json汉化怎么用

这两天刚部署 open qr 的 朋友，估计不少人都碰到过这个坑，看起来服务启动了也能聊天，但除了对话，啥功能都没有。当你想把权限给它打开的时候，发现图形化界面操控不了，我们一起来看看这个问题怎么解决。主包因为手头只有一台 macbook， 平常还需要工作，就把 openclip 部署到了虚拟机上，大家只有一台 mac 也可以这样操作， mac 自带的虚拟机还是蛮方便的。我们进到 openclip 的 图形化界面一看，发现这些 tos 全都打不开，也没法调参数。 我们进到配置这一栏，点一下 raw， 直接改 openclip 的 json 配置就行。找到 tos 字段，把字段值设置为负二， 改完之后咱们马上测一下。你看现在 open club 不 光能聊天了，自带的这些基础能力也都能正常用了，要是你还想用更多功能，就自己再加一些 skills 就 行。

面试官问你，大模型怎么稳定输出 jason 格式？如果你脱口而出说在提示词里加上请输出 jason 这几个字，不好意思，这个面试真的没办法让你过啊！ 嗨，大家好，我是小哲，关注点赞加收藏，我们开始今天的讲解。咱们遇到这种题，很多同学的第一反应绝对是直接在提示词里死磕，比如加上一句，绝对不要输出多余的废话。但你放到实际生产环境里跑一跑，就会发现，大模型本质上是个靠概率猜下一个词的文字接龙游戏， 他太有礼貌了，保不起哪天发神经，就在你的格式前面加一句，这一下，你的代码解析器直接原地爆炸， 把希望全寄托在提示词上，被面试官嫌弃太正常了，那咱们的破局点在哪呢？其实真正的高手会从四个维度去构建一个坚不可摧的输出防线，也就是提示词加原生能力，加底层约束，再加兜底机制。我们在脑子里跑一个真实的业务场景， 假设我们要从一段聊天记录里提取用户的姓名和年龄。第一步，我们肯定还是得靠提示词打底，不过别光喊口号，咱们直接给他喂两个完美的例子，告诉他输入小明今年十八岁，你就要原样输出带有姓名和年龄的格式数据。 大模型模仿能力极强，有了例子他就不太会乱跑了，但这还不够。第二步，咱们要动用大模型自带的超能力了。现在的主流模型都有现成的接口参数， 我们在发请求的时候，直接开启他的专属格式模式，或者用一种叫函数调用的绝招，我们提前定义好姓名必须是文本，年龄必须是数字。大模型为了走这个函数的流程，就会乖乖按照我们规定的坑位去填数据。 讲到这，你可能会问，如果大模型还是瞎输出怎么办？第三步就是更硬核的底层黑科技了。 如果咱们是自己本地跑模型，在他往外吐字的时候，我们就用代码死死盯着他，只要他企图输出不符合语法的废话，我们就直接把这个字的生成概率打成零，从源头上强行矫正他。 最后一步，无论前面做的多好，咱们都得有个兜底思维，拿到结果后，立刻用代码去检查验证，万一真的少了个括号或者类型错了，直接把错误信息重新扔回给大模型，让他自己查漏补缺再发一次。 你看，这样拆解下来，从软性的提示词引导，到硬性的接口限制，再到极限的底层拦截和容错重试，整套逻辑可以说是滴水不漏。大家以后做任何大模型应用，都要有这种多层防御的工程思维。 顺便给大家留个课后思考题。刚才讲的这四层防线里，如果我们用的是别人家的云端大模型接口，有一层咱们是摸不到也用不了的，大家知道是哪一层吗？欢迎在评论区打出你的答案，今天的视频就到这里，我们下期见，拜了个拜！

