
好,下面给大家演示如何给我们的小龙虾接上自己的这一个 a p i, 然后还是找到我们这一个小龙虾的模型配置界面,这里有一个四零 e 模型,看到这里只要输入这个 a p i 的 u r l p 还有模型的名称就可以了。我以我自己有的这一个智普 ai 为例子, 首先我进入我的这个智普 ai 平台,然后呢可以新建一个 key, 我 已经建好了,就不再重复建了,这是我的 api key, 我 把它复制, 复制完以后放在这个 key 里,这 api 的 url 可以 从它的官方文档去查。 呃,这里呢,我建议大家装一个 cc switch, 这样的话就比较方便,可以看到我这一个智普的这一个 u r l 就是 a p i, 端点是这一个,我直接把它复制, 复制完以后把它放到我的 a p i u i l 里,最后还有一个自定义模型名称,注意这个不要随便填,你想调用调用质谱的哪一个 ai, 你 就选哪一个,我可以看一下我自己的 ai 都有什么。 点击这个财务,然后找到我的资源包管理,点我的资源包,可以看到我有这一个呃 g l m 四点五 l 的 模型,如果自己出了麻烦的话,我们可以从这一个这个 switch 里去找, 可以看到 glm a 四点五 l, 我 直接把它复制,是不是有很多模型,你有什么就把这一个模型添加到我们的小龙虾里就可以用了。如果想学习装饰位置的话也可以留言,到时候我录一期教程。 现在我把它复制进来,然后点击添加模型,添加成功以后我可以点击一下它,提醒我配置更换,然后是否重启,我们重启以后就能使用这个模型了。 那我们点击连接, 我们可以通过网网页访问这个龙虾,也可以通过我们的这一个 ai 对 话界面直接和龙虾沟通。 比如说我说你好,现在我选的是 c l l 的 模型,这里可以切换,也可以切换成我们的官方模型 c l l。 我 问他,你好,看看配置成功没有? 你好,有什么我可以帮你的吗?这时候点着已经配置成功了。好了,这一期的教程就到这,如果你对这个软件感兴趣的话,可以关注我,然后留言交流。

opni 将 gpt 五点六, lina 的 价格下调百分之八十 gpt 五点六, tla 的 价格下调百分之二十。 lina 连 pr 定价为每百万个输入 tok 零点二零美元,每百万个输出 tok 一 点二零美元。 tla 连 pr 定价为每百万输入 tok 两美元,每百万输出 tok 十二美元 三五定价掺 gpt 和 coldue 台订阅价格及配额预算保持不变。 tla 和 lina 的 使用消耗的积分更少。这段新闻的出现科技股有多大的影响。

中美大模型的剧本好像突然互换了。一边 openai 在 降价,一边 deepsea 宣布涨价。中国大模型 api 平均输入价格涨了百分之四十八,输出价格涨了百分之八十。这到底是怎么回事儿? 摩根士丹利的研报显示,二零二六年 q 二中国大模型 api 平均输入价格升到四点九元,每百万 tokens 输出升到二十一点九元。相比二零二五年, q 一 输入涨百分之四十八,输出涨百分之八十。而美国头部模型在降价,中美之间的价格差距正在快速缩小。 为什么中国反而涨价?三个原因,一是 agent 应用爆发,单个模型日均处理已达数万亿, tokens 容量长期成压。二是头部厂商进入重资产建设期,巨额资本开支需要现金流支撑。三是行业心态从抢用户转向算账定价,从营销工具回归成本函数。 这不是价格战的结束,而是竞争重心的转移。未来大模型比的不是谁更便宜,而是谁能把智能稳定的交付到企业流程里。对开发者和企业来说,选模型要看综合能力,而不是只看单价。评论区扣价值战。我把中美模型选型对比表发你关注小智,看懂 ai 产业拐点。

