首页

实战 SOP

场景化落地教程,含真实截图、Prompt、工作流模板与踩坑记录。

BOS 漏一个,输出全乱:280B 基座五步跑通实录

把 ERNIE 5.5 Flash Base 从下载前的合规检查走到第一次跑通:先按 LICENSE v1.0 做三问自检(Territory 排除欧盟英国韩国、相关年收入 5000 万美元门槛、Powered by ERNIE 署名与 Baidu_ERNIE@baidu.com 一次性通知,超门槛须事先书面授权,另有蒸馏禁令与训练数据不交付);再在 FP8 与 BF16 两版权重间选择;用官方 Transformers Quick Start 以 add_special_tokens=True 补上 BOS 跑通最小生成;按官方模型卡示例用 SGLang 或 vLLM 起 completions 服务(--tp 4、131072、上限 1048576),并用 curl 以 prompt 而非 messages 验证;最后定位 NVIDIA-NeMo/Megatron-Bridge 的 examples/models/ernie55/ 继续训练入口。三个坑:漏 BOS、把 Base 当聊天模型、地域与营收误判。

17 秒验证一条 AI 回复的出生证明:CPU 就行

用 Anthropic 开源的 FlashProve 在普通 CPU 上验证一条 AI 回复的密码学出生证明:Linux 环境(g++ 13 以上、非 root、内存小于 2GB,Windows 走 WSL2 通用做法)、克隆 anthropics/FlashProve(0.16.0)、verifier/build.sh 构建一到两分钟、跑通 examples/accepted-proof 存储示例(期望最后一行 YES、退出码 0、验证小于 2 秒),按退出码表读懂结果(0 接受、1 拒绝、5 无结论、14 调用无效),最后给出真实场景五件套与 commitment ID 必须取自可信第三方的安全规则。边界如实写明:只证来源不证正确性、1024 token 上下文、官方标注不维护、现阶段无主流服务商实装。

权重下载了跑不动?显存测算与部署路径指南

权重开放大潮下"下载到跑起来"隔着的一道显存账:权重显存=参数量x每参数字节数(BF16/FP8/INT4 三档),KV Cache 每 token=2x层数xKV头数xhead_dimx字节;以 Qwen3-32B 全精度阶梯(66GB 到 17GB)与 K3.1 Pro(BF16 5.6TB)为例,拆三条误判(能加载不等于能用)、精度按卡选(24GB/96GB/Blackwell)、vLLM 与 Ollama 工具链与五步落地清单。

接 Hy4 要改几处?三个参数、五步与三个坑

把腾讯混元 Hy4 正式版 API 接进自己工作流的五步实操:控制台创建 Key 并开通模型(未开通返回 402)、只改 Base URL/API Key/model 三个参数(广州与新加坡两套地址、三条协议路径)、平台名 hy4 与 OpenRouter 名 tencent/hy4 不能混、按官方图片理解示例用 image_url 与 base64 喂图、接进 CodeBuddy/Claude Code 等工具链并验收。含可跑 Python、401002 与 402xxx/429xxx 错误码、SSE 流式错误帧处理、思考模式与三套价格口径。

不会写代码也能做游戏:49 个 AI 员工的工作室

用 Claude Code Game Studios(github.com/Donchitos/Claude-Code-Game-Studios,MIT,约 33,837 星)把单个 Claude Code 会话变成 49 个 AI 员工的游戏工作室:三层架构总监/主管/专家、72 个技能命令、12 个自动钩子拦截硬编码与误推送,协作协议保证每个决策由你拍板;附五分钟安装三步、Demo 精简流程、第三方 API 跑法与"适合谁/不适合谁"的自检清单。

一人公司 AI 内容生产线:七个 AI 员工跑全流程

把一人公司的内容流水线拆成发现热点、筛选机会、测试验证、整理 SOP、生成内容、产品化、销售转化七个环节,标出其中 5 个可交给 Agent、2 个必须自己来;给出 MarketRadar、WorkflowArchitect、BrandGuardian 等 Agent 命名与七个质检 AI 职员的分工,落到“先建 spec、设人工 checkpoint、先跑通一个再扩展”的搭建五步,并提醒 Agent 不是联合创始人、海外参考月成本约 38 美元。