你有没有想过那些动不动就说我用 agent 做了什么什么的人，他们到底写了多少代码，是几百行的复杂系统，还是就调了几个 api？ 今天是第九天，我们不用任何框架从领手写一个完整的 ai agent， 写完你就会发现 agent 其实没那么神秘。今天要做到四件事，第一，独立实现 react 循环，就是那个驱动 agent 运转的 while 循环。第二，给 agent 装上工具，搜索计算，读文件，让他自己决定用哪个。 第三，搭双层记忆，短期的存对话，长期的存到文件里，跨绘画保留。第四，也是最重要的理解框架的本质，手写完再去看 blanking， 你 会豁然开朗。 先搭股价。项目分三个核心模块， agent tools 和 memory。 最先写的是 types ts， 把所有类型定义好， 你看这里， message 接口， to call 接口，这些类型直接跟 open ai 的 api 格式对齐，这样后面传参数的时候就不用做额外转换了。 to x accelerator 是 个函数类型，接收参数，返回字母串，所有工具都遵循这个接口，统一管理。 类型定义写好了，后面写代码的时候， type script 会帮你检查，省很多调试时间。 接下来封装 llm 调用，再做工具注册表。 call llm 这个函数很简单，就是把消息列表和工具定义传给 openai。 注意这里 to 下划线 choice 设成 auto， 让模型自己决定要不要调工具。 工具注册表就是一个对象， t 是 工具名， value 是 执行函数， x q two 统一处理调用，找不到工具返回错误信息，执行出错也 catch 住不让 agent 崩掉。 这种设计的好处是，以后加新工具，只需要往注册表里加一行主循环，完全不用改 memory 这块我之前踩过坑，以为只要存消息列表就够了，后来发现不行，对话一结束，所有上下文就没了。下次开心绘画，完全不记得之前聊过什么。所以要做两层 短期记忆，就是当前对话的消息数组最多保留二十条，抄了就把最早的删掉，但 system 消息永远保留长期记忆写到 memory gso 文件里。每次对话结束，把问题和答案存进去，下次启动的时候加载回来。支持关键词搜索。 当然这里用的是简单的 read， 可以 直接升级呈向量搜索，效果会好很多。 好！现在到最核心的部分， react 主循环，整个 agent 的 逻辑就在这个 while 循环里。 每次迭代做三件事，调用 l l m， 判断有没有 to 下划线 cos， 有 就执行工具，没有就返回最终答案。 关键在这里，执行完工具之后，把结果作为突悟角色的消息，加回消息列表，然后循环继续 l l m。 下次调用的时候能看到这个工具结果，再决定下一步怎么做，这就是 react 的 精髓。 reason 加 act 推理和行动交替进行。 max iterations 是 安全阀，防止 agent 陷入死循环。一般设十次就够了。 来看实际运行效果。我给 agent 一个任务，先搜索 react 的 定义，再计算十次迭代需要多少秒。 第一次迭代模型决定调用 search 工具，传入查询词工具返回结果模型看到了。第二次迭代决定调用 calculator， 算出二乘十等于二十。第三次迭代模型觉得信息够了，不再调工具，直接输出最终答案， 整个过程在终端里一目了然，你能清楚看到 agent 每一步在想什么，做什么。这就是 verbos 模式的价值调试的时候非常有用。 写完手写版，我们来对比一下 blanking 的 写法，你会发现 blanking 那 几行代码背后，其实就是你今天手写的这些东西。 while 循环， j， so， on， pass， try， catch， 框架帮你封装好了，还额外提供了流势输出，自动重试这些能力。但代价是出了问题，你不知道从哪里查，而现在你知道了以后用框架遇到奇怪的 bug， 你 能直接去看原码，因为你知道它在做什么。 这就是今天不用框架手写的意义。今天最大的收获我觉得是一个认知转变。 agent 不 神秘，就是一个 while 循环加 l l m 加工具工程化的差距在哪里？在类型定义、错误处理、状态管理这些细节上， 工具描述要写清楚，因为 l l m 完全靠描述来决定什么时候调用，描述模糊就等于工具不存在。 memory 要分层，短期控制，上下文窗口，长期跨绘画保留，缺一不可。