为什么有的人的龙虾笨笨的,响应速度很慢,推算能力又弱?而有的人的龙虾很聪明,响应速度又快,推算能力又强。亮哥教你你的龙虾笨笨的,是因为你没有给他安装一个很强大的大脑。 今天亮哥教你们一个白嫖全球第一梯队顶尖模型的一个办法。第一步, 打开浏览器,进入到这个网页, w w 点 e o a i 点 c n, 它这个是第三方平台,你用自己的手机号注册登录进来就会送你五千积分,完事你再加入他们的群,又送五千积分, 一共是一万积分。登录进来之后,点右上角这个 u, 再点龙虾端点它,就会出现一个几个 api key, 还有下面的所有支持的模型。 大家都知道模型,你要想用这个模型分为三三部分,必须要知道它的 api key, 知道它的八十 u i。 第三个要知道它的模型 id 叫什么,就是模型的名字。你看这个网站上面支持的模型有全球 最强的一个模型 gpt 五点四, cloud 的 opus 四杠五、四杠六,还有国内的一些模型,看到没有? mini max, kimi、 uic, 还有这个智普的 glm 杠五杠五点二。接下来你就要 配置你的模型,我教大家我下载了这个 open cloud, 就是 腾讯平台的 qcloud, 在我的电脑里面找到 coco 的 接收这个文档, coco 找到这个 open class 文件看看。大家可以看到 我这里面配置了三个模型,一个,第一个就是 evo 平台的 gpt 五点四的模型,你要配置这个模型,必须要知道它的八十,这个是第一个。第二个你得知道它的 api key, 第三个你得知道它的名字, g p t 杠五点四,这样就配置成功了。配置进去之后,你要把你的 g p t 五点四设为默认模型, 就在这个下面。 engines 这个英文字母就是默认模型的意思,在下面这样说, ev 杠 g p t 杠五点四,这样就配置好了。

openai 前首席科学家卡帕西上周发了一条推特,看到推特这一刻,我感觉我这两年用 ai 的 方式可能都错了。我 试了下他推文里面提到的办法, ai 润色文章的能力立刻翻倍了。接下来我就把这七个提示词告诉给大家,如何通过卡帕西的方式召唤各路专家来帮我们修改文章。直接复制保存。第一步,先把你的指引,也就是背景信息告诉 ai。 输入下面这段话,这是我的文本,然后把你的原文贴到这发布位置,比如是部门内部的通知目标读者,比如是部门全体员工。然后提醒 ai 必须保留的关键词和术语,有什么不能改动的,事实有什么 一定要写出这句话能避免 ai 幻觉。禁止编造数据或引用,如需数据,请标注数据来源。第二步,基础校对以及优化流畅度。这条提示词起到基础的作用,提示词用来找出基础错误并修正, 让文章读起来更顺畅。输入下面这段话,你是自身的中文编辑,请在不改变事实的前提下,修正语法错别字标点,改顺读起来别扭的句子, 统一术语和代词代指。第三步就是精简清晰文章内容。下面这个提示词很关键,用来提高文章的信息密度,减 减少废话,突出核心观点。输入下面这段话,你是专业科普文案的编辑,目标是让文章简洁清晰,信息密度更高。删除重复与套话,长句拆短句,保留关键的结论和必要前提。 输出 a。 修改后的版本。 b。 用五条以内的观点列出你删掉或合并的要点,并解释原因。第四步是检查结构和逻辑,逻辑严密,环环相扣才会是篇好文章。输入下面这段话,你是逻辑严谨的科普导师,请检查一、观点、论据、结论是否闭环。二、 段落顺序是否合理。三、哪里需要过渡句?输出 a、 推荐的大纲 b、 按新大纲重排后的正文。第五步呢,是语气和风格,主要是为了对齐人群,公司层面的通知和演讲稿,那肯定不该使同一种语气嘛。 输入下面这段话,把文章分别改成两种版本。举例子啊,面向小白的通俗版和面向从业者的专业版,要求术语一致,事实不变。每段开头用一句话点题, 不要堆形容词。输出两版权威,请注意使用词符合目标读者的阅读习惯,这个时候如果你的目标读者是其他人,你就把其他群体写在这。第六步的作用非常关键,是用来减少 ai 幻觉。输入下面这段话, 你是严谨的科普作者,让文章更具有说服力,但禁止编造一、把结论写得更明确。