Ubuntu 22.04 + Windows 本地部署 AI 大模型完全指南：Ollama + Python 调用实战（附国内加速配置）

lbb 小魔仙2026-05-06 8:45

Ubuntu 22.04 + Windows 本地部署 AI 大模型完全指南：Ollama + Python 调用实战（附国内加速配置）


🌸你好呀！我是 lbb小魔仙
🌟 感谢陪伴～ 小白博主在线求友
🌿 跟着小白学Linux/Java/Python
📖 专栏汇总：
《Linux》专栏 | 《Java》专栏 | 《Python》专栏

  • [Ubuntu 22.04 + Windows 本地部署 AI 大模型完全指南：Ollama + Python 调用实战（附国内加速配置）](#Ubuntu 22.04 + Windows 本地部署 AI 大模型完全指南：Ollama + Python 调用实战（附国内加速配置）)
    • [1. 引言：为什么要在本地跑大模型？](#1. 引言：为什么要在本地跑大模型？)
    • [2. 环境准备](#2. 环境准备)
      • [2.1 硬件要求](#2.1 硬件要求)
      • [2.2 系统要求](#2.2 系统要求)
      • [2.3 Python 环境确认](#2.3 Python 环境确认)
    • [3. Ollama 安装](#3. Ollama 安装)
      • [3.1 Ubuntu 22.04 安装 Ollama](#3.1 Ubuntu 22.04 安装 Ollama)
      • [3.2 Windows 11 安装 Ollama](#3.2 Windows 11 安装 Ollama)
      • [3.3 验证 Ollama 安装](#3.3 验证 Ollama 安装)
    • [4. 模型拉取与管理](#4. 模型拉取与管理)
      • [4.1 推荐模型列表](#4.1 推荐模型列表)
      • [4.2 国内加速拉取模型](#4.2 国内加速拉取模型)
      • [4.3 常用模型管理命令](#4.3 常用模型管理命令)
    • [5. Python 调用 Ollama](#5. Python 调用 Ollama)
      • [5.1 安装 Python 依赖](#5.1 安装 Python 依赖)
      • [5.2 基础对话调用](#5.2 基础对话调用)
      • [5.3 流式输出（Stream）](#5.3 流式输出（Stream）)
      • [5.4 多轮对话实现](#5.4 多轮对话实现)
      • [5.5 REST API 调用方式](#5.5 REST API 调用方式)
    • [6. 进阶：构建简单的 AI 问答程序](#6. 进阶：构建简单的 AI 问答程序)
    • [7. 常见问题与解决方案](#7. 常见问题与解决方案)
    • [8. 总结与拓展建议](#8. 总结与拓展建议)
      • [📊 本教程覆盖内容回顾](#📊 本教程覆盖内容回顾)
      • [🚀 拓展学习路径](#🚀 拓展学习路径)
      • [📚 参考资源](#📚 参考资源)

摘要：本教程手把手带你在 Ubuntu 22.04 / Windows 11 上安装 Ollama，拉取 Qwen2.5、LLaMA3 等主流开源大模型，并通过 Python 调用本地模型实现对话、流式输出、多轮对话等功能。全程无需翻墙，附国内镜像加速方案，适合零基础到进阶的 AI 开发者。

1. 引言：为什么要在本地跑大模型？

随着 LLaMA、Qwen、Mistral 等开源大模型的兴起，越来越多的开发者选择在本地运行 AI 大模型，原因主要有以下几点：

痛点 本地部署的解决方式
API 调用费用高 本地推理完全免费
数据隐私问题 数据不出本机，绝对安全
网络不稳定 离线可用，无需网络
调用频率限制 本地无并发限制

Ollama 是目前最流行的本地大模型运行工具之一，它将复杂的模型部署封装成极简的命令行工具，支持 macOS / Linux / Windows，并内置了与 OpenAI API 兼容的 REST 接口，可以无缝接入 Python 生态。

