intel one api如何编译
大家好，欢迎来到今天的深度解析，今天我们要聊的内容可以说是非常硬核，但也极具魅力。这份指南探讨了一个特别有意思的主题，它把 windows api 自动化比作是一场数字化的潜入行动。 对，就像黑客帝国里的尼欧一样，想象一下，你完全不需要碰鼠标和键盘，就能悄无声息的在后台通过系统最底层的接口去接管和控制各种应用程序。怎么样？准备好打破传统的界面操作了吗？咱们开始吧。 说真的，你想想看，你每天坐在电脑前重塑着多少机械的动作，点一下这里，复制一下那里，关个窗口，输个密码烦不烦？ 那么问题来了，咱们怎么才能在完全不碰鼠标的情况下，像变魔术一样去控制任何一个 windows 程序呢？这其实就是我们要解决的核心痛点， 当我们被这些极其繁琐枯燥的重复性任务困住的时候，这份资料向我们展示了编程式控制那种惊人的威力。说白了，通过直接跟 windows 系统的底层去对话，咱们完全可以让计算机自己去把这些苦差事给干了。 好，那咱们就直接来看看今天的行动计划。第一步，搞懂 windows 自动化公式。第二步，询教窗口句柄。第三步，发送你的指令。第四步，模拟复杂输入。最后，咱们再过一遍专家技巧与避坑指南， 咱们直接进入第一部分， windows 自动化公式。先来看看掌控系统的核心步骤。 资料里指出了一个特别关键的点，就是所有的 windows api 自动化，其实说到底都可以归结为这个终极的三步曲公式。 第一，获取窗口句柄，也就是大家常说的 hwbd。 第二，向这个句柄放送操作消息。最后在必要的时候结合一下模拟输入。你看，这三个步骤简直就是底层操作的绝对核心， 缺了任何一环，你的代码就会像无头苍蝇一样在系统里面乱撞，啥也干不成。刚才提到了 hwnd， 也就是窗口巨柄，这到底是个什么玩意儿？ 资料里用了一个非常绝的比喻，你可以把咱们庞大的 windows 桌面想象成是一栋结构错综复杂的巨型大厦， 那每一个运行的程序，甚至是程序里的每一个小按钮，每一个文本框，都是这栋大厦里的一个独立房间。而这个 h、 w、 n、 d 呢，其实就是这些房间独一无二的门牌号。 你想啊，你要是想潜入房间发号施令，你是不是得先拿到正确的门牌号才行？就是这个道理。 既然知道了门牌号的重要性，第二部分，咱们就来聊聊怎么去寻找窗口聚丙精确锁定目标的门牌号指南里的老手们给出了一个特别中肯的建议，在敲下任何一行代码之前，永远永远先用 spy plus 去侦查一下。 spyplus 是 微软官方提供的一个特别棒的侦查工具，为什么强调一定要用它呢？你想啊，很多诚实的窗口标题，它是会变的对吧？比如你浏览器里的标签页，那一秒钟换一个标题， 你要是靠这种动态标题去找，那无疑与科洲求见。而 spy plus 厉害就厉害在它能帮咱们穿透这些表象，直接看到窗口底层的类名，还有它的层级关系，这就为咱们接下来的精准打击提供了最可靠的情报。 情报到手了，咱们就可以调用 api 去抓门排号了。这儿有两种完全不同的战术策略。 如果你通过刚才的侦查，已经确切地知道了目标的窗口标题或者类名，那太好了，直接用 find window 或者 find window x x 来一次直接打击，瞬间就能锁定目标。 但如果你面对的是那种未知细节或者变来变去的动态窗口，那这得换个战术了，得用 enum windows 和 enum child windows。 这就好比是你派了一支侦查小队，在走廊里头挨个房间地搜查比对，直到找出那个符合你条件的房间为止。 而且非常有意思的是，你看，这不仅巧妙地说明了一个道理，万变不离其宗。 无论是用 c 加加 python 还是 c shop， 当你想要去找记事本的门牌号时，底层调用的逻辑竟然是完全一样的， 全都是叫用那个 find window 函数，无非就是外面披了一层不同编程语言的语法外一而已。也就是说，只要你把底层的逻辑吃透了，你完全可以跨越语言的壁垒，爱用啥语言用啥语言 好。门牌号拿到了，接下来第三部分，发送你的指令。我们该怎么跟目标窗口对话呢？ 资料里特别强调，发送指令的时候，你必须搞懂这两个关键动作的战术区别，也就是 send message 和 post message。 send message 是 阻塞式的，什么意思呢？就是你递交了命令，你就得傻站在那儿，一直等应用程序把活儿干完，给了反馈你的代码儿，才能接着往下跑。这招确实稳妥，但有时候容易卡死。 想法呢， post message 是 非阻塞式的，这就好比你把一封信塞进门缝里，转头儿你就走。这是一种极致的发射后，不管战术，你要是想搞那种高吞吐量刷刷跑的自动化脚本儿，用它准没凑。 搞懂了怎么发？那发点什么呢？其实系统里预设了一大堆标准化的指令动词，比如你甩过去一个 w m clothes， 啪，窗户直接关了，发个 b m click， 程序里的按钮就像被点了一下。 另外，直男里还藏着一个专家的独门秘籍，在你发送像 w m set text 这种输入文本的实质性操作之前，最好先发一个 w m set focus 消息，强制让那个窗口先获得焦点。 信我就多这一步，你的自动化脚本稳定性和成功率绝对能蹭蹭往上上。第四部分，模拟复杂输入。当基础消息搞不定的时候，咱们来实现终极自动化。 现实情况其实挺骨感的，有些程序非常顽固，它就是不理你那些底层消息，对基础的 api 调用装聋作哑。那怎么办？没关系，资料建议咱们直接寄出杀手锏， keep it event。 这玩意说白了就是一种更底层的暴力破解，他能在操作系统的级别，硬生生的模拟出你敲击物理键盘的动作。对于应用程序来说，他根本分不清这到底是人类手指按下去的，还是你代码生成的，他除了乖乖响应，别无选择。 