1. 项目概述：从“听懂”到“看懂”的AI进化

如果你之前跟着这个系列，已经让AI学会了“听”和“说”，也就是处理文本和语音，那么今天我们要进入一个更激动人心的领域：让AI“看懂”世界。多模态大模型，简单来说，就是让模型不再局限于单一的文字或声音，而是能同时理解图像、视频、图表，甚至将它们与文字信息关联起来。这就像是给AI装上了一双“眼睛”和一颗能“联想”的大脑。你问它“图片里的人在做什么？”，它不仅能识别出“人”，还能结合场景告诉你“在公园的长椅上晒太阳”；你上传一张商品截图，它能帮你生成一段详细的电商文案。这就是多模态的魅力，它让AI的交互从冰冷的问答，变成了更接近人类感知世界的、有温度的对话。

这个实战项目的核心，就是带你亲手部署并运行一个开源的多模态大模型，让它真正具备视觉理解能力。我们不会停留在理论层面，而是直接动手，从环境准备、模型选择、部署推理到应用测试，走完一个完整的流程。无论你是想开发一个智能图床应用、一个能分析设计稿的产品助手，还是一个能根据草图生成代码的编程工具，多模态能力都是你不可或缺的武器库。本次实战，我们将以目前社区活跃、效果不错的 Qwen2.5-VL 系列模型为例，它支持中英文，对图像理解细致，且完全开源，非常适合学习和初步应用。

2. 核心思路与工具选型：为什么是它？

在开始敲命令之前，我们必须想清楚两个问题：第一，市面上多模态模型那么多，为什么选这个？第二，部署方式五花八门，哪种最适合新手和快速验证？想明白了这些，后面的操作才不会变成“黑盒魔法”。

2.1 模型选择：Qwen2.5-VL-7B-Instruct 的胜出理由

看到“8卡300iduo部署多模态大模型qwen2.5-vl-7b-instruct”这个热词，它其实透露了关键信息：模型名、规模和资源需求。我们选择 Qwen2.5-VL-7B-Instruct 作为实战对象，基于以下几点考量：

  1. 开源与免费 ：这是最大的优势。不同于某些闭源的商业API（如GPT-4V），Qwen2.5-VL完全开源，你可以免费下载、研究、修改甚至商用（需遵守其协议），这为学习和项目孵化提供了最大的自由度。
  2. 效果与性能平衡 ：7B（70亿）参数对于多模态模型来说是一个“甜点”规模。它比动辄百亿、千亿的模型（如LLaVA-NeXT-34B）所需资源少得多，又比一些更小的模型（如2B或3B）在理解细节和推理能力上强不少。在消费级显卡（如RTX 3090 24GB）上就能流畅运行，降低了入门门槛。
  3. 指令跟随（Instruct）能力 ：后缀“Instruct”意味着这个模型经过专门的指令微调，更擅长理解并执行用户的自然语言指令。比如你说“描述这张图片，并重点说明人物的情绪”，它会比基础版本更好地完成这个复合任务。
  4. 强大的视觉编码器 ：Qwen2.5-VL采用了先进的视觉编码器，能将图像信息高效地压缩成模型能理解的“视觉令牌”。实测中，它对图像中的文字（OCR）、物体、场景、人物关系都有不错的识别能力。
  5. 活跃的社区支持 ：由阿里通义千问团队开源，中文社区资料丰富，遇到问题更容易找到解决方案和讨论。

注意 ：模型选择永远是一个权衡。如果你追求极致的性能且拥有海量算力，可以考虑更大的72B版本；如果你的硬件非常有限（如只有8GB显存），可能需要寻找量化版本（如4bit量化）或更小的模型。