二、为每个关键结论补证据类型,比如数据研究、常识推理或者案例。 三、如果缺证据用,需补充来源标注并给出应查的关键词。输出 a、 强化后的正文 b、 证据清单。刚才这个非常关键啊,能减少 ai 的 幻觉,现在 ai 处幻觉非常非常多。最后一步是模拟读者的忠言,请扮演一位不懂 ai 技术的读者,告诉我哪段没看懂。二、哪句话像空话。三、最打动我的一句是什么?四、我看完之后会不会采取行动?为什么? 好了,通过以上七步,你就能让 ai 帮你深度润色并输出一份儿你想要的好文章。我是拉斐尔,这是 ai 信息评权的第三集,咱们下次见。

大家好,这一期我们来聊一下 opi 的 两个接口协议,一个是 response api, 一个是 chat compressions。 那 这两个接口其实如果只是做一些简单的文字问答,它两个功能其实是很相像的。 但是如果要做工具,调用多轮的任务或者 agent, 你 会发现这两套接口它们想要表达的东西其实还不太一样。 在 chat 公务员, 它主要是解决的一件事,就是在 agent 里面多人对话的时候,我们看完前面的消息之后,那下一条助手回答应该是什么样子,那 response 它想表达的范围会更大一些。 模型在这一轮做了一轮的信息回答之后,它调用了什么工具,最后产生了哪些结果?那接下来我们用一个比较简单的方式,把这两个区别能够讲清楚。我们先看左边的 chat comprehension, 这里我们把 system user assistant 这些消息放进 message 里面去,也就是消息列表。那在模型看完这些内容之后,会返回一个助手信息,也就是 assistants。 那模型在收到这些内容之后,会返回一条消息,所以它很像我们平时的聊天,就是我把前面的聊天记录给你,你再接着往下说下一句。 而右面的 response, 它接收的是一段输入,也可以带上下文和工具。那在返回的时候,它返回的就不一定是文字,而是可能有很多个不同类型的结果。 比如说这里用户看到条消息,它可能是有一条函数的调用,或者一次搜索的信息。 所以在这里我觉得最容易记住的一个方式是 chat completion, 它关心的是我们回复的信息是什么,而 response 它的核心点是在于这一轮我们做了什么事情。 那在做一些简单问答时,两者的区别并不是很明显,在做一些 a 键的复杂任务时,这两个差别差是比较大的。 那这里有两套接口,它的一个分界点,一个是 message, 一个是 item。 在 chat completion 里面 int message, 它像一个盒子,正常的回答放在 content 里面去。模型要调用工具时,通过 to close 方式也挂在这个消息上面,在工具执行完以后,应用层再补充一条 to message。 那 这种方式其实不难理解,因为所有东西都是围绕消息记录来组织的。但 response 它是换了一种表达方式。 message 只是 item 的 一种,在函数调用时,也可以单独生成一个 item, 工具结果也可以单独成为一个 item, 搜索文件,处理这些动作也可以有自己的类型。你可以把左边看成一个比较大的盒子,文字和工具调用多装在这里面。右边它更像是一个积木, 这块是消息,这块是工具调用,那这里是工具结果,每一块是什么,运行时一眼就能看出来。所以这也是为什么 response 它更适合 agent, 因为 agent 不 只是聊天,他还要去做事情。我们这里再举一个更加具体的例子, 比如说用户反馈,帮我查一下订单,八九二一,如果符合条件就退款。 那在 chat compressions 里面,模型会先返回一条 attempt message, 然后 set to cost 里面告诉应用我要调用退款和函数,订单号是八九一,那应用执行完以后,再放一条 to message 回去,告诉模型退款成功还是退款失败。 