致性三大核心挑战。

技术架构

整体架构设计方面,常规代码负责任务调度与结果存储,所有AI分析工作由超级Agent完成。具体项目分析告警时采用AI批量筛查 + 人工深度验证的人机协同模式。

架构设计原则为通用Agent + 业务Skill分离。其设计优势在于:通用Agent能力最大化,充分利用Claude Code/OpenCode的代码理解、推理分析、上下文管理、会话恢复等标准能力,不重复造轮子;业务逻辑快速迭代,检测规则、分析流程、报告格式等业务逻辑全部沉淀在Skill中,可随时调整优化;任务可追溯可复现,通过 --resume恢复会话现场,任何分析过程都可回溯、可验证。

Skill层核心组成如下:gateway - route - vuln - analyzer/ ├── SKILL.md # 核心:漏洞分析主流程 │ ├── 检测决策树(Step 1 - 4) │ ├── 危害评估规则 │ └── 报告输出模板 ├── references/ │ ├── unauthorized_patterns.md # 越权漏洞模式库 │ ├── logic_flaws.md # 逻辑漏洞检测指南 │ ├── data_classification.md # 数据敏感性分级 │ └── report_template.md # 标准化报告模板 └── scripts/ └── mcpcli - gateway # CLI入口(Token优化)

还有MCP工具集设计。

漏洞检测方法论(以越权为例)

基于公开漏洞案例库分析,细分越权漏洞类型。检测分四步,前两步设有短路退出以降低成本。路由配置检查:检查`auth_config.public` 和 `required_scopes`,配置无异常则跳过后续审计。登录态识别:遍历调用链查找认证节点,标准认证路由直接信任,跳过代码审计。代码审计(三维检测):检查权限注解(`@PreAuthorize`)、用户ID来源(登录态 vs 请求参数)、所有权校验(DB过滤 vs 代码显式校验)。精细化危害评估:区分越权读取(数据敏感性)和越权操作(利益流向),输出风险等级与修复建议。

精细化危害评估机制方面,越权读取 - 数据敏感性评估依据《数据安全法》确立的数据分类分级保护制度及《网络安全法》关于网络运营者数据安全管理义务的相关要求,通过AI Agent对源代码文本分析(基于变量名、字段类型、接口定义等代码特征进行技术推断),对路由功能返回涉及的数据资产进行分级评估。越权操作 - 利益流向评估也有相应流程。

技术优化:Token成本降低95%+

通过对多个会话日志的深入分析,识别出Token消耗的关键问题及Token消耗热点。

优化策略与效果如下:MCP → CLI转换(mcp2cli)⭐核心优化,原理是将MCP工具暴露为CLI命令,避免每次会话加载MCP上下文,效果是节省61% Token消耗;工具返回值优化 ,关键优化在于为gitlab_file添加精准参数,实现按需提取,效果是v2 vs v1再节省88%;Early - Exit模式,原理是标准认证路由直接信任,跳过冗余代码审计,效果是标准认证场景节省50 - 70%;AI友好返回格式YAML,原理是YAML天然比JSON的Token量更少,对AI阅读更友好,降低模型解析成本。

模型选型原则与决策框架

在路由安全审计场景下,模型选型需围绕准确率与召回率两大核心指标建立决策矩阵。最终选型为满足P0/P1/P2三重约束的最优模型,选型理由是在召回率100%的候选模型中,qwen3.5 - plus以更低的单位成本实现可接受的准确率,是批量场景下的最优解。不过存在局限性,测试集局限性为上述结论基于独立手工标注测试集(100 + 样本),与生产告警数据相互隔离,仅可作为基线参考依据;模型迭代风险是大模型迭代更新速度极快,市场中或存在性能更优、成本更低的全新模型,暂未纳入本次评测范围。AI不是替代人工,而是放大安全工程师的能力:AI处理重复性筛查,人工聚焦深度分析和复杂判断。