2.2 部署框架对决：Ollama vs. vLLM vs. 原始Transformers

“推荐哪个？ ollama vllm ?” 这个热词问到了点子上。部署框架决定了你使用模型的体验、性能和复杂度。

  1. Ollama ： 新手友好之王 。它的理念是“开箱即用”。你只需要一条命令 ollama run qwen2.5-vl:7b （如果官方提供了该模型），它就会自动处理下载、配置和运行。它提供了简洁的REST API和命令行聊天界面，非常适合快速体验和原型验证。但它的缺点是对自定义、模型微调、批量推理等高级功能的支持较弱，且对多模态模型的支持有时会滞后。
  2. vLLM ： 高吞吐量推理引擎 。如果你关注的是 服务性能 ，比如要搭建一个供多人同时访问的API服务，vLLM是绝佳选择。它采用了先进的PagedAttention等技术，极大地优化了显存利用和推理速度，尤其擅长处理 流式输出和并发请求 。但它的配置相对复杂，需要你编写Python脚本来启动服务，对新手有一定挑战。
  3. 原始Transformers + 自定义脚本 ： 灵活性与控制力的终极选择 。直接使用Hugging Face的 transformers 库，搭配 accelerate 进行设备管理。这种方式给你最大的控制权，可以轻松集成到现有Python项目、进行模型微调、自定义预处理和后处理逻辑。它是大多数AI应用开发的基石，但需要你编写更多的代码。

我们的选择 ：为了兼顾 学习深度 和 实操可行性 ，本次实战将采用 “原始Transformers库 + 轻量级Web框架（Gradio）” 的方案。这能让你最清晰地看到数据是如何在模型中流动的，理解多模态输入的整个pipeline，并且能快速构建一个可视化界面进行测试。这是从“会用”到“懂原理”的关键一步。

3. 环境准备与依赖安装：搭建你的AI视觉实验室

工欲善其事，必先利其器。多模态模型对环境的要求比纯文本模型稍高，主要是需要处理图像的库和足够的GPU资源。

3.1 硬件与基础软件要求

  • GPU（强烈推荐） ：这是核心。多模态模型的计算量巨大。建议至少拥有 8GB以上显存 的NVIDIA显卡。RTX 3060 12GB、RTX 3070/3080、RTX 4060 Ti 16GB，乃至消费级旗舰RTX 4090 24GB都是不错的选择。显存越大，能处理的图像分辨率越高，批量推理能力越强。
    • 如何检查？ 在命令行输入 nvidia-smi ，查看显存（Memory-Usage）和显卡型号。
  • CPU与内存 ：作为备用和数据处理。建议16GB以上系统内存。
  • 操作系统 ：Linux（Ubuntu 20.04/22.04）或 Windows（WSL2）是首选。macOS（M系列芯片）也可行，但性能和对新模型的支持可能稍慢。
  • Python ：版本3.8到3.10之间较为稳定。推荐使用3.9或3.10。
  • CUDA与cuDNN ：确保安装了与你的显卡驱动匹配的CUDA工具包（如CUDA 11.8或12.1）。这是PyTorch等深度学习框架调用GPU的基础。

3.2 创建虚拟环境与安装核心依赖

永远不要在系统全局Python环境里折腾AI项目！虚拟环境能为你每个项目创建独立的依赖库，避免版本冲突。

# 1. 创建并激活虚拟环境（以conda为例，也可用venv）
conda create -n multimodal-ai python=3.10 -y
conda activate multimodal-ai

# 2. 安装PyTorch（请根据你的CUDA版本去官网https://pytorch.org/获取最新命令）
# 例如，对于CUDA 11.8：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 3. 安装Transformers和加速库
pip install transformers accelerate

# 4. 安装图像处理和多模态相关库
pip install pillow  # 图像处理基础库
pip install opencv-python  # 可选，用于更复杂的图像操作
pip install gradio  # 用于快速构建Web UI，强烈推荐！

3.3 关键依赖版本排查与避坑

安装后，建议运行一个快速检查脚本，确保关键库能正常导入且版本兼容。

# check_env.py
import torch
import transformers
import PIL
import gradio

print(f"PyTorch 版本: {torch.__version__}")
print(f"CUDA 是否可用: {torch.cuda.is_available()}")
print(f"CUDA 版本: {torch.version.cuda}")
print(f"显卡设备: {torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'CPU Only'}")
print(f"Transformers 版本: {transformers.__version__}")
print(f"Pillow (PIL) 版本: {PIL.__version__}")
print(f"Gradio 版本: {gradio.__version__}")

运行 python check_env.py ，如果一切正常，你会看到CUDA可用的提示和你的显卡型号。如果遇到 ImportError ，通常是某个库没装好，根据报错信息重新安装即可。

