openEuler上部署Kubernetes集群与Harbor镜像仓库实战

上个月我在 VMware 里准备一套学习用的 Kubernetes 实验环境,顺手把镜像仓库也一起规划进去了。当时选型没怎么纠结,直接定成 openEuler 22.03 LTS SP4 作为宿主机系统,集群用 kubeadm 方式部署 Kubernetes,镜像仓库用 Harbor。整套环境跑下来,从系统安装到集群初始化、Harbor 上线、再到工作负载从私有仓库拉镜像验证,一共花了两天时间。这篇文章把整个部署过程按我实际操作的顺序整理出来,包括版本选型的理由、VMware 虚拟机配置、openEuler 系统初始化、containerd 的安装和 CRI 调用原理、kubeadm 初始化集群、Calico 网络插件、Harbor 的 Helm 部署,以及集群从 Harbor 拉取镜像的完整链路验证。适合手里有测试机想完整复现一遍的运维工程师,也适合准备考 CKA 但缺一套干净环境练手的人。

1. 部署前准备:版本选型、VMware 虚拟机配置与 openEuler 系统初始化

1.1 为什么选 openEuler 22.03 LTS SP4 + Kubernetes 1.28 + Harbor 2.8?

先说版本选型。openEuler 我选了 22.03 LTS SP4,这是一个长期支持版本,x86_64 的 dvd.iso 镜像在官方镜像站直接下就行,文件名类似 openEuler-22.03-LTS-SP4-x86_64-dvd.iso。LTS 版本意味着生命周期长,不会出现刚装完系统就发现源已经不维护的情况。SP4 是 22.03 这个大版本下的第四个补丁版本,内核相对成熟,对 Kubernetes 和容器运行时这种对内核参数敏感的系统兼容性比较好。

Kubernetes 版本我选的是 1.28.x。为什么不追最新版?因为学习测试环境最重要的是生态兼容稳定。Harbor 的 Helm Chart、Calico 网络插件、Dashboard 都有各自的版本适配节奏,选一个发布半年以上的 Kubernetes 小版本,所有周边组件版本都能找到明确的兼容组合。1.28 的 kubeadm 初始化流程非常成熟,网上踩坑资料也最多,遇到问题容易查。

Harbor 我选的 2.8 以上版本,配合 Helm Chart 的 1.12 或 1.13 版本。Harbor 从 2.x 开始默认就是 OCI 分发规范,和 containerd 的对接非常顺滑。学习环境不需要用到镜像复制、漏洞扫描这些重量级功能,但自带的项目隔离、机器人账户、Webhook 这些功能足够让你理解生产环境里镜像仓库的基本模型。

另外一点是这套系统硬件配置不高也扛得住。Master 节点 4C8G、Worker 节点 2C4G 就能跑完整套环境,磁盘 50G 起步,Harbor 默认要跑 Postgres、Redis、Registry、Core、Portal 等多个容器,内存吃紧的话会频繁触发 OOM,这一点后面排障部分我会细说。

1.2 VMware 虚拟机配置与系统安装流程

虚拟机我用的是 VMware Workstation,如果是国产化环境或者公司统一用 FusionCompute,套路是一样的,关键是虚拟机的配置参数。

新建虚拟机的配置我直接参考下面的参数:

  • 操作系统类型:Linux,内核版本选 Red Hat Enterprise Linux 8 64 位(openEuler 和 RHEL 系兼容)
  • CPU:4 核
  • 内存:8GB(实测在 4GB 下能跑但很紧张,Harbor 一起部署的话建议 8GB)
  • 磁盘:60GB(系统装完大概占 10GB,镜像仓库数据会慢慢涨)
  • 网络:NAT 模式或桥接模式,NAT 模式更省事,但一定要在 VMware 的虚拟网络编辑器里固定网段,避免宿主机 DHCP 动态分配导致 IP 漂移

安装过程里有两个容易踩坑的地方。第一个是分区,openEuler 的图形安装器默认分区方案是 LVM,如果你后续要调整磁盘或者扩容目录,LVM 是必要的;但学习环境建议直接把 / var 和 / 放一块,不要单独分 /home,避免后续镜像数据把根分区占满后一头雾水。第二个是安装源验证,如果镜像下载不完整,安装器会在读取软件包时报错,建议下完镜像后校验一下 sha256sum。