不过话又说回来，资料也提醒了，用这种大局模拟你的代码，就必须像瑞士钟表里的齿轮一样，极度机械和精确。 你想模拟一个非常简单的 ctrl 加 s 保存操作是吧？这对咱们人来说，一瞬间的肌肉记忆就完事了。但是对于代码，你必须严格老老实实地按顺序来。 第一步，按下 control 键，死死按住别放。第二步，按下 s 键，第三步，松开 s 键，最后一步，松开 control 键。这四步顺序哪怕稍微错那么一点，哎，你的脚本分分钟变成一场灾难。 嗯，除了敲击键盘，资料还给我们展示了一个特别爽的操作，化身为系统里的上帝，直接去操纵窗口的物理属性。 比如，你能用 set window text 偷偷把别人窗口的标题给换掉，用 move window 瞬间把程序给扔到屏幕犄角旮旯儿去，甚至还能用收 window， 让一个正跑得好好的程序彻底在桌面上隐身。 你看，一切尽在掌控好了，行动接近尾声。最后第五部分，专家技巧与避坑指南，这能让你的自动化脚本稳如泰山。 这里总结了几个特别容易踩的大坑，首先，记住，巨柄是有生命周期的窗口，一旦被关了，它的 hwd 就 死了。 你要是拿着一个死去的巨柄去发消息，程序绝对坑馈，所以动手前务必要验证。其次，权限是一道铁壁，如果你用普通权限的脚本试图去控制一个管理员权限运行的程序，消息直接就被半路截杀了。最后一点， 虽然 win 三的二 p i 是 底层的基石，但是面对现在那些花里胡哨的复杂图形界面，指南建议咱们把格局打开，可以考虑使用一些现代化的复合型武器，比如 ui automation 或者 python 的 py winotope 库，它们能把底层 a p i 和现代框架完美地结合起来， 侦查、定位、下发指令，再到模拟输入，其实我们现在已经走完了一整套极其完美的自动化流程， 相信通过今天的解析，你已经不再仅仅是一个只能被动点点点的软件用户了。你实打实的拿到了这栋数字大厦的主要是， 那么现在深呼吸，看着你面前的屏幕，那个每天都在折磨你的无聊透顶的重复性工作到底是什么？你打算先拿哪个任务开刀，开启你人生中的第一项自动化工程呢？好好想想这个问题吧！非常感谢收看今天的深度解析，咱们下次再见！祝你编码愉快，一路绿灯！
粉丝1.4万获赞5.3万
相关视频
01:01查看AI文稿AI文稿你好，我是田工，下载了英特尔的这么一个工具，软件运行的时候呢，提示这样的一个错误信息， 他说搜狗 t s f i m e 没有指定在 windows 上运行， 或者它包含错误，请尝试使用原安装戒指重新安装程序。这个报错是零叉 c 零零零零四二八， 这应该是和这个软件冲突，可以先把这个软件卸了，现在把这个搜狗的输入法给它卸载掉。现在都卸载完了，咱们再运行一下试试， 现在没有再报相同的错误信息，直接可以运行了。
07:51查看AI文稿AI文稿大家好，我是大叔，只说真话，只做实在事，只给干货。大家好，你是不是也遇到过这样的情况，手上只有英特尔显卡，想跑大模型却被告知必须用 nvidia。 但我想告诉你一个真相，英特尔显卡不仅能跑，还能跑得流畅，甚至在某些场景下表现比 nvidia 显卡还要好。别急，今天这个教程就是为你准备的。我先告诉你结论，你的 intel core ultra 处理器加上 openvno 就 能实现高性能本地 ai 推理， 不需要购买昂贵的 nvidia 显卡。这次教程含盖三个核心亮点， c p u g p u n p u 三位一体加速，以验证九款以上模型支持开放 api 接口调用。 咱们直接看内容，你是不是遇到这样的问题，手上只有英特级成显卡或 arc 独显，没有 nvidia gpu 响本地部署大模型，但不知道用什么工具能正常运行，需要开放 api 接口给其他应用调用，但不想花几万块买显卡，想体验 openclock 龙虾助手 hermes zion 的 爱马仕智能体， 担心硬套显卡性能不够，跑不动大模型，使用云服务 a p i 费用高昂，每月几百上千的成本难以承受。如果有以上任何一个问题，请继续往下看，今天这个教程就是为你准备的。解决方案是什么呢？ open vino 后端辣妈到 c p p 加上 open vino 等于完美组合， 让 intel cpu、 gpu、 npu 都能流畅运行大模型支持 api 接口开放，轻松集成到你的应用中。它有四个核心优势， one、 intel gpu 加速集成显卡和 arc 独显都能用，无需 nvidia 2 npu 低功耗 core ultra 系列专属 ai 加速器，省电高效。 三、 rest api 开放标准接口如下，应用直接调用四、零额外成本，利用现有硬件，无需购买昂贵显卡。还有一个重要特点，同一份 g g f 模型文件， cpu、 gpu、 npu 无缝切换，无需转换格式，它是如何实现的？ 第一，智能图转换，将 g g m l 计算图自动翻译为 open vivo 格式，识别输入输出权重和缓存。第二，翻译后极速运行，首次运行会翻译模型并缓存，后续推理速度提升三到五倍。 第三，算指融合优化，自动合并相邻计算步骤，减少内存访问效率更高。第四，硬件专属优化，针对 cpu、 gpu、 npu 不 同特性，自动选择最佳执行策略。 第五，多种量化精度，支持 q 四、 q 五、 q 六、 q 八等格式，平衡速度与质量显存。第六，设备无缝切换，同一份 g g 二 f 模型文件， cpu、 gpu、 npu 一 键切换，无需转换。简单来说， openwin 就 像一个智能翻译官，把你的大模型翻译成 intel 硬件能听懂的语言， 然后针对你的 cpu、 gpu 或 npu 进行深度优化，让推理速度大幅提升。