💡 适用场景：本地 AI 助手、私有知识库问答、代码辅助、文档分析等

2. 环境准备

2.1 硬件要求

模型规模 推荐内存（RAM） 推荐显存（VRAM） 说明
1B ~ 3B 8 GB 4 GB 入门级，速度快
7B 16 GB 8 GB 推荐配置，效果与速度平衡
13B 32 GB 16 GB 效果更好，需较强硬件
70B 64 GB+ 40 GB+ 顶级效果，需专业级显卡

⚠️ 注意 ：没有独立显卡也可以运行，Ollama 支持纯 CPU 推理，但速度会较慢。推荐至少 16GB 系统内存 以运行 7B 模型。

2.2 系统要求

Linux（Ubuntu 22.04）：

bash 复制代码 
# 确认系统版本
lsb_release -a

# 预期输出：
# No LSB modules are available.
# Distributor ID: Ubuntu
# Description:    Ubuntu 22.04.x LTS
# Release:        22.04
# Codename:       jammy

Windows：

  • Windows 10 版本 1903 或更高（推荐 Windows 11）
  • 如需 GPU 加速：NVIDIA 显卡需安装 CUDA 驱动（版本 ≥ 12.1）

2.3 Python 环境确认

本教程需要 Python 3.8+（推荐 3.10 或 3.11）：

bash 复制代码 
# 检查 Python 版本
python3 --version  # Linux
python --version   # Windows

# 预期输出（版本号应 ≥ 3.8）：
# Python 3.11.x

如果版本过低，请先升级 Python：

bash 复制代码 
# Ubuntu 22.04 安装最新 Python
sudo apt update
sudo apt install python3.11 python3.11-pip -y

3. Ollama 安装

3.1 Ubuntu 22.04 安装 Ollama

方式一：官方一键安装脚本（推荐）

bash 复制代码 
# 下载并执行官方安装脚本
curl -fsSL https://ollama.com/install.sh | sh

💡 网络问题 ：如果 curl 下载缓慢，请参考 [4.2 节](#4.2 节) 的代理方案，或使用方式二手动安装。

方式二：手动安装（网络受限时使用）

bash 复制代码 
# 第一步：从 GitHub Releases 下载对应平台的包
# 访问：https://github.com/ollama/ollama/releases
# 选择 ollama-linux-amd64.tgz（x86_64 架构）
# 或 ollama-linux-arm64.tgz（ARM 架构）

# 第二步：解压到系统目录
sudo tar -C /usr -xzf ollama-linux-amd64.tgz

# 第三步：创建 systemd 服务（实现开机自启）
sudo useradd -r -s /bin/false -U -m -d /usr/share/ollama ollama
sudo usermod -a -G ollama $(whoami)

# 创建服务文件
sudo tee /etc/systemd/system/ollama.service > /dev/null <<EOF
[Unit]
Description=Ollama Service
After=network-online.target

[Service]
ExecStart=/usr/bin/ollama serve
User=ollama
Group=ollama
Restart=always
RestartSec=3
Environment="PATH=$PATH"

[Install]
WantedBy=default.target
EOF

# 启动 Ollama 服务
sudo systemctl daemon-reload
sudo systemctl enable ollama
sudo systemctl start ollama

验证 Linux 安装：

bash 复制代码 
# 查看 Ollama 服务状态
sudo systemctl status ollama

# 预期输出（Active 应为 active (running)）：
# ● ollama.service - Ollama Service
#      Loaded: loaded (/etc/systemd/system/ollama.service; enabled; vendor preset: enabled)
#      Active: active (running) since ...