理解了这些，你就理解了所有 agent 框架的本质。 最后留一个问题给你思考，如果 agent 在 第三次迭代调用了一个工具，但工具返回了错误信息， agent 会怎么处理 它？会重试吗？会换工具吗？还是直接放弃？答案有三种可能， a l l m。 看到错误后自动重试同一个工具。 b l l m。 根据错误信息尝试换一种方式。 c 完全取决于 system prompt 的 指令，可以人为控制， 你觉得是哪个？明天第十天，我们用 line graph 重构今天的项目，同时揭晓这个问题的答案，明天见。

很多人下载卡里，但是因为是英文的，一个字也不认识，我这种人英语考十七分，属于 e 和桃桃音，所以不认识，今天教大家怎么汉化卡里。首先打开一个终端， 然后第一步更新资源软件，第二步安装中文元宝，我已经弄过了，所以我不需要。第三步配置系统语言这个命令复制一下，然后回去 按回车直行，然后选 ok， 就是 回车，然后向下滑找到 z n 中文元包。但是虽然英语考试七分，但我还是认识 c n 是 什么东西的， 这是按 a、 b、 c、 d 排列的，所以在最后在这里不能用鼠标划拉，鼠标一划拉就是一一大截，所以要用键盘找到 c， 然后按空格选择 按回车，选择 ok， 再按回车。这个时候这可以看到这四个选项，我们用键盘选择最下面这个，我们刚刚选择的按下回车，看他在直行， 现在可以看到他已经弄好了，但是卡里有很多版本，根本不需要，我们只需要重启系统让他生效就行。 这一串只有一点点，扶着上去回车直行， 正在重启，重启之后就是中文语音包，然后把它稍等一下， 稍等一下它就进去了。好了，现在 进去之后就好了， 现在就是中文语言包了，可以看到都是英文，哎，不是都是中文了，对于我这种英语考试期的人十分友好。

openclaw 怎么控制浏览器执行操作？先看效果演示场景一，打开豆包，并和豆包打个招呼， 几秒后 openclaw 会打开并切换到豆包页面，注意这里登录状态还存在， openclaw 会在输入框自动填写信息并发送给豆包。执行完毕以后， openclaw 会反馈执行结果。 场景二，我们让龙虾帮忙测试一下网站功能，并给出测试报告，告诉龙虾测试一下五十一 ai 工具机网站的算工具功能，看效果加速中。 测试完毕，我们看一下测试结果，测试的还是比较全面的，总结的也很全面， 接下来演示下怎么实现的。第一步，告诉龙虾下载浏览器插件 open curl 浏览器。第二步，找到安装目录，也可以让龙虾下载后直接返回目录。第三步，打开浏览器，扩展安装插件，开启开发者模式， 添加未打包的扩展程序，选择扩展文件目录就行了。最后一步，需要配置一下龙虾的 token， 我们需要找到本地的文件， open class， 打开，找到 tocon 复制使用，这样就安装成功了。切换到浏览器，在扩展中打开刚才的插件就可以了。不安装插件的情况，龙虾也可以执行浏览器操作， 但是会打开新的浏览器，不带有登录状态或者后台操作浏览器，龙虾的行为不可见。

嘿，欢迎来到这期视频，今天我们来聊一个让很多小白头疼的话题， open core 的 配置文件，别怕，我保证讲完你也能搞定。 首先， open core 的 配置文件叫做 open core 点杰森，默认藏在你电脑的用户目录下，路径是 open core 斜杠。 open core 点杰森拨浪号代表你的家目录。 这个文件用的是杰森 five 格式，比普通杰森更友好，你可以在里面写注是末尾，多一个逗号也没关系，而且这个文件不是必须的，如果没有 open class 会用默认配置自动运行。 配置文件主要分四个模块，第一是 agents， 用来配置 ai 助手的行为。第二是 channels， 配置接入渠道，比如飞书 telegram。 第三是 gateway， 配置网关的端口和认证方式。第四是 session 管理绘画策略。 