方法论沉淀

定制化漏洞分析能力沉淀:针对API越权漏洞场景,构建专属漏洞分析技能体系,持续沉淀检测规则与标准化分析流程,保障规则具备落地实战有效性。精细化危害评估体系:严格区分越权读取与越权操作两类风险行为,引入利益流向分析维度,规避一刀切式风险评级,评估更贴合业务实际风险。Token成本系统化优化:通过MCP→CLI格式转换 + 代码精准按需提取 + Early - Exit提前终止三层优化方案,整体实现Token成本降幅95%+。场景化分层模型选型:批量例行场景采用高性价比模型,核心关键场景启用高精度模型,在检测效果与使用成本之间实现最优平衡。

误报分析与改进方向

基于已完成的复核告警深度分析,识别出主要误报原因及改进方案。

针对性改进方案包括:强化信任边界追踪(解决35%误报),问题是AI发现中间层没校验就停止,直接认为存在漏洞,未追踪到最终数据操作层,方案是在Skill中增加指导规则,发现校验就停止,发现缺失就继续,必须追踪到信任边界,中间层不能下结论;上下游参数一致性校验(解决25%误报),问题是下游方法参数有越权可能,但上游调用时未传入资源ID,方案是分析Controller层Request对象,确认是否包含资源ID字段,如果上游Request中无资源ID字段,判定为"仅操作当前用户数据";Dubbo配置信息补充(解决10%误报),问题是内部网关转Dubbo传参信息AI无法获取,导致认证判断错误,方案是引入Open网关Dubbo配置信息(通过内部管理平台获取),新增MCP工具get_dubbo_config,获取路由的Dubbo调用配置;响应体价值预判优化(解决10%误报),问题是AI将无敏感信息的读操作误判为越权,方案是细化响应体敏感性判断规则,不敏感(可忽略)的情况包括纯状态码返回(code/msg/status)、通用配置信息(活动名称、时间、状态)、流程节点信息(taskId、nodeName)。

小结

网关路由AI驱动审计是一个面向API安全场景的智能化交付范式,将规模化安全审计升级为AI自动化检测 + 精细化危害评估 + Token成本优化的标准化机制。它回答了如何在网关路由规模快速扩张的背景下,实现安全漏洞的全量自动化检测,同时将成本控制在可接受范围。多个高危外网漏洞的实际发现,验证了AI在代码审计场景的有效性。单条成本¥0.23,某大型业务集群全量扫描一轮不到1万元,成本完全可控。人机协同模式有效:AI批量筛查 + 人工深度验证,既保证效率又确保准确性。MCP→CLI转换、精准代码提取、Early - Exit优化,可复用于其他AI安全审计场景。

附录:标准化告警报告模板

本项目输出标准化的漏洞分析报告,模板结构如下:

## 漏洞分析报告

### 1. 路由信息 - 路由ID: [必填:从analyze_route返回的route_id] - 路径: [必填:分析的路由路径] - 目标服务: [必填:目标服务名称] - 描述: [必填:路由描述,如无则填"无"]

### 2. 接口功能分析 - 接口用途: [必填:简要说明接口用途] - 业务场景: [必填:业务场景描述] - 调用方: [必填:H5前端/APP客户端/小程序/其他服务] - 数据敏感性评估: - 涉及数据类型: [必填:PII/金融数据/订单信息/配置信息等] - 敏感等级: [必填:critical/high/medium/low] - 影响用户范围: [必填:全平台用户/特定用户群/内部用户等]

### 3. 调用链分析 [必填:调用链树形展示,使用缩进表示层级关系,标记漏洞点] 示例格式: [网关入口] (总耗时) └─ [认证服务]: [认证接口] (耗时) [认证节点] └─ [业务服务A]: [业务接口] (耗时) [漏洞点] └─ [业务服务B]: [数据库查询] (耗时) 关键中间件操作(只写与漏洞分析直接相关的部分): - SQL: [可选:列出执行的SQL操作类型] - Redis: [可选:如有Redis操作则填写] - MQ: [可选:如有MQ操作则填写]