系统安装完成后,用 root 登录,第一件事就是配置 yum 源。openEuler 官方源一般可以直接用,但有时候在公司网络环境下访问速度很难受,我习惯用国内镜像源替换。先备份原有的 repo 文件:

bash复制cp -a /etc/yum.repos.d /etc/yum.repos.d.bak
rm -f /etc/yum.repos.d/*.repo

然后创建 openEuler 的镜像源配置,以 22.03 LTS SP4 x86_64 为例,核心配置是这样:

ini复制[openEuler-everything]
name=openEuler 22.03 LTS SP4 everything
baseurl=https://mirrors.tuna.tsinghua.edu.cn/openeuler/openEuler-22.03-LTS-SP4/everything/x86_64/
enabled=1
gpgcheck=1
gpgkey=https://mirrors.tuna.tsinghua.edu.cn/openeuler/openEuler-22.03-LTS-SP4/everything/x86_64/RPM-GPG-KEY-openEuler

执行 yum makecache 缓存元数据,随后用 yum install -y vim wget tar lrzsz bash-completion 装一批基础工具。

1.3 系统初始化:关闭防火墙、禁用 swap、配置内核参数

这一步是整个部署的基础,很多集群起不来或者网络异常,追根溯源都是系统初始化没做干净。我按照 kubeadm 官方文档的要求逐项配置。

第一项,关闭防火墙。openEuler 默认安装并启动 firewalld,Kubernetes 的 kube-proxy 用的是 iptables 或 ipvs 模式,和 firewalld 的 nftables 后端有时会冲突,而且测试环境什么端口都要通,直接禁用最省心:

bash复制systemctl stop firewalld
systemctl disable firewalld

第二项,禁用 swap。Kubernetes 从 1.28 开始虽然可以在开启 swap 的状态下运行 kubelet,但那是实验特性,学习环境不要自找麻烦。直接用注释掉 fstab 里的 swap 行:

bash复制sed -i '/swap/s/^/#/' /etc/fstab
swapoff -a

第三项,配置内核参数。这里有两个必须打开的参数,一个是 net.ipv4.ip_forward,这是 kube-proxy 和容器网络转发的基础;另一个是 net.bridge.bridge-nf-call-iptables,保证经过 Linux 网桥的流量能被 iptables 规则处理。先加载 br_netfilter 模块:

bash复制modprobe br_netfilter
echo 'modprobe br_netfilter' >> /etc/rc.local
chmod +x /etc/rc.local
echo "br_netfilter" > /etc/modules-load.d/k8s.conf

然后写入 sysctl 配置:

bash复制cat > /etc/sysctl.d/k8s.conf <<EOF
net.bridge.bridge-nf-call-iptables = 1
net.bridge.bridge-nf-call-ip6tables = 1
net.ipv4.ip_forward = 1
EOF
sysctl --system

如果你在初始化之后发现 Pod 网络跨节点不通,大概率是这两个内核参数没有生效。建议在这里先确认一下:

bash复制sysctl net.bridge.bridge-nf-call-iptables
sysctl net.ipv4.ip_forward

输出结果都应该是 1。

第四项,检查 SELinux。openEuler 默认安装的 SELinux 状态可能为开启,虽然 kubeadm 在 EL8 系的系统上会自动处理,但为了减少不确定性,我还是直接设置为 permissive 或 disabled。改 /etc/selinux/config,把 SELINUX=enforcing 改成 SELINUX=permissive,然后重启系统。生产环境你别这么干,但学习测试环境完全没有问题。

1.4 静态 IP、主机名与 hosts 解析规划

Kubernetes 集群的节点之间通信全靠主机名解析,这一步规划不好后面全是坑。

我在这套环境里规划了三台虚拟机:

  • k8s-master:192.168.100.101,4C8G
  • k8s-worker1:192.168.100.102,2C4G
  • k8s-worker2:192.168.100.103,2C4G

三台机器全部安装 openEuler 22.03 LTS SP4。每台机器用 nmcli 配置静态 IP,以 master 为例:

bash复制nmcli connection modify ens160 ipv4.addresses 192.168.100.101/24
nmcli connection modify ens160 ipv4.gateway 192.168.100.2
nmcli connection modify ens160 ipv4.dns 192.168.100.2
nmc

