metagpt指南浅谈

我就是全世界2024-08-30 13:45

MetaGPT多智能体框架概述

1.1 框架介绍

MetaGPT是一个创新的多智能体框架，旨在通过模拟和优化多智能体系统的行为来处理复杂的软件开发任务。该框架的核心优势在于其能够通过智能体之间的协作和交互，高效地解决单一智能体难以独立完成的复杂问题。MetaGPT支持多种智能体角色的定义和配置，包括但不限于产品经理、架构师、项目经理和工程师等，这些角色共同协作，以实现软件开发项目的各个阶段。

框架的主要特点：
  • 多智能体协作：通过定义不同的智能体角色，实现任务的分工与协作。
  • 高度可配置：支持根据项目需求灵活配置智能体的属性和行为。
  • 模块化设计：框架的各个组件可以独立开发和升级，便于维护和扩展。
  • 易于集成：可以方便地与其他系统和工具集成，如开源LLM（大型语言模型）等。

1.2 处理复杂任务的方法

MetaGPT通过以下方法处理复杂任务：

智能体角色定义与分工

每个智能体角色都有其特定的职责和能力，例如：

  • 产品经理：负责定义产品需求和目标。
  • 架构师：负责设计系统的整体架构。
  • 项目经理：负责项目的进度管理和资源协调。
  • 工程师：负责具体的编码和实现工作。

通过明确每个角色的职责，可以确保任务的每个部分都得到专业的处理。

智能体间的通信与协作

MetaGPT框架支持智能体之间的实时通信和数据共享，这使得智能体可以及时获取所需信息，并据此做出决策。例如，工程师可以根据架构师的设计文档进行编码，同时项目经理可以监控整个项目的进度，并根据实际情况调整计划。

动态任务分配与调整

框架能够根据项目的实时进展和智能体的工作状态，动态调整任务分配。这种灵活性使得系统能够适应不断变化的需求和环境，确保项目的高效推进。

集成与扩展

MetaGPT支持与其他系统和工具的集成，如开源LLM、数据分析工具等，这使得框架不仅限于软件开发，还可以应用于更广泛的领域，如数据分析、机器学习等。

通过这些方法，MetaGPT能够有效地处理复杂任务，提高工作效率和质量，同时降低单一智能体处理复杂任务时的风险和不确定性。 ## 快速开始

2.1 安装

在开始使用MetaGPT多智能体框架之前，首先需要进行框架的安装。以下是详细的安装步骤：

2.1.1 环境准备

确保您的开发环境满足以下要求：

  • Python 3.7 或更高版本
  • pip（Python的包管理工具）
2.1.2 使用pip安装

打开终端或命令行界面，执行以下命令来安装MetaGPT：

bash 复制代码 
pip install metagpt
2.1.3 验证安装

安装完成后，可以通过以下命令来验证是否安装成功：

bash 复制代码 
metagpt --version

如果显示版本信息，则表示安装成功。

2.2 配置

安装完成后，需要对MetaGPT进行基本的配置，以便开始使用。以下是配置步骤：

2.2.1 初始化配置文件

MetaGPT使用一个配置文件来管理各种设置。首先，需要初始化这个配置文件。在项目根目录下执行以下命令：

bash 复制代码 
metagpt init

这将生成一个默认的配置文件config.yaml。

2.2.2 编辑配置文件

打开生成的config.yaml文件，根据您的需求进行编辑。以下是一些常见的配置项：

  • API Keys: 如果您需要使用外部API，如OpenAI的GPT-3，需要在这里添加API密钥。
  • 智能体配置: 定义智能体的角色、行为和交互规则。
  • 预算配置: 设置智能体的资源限制，如计算资源和存储空间。

示例配置文件内容如下：

yaml 复制代码 
api_keys:
  openai: "your_openai_api_key"

agents:
  - name: "Agent1"
    role: "Developer"
    behavior: "Code Generation"
    resources:
      cpu: 2
      memory: 4GB