### 4. 漏洞详情 ⚠️ 说明: - 如果发现漏洞,必须填写此章节 - 如果未发现漏洞,填写"未发现漏洞"并跳过后续小节

#### 漏洞1: [必填:漏洞标题] - 严重等级: [必填:critical/high/medium/low] - 类型: [必填:越权读取/越权操作/逻辑漏洞/竞争条件] - 漏洞位置: - 服务: [必填:漏洞所在服务名称] - 方法: [必填:漏洞所在方法名] - 文件: [必填:文件路径:行号] - 仓库链接: [必填:GitLab代码链接] - Trace ID: [必填:对应的trace_id] - 问题描述: [必填:详细描述漏洞原因和利用机制] - 调用链位置: [必填:标注漏洞在调用链中的位置] - 问题代码: [必填:漏洞代码片段,包含行号] - 漏洞危害: 1. [必填:直接危害] 2. [必填:间接危害] 3. 潜在连锁攻击: [必填:可能的连锁攻击场景] 4. 合规风险: [必填:法律合规风险] - 修复建议: 1. [必填:具体修复方案] 2. [必填:具体修复方案] 3. [可选:额外加固建议]

### 5. 分析置信度 - 置信度: [必填:高/中/低] - 依据: [必填:说明置信度的判断依据]

### 6. 局限性 ⚠️ 数据获取不全说明: * 限制类型 * 说明 * 影响范围 * 建议操作 * *----------*------*----------*----------* * [限制类型] * [说明] * [影响范围] * [建议操作] *

### 7. 二方包依赖 - 涉及的二方包: [必填:group_id:artifact_id:version - 用途说明,如无则填"无"] - 源码获取: [必填:已获取/未获取/不需要]

### 8. 涉及的微服务 ⚠️ 重要:必须包含commit_id和project_path - [service_name1] (commit: [commit_id], project: [project_path]) - [service_name2] (commit: [commit_id], project: [project_path])

阿里灵码企业级集成:QorderCN网关实现OpenAI兼容API治理 AI编程助手正从开发者工具演进为企业级研发基础设施,其核心在于如何将大模型能力安全、可控、可审计地融入现有DevOps体系。OpenAI兼容API已成为行业事实标准,它通过统一接口抽象底层模型差异,降低多厂商切换成本,支撑企业构建AI能力‘抽象层’。QorderCN作为阿里通义灵码的企业级网关组件,不仅完成协议转换,更承载身份鉴权(RAM角色+JWT)、配额管控、敏感代码过滤与审计日志等关键治理能力。该方案已落地金融、制造、政务等领域,解决‘想用不敢用、想管管不住’的典型困境,是当前中大型技术团队实现AI编 阅读详情

相关推荐

AI驱动的钓鱼攻击演化与智能防御体系构建

钓鱼攻击是网络安全领域长期存在的威胁,其核心原理是利用社会工程学手段诱导用户泄露敏感信息。随着人工智能技术的普及,攻击者开始利用自然语言处理、深度学习等技术,使钓鱼攻击从广撒网式的模板化攻击,演变为高度定制化、精准化的智能攻击。这种技术演化极大提升了攻击的隐蔽性和成功率,对传统基于规则和签名的防御体系构成了严峻挑战。在工程实践层面,防御方需要构建融合AI检测、行为分析和自动化响应的动态综合防御体系,通过邮件安全网关智能化升级、端点用户实体行为分析(UEBA)以及安全编排自动化与响应(SOAR)等技术手段,实

weixin_30888413的博客 445

通用AI Agent驱动网关路由安全审计实践方案

摘要 本文提出了一种基于AI Agent的网关路由安全审计系统,以解决传统人工审计模式面临的覆盖面不足、时效性滞后和规则标准化难题。系统采用"通用Agent+业务Skill"分层架构,通过增量日检与存量月检机制实现全量覆盖和分钟级响应。核心设计将AI分析能力与工程调度分离,业务逻辑沉淀在Skill层实现快速迭代。以越权漏洞为例,系统采用四步式检测流程和精细化分类方法,结合"AI筛查+人工验证"的人机协同模式,在保证效率的同时提升准确性。该系统为大规模API安全审计提供

