Workers AI 完整教程：每天白嫖 10000 次大模型调用，比 OpenAI 省 90%

oden2025-12-05 19:02

说实话,第一次看到 OpenAI 账单的时候我整个人都傻了。一个月 200 多美元,就因为做了个小项目测试了几天 API。那时候我就在想:有没有免费或者便宜点的替代方案? 后来在研究 Cloudflare 的边缘计算功能时,偶然发现了 Workers AI。测试了一周后发现,免费额度对个人开发者来说真的够用。今天就把完整的使用方法分享给你。

Workers AI 是什么?为什么值得关注?

简单来说,Workers AI 就是 Cloudflare 推出的无服务器 AI 推理服务。你不需要自己买 GPU、不需要管服务器,写几行代码就能调用 Llama、Mistral 这些开源大模型。 最关键的是三点:

  1. 每天 10,000 Neurons 免费额度
    • 实测大概能处理几百次对话,个人项目完全够用
    • 用 Llama 3.1-8B 模型,我测试了 1000 次简单对话,消耗了大约 8000 Neurons
  2. 付费也很便宜: $0.011/1000 Neurons
    • 比 OpenAI GPT-3.5 便宜 60-70%
    • 比 GPT-4 便宜 90% 以上
  3. 全球边缘网络加速
    • Cloudflare 有 300+ 个节点
    • 响应速度比很多云服务商快

和其他方案对比一下

你可能会问:免费的东西能好用吗?我整理了个表格对比:

方案 免费额度 付费价格 响应速度 模型选择
Workers AI 10,000 Neurons/天 $0.011/1k Neurons 快(边缘节点) 50+ 开源模型
OpenAI API $5 新用户(一次性) $0.002/1k tokens(GPT-3.5) 中等 GPT 系列
HuggingFace 有限免费调用 按模型计费 较慢 海量模型
自建服务器 - GPU租用成本高 取决于配置 任意模型
什么时候适合用 Workers AI?
  • ✅ 个人项目、原型验证、学习实验
  • ✅ 中小规模生产应用(QPS < 300)
  • ✅ 对成本敏感的初创项目 什么时候不太合适?
  • ⚠️ 大规模批量处理(每天几十万次调用)
  • ⚠️ 对延迟极度敏感的实时应用(需要 < 100ms 响应)
  • ⚠️ 需要最新 GPT-4 级别模型的场景

免费额度够用吗?我帮你算一笔账

这个"Neurons"是 Cloudflare 自己定义的计费单位,刚开始我也看懵了。简单理解就是: Neurons = (输入 tokens + 输出 tokens) × 模型系数 不同模型的系数不一样:

  • Llama 3.1-8B: 系数约 0.8
  • Llama 3.1-70B: 系数约 3.5
  • Mistral 7B: 系数约 0.7 实际能用多少次? 我实测了一下,用 Llama 3.1-8B 处理中文对话:
  • 简单问答(100 字以内): 每次消耗 5-8 Neurons
  • 长文本摘要(1000 字输入): 每次消耗 30-50 Neurons
  • 代码生成(500 行代码): 每次消耗 20-40 Neurons 按这个消耗量算,每天 10,000 Neurons 大概能处理:
  • 1000-2000 次简单对话
  • 200-300 次长文本处理
  • 250-500 次代码生成 老实讲,对个人开发者来说真的很够用了。我现在用 Workers AI 跑了个小机器人,每天处理几百条消息,完全在免费额度内。

如果超了免费额度怎么办?

会自动转成付费模式,$0.011/1000 Neurons。 我算了一下,就算超了,成本也很低:

  • 假设你每天用 50,000 Neurons(是免费额度的 5 倍)
  • 超出部分: 40,000 Neurons
  • 费用: 40,000 / 1000 × <math xmlns="http://www.w3.org/1998/Math/MathML"> 0.011 = ∗ ∗ 0.011 = ** </math>0.011=∗∗0.44/天**
  • 一个月也就 ** <math xmlns="http://www.w3.org/1998/Math/MathML"> 13 左右 ∗ ∗ 对比 O p e n A I : 相同调用量可能要 13 左右** 对比 OpenAI:相同调用量可能要 </math>13左右∗∗对比OpenAI:相同调用量可能要50-100,Workers AI 确实便宜不少。

快速上手:三种方式调用 Workers AI

前置准备很简单:

  1. 注册 Cloudflare 账号(免费)
  2. 安装 Node.js(如果用方式二、三) 接下来我介绍三种调用方式,从简单到进阶,你可以根据自己需求选择。

方式一:最简单 - 直接用 REST API

这是最快的体验方式,连代码都不用写,用 curl 命令就能测试。

第一步:获取 API Token 和 Account ID

  1. 登录 Cloudflare,访问 dash.cloudflare.com
  2. 地址栏会显示 https://dash.cloudflare.com/xxxxxxxxx,这串 xxxxxxxxx 就是你的 Account ID,复制保存好
  3. 点击右上角头像 → My Profile → API Tokens
  4. 点击"Create Token" → 找到"Workers AI"模板 → "Use template"
  5. 继续到最后,会生成一个 Token,这个只显示一次,一定要保存好 我当时找这个 Token 位置翻了好久,所以专门截了图(如果你也找不到,可以搜 Cloudflare API Tokens 页面)。

第二步:测试调用 打开终端,运行这个命令(记得替换你的 Account ID 和 Token):

bash 复制代码 
curl https://api.cloudflare.com/client/v4/accounts/{你的Account_ID}/ai/run/@cf/meta/llama-3.1-8b-instruct \
  -H "Authorization: Bearer {你的API_Token}" \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [
      {"role": "system", "content": "你是一个友好的 AI 助手"},
      {"role": "user", "content": "用一句话介绍一下 Cloudflare Workers AI"}
    ]
  }'

如果看到返回类似这样的 JSON,就说明成功了:

json 复制代码 
{
  "result": {
    "response": "Cloudflare Workers AI 是一个无服务器的 AI 推理平台..."
  },
  "success": true
}

第一次成功返回的时候,我激动得截了个图发朋友圈😂 常见错误处理:

  • 错误 7003: Token 或 Account ID 填错了,检查一下是否完整复制
  • 错误 10000 : 模型名字写错了,注意是 @cf/meta/llama-3.1-8b-instruct,不要漏掉 @cf/
  • 超时: 首次调用可能慢一点(冷启动),等 10 秒左右,后续就快了

方式二:推荐 - 用 Workers + Wrangler 部署

这是官方推荐的方式,好处是可以部署成一个永久可用的 API,而且配置管理更方便。

第一步:安装 Wrangler CLI

bash 复制代码 
npm install -g wrangler

然后登录你的 Cloudflare 账号:

bash 复制代码 
wrangler login

会自动打开浏览器让你授权,点同意就行。

第二步:创建 Worker 项目

bash 复制代码 
npm create cloudflare@latest my-ai-worker

会问你几个问题,按这样选择:

  • Select a project type: "Hello World" Worker
  • Do you want to use TypeScript? 看你喜欢,我选的 No(用 JavaScript)
  • Do you want to use git? Yes
  • Do you want to deploy? 先选 No,测试好再部署

第三步:配置 Workers AI 绑定

进入项目目录,编辑 wrangler.toml 文件,在最后加上这几行:

toml 复制代码 
[ai]
binding = "AI"

这样就可以在代码里用 env.AI 访问 Workers AI 服务了,不需要手动传 Token。

第四步:写代码

编辑 src/index.js(或 index.ts),把内容改成这样:

javascript 复制代码 
export default {
  async fetch(request, env) {
    // 处理 CORS(如果你要从网页调用)
    if (request.method === 'OPTIONS') {
      return new Response(null, {
        headers: {
          'Access-Control-Allow-Origin': '*',
          'Access-Control-Allow-Methods': 'POST',
          'Access-Control-Allow-Headers': 'Content-Type',
        },
      });
    }
    // 只接受 POST 请求
    if (request.method !== 'POST') {
      return new Response('Method not allowed', { status: 405 });
    }
    try {
      // 解析请求
      const { messages } = await request.json();
      // 调用 AI 模型
      const response = await env.AI.run('@cf/meta/llama-3.1-8b-instruct', {
        messages: messages || [
          { role: 'user', content: 'Hello!' }
        ]
      });
      // 返回结果
      return new Response(JSON.stringify(response), {
        headers: {
          'Content-Type': 'application/json',
          'Access-Control-Allow-Origin': '*',
        },
      });
    } catch (error) {
      return new Response(JSON.stringify({ error: error.message }), {
        status: 500,
        headers: { 'Content-Type': 'application/json' },
      });
    }
  },
};