内容推荐

VMware虚拟机搭建Kubernetes三节点集群实战指南
Kubernetes · VMware · 虚拟机集群
Kubernetes作为容器编排的核心平台,其生产级能力依赖于多节点协同而非单机模拟。理解调度、网络、故障迁移等机制,需要在真实集群中观察实践。通过VMware虚拟化技术,可以低成本构建一套1主2从的三节点Kubernetes集群,用于验证Deployment滚动更新、跨节点通信及节点故障自愈等核心场景。本文从资源规划、网络模式选择、模板克隆、kubeadm初始化到CNI部署,系统梳理了搭建过程中的关键步骤与常见陷阱,帮助开发者建立更接近生产形态的K8s实验环境,为后续深入运维和故障排查打下基础。
Agent性能优化:慢的不是模型,而是调用次数过多
Agent · 性能优化 · 模型调用次数
在AI应用落地中,Agent性能优化常被简单归因于模型推理速度。然而从工程实践看,端到端延迟往往由任务内的模型调用次数、上下文长度与工具交互共同决定。理解单次请求与整体调度之间的倍数放大关系,是定位性能瓶颈的第一步。通过添加调用日志、设置终止条件、采用结构化输出、压缩上下文以及执行规则分流等手段,可有效降低无意义的模型请求。这类方案在基于LangChain、LangGraph等编排框架以及DeepSeek开源模型的本地化部署中尤为适用。从诊断思路到批量并发改造,系统性减少问答轮次,才是提升Agent响应速度的关键路径。
VMware虚拟机去虚拟化:隐藏特征,改善商业软件的兼容性
VMware去虚拟化 · 虚拟机特征隐藏 · 虚拟机检测
在软件开发与测试领域,虚拟机检测是一个常见的技术关卡。许多商业软件会通过CPUID、SMBIOS、MAC地址等手段识别虚拟化环境,并拒绝在VMware虚拟机中运行,从而带来兼容性问题。去虚拟化的核心原理在于理解五大类检测信号,并通过对VMware配置文件(.vmx)的调整、SMBIOS硬件信息的伪装、网卡与磁盘类型的更换以及VMware Tools的清理,系统性地消除明显的虚拟机指纹。这项技术适用于已获授权的软件兼容性测试、开发与QA验证等合规场景,能有效改善专属软件在虚拟化平台的可用性。本文结合PowerShell命令,提供了一套从环境准备、硬件信息采集到效果验证的完整实施路径,是解决此类兼容性问题的实用参考。
Claude Code 完整学习路径:安装、Skill 与 MCP 配置实战
Claude Code · AI Agent · MCP
AI Agent 正在重构软件开发的执行方式,它不再局限于代码补全,而是能够自主理解任务、规划步骤并操作工程链路。作为这一理念的典型实践,Anthropic 推出的 Claude Code 以终端为交互入口,帮助开发者将模糊需求拆解为可执行任务。理解它的核心机制,需要掌握 Skill(教模型按规范执行)与 MCP(模型上下文协议,连接外部数据和服务)的配合方式。从环境准备、账号注册、模型接入,到权限控制与安全红线,企业级项目的落地离不开对 Agent 边界的清晰认知。本文梳理一条从零开始的学习路径,结合代码审查 Skill 和 MCP 服务器的真实配置方法,演示如何在自动化流水线中安全地引入 AI 编程助手,并为后续团队规范化使用提供可复用的工程建议。
从零开发dsh皮肤插件:结构、变量与调试指南
dsh皮肤插件 · dsh插件开发 · 命令行主题
命令行工具的自定义外观通常依赖插件机制实现,视觉层与业务逻辑的分离是这类设计的核心原理。通过描述文件声明插件入口和适用场景,再以语义化变量定义颜色与控件样式,即可在不改动工具源码的前提下完成主题定制。这种模式不仅便于回滚和同步,也适合团队分享。常见应用包括终端交互、桌面版渲染与导出预览,但不同环境的渲染能力存在差异。dsh的皮肤插件正是基于这一思路,覆盖列表高亮、状态颜色、进度条等界面元素,同时与归档插件、文档解析插件明确区分。文中还涉及dshmarket插件市场的安装与发布流程,帮助开发者从本地调试平滑过渡到远程分发。