budget:
  total: 1000
  unit: "USD"
2.2.3 加载配置

编辑完成后，保存并关闭配置文件。接下来，需要加载配置文件以使更改生效。在终端中执行以下命令：

bash 复制代码 
metagpt load config.yaml
2.2.4 验证配置

最后，可以通过运行一个简单的命令来验证配置是否成功加载：

bash 复制代码 
metagpt status

如果显示当前的配置状态，则表示配置成功。

通过以上步骤，您已经完成了MetaGPT的安装和基本配置。接下来，可以开始创建和管理智能体，进行软件开发和其他复杂任务的处理。 ## 智能体的创建与管理

在MetaGPT框架中，智能体的创建、配置和管理是实现多智能体协作的关键步骤。通过这些步骤，可以有效地构建和管理一个高效的软件开发团队，从而处理复杂的任务。

3.1 智能体的创建

智能体的创建是MetaGPT框架中的第一步，它涉及到定义和初始化智能体的基本属性和角色。以下是创建智能体的具体步骤：

3.1.1 安装MetaGPT

首先，确保你的系统上安装了Python 3.9或更高版本。你可以通过以下命令检查Python版本：

bash 复制代码 
python --version

安装MetaGPT可以通过pip进行，以下是安装命令：

bash 复制代码 
pip install --upgrade metagpt

或者，你可以从GitHub仓库安装最新版本：

bash 复制代码 
pip install --upgrade git+https://github.com/geekan/MetaGPT.git
3.1.2 初始化配置

安装完成后，你需要初始化MetaGPT的配置。可以通过以下命令进行初始化：

bash 复制代码 
metagpt --init-config

这将创建一个配置文件~/.metagpt/config2.yaml，你可以根据需要修改该文件。

3.1.3 定义智能体角色

在MetaGPT框架中，智能体的创建是一个关键步骤，它涉及到定义和实例化各种角色，这些角色将在后续的软件开发过程中发挥不同的作用。以下是创建智能体的详细步骤：

  1. 定义智能体角色：首先，需要明确每个智能体的角色和职责。例如，可以定义一个智能体为项目经理，另一个为开发工程师，等等。
  2. 初始化智能体：使用MetaGPT提供的API或命令行工具初始化智能体。以下是一个Python代码示例：
python 复制代码 
from metagpt.agents import Agent

# 定义项目经理智能体
project_manager = Agent(name="Project Manager", role="Project Manager")

# 定义开发工程师智能体
developer = Agent(name="Developer", role="Developer")
  1. 设置智能体属性：为每个智能体设置必要的属性，如技能、经验等。这些属性将影响智能体在任务中的表现。
python 复制代码 
project_manager.skills = ["Project Planning", "Resource Management"]
developer.skills = ["Python", "JavaScript"]

通过以上步骤，可以成功创建多个智能体，并为它们分配不同的角色和属性。

3.2 智能体的配置

智能体的配置是确保智能体能够高效协作的关键环节。配置过程包括设置智能体之间的通信方式、任务分配策略等。

3.2.1 配置文件详解

在~/.metagpt/config2.yaml文件中，你可以配置各种参数，例如API类型、模型、基础URL和API密钥等。以下是一个示例配置：

yaml 复制代码 
llm:
  api_type: "openai"  # 可以是azure/ollama/groq等
  model: "gpt-4-turbo"  # 或gpt-3.5-turbo
  base_url: "https://api.openai.com/v1"  # 或其他LLM的URL
  api_key: "YOUR_API_KEY"
3.2.2 配置智能体角色