安装方式有三种可选，根据你的需求选择最适合的方式。第一种，一键脚本，推荐，最简单自动下载翻译配置支持 windows、 mac os、 linux， 如 如果有需要，评论区留言获取脚本。第二种，多客容器很干净，无需配置环境隔离运行不污染系统，适合服务器部署。第三种，手动翻译，很灵活，完全自定义，适合开发者调试。下面详细介绍步骤，手动翻译只需五到十分钟，接下来我们详细讲解手动翻译的三个步骤。 第一步，克隆仓库执行命令， gitcon， 后面跟着开源代码，仓库地址，由于平台限制，完整链接无法显示，需要完整地址请在评论区留言， 然后进入 lama 到 cpp 目录。第二步，编辑 openvino 版本。如果是 linux 系统，先执行 source 命令，加载 openvino 环境变量，然后执行 cmake 命令，指定构建目录和 nintia 生成器，开启 openvino， 支持，最后执行 cmake build 命令，进行并行编译。 如果是 windows 系统，在 exo， 在 native tools command prompt 中执行同样的 cmake 命令，注意路径分幅，使用反斜杠。如果是 macos 系统，先用 blue 安装 openvino， 然后执行 cmake 命令进行编译。 第三步，下载测试模型，创建 model os 目录，从 huggingface 下载测试模型文件到 models 目录，由于平台限制，完整地址无法显示，需要下载地址请在评论区留言，翻译完成，现在可以开始使用了。为什么选择 docker？ 无需配置环境，一键启动，隔离运行，不污染系统，特别适合服务器部署和快速体验。步骤一，构建 docker 镜像清亮 call 命令，指定 target 为 light， 标签为 lama puma collin light 使用 open veneno 点 docker file 发来文件。 server veneno dpi 版本，开放接口执行 docker 命令，指定 target 为 server， 标签为 luma pen veneno server。 gpu 容器运行， 执行 docker run 命令，挂在 models 目录，映射 gpu 设备设置环境变量接 gml。 open veneno device 为 gpu 起拥有状态执行运行 luma pen veneno light 镜像 指定上下文长度一千零二十四模型路径 n p u 容器运行，执行 doker run 命令，挂在 models 目录，映设 excel 设备设计环境变量 g g m l ompenvenor 的 device 为 n p u 运行 lompenvenor colonlight 镜像， 指定上下文长度五百一十二。模型路径 server api 模式，开放接口，启动 rest api 服务，执行 docker run 命令。映设端口八零八零挂在 models 目录，运行 low open veno colon server 镜像测试 api 调用，执行 call 命令，向本地服务发送 post 请求，由于平台限制，完整地址无法显示，需要完整命令，请在频讯区留言。设置 content type 为 application json， 发送包含用户消息的 json 数据。 高清儿注意事项，需要预先下载模型到 models 目录。 gpu 或 npu 需要印刷设备文件。 server 模式仅支持单绘画多种运行方式。 gpu 加速模式推荐，日常使用性能最佳，响应最快。设置环境变量 ggml openvio device 为 gpu dot npu 低功耗模式，适合笔记本，省电、高效、续航更长，需限制上下文长度为五百亿二十二。 server api 模式，开放接口 rest api 服务如下，应用直接调用 gpu 加速模式推荐设置环境变量 g g m l open vein device 为 gpu 设置环境变量 g g m l open vein state for execution 为一。运行对话模式，执行 l m c l 命令。指定模型路径上下文长度一千零二十四。 serve api 模式，开放接口，启动 rest api 服务，执行 llama server 命令。指定模型路径端口八零八零上下文长度一千零二十四。测试 api 调用执行客肉命令，向本地服务发送 pos 请 求，由于平台限制，完整地址无法显示，需要完整命令，请在评论区留言。简化配置技巧，将环境变量写入八十二 c 或系统环境变量，避免每次手动设置遇到问题，如何解决？第一个问题， gpu 无状态执行失败 现象是推理报错或崩溃。解决方法是设置环境变量 g g m l open window stay for ex execution 为一。第二个问题， n p u 内存溢出现象是上下文太大导致失败。解决方法是限制上下文长度为五百一十二或更小。第三个问题，首次运行慢，原因是模型变异需要时间，这是正常的，后续运行会非常快。第四个问题， 多 g p u 选择方法是使用 g p u 点零或 g p u 点一指定设备铁技巧技巧查看详细日制级别三、执行 l m c l e 命令，加上 l v 三参数起用性能分析设置环境变量 g g m l open veno profiling 为一 导出计算图用于调试设置环境变量 g g m l open veno dumbed up siggraph 为一。核心要点总结，你现在可以医用 intel 显卡流畅运行大模型，无需 nvidia two 开放 api 接口如下，应用直接调用三零额外成本利用现有硬件。四、部署 openclhermes agent 等智能体。 五、 cpu gpu npu 灵活切换，按需选择推荐场景日常对话用 gpu 模式，低功耗用 npu 模式，大批量用 cpu 模式。关键命令 ggml opengeno device 等于 gpu 到 ggml opengeno stateful execution 等于一、 上下文长度控制用 c 参数我准备了 windows、 mac、 linux 三个平台的一键安装脚本，有需要的在评论区留言获取一键脚本。如果这个教程对你有帮助，欢迎点赞收藏评论，分享你的使用体验。我是大叔大，专注研究 ai acent 与大模型应用，感谢观看，咱们下期再见。