重点来了，模型配置在 agents 里面，你可以设置主模型和备用模型格式式，提供 entropic， cloud senate 四五， 还可以配置一个模型白名单，只允许用户切换到指定的几个模型。注意， api key 绝对不能写在配置文件里，应该用环境变量，比如设置 andropic 下划线 api 下划线 key， 或者运行 openclaw configure 命令来安全的存储密钥。 opencloud 支持热加载，也就是你改完配置文件不用重启，大部分改动会自动生效。但如果改了端口号这类关键配置，还是需要重启网关，运行 opencloud gateway restart 就 行。 修改配置有四种方式，第一直接编辑文件。第二用命令行，比如 openclaw config set 来改某个值。第三，打开控制台界面，访问本地一万八千七百八十九端口。第四，运行 openclaw config 交互式向导最适合新手， 如果你要同时运行多套配置，可以用环境变量 openclaw 下划线 config 指定配置文件路径， openclaw 下划线 profile 指定环境标识，这样状态目录会自动隔离。 好啦， openclaw 配置文件的核心就这些，记住配置文件放在斜杠， openclaw 斜杠用杰森 five 格式， apikey 用环境变量大部分改动热加载生效有问题评论区见，我们，下期再见。

你有没有做过对接大模型的前端应用，总因为返回格式不规范导致解析失败、线上报错？说句实在话，这个问题用 json mode 就 能从根源解决。 哦对了，今天咱们面向三年以上的高阶前端，不聊基础语法，只讲落地干货。说白了，咱们聚焦的就是结构化输出、提示、工程 数据解析这些核心落地点。学完今天的内容，你就能掌握怎么搭建稳定的大模型前端应用，避开工程落地的常见坑。 接下来我们正式进入讲解。刚才我们说了，对接大模型的格式问题要从跟上靠 jsmith 解决。 jsmith 其实是 gpt 四这类现代大元模型提供的原生特性， 会强制模型输出符合语法规范的帧数。说句实在的，这是我们前端做稳定大模型应用，搭建自动化、流程复杂、动态 ui 的 核心基石。 它能帮你彻底消除大模型输出的解析错误，还能长期保证输出模式一致性。同时，它支持自动化 ui 渲染，能简化提示词开发， 还自带基础错误处理机制。刚才我们说了， jason mod 是 大模型前端对接的核心原生特性。嗯，很多做过 ai 接口对接的高阶前端，都踩过数据解析失败的暗坑。 传统调用模式下， a 总会在合法追悼前后多余添加解释性自然语言，这些庸俗内容不仅会触发解析报错，还是偶发功能崩溃的隐形元凶。哦，对了， json 猫的解法非常直接，就是强制模型输出，纯规范 json 格式。说白了，这就从根源上消除了这类解析错误，能大幅提升大模型前端应用的稳定性， 搞定了 json 格式本身的解析错误，我们再来看生产级 ai 对 接里更隐蔽的坑。很多做过生产级 ai 对 接的高阶前端都踩过合法 json， 但结构不对， 搞崩线上业务的坑，对吧？模式一致性就是专门解决这个痛点的方案，说白了就是靠 jason skamer 提前定义结构约束， 确保 ai 返回内容完全符合前端程序预期。从预定义约束到返回结果较验全链路对齐我们对自断明类型和整体结构的要求。说句实在的，这是生产环境保障 ai 应用稳定性必不可少的核心环节。 搞定了 ai 返回 jason 的 模式一致性问题，我们再来看生产场景的实际落地价值。做过生产级 ai 前端对接的高阶同学， 大多都踩过手动绑定数据的荣誉坑，对吧？我们今天聊的是 ai 对 接里自动化 ui 动态组建生产的落地方案。一拖 jason mode 输出的规范数据， 前端可以直接把返回结果映射到组间状态，自动完成列表图标或表单的内容填充， 不需要写大量额外绑定逻辑。