实操心得 ： accelerate 库非常重要，它能自动帮你处理设备放置（CPU/GPU/多GPU）问题。在后续加载模型时，使用 device_map="auto" 参数， accelerate 会智能地将模型的不同层分配到可用的设备上，对于显存不足的情况，它甚至能自动将部分层卸载到CPU内存，让大模型在有限资源上运行成为可能。

4. 核心实战：部署并运行你的第一个多模态模型

环境就绪，现在让我们把模型“请”下来，并让它开始工作。

4.1 下载与加载Qwen2.5-VL模型

我们将使用Hugging Face的 transformers 库来加载模型。模型文件很大（约14GB），请确保网络通畅和磁盘空间充足。

# load_model.py
from transformers import AutoProcessor, AutoModelForVision2Seq
import torch

# 指定模型ID，Hugging Face Hub上的路径
model_id = "Qwen/Qwen2.5-VL-7B-Instruct"

print("正在加载处理器（Processor）...")
# Processor是关键！它同时处理文本token化和图像预处理
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

print("正在加载模型...这可能需要几分钟，取决于你的网速和磁盘。")
# 使用device_map="auto"让accelerate自动分配设备
model = AutoModelForVision2Seq.from_pretrained(
    model_id,
    torch_dtype=torch.float16,  # 使用半精度（FP16）以减少显存占用，几乎不影响精度
    device_map="auto",
    trust_remote_code=True  # Qwen模型需要这个参数
)

print("模型加载完成！")
model.eval()  # 设置为评估模式

关键点解析 ：

  • AutoProcessor ：这是多模态模型的“前台接待”。它内部封装了两个组件：一个 图像处理器 （负责将图像缩放、归一化、转换为模型需要的张量格式）和一个 文本分词器 （负责将你的问题转换成模型懂的token ID）。你只需要把原始图像和文本丢给它，它就能准备好模型需要的输入格式。
  • torch_dtype=torch.float16 ：FP16半精度。这是在大模型推理中节省显存的 标准操作 。它能将显存占用几乎减半，而推理质量损失微乎其微。如果你的显卡非常新（如RTX 4090），支持BF16（ torch.bfloat16 ），可以使用它，数值范围更稳定。
  • trust_remote_code=True ：因为Qwen模型使用了自定义的模型架构代码，这个参数允许从Hub下载并运行这些代码。

4.2 构建多模态对话流程

模型加载后，我们需要编写一个函数，来完成“上传图片-输入问题-获取回答”的完整流程。

# inference.py
from PIL import Image
import torch

def ask_model(image_path, question):
    """
    向多模态模型提问。
    参数:
        image_path: 图片文件路径
        question: 关于图片的自然语言问题
    返回:
        answer: 模型的回答
    """
    # 1. 打开并预处理图片
    image = Image.open(image_path).convert('RGB') # 确保是RGB三通道

    # 2. 使用Processor准备模型输入
    # 多模态模型的输入是一个字典，包含了像素值（pixel_values）和文本输入（input_ids等）
    prompt = f"<|im_start|>user\n<|image|>\n{question}<|im_end|>\n<|im_start|>assistant\n"
    
    inputs = processor(
        text=prompt,           # 按照Qwen2.5-VL规定的对话格式组织文本
        images=image,          # 传入PIL Image对象
        return_tensors="pt"    # 返回PyTorch张量
    )

    # 3. 将输入数据移动到模型所在的设备（GPU）
    inputs = inputs.to(model.device)

    # 4. 模型推理（生成回答）
    # 禁止梯度计算，节省内存
    with torch.no_grad():
        # 生成参数配置
        generated_ids = model.generate(
            **inputs,
            max_new_tokens=512,      # 生成答案的最大token数
            do_sample=True,          # 使用采样，使输出更自然。若需确定性结果可设为False
            temperature=0.7,         # 采样温度，控制随机性。越低越确定，越高越有创意。
            top_p=0.9,               # 核采样参数，保留概率质量前90%的token
        )

    # 5. 解码生成的token，得到文本回答
    # skip_special_tokens=True 会跳过像<|im_end|>这样的特殊标记
    answer = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
    
    # 清理掉我们输入的prompt部分，只保留助理的回答
    answer = answer.split("<|im_start|>assistant\n")[-1].strip()
    
    return answer

# 测试一下
if __name__ == "__main__":
    test_image_path = "./test_image.jpg"  # 准备一张测试图片
    test_question = "请详细描述这张图片。"
    try:
        result = ask_model(test_image_path, test_question)
        print("模型回答：", result)
    except Exception as e:
        print(f"推理出错：{e}")