106大书大
07:16查看AI文稿AI文稿那今天呢，我们教给大家如何将 java 集成到你的大模型当中去，那大家看一下，这是我创建的一个大模型的 skill， 那 利用这个 skill， 我 可以一次创建三个不同分辨率的封面图啊，大家看一下，这是十六比九的，那这是四比三的， 那这是三比四的，所以说呢，这种接入方式呢，会让你的工作流变得更加的自动化，更加的智能。当然接入 confui 的 方式呢，有多种啊，你可以接入原声的 confui， 当然也可以接入云端的 confui。 那 今天呢，我们来接入的是 runninghub 里边的云端 confui， 那 同样我把工作流呢也构建到了 runninghub 上，大家可以通过 runninghub 点三来访问这个平台。 在 confui 领域， runninghub 是 一个非常棒的在线工作台，因为只要有新的模型和新的扩展出现，它都会第一时间跟进。那最近呢， runninghub 也开启了一项新年的活动， 叫做骏马新城，大家呢可以在网站的首页上看到它的入口。那也欢迎大家呢踊跃的投稿啊，来获得更多的奖励。那下面呢，我们就给大家来演示一下，如何将 confui 的 图片生成能力集成到你的大模型当中。 我现在用到的开发工具呢，是谷歌的 anti gravity， 那 关于这个工具的使用呢？我在之前有 一个 secure 开发的教程，如果基本的应用你不太明白的话呢，可以去看一下。首先呢，我们需要新建一个项目的文件夹，关于 anti gravity 呢，它有很多的操作界面啊，如果你不太熟悉编程的话，那你可以点开 agent manager 这个界面，然后呢 打开你刚才新建的那个文件夹，那你目前所处的工作空间呢？啊，就在这个文件夹里边儿， 所有的上下文儿呢，也被约束到这个文件夹里边儿。那首先我们需要明确我们最终的目的呢，并不是要生成一张图片，我们现在是在从头地开发一个 skill， 并且把这个技能固化到 antigravity 里边儿。所以说呢，我的第一个提示词是这样写的，我将开发一个 skill 去调用 running hap 上的 ctrl y。 下边儿呢，我将会提供给他一些资料啊，告诉他如何去使用 running hap。 大家注意啊，如果你看到这样的界面，就代表着他在联网去搜索 running hap 的 一些功能 啊，这个呢，我们最好给它停掉。这个也是大家需要注意的一个问题哦，需要的是一种交互式的开发。所以说如果你发现大元模型现在做错了，你要及时的停掉它，因为呢，我们需要精准的给它一些资料， 那这个资料如何提供呢？不管你调用任何的云端的产品，它都会有一个 api 的 文档，关于 renehab 的 也是这个样子，大家可以在文档中心里边找到 api 的 文档，这里边呢可以切换语言，我现在呢是， 那如果你喜欢看英文的啊，那可以切换成英文的，切换的方式呢，也非常的简单，那我们可以把上边的杠 c n 换成 e n 就 可以了。当然这个对于大语言模型来讲呢，没有任何的难度啊，任何语言都是可以的。下面呢，我们把这个内容提供给他，那提供的方式呢，需要有一些技巧，如果你直接给他一个文档页面，可能他是读不出来的。大家可以在文档下边啊，看到有一个叫 l m s t x t 啊，有很多文档都会有这样的内容，或者你把它导出出来也是可以的。那当你点开之后，你会发现啊，这是很多 macdunk 格式的链接，那你只要把这个东西提供给大语言模型，他就知道 啊，应该怎么去使用。 runnyhab， 现在呢我新建了一个文件夹啊，这里边呢我放了一个 md 的 文件。那如果你打开之后呢，你会发现就是刚才我们看到的这个所有的内容，下边呢我们告诉他这个文件夹的内容就是 api 的 文档。 呃，调用文件夹或者调用上下文的方式呢？可以用艾特的方式，所有的这种沉浸式编程工具呢，都是这个样子的， 所以说呢，大家掌握这种通用指令的写法，那他现在呢就在学习这个文档，他现在已经构建了，我们对应的是给我的文件夹，那他现在呢有一个开发计划啊，如果你觉得没有问题的话呢，我们可以继续往下进行。那到现在呢，大家会发现啊，他整个的程序呢就已经开发完了， 当然呢我们不用关注程序本身。那下边呢我们需要告诉他一些关键信息啊，这里边呢包含你的 runninghub 的 apik 以及你的 python 在 哪，因为如果你要使用的是虚拟环境的话，你必须知道你的 python 的 解释器的位置。那关于 runninghub 的 apik 呢，大家可以通过 pi 控制台，然后呢复制一下就可以了，然后呢它会生成一个测试工作流的文件，那我们可以运行一下。好，下边最关键的信息来了，就是我们现在需要给它提供一个 workflow id， 也就是说你现在要执行哪个工作流？那 running app 上呢？有很多的工作流啊，比方说呢，我现在以千万一妹子为例， 那我们利用这个模型来生成图像啊，那它的 id 在 哪呢？