第五步:本地测试

bash 复制代码 
wrangler dev

会启动一个本地服务器,通常是 http://localhost:8787。 用 curl 测试一下:

bash 复制代码 
curl http://localhost:8787 \
  -X POST \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [
      {"role": "user", "content": "介绍一下你自己"}
    ]
  }'

如果返回正常,就可以部署了。

第六步:部署到生产环境

bash 复制代码 
wrangler deploy

部署成功后,会给你一个 *.workers.dev 域名,比如:

arduino 复制代码 
https://my-ai-worker.your-name.workers.dev

这就是你的 AI API 地址了,可以从任何地方调用。 我现在用这个方式跑了个小客服机器人,完全免费,响应速度也不错(通常 1-3 秒)。

方式三:用 OpenAI SDK 无缝迁移

如果你之前用的是 OpenAI API,现在想换成 Workers AI,这个方法最方便 - 代码几乎不用改。 Workers AI 提供了 OpenAI 兼容的端点,只需要改一下 baseURL 就行。

javascript 复制代码 
import OpenAI from 'openai';
const client = new OpenAI({
  apiKey: process.env.CLOUDFLARE_API_TOKEN, // 用你的 Cloudflare Token
  baseURL: `https://api.cloudflare.com/client/v4/accounts/${process.env.ACCOUNT_ID}/ai/v1`,
});
// 和 OpenAI 一模一样的调用方式
const chatCompletion = await client.chat.completions.create({
  model: '@cf/meta/llama-3.1-8b-instruct', // 换成 Workers AI 的模型名
  messages: [
    { role: 'system', content: '你是一个友好的 AI 助手' },
    { role: 'user', content: 'Hello!' }
  ],
});
console.log(chatCompletion.choices[0].message.content);

注意事项:

  • apiKey 用 Cloudflare 的 API Token
  • baseURL 改成 Workers AI 的端点
  • model 改成 Workers AI 支持的模型名(前面要加 @cf/) 我之前有个 Next.js 项目用的 OpenAI,迁移到 Workers AI 只花了 10 分钟,改了这三个地方就行。

能用哪些模型?怎么选?

Workers AI 现在支持 50 多个模型,我挑几个常用的介绍一下。

文本生成模型(最常用)

模型 参数量 特点 推荐场景 模型 ID
Llama 3.1 8B 平衡性好,速度快 日常对话、客服、摘要 @cf/meta/llama-3.1-8b-instruct
Llama 3.1 70B 质量更高,慢一点 复杂推理、长文本 @cf/meta/llama-3.1-70b-instruct
Llama 4 Scout 17B(MoE) 多模态(图文) 图像理解+文本 @cf/meta/llama-4-scout
Mistral 7B v0.2 7B 32k 上下文 长文档分析 @cf/mistral/mistral-7b-instruct-v0.2
DeepSeek-R1 32B 推理能力强 数学、代码、逻辑 @cf/deepseek/deepseek-r1-distill-qwen-32b
OpenAI GPT-OSS 120B/20B Cloudflare 独家 接近 GPT-4 级别 @cf/openai/gpt-oss-120b
我的选择建议:
  1. 初次尝试用 Llama 3.1-8B
    • 响应快(1-2 秒)
    • 质量够用,不输 GPT-3.5
    • 免费额度消耗少
  2. 要求高一点用 Llama 3.1-70B 或 DeepSeek-R1
    • 推理能力更强
    • 生成质量接近 GPT-4
    • 就是慢一点(3-5 秒),消耗也多 3-4 倍
  3. 长文档分析用 Mistral 7B v0.2
    • 支持 32k 上下文窗口(Llama 3.1 只有 8k)
    • 适合处理长论文、长代码

其他实用模型

  • 图像生成 : Stable Diffusion XL - @cf/stabilityai/stable-diffusion-xl-base-1.0
  • 语音识别 : Whisper - @cf/openai/whisper
  • 文本嵌入 : BGE-base - @cf/baai/bge-base-en-v1.5(做向量搜索用)
  • 内容安全 : Llama Guard 3 - @cf/meta/llama-guard-3-8b(检测有害内容) 完整模型列表可以看官方文档: developers.cloudflare.com/workers-ai/...