那在 response 里面,这次调用会被单独表达成一个 function com item, 应用执行以后再返回一个对应的 function autocompenter 从代码的字段来看,好像只是换了一个结构, 但是对企业系统来说,单独的一次调用,它是更容易去管理的。比如说退款前先检查用户有没有权限,当金额比较大的时候,要不要让人工确认?网络超时以后怎么去避免重复退款,最后怎么去保存下审计的信息? 这里我们还有一个边界要说明清楚。 response 可以 告诉你模型要调用的推广工具,但是真正要不要执行 不是只是听模型的,这个决定还是应该交给企业自己的运行时去管理,那模型负责提出调用,企业系统负责安全地去执行。在 chat 缓存里面,历史消息一般是应用自己保存的,下一轮调用应该把需要的消息重新拼起来,再重新发给模型。 对话短的时候,这样也没有什么问题,因为历史越来越长,就要考虑裁剪、摘药和成本。 response 给了几种方式,也可以继续自己保存 item, 也可以用 previous response id 把这一轮接在上一轮的后面,还可以用 conversation 保存持续的上下文。 这些能力会让多人任务更加的方便,但它不等于企业的长期记忆是解决的,哪些信息应该记住,谁可以看到,什么时候过期,这些仍然要自己去管理。 那 streaming 也有类似的变化。 chat competence 的 前端通常主要接收文字的增量,也就是答案一个字一个字的出来。 在 response 里面,除了文字,还可以告诉一些 new 新的 item 出现了,函数参数还在生成,某一个 item 已经完成,整个任务还是结束的。所以前端不只能显示正在生成, 还可以显示正在搜索、准备调用工具,正在整理结果等等一系列的思考过程。那讲到这里, response 确实比 chat comprehension 更像给一个 agent 使用的接口,它能够表达工具调用状态和不同类型的输出。 有些工具还可以用 open ai 托管去执行,但它并不是一个完整的企业 agent。 企业 agent 在 真正上线时,还要处理用户的角色、租户以及定用工具的范围和审批,以及必要的管理、失败的重试和重复神器等等一系列的能力。 比如说当模型认为应该付款时,这只是他给出的下一步建议,那这时候 agent 能不能有付款的权利,付款多少,审批的机制 还是要由企业系统去决定。所以这里我们还是要分成两部分来看,一个是 response 负责把模型,这个工作负责表达清楚,企业的 run time 负责把这件事情安全稳定地去执行,所以这是一个非常大的一个差异。 接下来如果你有一个实际的项目去选择,你可以有这两个方式去判断。 首先是如果你已经有稳定的 chat 缓存系统,它主要是做聊天摘要分类或者普通文本的生成,也需要兼容不同的模型,那就没必要去为了新接口去重写。那 chat 缓存它是一个比较简单的,而且也比较容易在不同厂商之间做适配。 如果你做的是企业解决症的平台,那最好也不要让业务代码直接依赖某一家厂商的访问结果。 那这里更稳妥的办法是在内部定义自己的 run item, event to 和 operator, 再通过 adaptor 对 接 response 和 chat completion 或者其他的模型。这样以后当不同的模型接口发生变化时,业务层不需要跟着全部去重写。 最后我们总结一下, chat 缓存的重新是 message, 它更像是在生成下一条回复。 response 的 重新是 item, 它更适合表达一段任务里的出现的消息,工具调用或者工具结果。但是 response 它再完整,也只是模型供应商提供的接口,企业自己的权限审批、执行状态和审计还是要自己的 run time 去控制。 如果中间是一个跨模型的平台,这里我们推荐的做法是上层业务使用一套自己的统一模型,下面再通过 adapt 就是 设备层去对接不同的 part, 也就是模型。 这样我们既可以把 response 压汇成一个纯文本接口,也不会直接把 open ai 的 对象当成企业自己的领域模型。这就是 response api 和 chat complince 它们最核心的区别。