MetaGPT支持为不同的智能体分配不同的角色。例如，你可以配置一个智能体作为产品经理，另一个作为工程师。以下是一个示例代码：

python 复制代码 
from metagpt.roles import ProductManager, Engineer

# 创建产品经理角色
product_manager = ProductManager(name="Alice", api_key="YOUR_API_KEY")

# 创建工程师角色
engineer = Engineer(name="Bob", api_key="YOUR_API_KEY")
3.2.3 设置通信方式

定义智能体之间的通信方式，如消息传递、事件触发等。以下是一个示例代码：

python 复制代码 
from metagpt.communication import Message

# 创建消息对象
message = Message(sender=product_manager, receiver=engineer, content="Start the development task.")

# 发送消息
product_manager.send_message(message)
3.2.4 配置任务分配策略

根据智能体的角色和能力，配置任务分配策略。例如，可以将复杂的任务分配给经验丰富的智能体，简单的任务分配给新手智能体。

python 复制代码 
from metagpt.task_allocation import TaskAllocator

# 创建任务分配器
task_allocator = TaskAllocator()

# 分配任务
task_allocator.assign_task(task="Develop a new feature", agent=developer)

通过合理的配置，可以确保智能体之间的有效沟通和任务分配，从而提高整体的工作效率。

3.3 智能体的管理

智能体的管理涉及到监控智能体的状态、调整智能体的行为以及处理异常情况。以下是智能体管理的几个关键方面：

3.3.1 监控智能体状态

实时监控智能体的状态，包括任务进度、资源使用情况等。以下是一个示例代码：

python 复制代码 
from metagpt.monitoring import Monitor

# 创建监控器
monitor = Monitor()

# 监控智能体状态
status = monitor.get_agent_status(agent=developer)
print(status)
3.3.2 调整智能体行为

根据监控结果，调整智能体的行为，如重新分配任务、调整资源配置等。

python 复制代码 
# 重新分配任务
task_allocator.reassign_task(task="Develop a new feature", agent=developer)
3.3.3 处理异常情况

当智能体出现异常情况时，及时进行处理，如重启智能体、调整配置等。

python 复制代码 
from metagpt.exception_handling import ExceptionHandler

# 创建异常处理器
exception_handler = ExceptionHandler()

# 处理异常
exception_handler.handle_exception(agent=developer, exception="Resource overload")

通过有效的管理，可以确保智能体在复杂任务中的稳定运行，并及时处理各种异常情况。

总结来说，智能体的创建、配置和管理是MetaGPT框架中不可或缺的环节。通过合理的创建和配置，以及有效的管理，可以构建一个高效协作的多智能体团队，从而处理各种复杂的任务。 ## 一句话需求的软件开发

在MetaGPT框架中，通过一句话需求实现软件开发是一个创新且高效的过程。这一部分将详细介绍如何创建多智能体团队、导入已实现的角色、初始化公司团队、配置智能体和预算，以及如何运行并生成游戏代码。

4.1 创建多智能体团队

创建多智能体团队是实现一句话需求的第一步。在MetaGPT中，团队成员被分配不同的角色，每个角色都有其特定的职责和能力。以下是创建团队的步骤：

  1. 定义团队结构：首先，需要定义团队的结构，包括团队的规模、角色分配和职责划分。
  2. 选择角色模板：MetaGPT提供了多种预定义的角色模板，如项目经理、开发人员、测试人员等。根据需求选择合适的角色模板。
  3. 配置角色属性：为每个角色配置特定的属性，如技能水平、经验等级等。
python 复制代码 
# 示例代码：创建多智能体团队
from metagpt.team import Team

team = Team()
team.add_role('ProjectManager', skill_level='Expert')
team.add_role('Developer', skill_level='Intermediate')
team.add_role('Tester', skill_level='Advanced')

4.2 导入已实现的角色

在MetaGPT中，可以导入已实现的角色以加快开发过程。这些角色已经预先配置了特定的技能和行为模式，可以直接用于团队中。

  1. 选择已实现的角色：从MetaGPT的角色库中选择已实现的角色。
  2. 导入角色：使用导入功能将角色添加到团队中。
python 复制代码 
# 示例代码：导入已实现的角色
from metagpt.roles import ProjectManager, Developer, Tester

team.import_role(ProjectManager)
team.import_role(Developer)
team.import_role(Tester)

4.3 初始化公司团队

初始化公司团队是将团队成员组织起来并开始工作的关键步骤。在这一阶段，需要为团队成员分配具体的任务和目标。

  1. 分配任务：根据项目需求，为每个团队成员分配具体的任务。
  2. 设置目标：为团队设定明确的目标和里程碑。
python 复制代码 
# 示例代码：初始化公司团队
team.initialize()
team.assign_task('ProjectManager', 'Plan project roadmap')
team.assign_task('Developer', 'Implement feature A')
team.assign_task('Tester', 'Test feature A')

4.4 配置智能体和预算

配置智能体和预算是确保团队高效运作的重要环节。在这一步骤中，需要为每个智能体配置资源和预算。

  1. 配置资源：为每个智能体分配必要的资源，如计算资源、数据访问权限等。
  2. 设置预算：为项目设定预算，并分配给各个智能体。
python 复制代码 
# 示例代码：配置智能体和预算
team.configure_agent('ProjectManager', resources=['High-Performance Computing'])
team.configure_agent('Developer', resources=['Development Tools'])
team.configure_agent('Tester', resources=['Testing Tools'])

team.set_budget(100000)
team.allocate_budget('ProjectManager', 30000)
team.allocate_budget('Developer', 50000)
team.allocate_budget('Tester', 20000)