大家注意在它的 url 里边会有一串数字，这个就是它的 id， 下面呢我们告诉它 workflow id 是 什么，那我们来执行一下，那现在呢，它其实已经生成了一张图片啊，当然这个是完全测试用的，那这是图片的 url 地址， 大家可以看一下啊，这是他生成的这张图片啊，其实还是非常漂亮的。好，下边呢我们告诉他，我们需要自定义分辨率和提示词，那我们把这个需求传递给大源模型， 那他会告诉你应该如何去做。那他现在开发了一个程序，就是把这个工作流呢，给他下载下来，然后去分析啊，这里边哪些是分辨率，哪些是提示词的相关节点。 其实大家在调用这种云端的工作流的时候，最大的障碍就是不知道怎么去写这些具体的内容， 那这个时候你就会发现啊，你完全的不用自己去写啊，你可以让大圆模型来帮你分析。那大家看到啊，现在整体的工作流呢，我们就已经有了，他现在呢已经告诉你啊，就是你在执行这个 逗留的时候呢，可以用这种方法来指明你的提示词是什么，然后呢指明你的宽和高是什么？当然很多人可能不太喜欢用这种方法来执行我们的命令啊，因为相对来说还是专业一些，我们可以让它变得更易用一点，所以说我这强调，我希望用自然语言的方式啊，来 指明分辨率和我们的提示词。下面我们来测试一下，我们希望他帮我们生成一张图片，图片的主题是夕阳当中的女孩，那首先呢，我们希望他生成一个纹身图的提示词，然后呢，再调用 run tab 来生成一个幺九二零 乘以幺零八零的图片啊，我们来看一下能不能正常运行，那大家看一下，这是最终生成的效果，目前呢，它还是存在云端的， 当然呢，你可以要求把它保存在本地，那你要注意啊，首先呢，它帮我们生成了一段提示词，然后生成了一张图片。那我们来看一下，其实我们最终研发了一个 skill， 当然呢，作为演示的话，可能还有很多地方要优化，但是呢，使用 runnyhab 生成图片，这个已经作为我们的大圆模型的一个基本的技能， 这样的话呢，你就可以不用打开软件哈来生成图片，甚至呢，你可以要求它一次性生成多张图片啊，也是可以的，比方说呢，我们要求它生成三个主题的图片啊，第一个是喝咖啡的女孩， 第二个呢是深夜读书的女孩，第三个是在花丛当中漫步的女孩。那大家看一下我们生成的这三张图片啊，也是非常漂亮的。 那所以说呢，将 confui 的 生成能力啊，放到我们的 ai agent 里边，就可以让你的自动化的工具更加的强大。好，今天呢，我们就说这么多，还等什么，赶紧自己试一下吧，关注我，做一个懂爱的人。
202有趣的80后程序员
04:28查看AI文稿AI文稿我们开始介绍如何使用软字库显示 unico 的 字体，接下来开始演示新建一个页面， 右上角是放置字体功能区，由于还没有设置软字库，因此会提示要先设置。打开设置字库设定窗口，选择软字库文件，我们就选择这个二十四点，还有 s、 k， 十六，二十四，三十二点， 总共有这么多种其他参数，默认即可，点确定输入几个中文字，再输入一些其他的字母，输入几个英文字母串，它这边 a、 s、 c、 i， 爱马仕包括多种字母，可以设定为十六点的大小， 设定好就渲染出来了，效果非常直观。每种 s、 k 点阵都有几种字形，我们先复制好几个字母串，这是第一种样式，这是第二种样式，这是第三种样式。也可以换全角或者半角。选择半角看效果，给大家看一下七断码的效果， 选择半角样式，再选择一，这就是七断码在十六点下的效果。那我们再看看二十四点的效果， 复制贴上，再设定为二十四点，这边再多设一个半角的样式，复制粘贴一下，再设置三十二点的，可以改变字体的颜色，都简单做一下设定，再调整一下位置，放在这里吧，不会超出我们现在看到的效果，就是液晶屏上的真实效果， 所见即所得的效果。目前我们选择的中文只有二十四点，如果选择三十二点呢，就会渲染不出来，那需要换一下字库即可。给字母串加一下背景色，前景色也变一下，这样它看起来效果会很好。 我们还可以进行放大，可以直接手动拖动它放大，放大两倍也可以从这边来选择，它是已经放大两倍了，这个复制过来也放大， 再换个颜色，字体就这样设计。那软字库到哪里找呢？请到论坛主帖，论坛的主帖的下面 有多种字库提供下载，大家根据自己的需求来下载。各种字库容量不同，所包含的点阵不同字形，点阵越大，字库容量也会越大。比如说这个是 c、 g、 k 中日、韩，它包括三种尺寸的字形，所以这个档案是最大的，其他的还有十六点加上 r、 k 字符， 二十四点加 s k 字符，三十二点加 s、 k 字符枪相对来说就容量就没有那么大了，大家可以根据自己的需求选择适当的字库来使用。软字库压缩包中都包含这些文件，这是字库并档，在设置中要添加进来。其他几个文件夹 是调用自库的 api 接口，比如说 stm 三二这个，那它有两个文件，我们要用的话就把它复制过来，在贴到工程中使用。贴上来那要怎么引用呢？双击工程添加，然后把刚才这个立笔加进来， 文件类型选择星点立部才看得到，这样就添加进来了。头文件也是需要引用，不过若使用 r、 u、 i 来生成 c 码时，就会自动添加了，不需要在手熟动添加。接下来我们转出 c 码保存到工程目录，成功生成文件再打包图自含自库 也是存到工程目录，一起吧。完之后我们再打开 q 功能，看到提示有更新了， a、 e、 s 进行刷新， 当前的包只有一个字库档，头文件已自动引用了 c 码，可以看到如何引用 a p i 来显示字体代码，非常直观易读，可以看到具体显示的是哪个字串主函数，只要引用一个渲染函数即可在翻译和下载。接下来是少录图资字库到 flash， 先下载 usb cdc 固件到下位机，将其模拟出串口固件，在论坛也提供下载的，选择 usb cdc 连接下位机菜单连接，然后自动检测并选择， 再选择自动烧录，开始等待提示，已经烧录完了，点确定就好。接下来通过 s t link 下载程序，我们可以看到字体都显示出来了，这里太宽了，自动换行，先移动到其他位置， 放到这边，再做一次翻译和下载。我们现在看到液晶屏上显示的字符和我们在 r u i 上设定呢，就完全一样了，这就是 unico 的 显示，谢谢观看。