小程故事多的博客 758

Mythos漏洞挖掘模型:可调度的自主安全审计流水线

漏洞挖掘正从人工渗透与规则扫描,迈向基于大模型的自动化、可复现、可调度的闭环流程。其核心原理在于将攻击意图建模为因果推理链,结合强化学习红队博弈与推理时动态计算分配,在代码语义、内存行为与协议上下文间跨层推导。这种能力不仅提升静态分析深度,更赋予模型在无监督条件下生成高置信度exploit链的技术价值。典型应用场景包括金融系统全栈审计、SBOM动态风险建模及CI/CD内嵌式安全门禁。Mythos标志着漏洞发现正式进入‘自主作战单元’阶段,其本质是AI驱动的安全能力工业化。

corg81763的博客 443

通用 AI Agent 驱动网关路由安全审计实践

本项目构建了一个网关路由 AI 安全审计系统,采用"通用 Agent + 业务 Skill"分层设计,增量日检/存量月检。落地 Open 网关路由越权漏洞检测流程,通过 AI 批量筛查 + 人工深度验证的人机协同模式,为大规模 API 安全审计提供了可复用的智能化解决方案。充分发挥通用 Agent 能力,业务逻辑在 Skill 中快速迭代。

技术引领业务创新 555

RPA在电信:九大高价值自动化场景落地指南

RPA(机器人流程自动化)是一种面向用户界面、非侵入式的流程自动化技术,其核心原理是模拟人工操作完成跨系统、规则明确、高频重复的任务。在电信行业,由于系统老旧、接口封闭、数据孤岛严重,传统API集成或低代码方案往往成本高、周期长、风险大;而RPA凭借‘不改源码、不碰数据库、快速上线’的技术价值,成为支撑BSS/OSS运营、客服、网管、财务等关键域数字化转型的务实抓手。典型应用场景包括网络告警分级派单、客户信息跨系统同步、SIM卡全生命周期管理、智能话务辅助、自动化稽核合规、佣金结算、资源巡检、合同履约监控及

weixin_33831196的博客 296

【信息科学与工程学】计算机科学与自动化-——第十五篇云计算 12 公有云里的“多Region + 多AZ“ 02 运营算法01

算法逐步思考推理思考(含数学方程式、对象、资源、任务、进程/协程/线程及对应的代数、约束、目标函数/传递函数/依赖函数、参数及参数的数值范围及边界条件、逐步推理的数学方程式列表、上下文切换、并发/串行/随机/乱序/顺序)算法逐步思考推理思考(含数学方程式、对象、资源、任务、进程/协程/线程及对应的代数、约束、目标函数/传递函数/依赖函数、参数及参数的数值范围及边界条件、逐步推理的数学方程式列表、上下文切换、并发/串行/随机/乱序/顺序)云厂商提高闲置资源利用率。算法复杂度为O(N),N为实例数量。

weixin_49199313的博客 287

通用 AI Agent 驱动网关路由安全审计实践|得物技术

本项目构建了一个网关路由 AI 安全审计系统,采用"通用 Agent + 业务 Skill"分层设计,增量日检/存量月检。落地 Open 网关路由越权漏洞检测流程,通过 AI 批量筛查 + 人工深度验证的人机协同模式,为大规模 API 安全审计提供了可复用的智能化解决方案。充分发挥通用 Agent 能力,业务逻辑在 Skill 中快速迭代。

SmartCodeTech的博客 1051

【信息科学与工程学】【数据中心】 第二十三篇 DDC网络-满足大规模训练、推理、存储区网络(Roce2组网)-第五篇 跨地域互联(公共服务区和存储区)

大规模智算中心跨区域互联

weixin_49199313的博客 1217

AI驱动职场效率革命:飞书集成与向量引擎技术解析

向量引擎作为AI时代的关键基础设施,通过智能路由与计算中台架构实现模型无关性和网络优化。其核心技术包含接入层、调度层和服务层,采用语义感知路由和渐进式响应机制,显著提升大模型应用的响应速度与稳定性。在企业级场景中,该技术与飞书等协同办公平台深度集成,可优化文档处理、代码审查等高频工作流。实测数据显示,采用向量引擎方案后,企业平均响应时间从4.2秒降至1.1秒,错误率从23%降至0.7%,充分体现了AI+协同办公的技术价值。

weixin_33743703的博客 624

【信息科学与工程学】【数据中心】 第二十三篇 DDC网络-满足大规模训练、推理、存储区网络(Roce2组网)