AI大模型应用实战全家桶:LLM+RAG+Agent+MCP+工作流双版本落地指南
AI大模型应用 · LLM · RAG
大模型应用开发正从单点调用走向体系化工程。理解LLM的对话生成、RAG的知识检索增强、Agent的自主决策,以及工具调用与统一协议的价值,是从原型走向生产的关键。在AI应用架构中,每一层各司其职:模型负责理解与生成,外部知识通过检索注入,智能体循环执行任务,MCP则让工具生态标准化。它们共同构成了覆盖智能问答、自动化处理和企业系统集成等场景的完整链路。本文以FastAPI与SpringBoot双版本为例,拆解这套AI大模型应用实战全家桶的分层设计、核心代码与工程化要点,帮助开发者建立端到端的落地方案。
AI Agent 性能优化:少问几次比换更强模型更有效
AI Agent · 性能优化 · Harness
在 AI Agent 应用落地中,性能瓶颈往往不在单次模型推理,而在 Harness 层的模型调用次数。一次端到端 15 秒的 Agent 请求,单次模型回答可能只要 300ms;若任务串行触发 30 次模型调用,仅决策开销就被放大到秒级。这种“每步都问模型”的现象,类似数据库的 N+1 查询:把可预判的固定流程交给规则引擎,把真正需要推理的意图识别与结果生成留给模型,能将调用次数从 8 次压到 2 次。配合并行调用、缓存、上下文压缩和可观测性埋点,AI Agent 的延迟与成本都能大幅下降。对后端开发者和 Agent 工程师而言,先统计调用次数、再优化 Harness 决策策略,往往比盲目更换更强模型更有效。
Codex CLI安装实战:从Node.js环境到登录认证全流程
Codex · 安装教程 · Node.js
命令行AI编程助手正在改变开发者的日常工作方式,它通过自然语言交互完成代码编写、调试与任务执行,本质上是将大模型能力下沉到终端场景。要发挥这类工具的工程价值,前提是搭建一套完整可用的本地运行环境。Node.js作为npm包管理器的运行基础,Git作为项目状态感知的依赖组件,登录认证作为模型服务调用的准入凭证,三者缺一不可。在实际落地中,开发者往往先关注网络方案,却忽略了环境变量刷新、全局权限配置、模型Provider映射等技术细节。本文从终端生态与工程实践角度,系统拆解Codex CLI的安装流程,覆盖Node.js与Git的验证方法、npm全局安装常见问题、ChatGPT账号与API Key两种认证方式的区别,以及config.toml中模型与服务商的配置逻辑,帮助开发者在真实项目中少走弯路。
Agent Skills实战:从原理到代码审查技能编写
Agent Skills · MCP · 提示词工程
随着AI Agent应用深入,提示词工程正面临新的挑战:将规则写进System Prompt已难以应对复杂多变的自动化任务。Agent Skills作为一种按需加载的能力文件机制,改变了传统上下文注入方式,让Agent在运行时根据任务描述自动匹配并加载对应技能文件。它与管理外部连接的工具协议MCP形成互补——前者定义'如何做',后者解决'连接谁'。对于代码审查、日志分析、流程检查等规则明确的重复性任务,Agent Skills能够提供结构化执行路径,减少模型注意力分散,提升输出稳定性。本文从通用概念出发,讲解技能目录结构、SKILL.md编写原则,并通过一个Python代码审查技能实例,演示从创建到验证的完整流程,帮助开发者建立正确心智模型。
Claude Code完整指南:从安装配置到Skill与MCP实战
Claude Code · AI编程 · AI智能体
AI编程工具正加速改变软件开发流程,智能体(Agent)与模型上下文协议(MCP)成为关键技术。本文从基础概念出发,讲解Claude Code作为终端AI编程助手的核心原理:它通过感知-规划-行动-观察循环,在项目上下文中自动完成代码检索、修改与测试验证。文章详细介绍了环境准备、账号接入、模型选择、Skill自定义和MCP集成,并结合一个Flask+SQLite项目演示企业级工作流。通过合理运用Skill和MCP,开发者可将团队规范与外部工具标准化接入,实现从需求到验证的闭环,显著提升交付效率与质量。