19BW.SU
01:09查看AI文稿AI文稿往期视频已经教过大家如何搭建中转站，今天教大家如何让中转站调用你想用的大模型。直接开始这里修改完信息提交就可以了。接着在渠道界面添加新的渠道类型，大家可以按需选择 添加一个名称，分组保留 default 就 可以删掉不需要的模型，我只保留了两个密钥。这里我们去阿里云百链获取一下右上角控制台，点击 api key， 右上角创建， 这时候我们就拿到了自己的 api key， 直接复制粘贴到后台的密钥里，渠道就配置好啦。 再点击上方令牌，添加新的令牌，输入名称，注意这里过期时间要选择永不过期，并且额度留空， 再次点击令牌就可以看到啦。我们再回到渠道里测试一下，有响应时间就说明我们的大模型已经接入到自己的中转站啦，还不会搭建中转站的可以观看我的往期视频哦，拜拜！
4133小艾
06:20查看AI文稿AI文稿好吧，让我们直接切入正题，欢迎来到今天的深度解析。今天我们要聊的内容源自一份极具价值的指南，二零二六年五月二十日的 run down 指南。这期内容非常硬核，但绝对是个能改变游戏规则的东西。 想象一下，把任何你常用的 api 或者数据网站直接转换成你的 ai 智能体，能顺畅调用的本地原生命令行工具，也就是 cli， 听起来是不是很棒？在开始之前，各位开发者，我想问你们一个问题，你们的 ai 智能体是不是经常像个霉头苍蝇一样的探险家？ 你想啊，每次你让他去处理某个网站的任务，他都得像发现新大陆一样，打开浏览器，从头开始摸索网页结构，加载那些臃肿的页面，到处找借口。 说真的，他是不是在浪费大量宝贵的计算时间和资源去重复探索那些明明早就该烂熟于新的网站，对咱们这种天天跟自动化工作流打交道的人来说，简直就是一场效率噩梦，对吧？ 那么这就引出了我们的第一部分，智能体重复劳动的问题。如果你平时极度依赖 ai 来处理重复新任务，那你绝对懂我刚才说的这种挫败感。咱们想要的是个雷厉风行的数字员工，结果却是个每次都要重新认路的路痴。 咱们来看看这新旧两种方法的直观对比。旧方法就是漫长的浏览器绘画智能起，在复杂的网页结构里苦苦挣扎，速度慢不说，还动不动就报错。 但新方法呢？它是直接赋予你的智能体可赋用的指令命令。咱们与其让它每次都在浩瀚的互联网里盲人摸象，不如直接塞给它一张永久的精确的本地地图。这可不仅是提升点效率的事，这是彻底颠覆了智能体的工作方式。 接下来是第二部分，引入 printing press。 现在这一页的内容特别有意思了，我们要怎么实现刚才说的那种跨越呢？靠的就是这个极具英雄色彩的工具，它叫 printing press。 简单来说，它能让你下载那些对智能体极其友好的工具，专门对付像 google flights 航班信息或者 espn 体育数据这种出了名难搞的 api。 不仅如此，它最牛的地方在于，它能让你为任何带有 api 的 网站构建自定义的 cli 工具。也就是说，你可以把那些数据庞杂的网站全变成智能体，能顺手拈来高效执行的本地命令。 听到这，你可能会想，哎，这玩意儿会不会把我的开发环境锁死在某个特定的大模型上？绝对不会，不管你是用 codex、 open call、 hermes， 还是最近特别火的 code code， 它全都能无缝对接。它完全融入了当今最顶级的 ai 编程智能体生态圈里， 主打的就是一个灵活、自由好的理论。说完了，进入第三部分，你的入门工具包 既然这么强大，那咱们该怎么动手弄呢？其实特别简单，你只需要准备四样东西，第一，准备好 node 和 npx， 这是用来装入门套件的。第二，构语言环境，用来装核心的二进制文件。 第三，挑一个你用的最顺手的 ai 编程智能体。最后，随便找个简单的网站 api 文档页或者 open api 规范，咱们等下拿来测试，就这么简单的几步，极其轻量级，绝对不是什么让人头疼的重度配置。 东西准备齐了，进入第四部分，构建自定义命令行情工具，我们来看看它是怎么跑卸来的。 咱们的构建流程其实只有极其清晰的三步，首先安装刚才说的入门套件，然后为了确认环境畅通，先让你的智能体去跑一个现成的工具测一下，比如指南里推荐的 e s p n 体育数据工具。 测试通过之后，第三步也是最关键的一步，安装 printing press 的 核心。二，禁制文件。为什么要专门装这个？因为这就是整个方案的杀手锏，一旦装上，你的智能体就真正觉醒了，它可以为其他任何网传或 api 自动生成属于自己的 c l i 命令了。 你看，这是直男里的一个实际测试结果，就刚刚那么几部简单的设置 espn 的 命令行情工具瞬间就跑通了，直接在本地端端里甩出了实时的 nba 比分。 这里没有慢吞吞的浏览器渲染，也没有乱七八糟的前端资源加载，干干净净，全都是智能体最喜欢的结构化数据。 这个活生生的例子，实打实的证明了这套方案在咱们真实的开发环境里，绝对是完美且勾销运作的。 我们再把格局打开一点，来到第五部分，宏观视角，所以最关键的一点是，这根本就不是帮你少写两行抓取代码那么简单的事情，这是一种架构层面的降维打击， 特别是当你的智能体在复杂的 api 集成上卡壳的时候，你现在只需要一个网站，一份枯燥的 api 文档，哪怕只是一个 api 密钥，你就能赋予你的智能体自主构建命令的超能力。 