4.5 运行并生成游戏代码

最后一步是运行团队并生成游戏代码。在这一阶段，团队成员将协同工作，完成各自的任务，并最终生成游戏代码。

  1. 启动团队：启动团队，让成员开始执行任务。
  2. 监控进度：监控团队的工作进度，确保项目按计划进行。
  3. 生成代码：在任务完成后，生成最终的游戏代码。
python 复制代码 
# 示例代码：运行并生成游戏代码
team.start()
team.monitor_progress()
game_code = team.generate_code()

通过以上步骤，MetaGPT框架能够高效地实现一句话需求的软件开发，从创建团队到生成最终代码，每一步都经过精心设计和优化，确保项目的高效和高质量完成。 ## 实际应用示例

5.1 项目案例研究

在现代软件开发中，多智能体系统（MAS）的应用越来越广泛，尤其是在处理复杂任务和提高开发效率方面。MetaGPT作为一个先进的多智能体框架，提供了一套完整的工具和方法来支持这一过程。以下是一个具体的项目案例研究，展示了如何使用MetaGPT来开发一个CLI（命令行界面）的二十一点游戏。

项目背景

二十一点（Blackjack）是一种流行的纸牌游戏，玩家试图通过策略和运气来获得接近21点的总点数，但不能超过21点。开发一个CLI版本的二十一点游戏，不仅能够提供一个有趣的编程挑战，还能展示MetaGPT在实际软件开发中的应用。

项目实施

  1. 需求定义：项目开始于一个简单的一句话需求："write a CLI blackjack game"。这个需求被输入到MetaGPT系统中，作为项目启动的基础。

  2. 团队组建：使用MetaGPT，我们创建了一个多智能体团队，包括产品经理、架构师、项目经理和工程师等角色。每个角色都有其特定的职责和能力，共同协作完成项目。

  3. 角色配置：每个智能体根据其角色进行配置，例如，架构师负责设计游戏的整体结构，工程师负责编写和测试代码。

  4. 预算和资源分配：项目团队被分配了一定的预算，用于购买必要的资源和服务，确保项目的顺利进行。

  5. 开发过程：智能体团队根据需求开始工作，产品经理负责细化需求，架构师设计系统架构，工程师编写代码。整个过程是异步进行的，每个智能体在完成其任务后，将结果传递给下一个环节。

  6. 代码生成：最终，通过一系列的迭代和优化，智能体团队生成了一个完整的CLI二十一点游戏代码。这个代码不仅满足了最初的需求，还包含了一些额外的功能，如玩家策略选择和游戏统计。

项目成果

通过使用MetaGPT，我们成功地开发了一个功能齐全的CLI二十一点游戏。这个项目不仅展示了多智能体系统在软件开发中的强大能力，还证明了MetaGPT在处理复杂项目时的效率和灵活性。

5.2 代码示例

以下是使用MetaGPT开发CLI二十一点游戏的部分代码示例，展示了如何利用多智能体团队来实现软件开发。

python 复制代码 
import asyncio
from metagpt.roles import Architect, Engineer, ProductManager, ProjectManager
from metagpt.team import Team

async def startup(idea: str):
    company = Team()
    company.hire([ProductManager(), Architect(), ProjectManager(), Engineer()])
    company.invest(investment=3.0)
    company.run_project(idea=idea)
    await company.run(n_round=5)

# 启动项目并生成游戏代码
await startup(idea="write a CLI blackjack game")

这段代码首先导入了必要的角色和团队类，然后定义了一个异步函数startup，用于初始化公司团队、配置智能体、设置预算并运行项目。最后，通过调用startup函数并传入需求字符串，启动了整个开发过程。

通过这个示例，我们可以看到MetaGPT如何通过多智能体团队来简化软件开发流程，提高开发效率，并生成高质量的代码。 ## 工作流与流程编排

6.1 多智能体系统中的工作流

在MetaGPT多智能体框架中，工作流是指智能体之间协作完成任务的一系列有序步骤。这些步骤通常包括任务的分配、执行、监控和反馈。多智能体系统中的工作流设计是确保系统高效运行的关键。

工作流设计原则
  1. 模块化：每个智能体应负责一个或多个特定的任务模块，这样可以提高系统的灵活性和可维护性。
  2. 可扩展性：工作流应设计成可以轻松添加新的智能体或修改现有智能体的任务，以适应不断变化的需求。
  3. 容错性：系统应具备处理智能体故障的能力，确保任务的连续性。
  4. 透明性：工作流的每个步骤应清晰可见，便于监控和调试。
工作流示例