从零认识Agent Skills:用结构化技能替代冗长提示词,实战Python代码审查
Agent Skills · SKILL.md · 大模型
在大模型应用开发中,依赖冗长提示词约束复杂任务的方式正逐渐触顶。Agent Skills(智能体技能)提供了一种更优雅的范式:将特定领域能力封装为包含说明、脚本与示例的结构化技能包,使模型按需调用而非被动承受长篇指令。本文从智能体、工具与函数调用的关系切入,拆解SKILL.md核心语法与目录规范,并基于Python代码审查实战,展示如何用AST静态分析生成JSON报告,让技能包兼顾稳定性与可复用性。适合追求高效工程实践的开发者参考。
Codex深度解析:用自然语言驱动项目开发与测试验证的AI软件工程师
Codex · AI编程 · 代码生成
在大模型能力快速演进的今天,AI编程助手已从简单的代码补全工具,进化为能够独立规划、执行和验证任务的智能体。其背后的核心逻辑是通过自然语言理解用户意图,借助Agent循环完成代码读取、命令执行、测试反馈与自我修复,从而把开发者的关注点从繁琐的工程操作中解放出来。这种技术价值不仅体现在生成代码片段,更在于覆盖从需求描述到可运行仓库的完整流程,适用于原型搭建、接口实现和自动化测试等典型工程场景。OpenAI Codex正是这一方向的代表性产品,本文从工具定位、环境配置到真实项目实战,系统展示了如何利用命令行工具和云端代理完成一个带验证的工程任务,帮助开发者快速上手并规避常见坑点。
Claude Code 接本地大模型:从环境配置到全栈实战的完整指南
Claude Code · 本地大模型 · Ollama
本地部署大模型是当前开发者兼顾数据安全与离线开发的重要技术路径。通过 OpenAI 兼容接口与 API 转换层,命令行工具可以绕过云端服务,直接调用本机模型完成代码读取、修改与执行命令等任务。这种架构的价值在于,在敏感项目或内网环境中仍能保持高效的 AI 辅助开发流程,同时把推理延迟和成本控制在可预期范围内。从工程实践看,模型参数量、上下文长度、量化方式以及工具调用能力决定了任务质量,而环境变量配置和故障排查则是链路稳定运行的关键。本文以 Claude Code 接入本地模型为例,详细拆解硬件分档、最小可运行配置、CRUD 项目实战验证,以及常见报错的处理顺序,帮助开发者在数据不出本机的前提下,构建一套可用、可控、可维护的终端 AI 开发工作流。
Claude工作流引擎:提示词、Projects、Skills与连接器实战
Claude · 提示词 · Projects
在AI工程化落地中,如何让大模型从简单的问答工具进化为稳定输出的工作流引擎,是开发者关注的核心问题。提示词工程、上下文管理、可复用技能封装以及外部数据接入,构成了自动化任务的基础要素。通过将任务指令模块化、利用项目空间维护长对话上下文、预定义技能模板并连接数据源,可以有效提升模型在内容生产、代码审查、文档处理等场景的可靠性与效率。本文以Claude为例,梳理提示词设计、Projects组织、Skills配置与连接器接入的方法,结合API调用和批量任务实践,帮助开发者构建可复用的AI工作流。
WorkBuddy 工作台使用指南:从最小流程到 Skill 配置
WorkBuddy · 工作台 · Skill
AI 对话工具虽能即时回答问题,但每次使用都要重新描述需求,难以沉淀为可复用的流程。真正高效的自动化工作流,需要将输入、处理、输出固化为标准步骤,并允许随时调整和复用。工作台正是承载这种流程的载体,而 Skill 则是一份打包好的流程说明书,通过自定义指令约定处理规则和输出格式。在科研文献整理、客服话术库建设、内容写作等高频重复场景中,配置一套清晰的 Skill 与目录结构,能显著减少人工搬运和返工。WorkBuddy 不是高级聊天框,而是流程执行器,只有先跑通最小任务,再逐步沉淀规则,才能让工具真正为你所用。