对话格式详解 ：Qwen2.5-VL使用了特定的对话模板 <|im_start|> 和 <|im_end|> 来区分角色和内容。 <|image|> 是一个占位符，处理器会自动用图像特征替换它。遵循这个格式是模型正确理解多轮对话和图像引用的关键。

4.3 使用Gradio构建交互式Web界面

命令行测试太枯燥了，我们用Gradio快速搭建一个带界面的应用，直观地体验多模态能力。

# app.py
import gradio as gr
from inference import ask_model  # 导入上面写的推理函数

# 定义Gradio界面函数
def gradio_ask(image, question):
    # Gradio上传的图片是临时文件路径
    if image is None:
        return "请先上传一张图片。"
    answer = ask_model(image.name, question)  # image.name是临时文件路径
    return answer

# 构建界面
with gr.Blocks(title="我的多模态AI助手 - Qwen2.5-VL") as demo:
    gr.Markdown("# 🖼️ 多模态大模型实战演示")
    gr.Markdown("上传一张图片，然后向AI提问吧！")
    
    with gr.Row():
        with gr.Column(scale=1):
            image_input = gr.Image(type="filepath", label="上传图片")
            question_input = gr.Textbox(
                lines=2,
                label="你的问题",
                placeholder="例如：图片里有什么？描述一下场景。图中的人在做什么？"
            )
            submit_btn = gr.Button("发送", variant="primary")
        
        with gr.Column(scale=2):
            answer_output = gr.Textbox(
                lines=10,
                label="AI的回答",
                interactive=False
            )
    
    # 绑定事件
    submit_btn.click(
        fn=gradio_ask,
        inputs=[image_input, question_input],
        outputs=answer_output
    )
    # 回车键也可以提交
    question_input.submit(
        fn=gradio_ask,
        inputs=[image_input, question_input],
        outputs=answer_output
    )
    
    # 添加一些示例
    gr.Examples(
        examples=[
            ["./example1.jpg", "图片里有哪些物体？"],
            ["./example2.jpg", "这个图表展示了什么趋势？"],
            ["./example3.jpg", "根据图片内容，写一段吸引人的社交媒体文案。"]
        ],
        inputs=[image_input, question_input],
        outputs=answer_output,
        fn=gradio_ask,
        cache_examples=False  # 第一次运行会慢，因为要加载示例图片
    )

if __name__ == "__main__":
    # 在本地启动服务，服务器会运行在 http://127.0.0.1:7860
    demo.launch(share=False)  # 设置 share=True 可以生成一个临时公网链接

运行 python app.py ，打开浏览器访问 http://127.0.0.1:7860 ，一个属于你的多模态AI聊天界面就出现了！你可以上传任意图片，用自然语言提问，直观感受AI的视觉理解能力。

5. 深入原理：多模态模型是如何“看懂”的？

仅仅会调用API还不够，理解背后的原理能让你更好地使用和调试模型。多模态大模型的核心在于 “对齐” ——将不同模态（视觉、语言）的信息映射到同一个语义空间。

5.1 视觉编码器：从像素到“视觉单词”

模型不能直接理解JPEG或PNG文件。第一步，需要一个 视觉编码器 （如ViT, CLIP-ViT），它就像一台扫描仪：

  1. 分块 ：将输入图像分割成固定大小（如14x14像素）的小方块（Patch）。
  2. 线性投影 ：将每个方块展平成一个向量，并通过一个线性层进行投影。
  3. 添加位置编码 ：为每个向量添加位置信息，因为图像的空间关系很重要。
  4. Transformer编码 ：将这些向量序列送入一个标准的Transformer编码器，让它们之间相互“交流”信息。
  5. 输出视觉特征 ：最终，一张图片被转换成一个序列的“视觉特征向量”（Visual Tokens）。对于Qwen2.5-VL，这通常是256个或576个这样的向量。

5.2 大语言模型（LLM）作为“大脑”

处理文本的大语言模型（如Qwen2.5-7B）是系统的核心推理引擎。它的输入原本是文本token。在多模态模型中，我们 把上一步得到的视觉特征向量，当作一种特殊的“文本token” ，插入到文本token序列中。