实战案例:三个真实例子

案例1:构建智能问答 API(最简单)

场景: 给你的博客或文档站加一个 AI 客服。 完整代码(基于方式二):

javascript 复制代码 
export default {
  async fetch(request, env) {
    // 允许跨域
    const corsHeaders = {
      'Access-Control-Allow-Origin': '*',
      'Access-Control-Allow-Methods': 'POST, OPTIONS',
      'Access-Control-Allow-Headers': 'Content-Type',
    };
    if (request.method === 'OPTIONS') {
      return new Response(null, { headers: corsHeaders });
    }
    try {
      const { question } = await request.json();
      // 你可以在 system 提示词里加上你网站的背景知识
      const messages = [
        {
          role: 'system',
          content: '你是一个技术博客的 AI 助手,主要回答关于 Web 开发、AI 应用的问题。回答要简洁、友好。'
        },
        {
          role: 'user',
          content: question
        }
      ];
      const response = await env.AI.run(
        '@cf/meta/llama-3.1-8b-instruct',
        { messages }
      );
      return new Response(
        JSON.stringify({ answer: response.response }),
        { headers: { ...corsHeaders, 'Content-Type': 'application/json' } }
      );
    } catch (error) {
      return new Response(
        JSON.stringify({ error: '处理失败,请稍后重试' }),
        { status: 500, headers: { ...corsHeaders, 'Content-Type': 'application/json' } }
      );
    }
  }
};

前端调用:

javascript 复制代码 
async function askQuestion(question) {
  const response = await fetch('https://your-worker.workers.dev', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({ question })
  });
  const data = await response.json();
  return data.answer;
}
// 使用
const answer = await askQuestion('Workers AI 怎么收费?');
console.log(answer);

成本估算: 假设每天有 200 个用户提问,每次对话消耗 10 Neurons,总共 2000 Neurons,完全在免费额度内。

案例2:批量文本摘要生成

场景: 你有一堆文章需要生成摘要,比如 RSS 订阅、新闻抓取。

javascript 复制代码 
async function generateSummary(text, env) {
  const messages = [
    {
      role: 'system',
      content: '你是一个专业的文本摘要助手。请将用户提供的文章总结成 2-3 句话,突出核心观点。'
    },
    {
      role: 'user',
      content: `请总结以下文章:\n\n${text}`
    }
  ];
  const response = await env.AI.run(
    '@cf/meta/llama-3.1-8b-instruct',
    {
      messages,
      max_tokens: 150 // 限制输出长度,节省 Neurons
    }
  );
  return response.response;
}
// 批量处理
export default {
  async fetch(request, env) {
    const { articles } = await request.json(); // 假设传入文章数组
    const summaries = [];
    // 注意速率限制: 300 请求/分钟,所以要控制并发
    for (const article of articles) {
      const summary = await generateSummary(article.content, env);
      summaries.push({ title: article.title, summary });
      // 简单的速率控制(实际应该用更智能的队列)
      await new Promise(resolve => setTimeout(resolve, 200)); // 每次间隔 200ms
    }
    return new Response(JSON.stringify(summaries), {
      headers: { 'Content-Type': 'application/json' }
    });
  }
};

注意速率限制:

  • Llama 3.1-8B 限制是 300 请求/分钟
  • 如果要批量处理,记得加延迟或用队列
  • 我一般用 p-queue 这个 npm 包控制并发 成本计算实例:
  • 假设每篇文章 1000 字,生成 100 字摘要
  • 每次消耗约 30 Neurons
  • 处理 300 篇文章 = 9000 Neurons,还在免费额度内

案例3:多语言翻译服务(比 Google Translate 便宜)

场景: 做一个翻译工具,或者给你的应用加国际化支持。

javascript 复制代码 
async function translate(text, targetLang, env) {
  const messages = [
    {
      role: 'system',
      content: `你是一个专业的翻译助手。将用户输入翻译成 ${targetLang},保持原文风格和语气。只返回翻译结果,不要加任何解释。`
    },
    {
      role: 'user',
      content: text
    }
  ];
  const response = await env.AI.run(
    '@cf/meta/llama-3.1-8b-instruct', // Llama 3.1 支持多语言
    { messages }
  );
  return response.response;
}
export default {
  async fetch(request, env) {
    const { text, targetLang } = await request.json();
    const translation = await translate(text, targetLang, env);
    return new Response(JSON.stringify({ translation }), {
      headers: { 'Content-Type': 'application/json' }
    });
  }
};