特征维度具体特征网络影响设计考虑通信模式​集体通信为主(All-Reduce/All-Gather)多对多通信模式需要高带宽、低延迟的All-to-All连接流量模式​同步、周期性、模式可预测突发带宽需求高需要高效的拥塞控制和流量调度延迟敏感性​端到端延迟敏感(μs级)尾延迟影响训练时间需要无损网络、确定性延迟带宽需求​持续高带宽(100-400Gbps/节点)网络容量压力大需要高带宽、无阻塞网络扩展规模​数千到数万GPU节点可扩展性挑战需要层次化、模块化设计存储访问​大块顺序读写为主存储带宽需求高需要高带

weixin_49199313的博客 1882

【信息科学与工程学】【数据中心】 第十二篇 超大规模智算中心跨地域互联与协同架构方案-02

任务分配、路径规划、行为协调与冲突消解算法是构建智能自主系统的基石。​​任务分配​​是决策“谁做什么”,追求系统整体效能最优。​​路径规划​​是决策“怎么走去哪里”,保障个体移动的安全与效率。​​行为协调​​是设计“如何一起干”,确保群体协作的有序与高效。​​冲突消解​​则是制定“打架了怎么办”的规则,解决协作过程中的矛盾。这些算法广泛应用于​​无人机编队飞行​​、​​多机器人协同搜索与救援​​、​​智能仓储物流​​(AGV调度)、​​自动驾驶车队​​以及​​工业自动化​。

weixin_49199313的博客 761

AI代码生成安全审计:四大合规红线与高危漏洞自动拦截实战

在软件开发生命周期中,代码审计是保障应用安全与合规性的关键环节,其核心原理是通过静态或动态分析技术,识别代码中的潜在漏洞与合规风险。随着AI代码生成工具的普及,传统的审计方法面临挑战,因为AI生成的代码在模式、缺陷根源上可能与传统代码迥异,这催生了针对性的专项审计需求。从技术价值看,构建自动化、智能化的AI代码审计体系,不仅能有效拦截新型安全风险,更是满足金融、政务等强监管领域合规要求的必然选择。在实际应用场景中,这涉及对代码可追溯性、第三方依赖、算法偏见及安全编码规范绕过的系统性检测。本文聚焦于AI生成代

weixin_34184561的博客 500

【信息科学与工程学】【数据中心】 第七篇 智算中心CLOS组网整体设计

区域主要功能网络要求技术选型安全等级可用性要求训练区​大规模AI模型训练,分布式计算超高带宽(100G+),超低延迟(<1ms),无损网络RoCEv2,PFC,DCQCN,多路径P4(最高)99.99%推理区​实时AI推理,模型服务低延迟(<10ms),高可用,弹性扩展智能负载均衡,服务网格,容器网络P3(高)99.999%公共服务区​统一认证,API网关,数据服务多租户隔离,安全防护,弹性带宽VXLAN,EVPN,微隔离P3(高)99.99%存储区​高性能存储,数据湖超高带宽,低延迟,高IOPSNVMe-

weixin_49199313的博客 1373

大型制造业AI智能体平台解决方案:为每位员工配备专属AI伙伴,让AI扎根产线、赋能于人,连接产业

效率层面——AI将“人工小时级”响应变为“AI秒级”响应。首钢热轧排程效率提升80%,计划审核从1小时缩短至秒级,生产总结从40分钟压缩至3分钟。美的荆州工厂平均提效80%,排产响应速度提升90%,首检时间由15分钟缩短至30秒。成本层面——美的2025年通过AI降本达7亿元,对比2024年的1.8亿元增长289%;超过1.35万个AI智能体在全业务链运行,全年提效超过1500万小时。首钢采用开源大模型路线,仅两台本地服务器实现年收益超1100万元。规模层面——美的每天有1.3万个智能体在运行;

zhengliebin的博客 1128

【信息科学与工程学】【数据中心】第二十三篇 DDC网络-满足大规模训练、推理、存储区网络(Roce2组网)-第四篇 跨地域互联(管理区和推理区)