以每个月的 chat gpt 会员费一分没少, openai 却把开发者掉最强模型的价格砍了超两成。 我是北岸十八岁技校生,看降价到底便宜了谁。八月二十二日 openai 官宣的 chat gpt 五点六 saw 的 api 和可得价,未来三个月降超百分之二十。输入每百万 token 从五美元到四美元 降两成,输出从三十到二十降三分之一。注意,降的是 a p i 价,你手里的 plus pro 的 订阅价格没有动,受益的是开发者。创业公司一天掉上亿的托管成本掉了两成,没受益的是你我全聊天的会员每月照交。 为什么降?竞争 cloud deepsea 一 堆国产都在抢开发者。 openai 用降价守 api 生态比打广告管用,可放回价格地图反差就出海外再降,连 luna 都压到原价五分之一, 二零二六的,国内却在集体提价。智普一年三轮一开涨价八成多, kimi k 三输出价格拉上代三倍, mini max 新旗舰翻倍, deep sea 风骨定价 高峰时段涨了三倍半。摩根士丹利算过中国大模型 api 均价,输入输出比去年涨了近一半和八成。为何反着来?海外靠规模和溢价还能降价抢人?国内底层是算力紧张,高端 gpu 进不来, agent 任务把成本顶上去,前期低价补贴撑不住,国产从免费养熟切到位确定性付费,但 deep sea flash 通一部分档位还守在低价,说明市场在分层。那省在哪?一个一天掉一亿?偷看的团队旧价一个月两千五美元,进价两千,省五百个人,开发者影响就小多了。 所以这笔账清楚,这是 tob 的 降价,不是 toc 的 福利,有人说这是清库存,我不这么看。 so 是 顶配,降价更像用价格换生态,点进真要甩卖不会只降两成,还限三个月。做产品的现在接 oppai 比半年前划算。 从聊天来的,别被降价带节奏。真正值钱的不是模型强多少,而是谁能在真实生意里接得住,用得起。关注北岸笔记,一起看懂 ai 行业的门道。


首先我说下大模型,模型呢,这种对话是人工智能的大脑有了这些大模型,我们问他们,他们才能够回答, 进行思考,然后回答我们的问题。然后我说一下 api, api 更像是这些大模型的接口,包括是豆包,还有这些 dbc, 还有 dbc, 还有我们刚才说的龙虾啊,还有可乐扣的 这些,必须要接入大模型才能够运转起来,不然的话我们输入什么他们是不会动的。现在网上都称为应该是梁文峰,都称他为梁圣,为什么呢? 因为他让大模型使用的价格很低。对于国外一些大模型,我也忘了他们国外大模型名字叫什么,反正很贵,就是现在有个词 top 肯也叫词源,这就是用来计算产生了多少内容,然后花了多少钱的这些衡量单位吧。 就是滔凯嘛,国外的这种大模型呢,可能是一百万个字,八十美金。然后我们国内呢,他的大模型呢,可能一百万,滔凯 八十块钱,五一的时候呢,他还打折了,好像是零点一折,就是说生成相同这种规格的文本,他只要花八块钱, deepsea v 四 pro 他花八块钱,然后国外的那些大模型花八十美金,差距就是非常大,就是大模型的价格,使用价格打下来,才能够让我们这些普通人或是啊学生党有机会去使用这些体验,这些人工智能为我们这些生活呢,能够提供一些便利。