你可以把那些每天都要捏着鼻子做的繁琐的外部数据交互，直接转化成轻量级的小型本地工具，从此以后，主动权牢牢掌握在了智能体自己的手里。随后，我想用指南里这句直截有声的话来收尾，不要再让智能体去重复探索相同的领域了。 各位，你为 ai 投入的算力这么贵，时间这么宝贵，别再让它把精力浪费在无意义的重复加载上了。用 printing press 给它们建个本地工具库吧，让它们去干点真正有技术含量的推理工作。 那么问题来了，听完今天的解析，你打算把你工作流里哪个最烦人的 a p i 变成你 ai 的 第一个专属命令？行呢？快去动手尝试一下吧！感谢收看今天的深度解析，我们下次再见！ 二零二六， ai 重塑世界，复合型人才将引领未来！具备深度业务洞察，精通前沿 ai 技术，拥有卓越创新能力。 a g i to b 专业 ai 学习平台，提供系统课程、实战项目与精英社群。
37赋能创新家
07:54查看AI文稿AI文稿hello， 大家好啊，平时大家都会用到什么样的平台去搭建自己的工作流呢？我今天想跟大家分享的是一个我基于本地 python 脚本调用 devi 云端的 api 接口 来实现在本地的一个 agent 项目啊，项目本身是很简单的，就是通过自动抓取 youtube 上面的视频字幕来生成一个新闻稿，然后通过大源模型去整理这个新闻稿，然后最终用语音实时的播放出来， 大概就是这么一个路径，然后我技术上面是怎么实现的呢？但这个直接去抓抓视频字幕，然后再播放出来，这个事情本身是很简单的，但其实我也是想通过这个项目跟大家分享一下，其实 defi 上面有一个非常强大的，也是容易被忽视掉的一个功能 啊，一般我们在 defi 这个平台上面呢去使用的话啊，就像我现在这种，就比如说啊，用户给出一个 文字性的问题，然后让大元模型去做事情啊，然后呃，在这呢大家看到的话，只是两个简单的 deepsea 去帮我翻译整理提取啊，然后大家看到我这个工作流程是非常简单的，然后用户输入 整理，然后直接回复，那么在这个地方呢，用户输入呃我并不是把它设置成一个常规的对话框的形式，它是一个呃 transcript， 呃，我这么设置是因为我后面需要用本地的 python 去 调用它，而不是直接在呃云端的对话框，或者说是呃这个工作流的交互界面里面 跟 define 进行交流。然后在这里我想分享 define 的 一个功能是什么呢？大家一般做完自己的工作流之后呢，可能常用的是直接运行，但它还有一个强大的功能，容易被忽视掉，就是这里访问 api， 呃，点击之后呢，大家能看见在我们刚刚做的这个工作流向下呢，它会有一个地方 api 密钥，点击之后呢，你可以去创建生成，这个意义是什么呢？其实就和我们去调用大元模型是同样的道理啊，比如说我们要去用 tiffany 或者说 gpt gmail 啊，我们也需要去官网 去拿到自己或者说先申请自己的 api 拿回来用。这个地方是一样的啊，就是我们搭建好一个 agent 或者是 walk flow 之后，我们也需要去调用它， 那么调温它就必须在这个地方有一个 api 的 密钥，大家在这拿到就行。好，拿到之后干嘛呢？ 你说。以我的这个案例来讲的话啊，我让 cloud 在 本地 python 给我写了一个脚脚本，这个脚本它包含了整个本地 对画框交互的设计、 ui 设计，然后这个脚本里面包括了有调用 define api， 调用呃，千万 tts 的 api。 除此之外呢，这个 python 还需要去帮我抓取 youtube 上面视频的字幕。 那么最后这所有的一切写完之后呢，我就呃还是让 cloud 帮我写了一个一键启动的脚本啊，现在我们试一下， 好脚本启动之后呢，就长这个样子。嗯，其实整个交互逻辑是非常简单的，就是我需要去 找到 youtube 上面的一个视频链接，比如说以这个为例，你不用去加工什么，就直接把这个嗯地址把它拷贝过来，然后输入进去，然后我们点开始分析 这个，大家硬件上面如果说比较呃有算力剩余的话，可以去下一些开源的语音模型，比如说像千问系列的，其实做的都非常非常的好 啊，只是说可能时间上面会久一点，如果说你放在本地去运行的话，其实像我的电脑已经我觉得算算是 mac 系列算的比较天花板的了，但还是跑本地很慢，你看这个接 api 的 话，它就会非常快，文字已经出来了。 美国商会主席苏珊娜，好，这个是效果，大家可以听一下。未来机遇。华盛顿许，美国商会主席兼首席执行官苏珊娜 克拉克近日接受彭博音频工作室采访，就美国企业当前面临的核心问题，审批改革、加密、货币监管及人工智能影响等议题表述了观点。 企业面临的主要挑战，不确定性、克拉克，负担能力问题的根源共大家刚刚也听到了，整个反馈的效果其实是挺不错的。那么总结一下就是我用 python 去抓取 啊，我想听的 youtube 视频的字幕抓取完之后呢，通过 defi 这个 模型去进行加工。好，其实这个用户输入并不是我在 defi 这个平台上面去输入的，这个用户输入其实是我把整个 defi 这个工作流把它变成 api 之后，是 python 脚本抓取的视频字幕提供给他的。 也说在这一步之前，其实还有一步，就是 python 抓的这个视频脚本输入给他，然后他再进行啊整理翻译，然后再进行主要的内内容提取，然后要求他去生成像这个新闻口播稿一样的内容，然后输出给我们。在迪拜这里呢，他交付给我 python 本地，他传回本地的是一段文字，然后这段文字他需要进行语音 转换加工，就是 tts， 然后 tts 呢？在这个 python 脚本里面，我就直接调入了千问系列的这个这个 tts 效果真的还是蛮不错的。总结一下的平台，它不光是说通过节点去搭建自己的工作流，然后在这个访问 api 这个地方，大家其实是可以把整个工作流打包成 api， 供自己本地或者其他的云端平台去调用，或者说让呃 其他的一些应用开发去调用。