3.2 Windows 11 安装 Ollama

  1. 访问 https://ollama.com/download，点击 Download for Windows 下载安装包（OllamaSetup.exe）

  2. 双击运行安装包，按照向导完成安装（默认安装即可）

  3. 安装完成后，Ollama 会自动在系统托盘中运行

  4. 打开 PowerShell 或 命令提示符 进行后续操作

💡 提示：Windows 版 Ollama 会自动添加到系统 PATH，无需手动配置环境变量。

3.3 验证 Ollama 安装

在终端中执行以下命令，确认安装成功：

bash 复制代码 
# 查看 Ollama 版本
ollama --version

# 预期输出：
# ollama version is 0.x.x

# 查看帮助信息
ollama --help

4. 模型拉取与管理

4.1 推荐模型列表

以下是适合不同硬件配置的推荐模型：

模型名称 参数量 拉取命令 特点
qwen2.5:7b 7B ollama pull qwen2.5:7b 阿里通义，中文最强，首推
llama3.2:3b 3B ollama pull llama3.2:3b Meta 出品，轻量快速
qwen2.5:1.5b 1.5B ollama pull qwen2.5:1.5b 超轻量，低配电脑可用
deepseek-r1:7b 7B ollama pull deepseek-r1:7b 深度求索，推理能力强
codellama:7b 7B ollama pull codellama:7b 代码专用模型
nomic-embed-text --- ollama pull nomic-embed-text 文本向量化，RAG 必备

💡 推荐新手从 qwen2.5:7b 开始：中文理解能力强，7B 大小在普通电脑上即可流畅运行。

4.2 国内加速拉取模型

由于 Ollama 模型存储在境外服务器，直接拉取可能较慢。以下是国内加速方案：

方案一：配置 Ollama 环境变量代理（Linux）

bash 复制代码 
# 编辑 Ollama 服务配置
sudo systemctl edit ollama.service

# 在文件中添加以下内容（替换为你的代理地址）：
[Service]
Environment="HTTPS_PROXY=http://127.0.0.1:7890"
Environment="HTTP_PROXY=http://127.0.0.1:7890"
Environment="NO_PROXY=localhost,127.0.0.1"

# 重载并重启服务
sudo systemctl daemon-reload
sudo systemctl restart ollama

方案二：使用国内镜像站（无需代理）

bash 复制代码 
# 设置环境变量使用国内镜像（临时生效）
export OLLAMA_HOST=0.0.0.0
export OLLAMA_MODELS=/path/to/models  # 自定义模型存储路径（可选）

# Linux 永久生效：写入 ~/.bashrc 或 ~/.zshrc
echo 'export OLLAMA_HOST=0.0.0.0' >> ~/.bashrc
source ~/.bashrc

方案三：Windows 系统代理

在 Windows 系统设置中配置好代理后，Ollama 会自动读取系统代理，无需额外配置。

4.3 常用模型管理命令

bash 复制代码 
# 拉取模型（首次使用时下载，约 4GB）
ollama pull qwen2.5:7b

# 列出已下载的所有模型
ollama list

# 预期输出：
# NAME                    ID              SIZE    MODIFIED
# qwen2.5:7b             abc123def456    4.7 GB  2 minutes ago

# 在终端直接对话（测试用）
ollama run qwen2.5:7b

# 删除模型（释放磁盘空间）
ollama rm qwen2.5:7b

# 查看模型详情
ollama show qwen2.5:7b

# 查看当前运行中的模型
ollama ps

5. Python 调用 Ollama

5.1 安装 Python 依赖

bash 复制代码 
# 创建虚拟环境（强烈推荐，避免依赖冲突）
python3 -m venv ollama_env

# 激活虚拟环境
source ollama_env/bin/activate  # Linux/macOS
ollama_env\Scripts\activate     # Windows

# 安装 ollama Python 客户端
pip install ollama

# 安装 requests（REST API 调用备选方案）
pip install requests

# 确认安装成功
pip show ollama
# 预期输出：
# Name: ollama
# Version: 0.x.x

⚠️ 注意 ：调用前请确保 Ollama 服务正在运行（ollama serve 或系统服务已启动），默认监听地址为 http://localhost:11434。