AI编程工具实战:从代码生成到反馈闭环的完整工作流
AI编程工具 · 代码生成 · GitHub开源项目
自然语言处理能力的普及让“写代码”这一行为从逐行手写演变为“描述需求、复核输出、修复缺陷、验证结果”的循环。以GitHub上高星开源项目为代表的AI编程工具,其本质并非简单的代码补全,而是通过编辑器入口、模型网关与上下文组装层构成的完整对话式开发闭环。这种工作流将开发者从繁琐的语法细节中解放出来,使其聚焦于需求边界、验收标准与安全底线,同时借助自动化测试和错误日志反馈,实现可重复的工程实践。从环境配置到最小Flask项目落地,再到让AI修复错误与补全测试,该模式已适配脚本编写、接口开发与代码重构等多类应用场景。本文以一个持久化TODO接口为例,完整走通这一流程,帮助开发者从散点问答升级为独立交付小功能,也正是AI编程工具在真实开发环境中的核心价值所在。
Codex占满C盘?符号链接迁移数据目录,彻底释放开发缓存空间
Codex · C盘清理 · 缓存迁移
AI编程助手通过云端推理提供代码生成与解释能力,本地无需高性能GPU,但会在用户目录中持续积累会话记录、日志和依赖缓存。与此同时,npm、pip、HuggingFace等开发工具的默认缓存路径均指向系统盘,随着使用频率增加,C盘空间会被快速消耗,甚至导致系统卡顿或编译失败。理解符号链接(Junction)的数据重定向原理,可以将应用的数据目录平滑迁移至其他磁盘,在保持工具正常读取写入的同时释放C盘存储压力。这一技术适用于频繁使用AI编程辅助、批量任务处理的开发者,也适用于长期被C盘空间不足困扰的Windows用户。本文以Codex为例,系统讲解从空间占用定位、数据目录迁移、开发缓存搬移到系统级清理的完整实践流程。
Agent性能优化实战:从“问得太多”到“问得准、问得少”
Agent · 大模型推理延迟 · 上下文膨胀
大模型应用开发中,单次推理速度并不能决定系统整体响应。Agent系统的延迟往往来自反复调用模型:规划、工具执行、结果观察均触发推理,叠加上下文膨胀后,总耗时呈指数级上升。工程实践表明,通过工具结果压缩、减少推理轮次、设计Harness约束层等方式,可显著降低无效计算。以DeepSeek等低成本模型为基础的Agent应用,更需要从调用次数和上下文长度入手优化,才能兼顾延迟与成本。本文从延迟构成、上下文管理、工具粒度等角度剖析问题,并给出可落地的优化方案与验证方法。
大模型应用开发全家桶:LLM/RAG/Agent/MCP双技术栈实战指南
大模型应用开发 · LLM · RAG
大模型应用开发已从简单的API调用演变为涵盖检索增强生成、智能体协作、工具调用与标准化协议的完整工程体系。RAG通过外挂知识库解决模型私有数据缺失问题,工具调用让模型具备实时交互能力,Agent则进一步将工具调用组织成自主任务闭环,而工作流与MCP协议为复杂业务提供了确定性与标准化集成路径。本文以FastAPI和SpringBoot双技术栈为落地载体,系统拆解这些核心概念的分层架构、模块设计与实战代码,帮助Python与Java团队快速构建可维护的AI应用。适合正在学习大模型开发、需要从原型走向工程化的开发者参考。
Agent为什么慢:端到端延迟背后的LLM调用次数优化指南
Agent · 大模型 · LLM调用
在大模型应用中,智能体(Agent)的响应速度直接决定用户体验。许多开发者误以为模型推理慢是罪魁祸首,实际瓶颈往往源于Agent在循环中反复调用LLM,导致端到端延迟被放大数倍。理解单次推理延迟与总调用次数之间的关系,是性能调优的第一步。通过延迟模型拆解和Token消耗分析,可以量化无效调用带来的成本;借助Harness等评测框架,则能精准定位调用链路中的冗余环节。从工程实践角度,探讨如何通过收敛规划频率、提前终止机制、上下文压缩及并行工具调用等策略,将Agent交互次数从几十次压缩到个位数,显著降低端到端延迟。对于正在构建AI自动化流程的开发者,这是一份实用的性能优化指南。
