1.����aiԴ��
2.使用全套开源工具构建 LLM 应用实战：在 Dify 调用 Baichuan 开源模型能力
3.带桌面推送Ai智能客服系统在线客服源码
4.树莓派实战：微信机器人（itchat实现）
5.AI与PDE（七）：AFNO模型的聊天聊天源代码解析
6.AI顶底公式？

����aiԴ��

       OpenAI 推出的开源免费工具 Whisper，以其出色的源码源码语音识别功能吸引了不少关注。这款模型不仅能够进行多语言的工具语音转文本，还能进行语音翻译和语言识别，聊天聊天实用价值极高。源码源码市面上许多语音转文字服务如讯飞语记等都收费，工具拖放建站源码而Whisper作为开源选择，聊天聊天无疑是源码源码一个经济实惠且性能强大的解决方案。

       想在本地体验Whisper，工具首先需要为Windows设备安装ffmpeg和rust。聊天聊天ffmpeg可以从ffmpeg.org下载并配置环境变量，源码源码而rust则可以从rust-lang.org获取并确保命令行可用。工具接着，聊天聊天创建一个python虚拟环境，源码源码安装Whisper所需的工具依赖库。

       运行Whisper的过程相当直接。通过命令行，只需提供音频文件如"Haul.mp3"，并指定使用"medium"模型（模型大小从tiny到large递增）。首次运行时，Whisper会自动下载并加载模型，然后开始识别并输出文本，同时将结果保存到文件中。如果想在Python代码中集成，chatgpt github源码搭建也相当简单。

       如果你对此技术感兴趣，不妨亲自尝试一下。项目的源代码可以在github.com/openai/whisper找到。这不仅是一次AI技术的体验，还可能开启语音转文字的新篇章。更多详情可参考gpt.com/article/的信息。

       标签推荐：#AI技术 #OpenAI开源 #Whisper模型 #语音转文字 #ChatGPT应用

使用全套开源工具构建 LLM 应用实战：在 Dify 调用 Baichuan 开源模型能力

       在当前开源大语言模型的热潮中，许多开发者希望本地部署开源LLM（大型语言模型），用于研究LLM或构建基于开源LLM的应用。笔者也尝试通过开源社区的项目，本地部署服务构建自己的LLM应用。那么，本地部署开源LLM构建聊天应用需要哪些准备呢？本文将详细介绍步骤与工具，包括本地环境准备、大型语言模型、推理服务以及使用开源平台Dify.AI快速构建应用。

       本地环境的准备：

       为了部署高性能的开源大模型，需要一台配备高性能大显存NVIDIA显卡、大容量高速内存和大容量固态硬盘的本地机器。以Baichuan-chat-B模型为例，建议配置为：i9-K CPU、GTX双卡、域名源码教程图片GB内存和2TB固态硬盘。

       大型语言模型：

       大型语言模型是构建应用的基础，不同模型根据预训练数据和任务目标的不同，其结构和知识学习也不同。在Hugging Face等热门AI社区，可以寻找感兴趣的开源LLMs进行尝试和能力对比。

       本地部署推理服务：

       推理服务将预训练模型加载至本地服务器，提供模型预测接口，支持本地化使用LLM进行NLP任务，无需依赖云服务。使用GitHub上的一流开源项目，如LocalAI、openLLM等，一键部署热门开源模型。

       Dify.AI：“LLM操作系统”：

       使用开源平台Dify.AI，构建基于不同LLM能力的AI应用变得简单。Dify支持快速调用和切换开源模型，包括托管在HuggingFace和Replicate上的所有模型，支持本地部署，通过Xorbits inference推理服务构建AI应用。

       以下为实操步骤，从零开始介绍环境配置、安装CUDA、拉派指标源码WSL2准备、Docker部署等。

       环境准备：

       基本的conda和Python环境推荐使用conda管理。首先安装conda，初始化Python3.环境。安装CUDA，推荐从官网直接下载Windows 版本。WSL2环境准备，安装Ubuntu版本并配置代理脚本。安装Docker Desktop，选择使用WSL2，确保WLS和Docker正常运行。配置WSL，安装WSL的CUDA，安装PyTorch。

       部署推理服务Xinference：

       根据Dify部署文档，Xinference支持多种大型语言模型。选择Xinference部署Baichuan-chat-3B模型。在WSL中安装Xinference基础依赖，并配置模型。启动Xinference并下载部署模型。使用Xinference管理模型查看已部署模型的uid。

       部署Dify.AI：

       参考Dify官网部署文档，球形照片墙源码CloneDify源代码，启动Dify，检查容器运行状态。在浏览器访问部署结果。

       接入Xinference配置模型供应商：

       在Dify设置中填入Xinference模型信息，注意SeverUrl使用局域网IP，获取WSL的IP地址。配置Baichuan-chat模型，创建应用。

       后记：

       本地部署结合Dify.AI，快速构建基于开源LLM的AI应用成为可能。通过持续迭代和优化，提升应用性能。Dify提供了一个完整的LLM应用技术栈，简化了构建和管理过程，支持数据清洗、标注等服务。LLM应用的场景和能力将进一步丰富，门槛降低。