说句实在的，这套方案既能减少重复工作，提升开发效率，还能轻松支撑灵活的动态内容生成需求。 搞定了 json 输出的模式一致性，我们再来看它给提示词环节带来的实际优化。做过生产级 ai 对 接开发的同学， 多半都踩过提示词的荣誉坑，对吧？传统方式需要反复叮嘱 ai 只返回 json， 不要额外解释，很容易因为漏写约束出问题。哦对了， 用上这双帽之后，就完全不需要这么麻烦了，你只需要简单说明业务需求，不需要额外加这些重复的叮嘱，说白了，既缩短了提示词长度，又降低了沟通磨合成本，实实在在提升了开发效率。 说完这首 mod 对 提示词的简化，咱们来看生产环境落地必不可少的兜底逻辑。不少做过 ai 前端对接的同学都踩过这个认知误区，对吧？ 默认开了这首 mod， 输出格式就一定合规，不需要做额外的错误处理。说句实在的，流式输出场景下， 依然可能出现语法截断或者闭填字断缺失的问题。要保障应用整体稳定性，我们必须给这层解析加上兜底融错机制。业界通用的落地方式就是用 try catch 捕获解析异常失败后直接触发降级逻辑， 这套方案能从根源避免小错误拖垮整个页面，稳稳保住核心用户体验。 讲完这项目的生产环境落地必须的兜底容错逻辑。很多对接过 ai 前端服务的高阶同学只会开配置，从来没深究过背后的时间逻辑，对吧？哦，对了， 实现呢，第一步非常简单，就是发起 api 请求时，加上指定的 response format 配置即可，真正保证输出格式和规的核心逻辑 其实藏在模型内部的生成采样环节，模型生成每一段透坑的过程中，都会被这层语法状态机约束，只输出符合语法的内容。 说白了，这是从生成源头降低格式错误概率，帮我们省去了大量事后格式效应的额外工作量。 讲完这层幕的核心实现和生产环境的都抵容错，咱们直接看真实业务的落地方向。说句实在的，这些都是大厂已经投产的成熟方案， 你学完就能直接附用。对接 ai 业务，除了最常用的非结构化信息提取输出标准，这层还支持自然语言需求转动态配置供前端渲染，对吧？ 智能路由跳转和表单自动填充这两类高频场景，也能靠它大幅简化前端对接流程。说白了，这套方案能帮你省去大量格式适配工作，快速落地 ai 交互优化，提升项目交互竞争力。 刚才我们聊完了大厂生产环境里 jason mod 成熟落地场景，说句实在的，哪怕三四年经验的高级前端，也很容易踩官方文档没提过的隐形坑。 哦对了，哪怕你已经开启了 jason mode， 也要在 system prompt 里明确提到 jason， 否则 api 很 容易无故报错，输出没写完就出大头，肯上线会得到不完整 jason， 直接导致解析失败，必须提前做好超限处理。 ai 输出经常出现自断、类型漂移问题，用揍的这类酷做 skin 嘛，椒盐就能轻松解决对吧？提前避开这几个陷阱，就能保证你的 ai 对 接流程长期稳定可靠。 刚帮大家梳理完生产环境里 jason mo 的 常见踩坑点，避开这些，才能保证 ai 对 接流程长期稳定。说句实在的，想要真正吃透这项技术，对吧？ 不管是工程落地还是大场面试，你得想透三个核心问题，要搞清楚怎么用做的？或者 types group 类型较严 ai 返回了 jason 保障输出的合法性。 也要想明白 ai 返回格式出错时，该怎么设计优雅的前端降级和重试策略。还要理清楚这次 mode 和放生高领的核心使用场景差异。话说回来， jason 梦到本身还在快速发展，想透这些能帮你建立体系认知，提升职场竞争力。如果你最近要找工作，可以看这份二零二六年最新前端题库和前端 ai 进阶路线。

大家好，我们是张十 y 二三二 frank 今天安装 windows 八点一 bill 的 九四五二这个系统是第二个中文的企业预览版，不过汉化不全。由于镜像是 win 用配安装，先安装 winver 先拆弹。 我去，怎么不支持激活 media player 计算器 写字板 截图工具 应用商店，我去，怎么退出了 i 一 十一浏览 器电脑设置 添加个语言输入法 系统属性 web 节目到这里，喜欢的话给个 qq。