智算中心互联

weixin_49199313的博客 787

【信息科学与工程学】【数据中心】【智算中心】【容灾备份】 第二十五篇 智算中心业务容灾-第一部分

设计原则具体实施关键技术监控指标恢复策略测试验证冗余设计​1. 多副本数据存储2. 多路径网络连接3. 多活计算资源4. 多实例服务部署1. 数据复制技术2. 负载均衡技术3. 集群管理技术4. 容器编排技术1. 副本健康状态2. 路径可用性3. 资源利用率4. 服务实例状态1. 自动故障转移2. 数据一致性修复3. 资源重新调度4. 服务重新注册1. 故障注入测试2. 切换演练3. 性能压测4. 数据一致性验证自动化恢复​。

weixin_49199313的博客 1280

AI代码审计实战指南:构建人机协同的安全工作流

代码安全审计是保障软件安全的重要环节,其核心原理是通过分析源代码或运行时行为,识别潜在的安全漏洞。传统方法如SAST(静态应用安全测试)和DAST(动态应用安全测试)虽广泛应用,但常面临误报率高或覆盖不全的挑战。AI技术的引入,特别是大语言模型(LLM)和模式识别能力,为这一领域带来了变革性价值。它能够辅助安全工程师进行大规模、快速的初步筛查与模式匹配,提升漏洞发现的效率与广度。在实际应用场景中,AI工具可分层集成于开发流程:在编码阶段通过IDE插件实现安全左移,在CI/CD环节作为自动化守门员,并在深度审

weixin_33768481的博客 389

从原始数据到农学模型:DJI M3M/P4M多光谱影像全链路处理实战

本文详细介绍了使用DJI M3M/P4M多光谱无人机进行农学建模的全链路流程。核心在于强调辐射标定的首要性,它将原始DN值转换为具有物理意义的反射率,是确保后续植被指数计算与模型反演准确性的基石。文章通过大疆智图和Pix4Dfields的实战演示,手把手指导完成数据处理、影像镶嵌及光谱信息提取,最终构建从光谱指数到叶面积指数等关键农学参数的反演模型,实现精准农业分析。

weixin_29281941的博客 244

Ai-Agent学习历程—— 阶段3——RAG 与记忆机制

基于学习大纲我们有了一个简单的地图,从官网的资料进行对应,主要是以下三部分过程中可以进行参考官方文档,但有一些可能会基于目前最新的资料进行适当的更改,让我们愉快的开始吧!这里为您梳理第一节:ETL 数据智能清洗与高阶分块的学习地图。本节将带您攻克数据进入向量数据库之前的“清洗、结构化解析、智能切分与父子文档关联”全流程,彻底打牢 RAG 的数据地基。以现在大模型的发展来说,200K的上下文甚至接近300K的都有,几本书是不成问题的,那切片的意义又在哪?核心原因有三个:在 RAG 系统中,用户提问后,我们不能

蓝桉 863

华为昇腾 910B 实战:DeepSeek-R1 蒸馏模型高效部署与性能调优全解析

本文详细解析了在华为昇腾910B硬件平台上高效部署DeepSeek-R1蒸馏系列模型(14B/32B版本)的完整实战流程。内容涵盖从MindIE环境搭建、镜像获取、模型准备,到服务配置、内存参数调优、性能测试及常见问题排查,为开发者提供了基于昇腾910B进行大模型部署与优化的全链路指南。

weixin_28235513的博客 213

(P2)PALM软件的基本使用流程

上一篇介绍了PALM在Ubuntu系统上的下载安装及安装后的目录文件结构,这一篇以自带的案例介绍软件的基本操作流程。(请转至example_cbl项目) 输入 声明:官网均有各个变量的说明,以下代码来自软件自带案例 palm的最小输入文件是p3d文件,以下是example_cbl_p3d的详细说明。(文件语言格式Fortran,请自行先学习下语言的基本语法。笔者也是新学者,有非常多的问题,很多参数也不能准确的说出是什么意思,还请不吝赐教,谢谢!!!) !几点说明 !1、该运行文件基本由三大块组成:1)in

ysqzhatian的博客 3262
上一篇: 阿里陈航提出AI时代企业管理新范式:核心指标从KPI到AIQ
下一篇: CNCF 调查:AI 已成开源开发核心,治理规范却仍在摸索
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22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