成本对比:

  • Google Cloud Translation API: $20/百万字符
  • Workers AI(Llama 3.1) : 假设 100 字文本消耗 15 Neurons
    • 百万字符 = 10,000 次调用 = 150,000 Neurons
    • 成本: 150,000/1000 × <math xmlns="http://www.w3.org/1998/Math/MathML"> 0.011 = ∗ ∗ 0.011 = ** </math>0.011=∗∗1.65** 便宜了 10 倍以上!当然,Google Translate 准确度可能稍高一点,但 Llama 3.1 的翻译质量我觉得也够用了。

进阶技巧:优化性能和成本

1. 使用流式响应减少等待时间

对于长文本生成,可以用流式响应,让用户看到逐字输出(像 ChatGPT 那样)。

javascript 复制代码 
const response = await env.AI.run(
  '@cf/meta/llama-3.1-8b-instruct',
  {
    messages,
    stream: true // 开启流式响应
  }
);
// 返回流式响应
return new Response(response, {
  headers: { 'Content-Type': 'text/event-stream' }
});

前端用 Server-Sent Events(SSE)接收:

javascript 复制代码 
const eventSource = new EventSource('https://your-worker.workers.dev');
eventSource.onmessage = (event) => {
  const data = JSON.parse(event.data);
  console.log(data.response); // 逐字显示
};

2. 设置 max_tokens 控制成本

如果你不需要很长的回复,可以限制输出长度:

javascript 复制代码 
const response = await env.AI.run(
  '@cf/meta/llama-3.1-8b-instruct',
  {
    messages,
    max_tokens: 100 // 最多生成 100 个 token
  }
);

这样能节省不少 Neurons,尤其是批量处理的时候。

3. 用 Cloudflare AI Gateway 做缓存和监控

Cloudflare 还有个 AI Gateway 服务,可以:

  • 缓存相同请求的结果(节省 Neurons)
  • 监控 API 调用统计
  • 限流保护 (防止滥用) 配置很简单,在 wrangler.toml 里加:
toml 复制代码 
[ai]
binding = "AI"
gateway = "my-gateway" # 你的 AI Gateway 名字

然后在 Cloudflare Dashboard → AI Gateway 里创建一个 Gateway。 我现在用这个来监控我的 Worker,可以看到每天消耗了多少 Neurons,哪些请求最慢,挺方便的。

4. 与其他服务集成

集成到 Next.js 应用:

typescript 复制代码 
// app/api/ai/route.ts
import { NextRequest, NextResponse } from 'next/server';
export const runtime = 'edge'; // 重要: 用 Edge Runtime
export async function POST(request: NextRequest) {
  const { messages } = await request.json();
  const response = await fetch(
    `https://api.cloudflare.com/client/v4/accounts/${process.env.ACCOUNT_ID}/ai/run/@cf/meta/llama-3.1-8b-instruct`,
    {
      method: 'POST',
      headers: {
        'Authorization': `Bearer ${process.env.CF_API_TOKEN}`,
        'Content-Type': 'application/json',
      },
      body: JSON.stringify({ messages }),
    }
  );
  const data = await response.json();
  return NextResponse.json(data);
}

结合 Cloudflare Pages 部署前端: 你可以把前端部署到 Cloudflare Pages,后端用 Workers AI,全部在 Cloudflare 生态内,速度更快而且都免费。 我现在有个项目就是这么部署的,前端 + 后端一分钱没花。

常见问题解答

Q1: 如何获取 API Token?

A: Dashboard → My Profile → API Tokens → Create Token → 选择 "Workers AI" 模板。记得保存好,只显示一次。

Q2: Account ID 在哪里找?

A: 登录后看地址栏,https://dash.cloudflare.com/xxxxxxxxx,那串 xxxxxxxxx 就是。

Q3: Token 泄露了怎么办?

A: 立即去 API Tokens 页面撤销(Revoke)旧 Token,然后重新生成一个。

Q4: 免费额度用完了怎么办?

A: 会自动转成付费模式,按 $0.011/1000 Neurons 计费。你可以在 Dashboard 设置用量提醒,避免超支。

Q5: 遇到速率限制怎么处理?