5.2 基础对话调用

python 复制代码 
# basic_chat.py
import ollama

def simple_chat(prompt: str, model: str = "qwen2.5:7b") -> str:
    """
    最简单的单轮对话调用
    
    Args:
        prompt: 用户输入的问题
        model: 使用的模型名称
    
    Returns:
        模型回复的文本内容
    """
    response = ollama.chat(
        model=model,
        messages=[
            {
                "role": "user",
                "content": prompt
            }
        ]
    )
    
    # 提取回复内容
    return response["message"]["content"]


if __name__ == "__main__":
    # 测试调用
    answer = simple_chat("请用一句话介绍 Python 语言")
    print(f"模型回复：{answer}")

运行结果示例：

复制代码 
模型回复：Python 是一种简洁易读、功能强大的高级编程语言，广泛用于数据科学、Web 开发、人工智能等领域。

5.3 流式输出（Stream）

流式输出可以实现"边生成边显示"的效果，大幅提升用户体验：

python 复制代码 
# stream_chat.py
import ollama
import sys

def stream_chat(prompt: str, model: str = "qwen2.5:7b") -> None:
    """
    流式输出模式：字符逐一打印，类似 ChatGPT 的打字效果
    
    Args:
        prompt: 用户输入的问题
        model: 使用的模型名称
    """
    print(f"模型 [{model}] 回复：", end="", flush=True)
    
    # stream=True 开启流式模式
    for chunk in ollama.chat(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        stream=True  # 关键参数：开启流式输出
    ):
        # 提取当前 chunk 的文本内容
        content = chunk["message"]["content"]
        print(content, end="", flush=True)
    
    print()  # 输出完成后换行


if __name__ == "__main__":
    stream_chat("解释一下什么是机器学习？")

5.4 多轮对话实现

python 复制代码 
# multi_turn_chat.py
import ollama
from typing import List, Dict

class OllamaChat:
    """
    支持多轮对话的 Ollama 对话类
    维护对话历史，实现上下文感知
    """
    
    def __init__(self, model: str = "qwen2.5:7b", system_prompt: str = None):
        """
        初始化对话类
        
        Args:
            model: 模型名称
            system_prompt: 系统提示词（设定 AI 角色和行为）
        """
        self.model = model
        self.history: List[Dict] = []
        
        # 如果有系统提示词，添加到历史开头
        if system_prompt:
            self.history.append({
                "role": "system",
                "content": system_prompt
            })
    
    def chat(self, user_input: str, stream: bool = True) -> str:
        """
        发送消息并获取回复
        
        Args:
            user_input: 用户输入
            stream: 是否使用流式输出
        
        Returns:
            模型的完整回复
        """
        # 将用户消息添加到历史
        self.history.append({
            "role": "user",
            "content": user_input
        })
        
        full_response = ""
        
        if stream:
            print("AI: ", end="", flush=True)
            for chunk in ollama.chat(
                model=self.model,
                messages=self.history,
                stream=True
            ):
                content = chunk["message"]["content"]
                print(content, end="", flush=True)
                full_response += content
            print()
        else:
            response = ollama.chat(
                model=self.model,
                messages=self.history
            )
            full_response = response["message"]["content"]
            print(f"AI: {full_response}")
        
        # 将 AI 回复也加入历史，维护上下文
        self.history.append({
            "role": "assistant",
            "content": full_response
        })
        
        return full_response
    
    def clear_history(self) -> None:
        """清空对话历史（保留系统提示词）"""
        system_messages = [m for m in self.history if m["role"] == "system"]
        self.history = system_messages
        print("对话历史已清空")


def main():
    # 创建对话实例，设定角色
    bot = OllamaChat(
        model="qwen2.5:7b",
        system_prompt="你是一个专业的 Python 编程助手，回答要简洁准确，代码示例要规范。"
    )
    
    print("=== 本地 AI 对话系统 ===")
    print("输入 'quit' 退出，输入 'clear' 清空历史\n")
    
    while True:
        user_input = input("你: ").strip()
        
        if not user_input:
            continue
        if user_input.lower() == "quit":
            print("再见！")
            break
        if user_input.lower() == "clear":
            bot.clear_history()
            continue
        
        bot.chat(user_input)
        print()


if __name__ == "__main__":
    main()