openai 到底靠什么赚钱?提到 openai, 很多人第一反应就是叉七 p t, 但实际上,叉七 p t 只是冰山一角。 openai 最直接的收入来源就是会员订阅,普通用户可以免费使用,但如果想获得更强大的模型、 更快的响应速度以及更多高级功能,就需要购买付费会员。全球数以千万计的用户每个月都在为 ai 买单。不过,这还不是 openai 最大的生意,真正赚钱的是 api 接口服务。 简单来说,很多企业并没有能力自己训练大模型,于是直接调用 open ai 的 能力。无论是 ai 客服、智能助手、文档处理还是代码生成,只要企业调用一次模型就需要付费。你在很多 app 里使用的 ai 功能背后,可能都是 open ai 在 提供技术支持。 除此之外, openni 还在向企业市场发力。越来越多公司开始采购企业版 ai 服务,让员工使用 ai 处理文档会议,既要数据分析和编程工作。对于大型企业来说,这种服务往往是按人数和使用量付费,价值远高于普通用户订阅。但问题来了,既然这么赚钱,为什么 openni 还不断融资? 原因很简单, ai 实在太烧钱了,试炼一次顶级大模型需要海量 gpu, 巨大的电力消耗和庞大的研发团队,成本动辄数亿美元甚至更高。所以 open nai 现在做的事情,本质上是在和时间赛跑,一边疯狂投入训练更强的模型,一边通过会员 api 和企业服务建立稳定收入。 谁能率先打造出真正的通用人工智能,谁就有机会掌握下一代互联网的入口。那么问题来了,如果未来大部分工作都要依赖 ai 完成,你觉得 openni 会成为下一个苹果还是下一个谷歌评论区?聊聊你的看法。

今天凌晨 opans 发布会啊, ai 界春晚已经不能说是王炸了,应该说他每个小升级都是王炸,甚至我感觉苹果打败诺基亚的故事马上要重新上演了。 a p p store, 苹果税啊,应该没有几天可以收的了,注意,今天早上每个王炸都环环相扣的,一定要听完。咱先说技术含量不高的 gpt 四 turbo api 发布了, api 升级了,并且降价了,那年初 gpt 三点五 turbo 的 api 降价呢,掀起了一大波的 ai 应用,那这次 gpt 四 turbo 的 api 支持一百二十八 k 上下文,就相当于你可以输入十万个汉字,并且 gpt 四的响应速度提高了, 并且内容支持到了二零二三年的四月,这相当长的时间都是二零二一年的九月。并且这个 api 也支持多模态了,之前 只有官网的聊天可以图片输入,现在任何的应用都可以了,套盒软件们要狂欢了,遥遥领先了。并且刚刚推出的达里三的这个绘画模型也支持 api 调用了,并且 文字转语音和语音转文字也支持 a p i 调用了,并且语音转文字的这个 whisper 还给你升级成了三点零版本, 并且在所有之前升级的基础上,价格大跳水,输入文字打了三折,输出打了五折。 哎,这 opni 就等于名牌了,都别研发大模型了啊,都来套壳,都来套壳,你不会套壳,不会编程,太好了啊! opni 开发了 gpt s gpt, 它有分身了,每个人都可以去建立自己的 gpt, 金融、医疗、法律、教育,任何行业 都可以。你开发这个自定义的 gpt, 只需要你动动嘴,不需要任何代码,其实就是拖拉拽,然后上传一点数据,上传你自己的一些文件。当然奥特曼也进行了现场演示,三分钟不到啊,几步操作就做好了一个创业导师 gpt, 甚至他现场还能给奥特曼发条短信, sam did you get that i did awesome。 那你说这和之前的聊天儿先输入提示词有区别吗?啊,区别大了,之前你每新开一个聊天儿,你 前聊过,内容都没了,那角色得重新定位,你想让 gpt 干什么都得重新说。以后你只需要去生成一个非常非常好的分身,这个分身是可以保存的,每次聊天都从生成好的那一刻开始,你 你可以留着自己用,还可以分享给别人。所以说你以后你再想聊天,就不要去查什么提示词了,你就看别人分享了啥,有什么机器人好分享,你直接拿过来就聊就行。