这种的话，其实在后面开发的时间上面就会节省很多，他的可复制性也会非常的强。 而且更关键的是在 def 你 把一些啊关键的工作流放上去，他其实中间如果报错的话，他是可以去追溯的，在调试的时候出现了问题错误，我们也可以通过旁边的日制标注去看。如果说我们只是在本地或者说是一些 黑盒里面去进行操作的话，你不知道自己错在哪里。 define 这个好的地方是它在日历里面你能看见它整个运行的结果，以及它每一个工作流的环节，再展示一下。嗯， 比如在这里他跑了多久，他的头肯有多少啊？当然这个是我跑通了的哈，如果说是没有跑通的话，他在这边也会有标注，也会有这种这种报错的代码反馈给我们，然后我们也知道怎么去改啊。这就是我为什么很 推荐大家在做 a 卷的时候，一些比较可复制的，关键的需要去追溯的一些节点，把它放在 上面，这个可能也会在后面去提高大家的工作效率，每一个人应该是有五个 工作流制作的免费的这个额度。如果说我们想去搭建更多的 a 站头或者工作流在 diy 这个平台上面的话，就得升级会员，这个大家也可以酌情考虑需不需要去刻这个金，好了今天就到这里，谢谢。
70我不是sudo
05:03查看AI文稿AI文稿你的 openclaw 和 hermes 还在花钱调用大模型的 a p i 吗？今天我教你用零成本本地部署奥拉玛，在你的电脑上直接跑大模型，还能无缝对接 openclaw 和 hermes， 实现免费玩 ai 智能题工具。首先介绍一下欧拉玛，什么是欧拉玛呢？欧拉玛是目前最简单的本地模型工具，在 windows、 mac 和 linux 上都支持，几分钟就能装好，八 g 内存就能跑。当然了，还是建议最少要安装十六 g 内存， 这样体验起来更加流畅。如果有英伟达的显卡，还能够使用 g p u 加速。了解完了欧拉玛是什么之后，我们来看一下欧拉玛如何安装。首先我们要访问欧拉玛的官网欧拉玛点 com， 它的首页是 一个羊驼抱着一个龙虾，下面的英文是 power open claw with ollama， 中文的意思就是使用 ollama 为龙虾赋能，从这一点我们就能看出它是全面的拥抱和支持 open claw 了。这也是为什么今天我要在 open claw 的 专栏里专门做一期 ollama 视频的原因。 废话不多说了，首先要下载欧拉玛，点击右上角的 download， 这里我们可以看到它有 mac os、 linux， windows 的 下载方式自动已经给我们定位到了 windows， 点击这个黑色的 download for windows 按钮， 就会弹出下载框，点击另存为保存，有点大，两个 g， 这个网速非常感人，所以我建议大家用迅雷来下载。 我们已经下载完了欧拉玛的这个安装包，下面我们就开始安装欧拉玛的安装有一个问题，就是它没有让你选择 需要安装的文件夹这个选项，它默认是安装到我们的 c 盘 user 底下的，如果你想安装到指定的文件夹，那你需要换一种方式，我们先把这个安装过程停止。 我们找到拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇拇 斜杠 d i r 等于这里写上我们的安装地址，也就是记盘的欧拉玛文件夹。打回车就跳出来安装界面，我们点击安装，大家可以看这里已经安装到记盘的欧拉玛这个文件夹下面。 进了这个界面，就代表着欧拉玛已经成功安装并且启动了。安装好了欧拉玛，我们再来看如何下载模型。在欧拉玛的网站上点击这个 models， 就 可以进入模型列表，这里都是可以使用欧拉玛直接下载使用的模型。我们来找一下 谷歌的 jam 四，这个是最近小模型中比较好的，可以通过这一句欧拉玛 ram 四来进行下载。 输入奥拉玛 ram 捷摩斯回车运行。安装完了，我们来跟他说一句话试试。我们在这里输入一个，你好打个回车。 好的，扎马四已经回复了我们，虽然有点慢，但那是我电脑性能的问题。大家可以看到现在已经成功地让大模型在我们的电脑上运行起来了。再下一步我们就来看如何把欧拉玛接入到 open cloud 中。 ctrl d， 我 们来退出欧拉玛，然后输入 openclaw config， 进入 openclaw 的 设置，这个我们直接选择本地运行，这个我们选择第二个 model， 打回车进入，然后我们要在这里找欧拉玛， 这个就是欧拉玛提示我们欧拉玛不可用。我们来重新编辑一下 openclaw 的 配置文件。 openclaw 的 jason， 这个就是 openclaw 的 配置文件。我们来找一下 allow 这一项，这里就是扩展的 allow 这一项，我们要在这里添加上 alama。 我 们来运行 openclaw config 来设置 openclaw 的 大模型。 选择默认的本地模式，这个我们选择第二项 model， 就是 设置模型，这个是选择模型的提供商，我们来找一下 alama， 这个是询问我们选择云服务还是本地模式。我们选择最后一个本地模式，这个是欧拉玛默认的 b、 c、 l。 回车，这个是有哪些可用的模型？只有一个，我们按空格选中回车确认 提示，我们已经把模型信息写入了配置文件，我们退出。我们回到 open 可乐，这里是我们 问了 openclaw 一 句你使用的什么模型，他们回，他回答，我使用的是谷歌的伽马四。我们这次的 olamata 下载安装以及安装模型，以及如何在 openclaw 中使用 olamata 模型。到这里就结束了，关注，我每次 都给大家带来一个 ai 的 新知识，感谢大家的观看，再见。
874波哥的AI课