带桌面推送Ai智能客服系统在线客服源码

       该系统集安全防护和国际化多语言功能于一身，确保了客户信息的安全性同时支持全球多语言交流，助力外贸新机遇。

       采用Thinkphp5和Workerman框架，搭配Nginx、PHP7.3和MySQL5.6环境，构建稳定高效的服务平台。支持多商户客服模式，不限坐席数量，用户可独立运行系统，数据存储于自服务器上，提供SSL加密和离线对话功能。

       系统更新日志涵盖多项功能优化，如新增桌面右下角悬浮推送，方便用户在进行其他操作时亦能即时回复客户消息。此外，聊天页面集成常见问题及品牌logo、公司简介，提升用户沟通效率。客服配置中心增设自定义上传广告及链接选项，增强个性化服务体验。会话页面允许用户上传背景，进一步定制化交互环境。

       欲获取源代码，请访问客服系统.zip文件，存放于蓝奏云。

树莓派实战：微信机器人（itchat实现）

       本文介绍如何利用树莓派和开源库itchat构建微信机器人，实现自动回复、AI聊天、定时发送天气预报以及控制摄像头等实用功能。树莓派作为小时在线的server，使得微信机器人的应用范围更加广泛。

       itchat是一个用于微信个人号接口的开源库，通过少量代码（不足行）即可实现微信机器人功能。其原理是模拟微信网页版客户端，通过HTTP协议进行通信。具体实现细节可以参考github上的源码。

       首先，实现自动回复功能。注册消息处理函数以应对不同类型的微信消息，包括文本、、语音、视频等。默认处理单聊消息，同时可以扩展处理群聊消息。程序启动后，通过扫描二维码登录，然后自动运行。为避免发送消息给自己无效，可以通过发送消息给文件传输助手filehelper实现相同效果。

       接下来，实现AI聊天功能。结合AI本地库或在线API，如青云客，可实现基于关键字命令的对话功能。对于自由对话可能效果不佳。在实现AI聊天功能的基础上，可以进一步获取天气预报信息，通过AI请求传递特定地点的天气查询。

       定时发送天气预报功能需要解决定时任务执行和消息发送问题。Python库apscheduler可实现定时任务调度，而itchat提供便捷的API来搜索特定群。

       控制摄像头功能则包括通过USB接口连接摄像头、使用fswebcam进行拍照以及使用linphone进行视频通话。fswebcam是用于拍照的命令行工具，而linphone是一个开源的IP电话客户端，适合在树莓派上使用。

       完整代码已上传至GitHub，提供实用示例和详细的实现步骤。除了上述功能，还增加了健身打卡、睡觉打卡等实用功能，使得微信机器人的功能越来越丰富。

       参考itchat提供的教程文档，可以找到更多关于微信机器人功能的实现和扩展。通过利用树莓派和itchat，开发微信机器人成为了可能，为自动化和智能化应用提供了新的途径。

AI与PDE（七）：AFNO模型的源代码解析

       本文旨在解析AFNO模型的源代码，帮助读者理解模型细节与主干结构。首先，AFNO模型的主干框架在afnonet.py文件中定义，通过类AFNONet实现。模型的核心功能封装在多个类与函数中，依据代码注释逐步解析。

       在代码中，forward_features函数负责模型的核心逻辑，包括patch切割与mixing过程。这些操作由PatchEmbed类实现。位置编码self.pos_embed通过高斯初始化得到，增加模型的表示能力。

       关键模块AFNO2d位于代码中，它基于FNO的原理，负责处理输入数据。AFNO2d模块在forward_features函数中通过循环调用，实现数据的转换与混合。

       经过数个L layer处理后，模型进入类似解码器的结构，用于将中间结果映射为目标结果。这一过程通过self.head(x)实现，以解决特定分类问题。

       本文通过梳理代码流程与结构图，直观展示了AFNO模型的工作原理。读者可参考AFNO的GitHub源代码与论文，深入理解细节。后续文章将继续探讨基于AFNO模型框架的其他应用，如FourCastNet。

AI顶底公式？

       已通达信为例，AI分时顶底公式如下：

       趋势:SMA(((CLOSE-LLV(LOW,))/(HHV(HIGH,)-LLV(LOW,))*),3,1) ,COLORGREEN;

       STICKLINE(趋势>,趋势,,4,0),COLORB;

       STICKLINE(>趋势,趋势,,4,0),COLOR;

       IF(趋势>, 趋势,DRAWNULL), COLORRED;

       RSV:=(CLOSE-LLV(CLOSE,9))/(HHV(CLOSE,9)-LLV(CLOSE,9))*;

       K:=SMA(RSV,3,1);

       D:=SMA(K,3,1);

       TYP:=(HIGH+LOW+CLOSE)/3;

       CCI:=(TYP-MA(TYP,))/(0.*AVEDEV(TYP,));

       DIFF:=EMA(CLOSE,2)-EMA(CLOSE,);

       DEA:=EMA(DIFF,6);