那为了服务于这过程的 oppy 还建了一个应用商店,审核通过的分身就可以展示在商店里, 甚至可以上传付费版的分身去给自己赚钱。而且这些分身能生成自己本身的 a p i。 比如说以后啊,你想弄一个智能医生的这个应用, 你直接去搜一个评分高的医疗类的 gpt, 你或者自己生成一个,把 api 复制过来,然后加到壳里就搞定了。我跟你说,这个事情很可怕,以后 app 甚至都不需要再开发了, 只需要开发通用的那种套壳的应用,添上 a p i, 瞬间变身。你需要做的就是去找机器人,然后把 a p i 复制过来,甚至我怀 以后 windows 都自带这功能,并且生成分身的这个操作也是可以调用 api 去完成的,就是可以批量生成分身了。我的天呐啊,那其他关于安全方面的更新比较无聊我就不说了,总之一句话就是安全的不得了,你放心使用。那整个异常发布会下来呢, 我感觉整个行业要变天啊,各种套壳软件啊,各种调用 api 的软件几乎要推倒重来了, 做大模型的包括马斯克、谷歌以及咱们国内这些,就我不知道他们现在还有啥想说的。你们天天还在跑分上,在能力上要超越 gp 四呢。那国内这些其实还好啊,毕竟用 gpt 呢,还是有一定门槛的,而且库克我估计也快睡不着了。

哈喽大家好, deepseek 哈内现在已经发布了,现在还有好多小伙伴不会部署安装,本期视频的话,我来教教大家一个比较简单的方法,直接一键就部署安装了,不用自己去折腾 noteis 环境,就算是你从来没有接触过这种桌面的 aint, 也可以白嫖 deepseek api 去使用, 并且如果你要自己使用自己的 deepseek api 也是可以去调换的,那下面我给我就给大家来演示一下操作方法,大家如果跟着我的步骤来的话,基本就不会有任何问题。 首先我们需要在我们的 windows 电脑上准备这个报喵 ai, 我 们直接在浏览器搜索就能看到,官网的话就是这个样子,然后选择 windows 版本下载, 我这里已经安装好了,那在桌面上的图标就是这个样子,然后打开以后我们先到右上角兑换码输入幺零零,这样就能白嫖 diffic api 的 积分。左边 ai 商店里面找到 diffic honey, 然后直接先把下面这个 note js 安装掉, 这里我们直接给它等它自动安装就可以了,差不多十秒钟就可以安装完成,然后这个已经成功安装到我的电脑上,然后 honey 四的话直接点这里一键安装, 右上角这里也是一样,可以查看安装的进度,如果遇到报错什么的话,它这里也会显示,但是一般来说不会遇到。 ok, 已经安装完成了,然后我们直接启动, 这里的话我们要去手动选择一个文件夹,就是比如说在我的 d 盘,然后我可以直接新建一个, 就是不要选择直接选择 d 盘这个文件夹,我们要在机盘里面直接新建一个文件夹啊,这里的话我就命名 gsa, 后面弹出来这个是正常的,它在咦这里等它加载一下,然后就会自动打开这个网页。 这里我们先把这个选项改成 flexx, 就是 给他全部的权限,让他去使用,我们操作。我们的电脑目前的话只是网页端, 现在我使用的话就是使用的就是刚刚我们用报名安装的 api 里面的 dsp 微四 pro, 当然如果你要自己去接入自己的低配客 api 或者其他的也是没有问题。 接入自己的 api 的 话,我们我这里以蒂菲克的 api 举例吧,就是来到蒂菲克的官网,然后进入这个 api 开放平台 定了界,来我们这里直接创建一个 api, 屁,然后这个命名的话大家自己随便命就可以,我这一是 d s h e, 然后拿到这个 api 器复制,复制以后我们直接给呃这个,并且看哈尼斯让他直接自己去配置就可以了。 a g 为这个 api, ok, 那 现在 api 已经配置完成了,然后我们发个消息试一下。 好,那这样的话我们的 d p k hones 就 已经安装部署完成。如果大家在操作过程当中遇到什么问题的话,可以评论区交流。