5.5 REST API 调用方式

Ollama 提供了与 OpenAI 兼容的 REST API，可以直接用 requests 或 openai 库调用：

python 复制代码 
# rest_api_call.py
import requests
import json

def call_ollama_api(
    prompt: str,
    model: str = "qwen2.5:7b",
    host: str = "http://localhost:11434"
) -> str:
    """
    通过 REST API 调用 Ollama（与 OpenAI API 格式兼容）
    
    Args:
        prompt: 用户输入
        model: 模型名称
        host: Ollama 服务地址
    
    Returns:
        模型回复文本
    """
    url = f"{host}/api/chat"
    
    payload = {
        "model": model,
        "messages": [
            {"role": "user", "content": prompt}
        ],
        "stream": False  # 关闭流式，直接返回完整结果
    }
    
    try:
        response = requests.post(
            url,
            json=payload,
            timeout=120  # 设置超时时间（秒）
        )
        response.raise_for_status()  # 检查 HTTP 状态码
        
        result = response.json()
        return result["message"]["content"]
    
    except requests.exceptions.ConnectionError:
        return "错误：无法连接到 Ollama 服务，请确认服务已启动（ollama serve）"
    except requests.exceptions.Timeout:
        return "错误：请求超时，模型可能正在加载中，请稍后重试"
    except Exception as e:
        return f"错误：{str(e)}"


# 使用 openai 库调用（无缝切换）
# pip install openai
from openai import OpenAI

def call_with_openai_sdk(prompt: str) -> str:
    """
    使用 OpenAI SDK 调用本地 Ollama（代码与调用云端 API 完全一致）
    """
    client = OpenAI(
        base_url="http://localhost:11434/v1",  # 指向本地 Ollama
        api_key="ollama"                        # 随便填，本地不校验
    )
    
    response = client.chat.completions.create(
        model="qwen2.5:7b",
        messages=[{"role": "user", "content": prompt}]
    )
    
    return response.choices[0].message.content


if __name__ == "__main__":
    # 测试 REST API 调用
    result = call_ollama_api("Python 中列表和元组的区别是什么？")
    print(result)

6. 进阶：构建简单的 AI 问答程序

综合以上内容，构建一个功能完整的命令行 AI 助手：

python 复制代码 
# ai_assistant.py
import ollama
import os
import json
from datetime import datetime
from pathlib import Path

class LocalAIAssistant:
    """
    功能完整的本地 AI 助手
    - 支持多轮对话
    - 支持对话历史保存/加载
    - 支持多模型切换
    """
    
    SUPPORTED_MODELS = [
        "qwen2.5:7b",
        "qwen2.5:1.5b", 
        "llama3.2:3b",
        "deepseek-r1:7b",
        "codellama:7b"
    ]
    
    def __init__(self, model: str = "qwen2.5:7b"):
        self.model = model
        self.history = []
        self.session_file = Path(f"session_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json")
    
    def _get_installed_models(self) -> list:
        """获取本地已安装的模型列表"""
        try:
            models = ollama.list()
            return [m["name"] for m in models.get("models", [])]
        except Exception:
            return []
    
    def switch_model(self, model_name: str) -> bool:
        """切换模型"""
        installed = self._get_installed_models()
        if model_name not in installed:
            print(f"模型 {model_name} 未安装，请先执行: ollama pull {model_name}")
            return False
        self.model = model_name
        print(f"已切换到模型: {model_name}")
        return True
    
    def chat(self, user_input: str) -> str:
        """发送消息（流式输出）"""
        self.history.append({"role": "user", "content": user_input})
        