已经到底了哦
精选内容
热门内容
最新内容
工业5G独立专网落地指南:数据不出厂与UPF/MEC架构拆解
在工业网络向无线化、智能化演进的过程中,UPF(用户面功能)与MEC(边缘计算平台)的下沉部署,是构建确定性低时延网络的关键技术路径。传统工厂依赖Wi-Fi和工业以太网,难以兼顾移动性、实时性与数据安全;而5G核心网用户面本地化,通过UPF本地分流实现业务数据在园区内闭环,从物理架构上保障数据不出厂。这种模式让控制指令、质检图像、AGV调度等敏感业务流量不再经过运营商承载网,显著降低时延抖动,并增强网络的可管理性与定制化能力。独立专网尤适用于高价值产线、机器视觉检测、PLC无线化及数字孪生等场景。结合5G LAN二三层互通能力与工业网关适配,企业可在不改动现网的前提下,为移动设备提供高可靠无线连接,推动IT/OT深度融合。工业5G独立专网正从概念验证走向规模试点,成为智能工厂网络底座的重要选项。
WorkBuddy 免费实战:从安装到批量任务,避开高额学费
AI 智能体工作台正在成为流程编排与自动化任务的核心工具,它通过 Skill 技能调用、自定义指令和批量处理,把重复性工作固化为可复用的工作流。理解其工作原理,比盲目购买高价课程更有价值。无论是搭建个人工作台、修改系统缓存目录以规避白屏问题,还是通过 API 扩展批量任务能力,均属于可自行验证的工程实践。这类工具适合客服、科研、运营等场景,但需明确合规边界。本文基于常见的安装教程与高频搜索问题,提供从环境准备到效果验证的完整路径,帮助你低成本掌握并判断是否值得为进阶内容付费。
冶金起重机制动器间隙实时监测:原理、架构与Python实战
制动器闸瓦间隙与制动时间是起重机安全运行的核心指标,尤其对于冶金行业吊运高温熔融金属的钢水包,任何异常都可能导致严重事故。制动器在制动力矩作用下通过弹簧压紧闸瓦产生制动效果,但闸瓦磨损会导致间隙增大、制动时间延长,传统人工巡检难以捕捉渐进式风险。工业物联网与传感器技术的发展,使得非接触式间隙测量、边缘采集、阈值判定与报警联动成为可能,形成从感知层到平台层的完整监控链路。此类方案可应用于起重机械运维、特种设备安全监控、预测性维护等场景。本文以某智能监控系统为例,详细拆解制动器间隙测量原理、磨损超标判定逻辑、分级报警机制,并给出可直接运行的Python模拟程序与MySQL建表脚本,为工程实施提供落地参考。
Claude Code接入本地大模型:终端AI编程与协议转换网关实战
在AI辅助开发快速演进的背景下,终端型AI编程工具正成为开发者工作流的重要补充。与依赖云端API的聊天式助手不同,Agent型命令行工具可以直接在项目目录中完成代码读取、文件修改和命令执行,真正实现从需求描述到改动落地的闭环。其核心原理在于模型通过工具调用能力理解并操作真实代码环境,而灵活的API端点配置则让它能够对接本地推理服务。借助协议转换网关,可将Anthropic消息格式翻译为OpenAI兼容接口,从而接通Ollama、vLLM等本地大模型,实现数据不出内网的安全编码体验。这种方案特别适合内网开发、敏感项目及对代码隐私有严格要求的场景。本文围绕Claude Code的部署、本地模型接入、网关配置及全栈开发实战,梳理了从安装到批处理自动化的完整链路,为开发者提供了一条可验证、可落地的工程路径。
大模型应用开发路线:六大核心能力与FastAPI/Spring Boot双版本实战
大模型应用开发不仅是调用API,更是一套融合检索增强、智能体编排与工程化实践的复杂体系。RAG通过外挂知识库解决模型私有数据缺失与幻觉问题,Agent借助工具调用实现自主决策,MCP统一工具接入标准,而工作流将确定流程固化提升稳定性。这些技术共同构成AI应用的核心骨架,广泛适用于企业知识库问答、智能客服、业务系统自动化等场景。面对Python与Java技术栈分裂的现状,本文梳理了LLM、RAG、Agent、MCP、工作流、工具调用六大能力地图,并提供FastAPI与Spring Boot双版本对照实现,帮助开发者快速建立从0到1的AI应用实战路线。