AI 三分钟出周报初稿,周五不再拖到八点

把每周流水账变成能交差周报的五步工作流:周五 10 分钟素材三堆分类(进展/风险/需要的支持)到结构化投喂、生成、人工核数字、润色定稿。两个可复制提示词模板为核心交付物:其一,流水账生成周报(含角色设定、四段结构、「我没提到的一律不编,拿不准标待确认」反幻觉约束句、AI 味负向词黑名单、500 字硬约束);其二,润色成汇报体(严厉上级自查、范文对齐、「不许新增或修改任何数字」保护)。反幻觉不是多虑:有用户实测反馈,不加约束的模型会补出原文没有的增长数字、自己算汇总值,逼真到作者自己都信。数据红线一节最硬核:南通公安「三不三要」与朝阳法院判例(法院认定解除违法、员工胜诉,但不能读成上传没事),加三星 1024 字节泄密先例,落到周报场景就是客户姓名、金额、内部系统名先脱敏再投喂。方法论口径:结论先行、成果前置、数据说话,领导只看进展、风险、所需支持三件事,主动暴露问题是加分项;工具(周报生成器、飞书 AI 个人周报、钉钉、WPS AI)一段带过不做横评。

发票批量识别导入Excel:月底录票还要手敲多久

一摞发票变一张 Excel 的两条路线实战(与站内 deepseek-ocr 本地部署篇分工:那篇管把模型跑起来,本篇管批量结构化导出)。路线 A 百度智能云增值税发票识别:vat_invoice 接口支持 pdf_file 直传,免费额度个人 1,000 次/月、企业 2,000 次/月按月发放、失败调用也扣次,免费态 2 QPS/付费 10 QPS(官方口径,社区流传的 5/3 QPS 不采)。路线 B PaddleOCR 本地(v3.7.0/PP-OCRv6、91,929 星、Apache-2.0、CPU 可跑),关键认知加粗:开源版没有发票专用模型,字段映射须自写正则——这个工程量差异正是两条路线的选型核心论据。工程链路完整可跑:pathlib/glob 批量收集、PyMuPDF 300dpi 渲染(附 AGPL/商业双许可提醒与替代方案)、逐张识别装字典、pandas/openpyxl 导出带样式的 xlsx。报错对策覆盖模糊、盖章遮挡、倾斜、票种不匹配与 QPS 限流;真伪查验只认全国增值税发票查验平台(每票每天 5 次、近 5 年内开具)。腾讯云/阿里云对照与大模型路线(GLM-OCR)小节均带口径限定,无营销识别率数字。

录音转文字还在按分钟付费?本地 59 秒转完

本地语音转文字五步实战(faster-whisper 主引擎,仓库 github.com/SYSTRAN/faster-whisper):按显存选型(24GB 卡 large-v3+float16+beam 5;8GB 卡 int8_float16 不够降 medium;纯 CPU small/base+int8)→ 安装(GPU 需 CUDA 12 cuBLAS + cuDNN 9,旧组合降级 ctranslate2 3.24.0/4.4.0)→ 最小转写脚本 → 提速省显存三招(精度 fp16 转 int8 省约 1.6GB、批量 batch 8 多花约 1.5GB 提速约 3.7 倍、beam 第三位再动)→ 进阶(Silero VAD、词级时间戳、自拼 SRT、WhisperX 说话人分离)。基准口径全文统一注明:large-v2、beam_size=5、13 分钟音频、RTX 3070 Ti 8GB——原版 2 分 23 秒/4708MB,faster-whisper int8 59 秒/2926MB,批量化 16 秒/4500MB;纯 CPU 档如实写 whisper.cpp fp32(2m05s/1049MB)比 faster-whisper fp32 更快更省,不写全面碾压。陷阱清单含 GPU 忌纯 int8(CTranslate2 文档:需计算能力 7.0/6.1 以上,老卡静默回退 float32)。结尾单段带过 NVIDIA Nemotron 3.5 Transcribe 新引擎选项,与开源列那篇分工不重复跑分。