        full_response = ""
        print(f"\n🤖 [{self.model}]: ", end="", flush=True)
        
        try:
            for chunk in ollama.chat(
                model=self.model,
                messages=self.history,
                stream=True
            ):
                content = chunk["message"]["content"]
                print(content, end="", flush=True)
                full_response += content
        except ollama.ResponseError as e:
            full_response = f"模型响应错误: {e.error}"
            print(full_response)
        except Exception as e:
            full_response = f"调用失败: {str(e)}"
            print(full_response)
        
        print("\n")
        self.history.append({"role": "assistant", "content": full_response})
        return full_response
    
    def save_session(self):
        """保存当前对话到文件"""
        with open(self.session_file, "w", encoding="utf-8") as f:
            json.dump({
                "model": self.model,
                "timestamp": datetime.now().isoformat(),
                "history": self.history
            }, f, ensure_ascii=False, indent=2)
        print(f"对话已保存至: {self.session_file}")
    
    def run(self):
        """启动交互式对话循环"""
        installed_models = self._get_installed_models()
        
        print("=" * 50)
        print("     🚀 本地 AI 助手（基于 Ollama）")
        print("=" * 50)
        print(f"当前模型: {self.model}")
        print(f"本地可用模型: {', '.join(installed_models) or '无'}")
        print("\n命令提示：")
        print("  /switch <模型名>  - 切换模型")
        print("  /save             - 保存对话")
        print("  /clear            - 清空历史")
        print("  /quit             - 退出")
        print("=" * 50 + "\n")
        
        while True:
            try:
                user_input = input("👤 你: ").strip()
                
                if not user_input:
                    continue
                
                # 处理命令
                if user_input.startswith("/"):
                    parts = user_input.split(maxsplit=1)
                    cmd = parts[0].lower()
                    
                    if cmd == "/quit":
                        self.save_session()
                        print("再见！👋")
                        break
                    elif cmd == "/clear":
                        self.history.clear()
                        print("对话历史已清空\n")
                    elif cmd == "/save":
                        self.save_session()
                    elif cmd == "/switch" and len(parts) > 1:
                        self.switch_model(parts[1])
                    else:
                        print("未知命令，请输入 /quit /clear /save /switch <模型名>")
                    continue
                
                # 普通对话
                self.chat(user_input)
            
            except KeyboardInterrupt:
                print("\n\n检测到 Ctrl+C，正在保存对话...")
                self.save_session()
                break


if __name__ == "__main__":
    assistant = LocalAIAssistant(model="qwen2.5:7b")
    assistant.run()