DeepSeek Harness 从零搭建本地大模型批量问答实践指南
大模型能力的价值很大程度上取决于如何高效调用与工程化落地。理解Token、上下文窗口、Temperature等基础概念,是掌握大模型API调用与提示词工程的第一步。然而,当开发者面临批量处理、提示词模板复用、结构化输出等真实场景时,仅靠原始接口往往显得繁琐且易错。DeepSeek Harness 正是为解决这类问题而生的封装框架,它通过YAML配置统一管理模型参数与API Key,提供CLI、桌面端与插件三种形态,帮助开发者快速构建本地自动化工具。本文从环境配置到完整实战,演示了如何利用Harness搭建批量问答脚本、优化上下文控制并实现稳健的工程输出,是衔接大模型原理与业务落地的实用参考。
Claude Code入门:记忆配置、MCP接入与权限管理实战
终端型AI编程工具近年来逐渐成为工程师的得力助手,其核心价值在于让AI能够直接读取本地文件、执行命令并调用外部服务。这类工具的底层原理通常围绕三个关键机制展开:记忆文件负责保存项目背景与工作规则,模型上下文协议(MCP)为AI提供标准化的外部工具接口,权限模型则确保每一次高风险操作都在用户掌控之下。理解这三者的协作关系,就能明白为什么AI助理能从单纯的对话窗口进化为真正可落地的生产力工具。在实际应用中,无论是批量整理文件、合并多份文档,还是生成结构化报告,只要正确配置记忆与MCP,非工程师也能轻松驾驭。本文以Claude Code为例,从账号准备、环境安装到记忆配置和MCP接入,逐步演示如何打造一套属于自己的本地AI助理,帮助读者避开常见配置误区,安全高效地开启智能化工作流。
GPT6-Astra与VLA模型组合实现机器人长程导航
大模型在语言理解与视觉推理上进步显著,但真正落地到机器人动作控制,仍需要跨越从“理解”到“移动”的鸿沟。多模态语言模型与视觉-语言-动作模型(VLA)的协同,为长程导航任务提供了有效方案。GPT6-Astra负责自然语言指令理解、子目标拆分和空间推理,VLA模型则将意图转化为机器人底盘的具体运动指令,二者串联后可稳定执行跨房间、多步骤的导航任务,弥补底层控制模型在全局记忆和目标跟踪上的不足。该组合适用于室内轮式机器人、仿真验证、楼层级导航及多模态智能体研究等场景。本文围绕环境准备、模型部署、中间层设计、功能测试及性能调优展开,帮助开发者快速搭建可用的长程导航系统,并为后续扩展语义地图、目标检测与强化学习微调提供实践参考。
Agent Skills入门到实战:可复用技能规范与MCP工程化
大模型应用开发正从提示词调试走向工程化落地,工具调用与工作流编排成为构建智能体的关键基础。Agent Skills作为一套标准化、可复用的技能封装规范,将模型思考与脚本执行分离,让智能体不再依赖每次即时生成代码,而是按需调用预设技能。通过SKILL.md描述触发条件、scripts承载执行逻辑,配合MCP协议实现跨客户端复用,可有效支撑批量数据处理、企业内部自动化及AI工作流编排等真实场景。理解其与Tool、MCP、Workflow的边界,掌握环境准备、脚本编写与桥接接入方法,是快速上手并推动Agent能力落地的重要路径。
OpenAI Codex 实战:AI编程Agent实现任务式自动化
AI编程正从代码补全走向任务式自动化,核心不再是生成一段代码,而是让Agent在真实环境中自主完成读取仓库、修改文件、执行命令、验证结果的闭环。OpenAI Codex 正是这一方向的代表性工具,它区别于Cursor、Copilot等聊天式助手,强调工程执行链路。理解Agent的审批模式与沙箱机制,是安全落地的关键。本文从Codex的环境配置、实际修复Bug、实现新功能到云端任务编排,给出可复现的工程路径,帮助开发者在选型和技术实践中找到适合的自动化边界。
已经到底了哦