openclaw 三点二的版本没有 shell 权限的解决方案，只需要操作一步？ 大家好，我是 ai 吸水哥，今天给大家讲一下关于三点二的版本。 openclaw 三点二的版本它做了更新，其中有一个巨大的变化，就是 shell 命令被取消了，默认并没有 shell 命令。 你看我在这里让他去帮我干事情，然后他明确的跟我讲，这是没有 shell 权限的。所以呢，呃，我做了一个配置，配置完了之后呢，他才确认他有配置权限。然后这个配置是怎么配的呢？是需要把那个 opencloud 一个配置文件里面的这个 pro r l 把后面改成父，不要用 message， 把这个改完了之后，重启一下，你就有这个权限了。兄弟们，这是三点二升级的一个巨大的改变。

a e 软件怎么导出 s v g 动画？这是做好的立体地图 s v g 动画， a e 可以导出，趁格式的 s v g 动画点窗口点扩展，点击八 d 某文，在项目面板选中合成的项目名字， 然后在窗口这里就可以加载显示。打开设置面板，勾选 including jason， 勾选 sander， 勾选 demo， 设置 s d g 动画保存位置保存号之后 点击按钮登，打开文件所在位置， 这个是爹谋预览效果文件，这个是包含 s v g 动画的寸文件。接着看一下 s v g 文件怎么导入 a e 里面。首先在阿里云的 day 塔网站 可以下载 s d g 格式的地图，然后用 ai 软件打开 s d g 格式地图， s d g 地图包含了下一季行政区的所有轮廓线， 取消编组，选中图层，点击更多 点击释放到图层顺序，每个图层前面出现不同色块，按住 shift 键多选二级图层， 拖动到上一级图层，多余图层拖到垃圾桶。点击文件点存储为保存为二零二零版本的 ai 格式的文件。 打开 ae 软件项目面板，双击空白处，导入刚刚的 ai 格式的地图文件， 选择合成点，确定，这时发现多了一个文件夹，文件夹里面就是每个二级行政区的轮廓。 把 ai 格式的轮廓图拖到合成面板，然后可以点击右键，点击新建，点击从史量图层创建形状， 这样就把 ai 时量图转成了 s d g 形状。也可以用钢笔工具 缩放和空格键移动画布，之后点空白处去掉图层，选择状态，直接用钢笔工具勾画轮廓。 新建 s d g 形状图层，设置不透明度为百分之六十八，方便继续勾画地图 s， d g 形状的轮廓。勾画完成之后，地图轮廓从 ai 格式就转成了 s， d g 形状格式， 把不透明度恢复到百分之一百，按一下 delete 键，删掉 ai 格式的图层，点击形状图层， 重命名图层，现在看不到描边效果。点击内容，点击形状，点击描边，设置描边粗细为一，这样就可以看到描边效果了。 按照这个式思路，把所有行政区的轮廓都描模一遍，都在 a 一里转成 s、 d g 动画。 设置填充色和描边色，然后制作 s v g 的地图动画，特别是地图厚度、 地图边界线高亮和发光效果。然后通过 body movement 插件导出 带 s， d g 动画的尺寸文件。点击窗口，点击扩展，选中合成的文件，点击设置默认勾选 griff， 滑动查看设置参数默认，点击 standard， 点击 demo， 点击 assets， 点击 include interesting。 接着设置导出位置，命名导出的文件架 a e 导出 s， d g 动画，这是一个只等格式的 d s， d g 的动画， 点击渲染 render， 点击完成更 查看导出的文件。双击 h t， m l 的预览文件，可以看到带 s， d g 动画的地图效果，里面的透明底色的至尊动画文件给到研发人员就可以直接用了。