例如，你的输入是：“描述这张图片 <|image|> 。” 在内部， <|image|> 这个占位符会被替换成那256个视觉特征向量。这样，LLM在生成下一个词时，就能“看到”这些视觉信息，并基于此进行推理和生成。

5.3 训练过程：对齐的魔法

让LLM能理解视觉特征，需要大规模的训练。这个过程通常分为两阶段：

  1. 预训练对齐 ：在海量的“图像-文本对”（如LAION数据集）上训练。目标是让模型学会将视觉特征和对应的文本描述关联起来。常用的损失函数是 对比学习损失 （如CLIP），让匹配的图文对特征更接近，不匹配的更远。
  2. 指令微调 ：在高质量的指令数据（包含复杂视觉问答、推理任务）上进一步训练。这教会模型如何遵循人类的指令，利用视觉信息来回答问题，而不仅仅是描述图片。这就是“Instruct”版本的由来。

6. 性能优化与高级技巧

当你的应用从Demo走向实际使用，性能和效果优化就变得至关重要。

6.1 显存优化：让大模型在“小”卡上跑起来

如果你的显卡显存不足以加载完整模型，可以尝试以下方法：

  1. 量化（Quantization） ：将模型权重从FP16（16位浮点数）转换为INT8（8位整数）甚至INT4（4位整数）。这能大幅减少显存占用，但可能会带来轻微的精度损失。

    # 使用bitsandbytes库进行4位量化加载
from transformers import BitsAndBytesConfig
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.float16,
    bnb_4bit_use_double_quant=True,
)
model = AutoModelForVision2Seq.from_pretrained(
    model_id,
    quantization_config=bnb_config,  # 传入量化配置
    device_map="auto",
    trust_remote_code=True
)

    注意 ：量化需要安装 bitsandbytes 库（ pip install bitsandbytes ），并且对硬件有一定要求。INT4量化后，7B模型可能只需要6-8GB显存。

  2. CPU卸载（CPU Offloading） ：使用 accelerate 的 device_map 功能，可以将模型中不那么重要的层自动卸载到CPU内存，只在需要时调入GPU。这是一种用时间换空间的方法。

  3. 梯度检查点（Gradient Checkpointing） ：在训练时常用，推理时一般不需要。它通过牺牲一些计算时间，来换取显存节省。

6.2 推理速度优化

  1. 使用vLLM ：如前所述，对于生产环境API服务，切换到vLLM是提升吞吐量的最佳实践。它需要你以另一种方式加载和启动模型，但能获得数倍甚至数十倍的性能提升。
  2. 调整生成参数 ：
    • max_new_tokens ：根据实际需要设置，不要盲目设得太大。
    • do_sample=False ：使用贪婪解码（Greedy Decoding），速度最快，但输出可能比较死板。
    • 减少 top_p 和 top_k 的搜索范围。
  3. 批处理（Batching） ：如果你的场景是同时处理多张图片多个问题，将输入组织成批次（Batch）一次性送入模型，能极大提升GPU利用率。这需要你对输入数据进行填充（Padding）处理。

6.3 提升回答质量的Prompt技巧

模型的输出质量很大程度上取决于你的输入（Prompt）。对于多模态模型，Prompt设计同样关键。

  1. 明确角色和任务 ：在系统提示（如果有）或用户消息开头，明确告诉模型它的角色。
    • 普通 ： “描述这张图片。”
    • 更好 ： “你是一个专业的图像分析师，请用详细且生动的语言描述这张图片中的场景、物体、人物及其活动。”
  2. 结构化输出 ：如果你需要特定格式的回答，在Prompt中指明。
    • “请列出图片中所有可见的物体，并以JSON格式输出：{‘objects’: [‘obj1’， ‘obj2’]}。”
  3. 多轮对话与上下文 ：利用好对话历史。Qwen2.5-VL支持多轮对话，你可以基于之前的问答进行追问。
    • 第一轮： “图片里有什么？” (模型：有一只猫在沙发上。)
    • 第二轮： “猫是什么颜色的？” (模型需要结合上一轮的“猫”和当前图像来回答。)
  4. 处理复杂任务 ：对于需要多步推理的任务，可以引导模型“一步一步思考”。
    • “请先识别图片中的主要物体，然后推断它们之间的关系，最后总结这个场景可能发生在什么时间。”