假设我们有一个软件开发项目，工作流可以分为以下几个步骤：

  1. 需求分析：由需求分析师智能体负责收集和分析用户需求。
  2. 设计：由设计师智能体负责设计软件架构和界面。
  3. 编码：由开发工程师智能体负责编写代码。
  4. 测试：由测试工程师智能体负责测试代码并发现问题。
  5. 部署：由部署工程师智能体负责将软件部署到生产环境。
  6. 监控：由监控智能体负责监控软件运行状态，并及时反馈问题。

每个步骤都可以进一步细分为更小的任务，由不同的智能体协作完成。

6.2 流程编排技术

流程编排是指在多智能体系统中，如何协调和管理智能体之间的交互，以确保任务按照预定的工作流顺利进行。流程编排技术是实现高效多智能体协作的关键。

流程编排技术分类
  1. 集中式编排：由一个中心控制器负责管理和调度所有智能体的任务。这种方式的优点是控制简单，但缺点是中心控制器可能成为系统的瓶颈。
  2. 分布式编排：每个智能体自主决策和执行任务，通过消息传递进行协作。这种方式的优点是系统更加灵活和可扩展，但缺点是设计和实现更为复杂。
流程编排技术示例

在MetaGPT中，可以使用以下技术进行流程编排：

  1. BPMN（Business Process Model and Notation）：一种图形化表示业务流程的标准，可以用于设计和描述多智能体系统的工作流。
  2. Workflow Engine：一个专门用于执行和管理工作流的软件组件，可以自动化处理智能体之间的任务分配和执行。
  3. 智能合约：在区块链技术中，智能合约可以用于定义和执行多智能体之间的协作规则。
流程编排实现

以下是一个简单的Python代码示例，展示如何使用Workflow Engine进行流程编排：

python 复制代码 
from workflow_engine import Workflow, Task

# 定义任务
class RequirementAnalysisTask(Task):
    def execute(self):
        print("执行需求分析任务")

class DesignTask(Task):
    def execute(self):
        print("执行设计任务")

class CodingTask(Task):
    def execute(self):
        print("执行编码任务")

class TestingTask(Task):
    def execute(self):
        print("执行测试任务")

class DeploymentTask(Task):
    def execute(self):
        print("执行部署任务")

# 定义工作流
workflow = Workflow()
workflow.add_task(RequirementAnalysisTask())
workflow.add_task(DesignTask())
workflow.add_task(CodingTask())
workflow.add_task(TestingTask())
workflow.add_task(DeploymentTask())

# 执行工作流
workflow.run()

通过上述代码，我们可以看到如何定义和执行一个简单的工作流。实际应用中，可以根据具体需求设计更复杂的工作流和流程编排。

总结

在MetaGPT多智能体框架中，工作流与流程编排是确保系统高效运行的关键。通过合理设计工作流和采用适当的流程编排技术，可以实现智能体之间的高效协作，从而处理复杂任务。 ## 贡献与支持

7.1 如何贡献

MetaGPT作为一个开源项目，欢迎全球开发者和技术爱好者参与贡献。以下是参与贡献的具体步骤和建议：

贡献前的准备
  1. 了解项目：在开始贡献之前，建议详细阅读项目的README文件，了解项目的基本情况、技术栈、开发环境和编码规范。
  2. 设置开发环境：根据项目要求，设置本地开发环境，包括安装必要的软件和依赖库。
贡献流程

  1. Fork项目：在GitHub上Fork MetaGPT项目到自己的仓库。

  2. Clone项目 ：将Fork后的项目Clone到本地。

    bash 复制代码 
    git clone https://github.com/yourusername/MetaGPT.git

  3. 创建分支 ：在本地创建一个新的分支进行开发。

    bash 复制代码 
    git checkout -b feature-new-feature

  4. 编写代码：在新分支上进行代码编写，确保遵循项目的编码规范。

  5. 提交代码 ：完成代码编写后，提交代码到本地仓库。

    bash 复制代码 
    git add .
git commit -m "Add new feature"

  6. Push代码 ：将本地分支的代码Push到GitHub上的远程仓库。

    bash 复制代码 
    git push origin feature-new-feature

  7. 发起Pull Request：在GitHub上发起Pull Request，请求合并到主项目。

贡献建议
  1. 代码质量：确保提交的代码质量高，遵循项目的编码规范，代码清晰易读。
  2. 文档完善：对于新功能或修改，确保相关的文档也进行了更新，帮助其他开发者理解。
  3. 测试覆盖：尽可能提供相关的单元测试，确保代码的稳定性和可靠性。
  4. 沟通交流：在贡献过程中，保持与项目维护者的沟通，及时反馈问题和进展。