A: 大多数 LLM 限制是 300 请求/分钟。如果超了:

  • 加延迟控制请求频率
  • 用队列系统缓冲请求
  • 考虑升级到付费计划(会有更高限制)

Q6: 哪些地区可以使用?

A: 全球都可以,Cloudflare 有 300+ 个边缘节点。但中国大陆访问可能需要特殊网络。

Q7: 模型输出质量不如预期怎么办?

A: 几个建议:

  • 优化 prompt,多给一些示例(few-shot learning)
  • 换更大的模型,比如从 8B 换到 70B
  • 调整 temperature 参数(默认 1.0,降低会更稳定)

Q8: 可以微调模型吗?

A: Workers AI 现在支持 LoRA 微调(2024年新增功能),但这是付费功能,而且需要一定的机器学习知识。对大多数人来说,优化 prompt 就够了。

Q9: 如何监控用量?

A: Cloudflare Dashboard → Workers AI → Analytics,可以看到:

  • 每天消耗的 Neurons
  • 请求次数和成功率
  • 平均响应时间 建议定期检查,避免超额。

Q10: 支持哪些编程语言?

A: 官方支持:

  • JavaScript/TypeScript(Workers)
  • Python(通过 REST API)
  • 任何能发 HTTP 请求的语言 用 REST API 的话,什么语言都能调用。

总结:Workers AI 值得尝试吗?

测试了一个月后,我的结论是:对个人开发者和小团队来说,非常值得。 优点:

  • ✅ 免费额度慷慨(每天 10,000 Neurons)
  • ✅ 付费价格便宜(比 OpenAI 便宜 60-90%)
  • ✅ 上手简单(有 REST API 和 OpenAI 兼容接口)
  • ✅ 响应速度快(全球边缘网络)
  • ✅ 模型选择多(50+ 开源模型) 缺点:
  • ⚠️ 模型质量略逊于 GPT-4(但接近 GPT-3.5)
  • ⚠️ 速率限制(300 请求/分钟,大规模应用可能不够)
  • ⚠️ 文档还不够完善(有些功能要自己摸索) 我的建议:
  1. 个人项目直接上,免费额度足够,而且省了服务器成本
  2. 创业项目可以先用,等规模上来再考虑迁移到其他方案
  3. 企业应用谨慎评估,要考虑 SLA、数据合规性等问题 如果你也在找低成本的 AI 方案,不妨试试 Workers AI。注册账号 5 分钟,跑通第一个例子也就 15 分钟,万一适合你呢?

延伸学习资源

欢迎在评论区分享:

  • 你用 Workers AI 做了什么项目?
  • 遇到了什么坑?
  • 有什么优化建议? 大家一起交流学习,说不定能碰撞出新的想法😄

原文首发自个人博客

相关推荐
用户5191495848451 小时前
探秘C#伪随机数生成器的安全漏洞与破解之道
人工智能·aigc
鱼鱼块2 小时前
"从自然语言到数据库：AI First 时代的编程与开发革命"
sqlite·llm·openai
天远数科2 小时前
微服务架构下的风控数据集成：基于Go的支付行为指数API实战
大数据·api
Max8124 小时前
深入理解 LLM 的"思考工具"：从零实现 ReasoningTools
openai·agent
扑克中的黑桃A4 小时前
智能时代的操作系统范式：openEuler的AI就绪度深度评估
aigc
用户12039112947264 小时前
AIGC 时代，数据库终于可以“听懂人话”了：从零打造自然语言操作 SQLite 的完整实战
python·sqlite·aigc
AI生成未来7 小时前
港科大等提出音频驱动多人视频生成新范式 AnyTalker，解锁任意数量角色间的自然互动！
aigc·音视频·视频生成·音频驱动视频
用户268001379198 小时前
苏宁多规格商品 API 解析实战：SKU 关联逻辑与属性值提取技巧
api
emma羊羊8 小时前
【API安全】crapi靶场实战
apache·api·crapi靶场
热门推荐
01GitHub 镜像站点02React CVE-2025-55182漏洞排查与修复指南03【超详细教程】手把手教你从微软官网免费下载Windows 10官方原版ISO镜像（2025最新版）04UV安装并设置国内源05安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）06BongoCat - 跨平台键盘猫动画工具07本地部署阿里最新开源的Z-Image08Linux下V2Ray安装配置指南09在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）10智能库存管理的需求预测模型：从业务痛点到落地代码的完整实践