       MACD:=2*(DIFF-DEA);

       转点:=IF(K>D AND CCI>0 AND DIFF>DEA AND MACD>0,1,0);

       STICKLINE(转点=1,,,6,0),COLORYELLOW;

       STICKLINE(转点=0,,,6,0),COLORCYAN;

       顶部:,COLORYELLOW;

       底部:,COLORCYAN;

       判断:SMA(趋势,3,1),COLORFFFF, LINETHICK2;

       IF( 趋势>判断,判断,DRAWNULL), COLORYELLOW, LINETHICK2;

       IF( 趋势<判断,判断,DRAWNULL) ,COLORFFF,LINETHICK2;

       DRAWICON(CROSS(趋势,判断),判断,1);

       DRAWICON(CROSS(趋势,顶部),顶部,2);

       LC:= REF(CLOSE,1);

       RSI:=SMA(MAX(CLOSE-LC,0),6,1)/SMA(ABS(CLOSE-LC),6,1)*;

       VAR1:=(HHV(HIGH,9)-CLOSE)/(HHV(HIGH,9)-LLV(LOW,9))*-;

       VAR2:=SMA(VAR1,9,1)+;

       VAR3:=(CLOSE-LLV(LOW,9))/(HHV(HIGH,9)-LLV(LOW,9))*;

       VAR4:=SMA(VAR3,3,1);

       VAR5:=SMA(VAR4,3,1)+;

       VAR6:=VAR5-VAR2;

       短线1: IF(VAR6>,VAR6-,0),COLORA6B8C1;

       VAR2Q:=REF(LOW,1);

       VAR3Q:=SMA(ABS(LOW-VAR2Q),3,1)/SMA(MAX(LOW-VAR2Q,0),3,1)*;

       VAR4Q:=EMA(IF(CLOSE*1.3,VAR3Q*,VAR3Q/),3);

       VAR5Q:=LLV(LOW,);

       VAR6Q:=HHV(VAR4Q,);

       VAR7Q:=IF(MA(CLOSE,),1,0);

       VAR8Q:=EMA(IF(LOW<=VAR5Q,(VAR4Q+VAR6Q*2)/2,0),3)/*VAR7Q;

       VR2:=REF(LOW,1);

       VR3:=SMA(ABS(LOW-VR2),3,1)/SMA(MAX(LOW-VR2,0),3,1)*;

       VR4:=EMA(IF(CLOSE*1.3,VR3*,VR3/),3);

       VR5:=LLV(LOW,);

       VR6:=HHV(VR4,);

       VR7:=IF(MA(CLOSE,),1,0);

       VR8:=EMA(IF(LOW<=VR5,(VR4+VR6*2)/2,0),3)/*VR7;

       VR9:=IF(VR8>,,VR8);

       主力进场:STICKLINE(VR9>-,0,VR9,3,0), , COLORFFFF;

       洗盘:IF(VR9<REF(VR9,1),VR9,0),COLORGREEN,NODRAW;

       STICKLINE(VR9<REF(VR9,1),0,VR9,3,0),COLORGREEN;

       短线获利:STICKLINE(REF("KDJ.J",1)<0 AND "KDJ.J">0,,,2,0),COLORYELLOW;

       VARK1:=(CLOSE-LLV(LOW,))/(HHV(HIGH,)-LLV(LOW,))*;

       VARK2:=REVERSE(VARK1);

       VARK3:=SMA(VARK1,3,1);

       逃顶:=CROSS(,RSI);

       STICKLINE( 逃顶,逃顶,,5,0),COLORFF;

       STICKLINE( 逃顶,逃顶,,3,0),COLORFF;

       STICKLINE( 逃顶,逃顶,,2,0),COLORFFAA;

       STICKLINE( 逃顶,逃顶,,1,0),COLORFFCC;

       D1:=(C+L+H)/3;

       D2:=EMA(D1,6);

       D3:=EMA(D2,5);

       BBUY:=CROSS(D2,D3);

       风险区:,COLORFFFF;

       安全区:,COLORYELLOW,POINTDOT;

       天线:,COLORFFFF;

       强弱线:,COLORGREEN,POINTDOT;

       DRAWICON(BBUY,(LOW *1),1);

       VARR1:=SMA(MAX(CLOSE-REF(C,1),0),6,1)/SMA(ABS(CLOSE-REF(C,1)),6,1)*;

       DRAWICON(CROSS(,VARR1),HIGH,);

       DRAWTEXT(CROSS(,VARR1),,'逃'),COLORYELLOW;

       MAV:=(2*C+H+L)/4;

       VAR9:=LLV(LOW,);

       VAR7:=HHV(HIGH,);

       SK:= EMA((MAV-VAR9)/(VAR7-VAR9)*,);

       SD: EMA(0.*REF(SK,1)+0.*SK,2);

       高抛:, POINTDOT;

       低吸:, POINTDOT;

       强弱分界:, POINTDOT;

       DRAWTEXT(CROSS(SD,),低吸,'●主力'),COLORF0FF,LINETHICK3;