7. 常见问题与解决方案

问题一：Error: connection refused

错误信息：

复制代码 
Error: dial tcp 127.0.0.1:11434: connect: connection refused

原因：Ollama 服务未启动

解决方案：

bash 复制代码 
# Linux：启动 Ollama 服务
sudo systemctl start ollama

# 或手动启动（前台运行，方便查看日志）
ollama serve

# Windows：在系统托盘找到 Ollama 图标，右键启动
# 或在命令提示符中运行：
ollama serve

问题二：模型拉取速度极慢或中断

解决方案：

bash 复制代码 
# 方法一：设置代理后重新拉取
export HTTPS_PROXY=http://127.0.0.1:7890  # 替换为你的代理

# 方法二：断点续传（重新执行 pull 命令，Ollama 支持自动续传）
ollama pull qwen2.5:7b

# 方法三：使用 modelscope 国内镜像手动下载
# 访问：https://modelscope.cn/models?q=qwen2.5-gguf

问题三：运行时内存不足（OOM）

错误信息：

复制代码 
Error: model requires more system memory than is available

解决方案：

bash 复制代码 
# 切换到更小的模型
ollama pull qwen2.5:1.5b  # 1.5B 参数，约 1GB

# 或调整 Ollama 内存使用（Linux）
export OLLAMA_MAX_LOADED_MODELS=1  # 同时只加载 1 个模型
export OLLAMA_NUM_PARALLEL=1       # 限制并行请求数

问题四：Python 调用报 ModuleNotFoundError

bash 复制代码 
# 确认在正确的虚拟环境中
which python  # Linux
where python  # Windows

# 重新安装
pip install --upgrade ollama

# 确认版本
python -c "import ollama; print(ollama.__version__)"

8. 总结与拓展建议

📊 本教程覆盖内容回顾

章节 内容
环境准备 硬件要求、系统版本、Python 环境
Ollama 安装 Ubuntu + Windows 双平台安装
模型管理 拉取、列出、删除、国内加速
Python 调用 基础对话、流式输出、多轮对话
进阶实战 完整 AI 助手程序
常见问题 4 个高频报错 + 解决方案

🚀 拓展学习路径

完成本教程后，推荐继续学习：

  1. LangChain 集成：将 Ollama 接入 LangChain，构建 Agent、RAG 知识库等高级应用
  2. Open WebUI ：为本地模型搭建类 ChatGPT 的网页界面（docker run -d -p 3000:8080 ghcr.io/open-webui/open-webui）
  3. 向量数据库：结合 ChromaDB / FAISS，让大模型"读懂"你的私有文档
  4. 模型微调：使用 Unsloth / LLaMA Factory 对模型进行领域微调

💡 关注博主 ，后续将陆续更新 LangChain + Ollama 构建本地知识库 、Python 批量处理文档 + AI 摘要等进阶教程！

📚 参考资源

如果本文对你有帮助，欢迎点赞 👍 + 收藏 ⭐ + 关注！有问题欢迎在评论区留言，博主会及时回复 💬
📕个人领域 ：Linux/C++/java/AI

🚀 个人主页 ：有点流鼻涕 · CSDN

💬 座右铭 ： "向光而行，沐光而生。"

相关推荐
IT老兵20251 小时前
nvidia nemo-toolkit框架应用问题汇总
人工智能·python·机器学习·nemo
shamalee1 小时前
2026高效会议纪要：Gemini3.1Pro一键搞定
人工智能
qq_160144871 小时前
零基础两个月后，我拿到了AI应用方向的offer,低门槛转行真实路径
人工智能
alwaysrun1 小时前
Agentic AI与思维链和自我反思简介
人工智能·agent·思维链·思维树·自我反思
geneculture2 小时前
亚符号：人机互助中被忽视的根基——一种认知哲学分析
人工智能·融智学的重要应用·人机间性·符号与规则·亚符号与权重·融智时代杂志
aisifang002 小时前
PDF转Word神器：Gemini3.1Pro一键搞定文档处理
人工智能·pdf·word
东坡肘子2 小时前
让 AI 从称手到称心 -- 肘子的 Swift 周报 #134
人工智能·swiftui·swift
la_vie_est_belle2 小时前
Pygame Studio——用Python自制的一款可视化游戏编辑器
python·游戏·编辑器·游戏引擎·pygame·pyside6·pygame-ce
潘祖记2 小时前
# 一行命令让 AI 接管全屋智能：FeyaGate Skill 保姆级接入教程，小米/涂鸦/美的/易微联全搞定
人工智能·后端·asp.net
热门推荐
01要裂开了！ChatGPT要手机号验证了？注册Codex要求验证电话号码怎么办？2026年登陆Codex要手机号验证的解决办法02GitHub 镜像站点03Codex 接入 DeepSeek API 完整配置文档04零基础教你claude code 接入 deepseek V405【AI】2026 年具身智能模型和世界模型总结06裂开！ChatGPT 居然开始要手机号验证，附详细解决方法07几个好用的ip纯净度检测网站082026年AI前瞻：量子AI、具身智能与科学发现的新纪元09Linux 核弹级高危漏洞 CVE-2026-31431 完整修复指南10CC-Switch & Claude 基于 Linux 服务器安装使用指南