7.2 支持与联系

如果您在使用MetaGPT过程中遇到任何问题，或者有任何建议和反馈，可以通过以下方式联系项目团队：

官方渠道
  1. GitHub Issues ：在项目的GitHub仓库中提交Issue，描述您遇到的问题或建议。
  2. 邮件列表 ：加入项目的邮件列表，通过邮件进行交流和讨论。
社区支持
  1. Stack Overflow ：在Stack Overflow上搜索或提问，使用MetaGPT标签。
  2. 论坛 ：参与相关的技术论坛或社区，与其他开发者交流经验。
实时交流
  1. Slack ：加入MetaGPT的Slack工作区，进行实时交流和讨论。
  2. Discord ：加入MetaGPT的Discord服务器，与其他开发者进行实时交流。

通过以上渠道，您可以获得及时的技术支持，与全球的开发者共同推动MetaGPT的发展和完善。 ## 相关资源

在探索和使用MetaGPT的过程中，了解相关的资源和政策是非常重要的。这些信息不仅有助于用户更好地理解和使用框架，还能确保在使用过程中的合规性和安全性。以下是关于MetaGPT的许可证、安全政策以及活动与统计的详细介绍。

8.1 许可证

MetaGPT是基于MIT许可证发布的。MIT许可证是一种宽松的开放源代码许可证，它允许用户自由地使用、复制、修改、合并、出版发行、散布、再授权及销售软件及其副本。使用MIT许可证的软件项目必须在其源代码中包含版权声明和许可声明。

MIT许可证的主要条款包括：

  • 用户必须在软件和软件的所有副本中包含版权声明和许可声明。
  • 用户可以自由地使用、复制、修改、合并、出版发行、散布、再授权及销售软件及其副本。
  • 用户必须在使用软件时提供MIT许可证的副本。
  • 软件的作者或版权持有人不对软件的质量作任何保证，也不对使用软件所造成的任何直接或间接损失负责。

通过采用MIT许可证，MetaGPT鼓励广泛的社区参与和贡献，同时也为用户提供了极大的自由度和灵活性。

相关推荐
AI_NEW_COME9 分钟前
知识库管理系统可扩展性深度测评
人工智能
海棠AI实验室31 分钟前
AI的进阶之路：从机器学习到深度学习的演变（一）
人工智能·深度学习·机器学习
hunteritself34 分钟前
AI Weekly『12月16-22日』：OpenAI公布o3，谷歌发布首个推理模型，GitHub Copilot免费版上线！
人工智能·gpt·chatgpt·github·openai·copilot
IT古董1 小时前
【机器学习】机器学习的基本分类-强化学习-策略梯度（Policy Gradient，PG）
人工智能·机器学习·分类
centurysee1 小时前
【最佳实践】Anthropic：Agentic系统实践案例
人工智能
mahuifa1 小时前
混合开发环境---使用编程AI辅助开发Qt
人工智能·vscode·qt·qtcreator·编程ai
四口鲸鱼爱吃盐1 小时前
Pytorch | 从零构建GoogleNet对CIFAR10进行分类
人工智能·pytorch·分类
蓝天星空2 小时前
Python调用open ai接口
人工智能·python
睡觉狂魔er2 小时前
自动驾驶控制与规划——Project 3: LQR车辆横向控制
人工智能·机器学习·自动驾驶
scan7242 小时前
LILAC采样算法
人工智能·算法·机器学习
热门推荐
01〔AI 绘画〕Stable Diffusion 之 解决绘制多人或面部很小的人物时面部崩坏问题 篇02YOLOv8训练好模型后，追加轮数继续训练、或者提前终止训练，缩减训练轮数03玄机平台应急响应—webshell查杀04DisplayPort AltMode On Type-c协议_Ver2.0(学习笔记)05HCIA-datacom数通题库和录播视频资料06Docker 夺命连环 15 问076个主流的工业3D管道设计软件08校验 GPT-4 真实性的三个经典问题：快速区分 GPT-3.5 与 GPT-4，并提供免费测试网站09(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明10树莓派 5 AI 套件（Hailo-8L）使用教程