7. 常见问题与故障排除实录

在实际操作中，你几乎一定会遇到下面这些问题。这里是我踩过坑后的经验总结。

7.1 模型加载失败或报错

  • 问题 ： Could not connect to Hugging Face Hub 或下载极慢。
    • 解决 ：这是网络问题。最有效的方法是使用 镜像站 或 模型缓存 。
      1. 设置镜像 ：在终端设置环境变量 export HF_ENDPOINT=https://hf-mirror.com ，然后再运行你的Python脚本。这会使用国内镜像加速下载。
      2. 手动下载 ：去Hugging Face官网（或镜像站）找到模型页面（如 https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct ），用下载工具（如 huggingface-cli 或 git lfs ）先下载到本地某个文件夹（如 ./models/qwen2.5-vl-7b ），然后在代码中加载时指定本地路径： from_pretrained("./models/qwen2.5-vl-7b") 。
  • 问题 ： RuntimeError: CUDA out of memory.
    • 解决 ：经典的显存溢出。
      1. 减小输入 ：降低输入图像的分辨率。在预处理前，用PIL将图像缩放到较小尺寸（如448x448）。
      2. 启用量化 ：如上文所述，使用4位或8位量化加载模型。
      3. 检查后台进程 ：运行 nvidia-smi 查看是否有其他程序占用了显存，关闭它们。
      4. 使用CPU卸载 ：确保 device_map="auto" ，让 accelerate 尝试将部分层放在CPU上。

7.2 推理结果不理想或胡言乱语

  • 问题 ：模型回答完全与图片无关，或者开始重复无意义的字符。
    • 解决 ：
      1. 检查对话格式 ：确保你的Prompt严格遵循了模型要求的格式（如Qwen的 <|im_start|> ）。格式错误会导致模型混淆。
      2. 调整生成参数 ： temperature 太高（>1.0）会导致输出随机性太强，容易胡言乱语。尝试将其调低（如0.1~0.7）。 do_sample=False 可以尝试。
      3. 图像预处理 ：确保图像被正确读取且为RGB格式。有些模型对图像尺寸有要求，查看模型的 config.json 或文档，确保预处理符合要求。
      4. 模型本身限制 ：7B模型的能力是有限的，对于非常复杂、模糊或需要大量常识推理的图片，它可能无法给出准确答案。这是当前技术的边界。

7.3 Gradio界面相关

  • 问题 ：Gradio界面打开后，上传图片后点击发送没反应，或报错。
    • 解决 ：
      1. 查看终端日志 ：Gradio服务运行在终端，所有错误信息都会打印在那里。这是排查问题的第一现场。
      2. 检查函数输入 ：确保 gradio_ask 函数接收的参数类型与Gradio组件定义的 type 匹配。我们例子中 gr.Image(type="filepath") 传递的是临时文件路径字符串。
      3. 路径问题 ：确保你的推理函数能正确访问到Gradio生成的临时文件路径。

7.4 如何知道模型是否在用GPU？

  • 排查 ：在代码中打印 model.device ，如果显示 cuda:0 则说明模型主权重在GPU上。运行 nvidia-smi 查看显存占用和GPU利用率（GPU-Util）。如果显存占用显著增加且GPU-Util在推理时有波动，说明计算正在GPU上进行。

从加载一个十几GB的模型文件，到它在你的屏幕上理解一张随手拍的照片并给出回答，这个过程本身就像魔法。但通过这次实战拆解，我希望你看到魔法背后的齿轮与发条——视觉编码器、大语言模型、精妙的训练和对齐。多模态是AI走向通用智能的必经之路，它让机器从“文本世界”走进了“物理世界”。掌握了这项能力，你就能开发出更智能的相册应用、更高效的视觉审核工具、甚至是一个能理解设计稿并生成前端代码的编程助手。技术的边界正在被不断拓宽，而你现在已经拿到了入场券。

Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

一个 API 入口调用多个大模型：AiiOnly客户端 + CC Switch 打通 Codex AI编程流程

avatar AI编程社区
cover

VSCode Claude Code + MiMo 中转免登录完整配置教程（解决原生登录弹窗 + 模型报错）

avatar AI编程社区
cover

从零开始做一个属于自己的 Skill（保姆级教程）

avatar AI编程社区