大家在做《百模千态》项目的时候，有什么意见和建议，或者问题，欢迎在这里进行讨论

设计基础是我们与AIGC合作的基础，无论使用何种技术和工具，我们都需要运用设计基础的原则与知识来指导生成的内容。准确地引导AIGC生成符合设计要求的内容，而不是完全依赖枧器的判断。如果我们没有了解色彩理论、构图原则和比例规律，我们设计的作品可能会显得杂乱无章，只有在深刻理解设计基础的基本原则和概念的基础上，我们才能更好地运用AIGC，并确保生成的内容符合设计目标和用户需求。色轮是研究颜色相加混合的一种实验仅器：通过一个色盘展示了所有可见光谱颜色的连续循环。色相指的是色彩所呈现出的相貌，在色盘上以循环的色相环表示色盘上的红、绿、蓝色，被称为三原色（RGB），它们的组合可以产生其他颜色。另外，色彩模型中还有一组基本颜色，称为色料三原色（CMYK），包括青、品红、黄和黑。互补色是位于色盘上彼此相对的两种颜色，对比色是在色彩上形成鲜明对比的两种颜色。暖色调〔如红、橙、黄〕常常被认为是温暖活泼的：而冷色调（如蓝、绿、紫）则被认为是冷静和安静的。中性色包括黑色、白色、灰色、棕色。它们通常与更明亮的强调色结合使用，但也可以在设计中单独使用。中性色的含义和带给人们的感觉更多地取决于它们周围的颜色。对比度是指两种颜色之间的明暗或饱和度的差异程度。高对比度可以产生强烈的视觉效果，而低对比度则会营造柔和与和谐的氛围。合理运用色彩对比度可以突出重点和提高可读性。色彩平衡是指整体色彩的均衡和协调。涌过合理分配主导色和辅助色的比例，以及不同颜色的分布，可以实现整体作品的视觉平衡。色彩在空间中的运用可以影响人们对物体大小、距离和深度的感知。冷色调可以使物体看起来更远、更大：而暖色调则会营造近距离和亲近感。善于利用色彩的空间感可以增设计的立体感和视觉层次。

在这个信息爆炸和数字化时代，设计师面临着前所未有的挑战和机遇。用户期望获得个性化、定制化的体验，而传统的设计方法已经难以满足这种需求。在这个背景下，AIGC作为一款强有力的工具，可帮助我们以创新的方式解决设计问题，并开拓前所未有的设计领域。AIGC不仅仅是一个技术，还代表了设计和人工智能的交叉点，它结合了机器学习、自然语言处理、计算机视觉等领域的技术，使机器能够像人类一样理解和生成创造性的内容。通过AIGC，我们可以实现自动化的设计任务、个性化的用户体验、创意的增强和设计过程的优化。然而，AIGC也带来了一些挑战。设计师需要了解如何与AIGC进行有效协作，如何设计合适的提示词、引导和约束，以确保生成的内容符合设计目标和用户期望。同时，我们也需要关注AIGC的道德和伦理问题，确保它被正确使用，并避免产生负面影响。上面一段说的不错，一项新技术，最早得到运用的往往是一些灰色行业，并且在这其中，技术也得到了发展。

1. AI开发平台ModelArts新功能11月的ModelArts新功能零零散散还是挺多的。其中有些功能改善了用户体验。Notebook cache盘容量使用监控和告警当前开发环境的cache盘使用时，没有容量告警，在使用时很容易超过限制，并直接重启Notebook实例。重启后多种配置重置，会导致用户数据丢弃，环境丢失，造成很不好的使用体验。因此提供了cache盘使用情况的监控和告警，并将数据上报至AOM平台。TFServing框架迁移到推理自定义引擎的指导当从TFServing迁移到使用ModelArts推理的AI应用管理和服务管理时，需要对原生TFServing镜像的构建方式做一定的改造，以使用ModelArts推理平台的模型版本管理能力和动态加载模型的部署能力。新增文档“预置框架启动流程说明”，介绍了Tensorflow、PyTorch等预置训练框架启动原理。这个比较好，让用户了解一些原理，可以更好的实验。比如：单机作业时（即选择的节点数为1），ModelArts只会在一个节点上启动一个训练训练容器，该训练容器独享节点规格的可使用资源。一共新增了12个功能点，这里不一一赘述。2. 人工智能相关直播合集华为云数字人赋能千行百业，共享AIGC新机遇 cid:link_3数字人作为真人沉浸式体验的重要入口和AIGC的关键要素，告诉你数字人将如何带来千行百业的产业变革？ 快来看，如何制作自己的一个数字分身人...昇思MindSpore技术公开课·大模型专题（第二期） cid:link_0讲解大模型时代的智能遥感技术的发展与挑战、介绍遥感基础模型的技术路线与典型场景应用。很有意思。比如红外遥测的水和大地，白天和晚上的不同。这个基于传统CV，但又有很大的区别。MoE-LLM：开启大模型终身学习的可能性 cid:link_4多专家系统(Mixture of Experts，MoE)是大模型时代提高模型参数量的重要技术手段，而随着大模型的不断演进发展，怎么样使大模型具备持续终身学习能力，通过持续的数据不断提升大模型也成为了重要问题。MoE技术和持续终身学习的碰撞，使大模型具备终身学习成为可能。 这个就像人的终身学习、自我自动迭代。AI要是会这个，有点可怕呀。昇思MindSpore技术公开课·大模型专题（第二期） cid:link_1承接第一讲ChatGLM，在ChatGLM系列模型中进一步深入，讲解ChatGLM2的相关技术、推理部署代码演示，以及介绍最近刚开源的ChatGLM3的相关特性。openGemini全新列存引擎，为您解决时序数据高基数难题 cid:link_5在数据库中，基数是指一列数据中唯一值的个数，高基数即表示该列中唯一值的数量非常大，常见的比如IP地址、电子邮件等。高基数问题长期困扰着众多时序数据库产品，主要表现为索引膨胀，内存资源消耗增加，读写性能下降等openGemini 全新列存引擎，旨为解决高基数问题，性能表现出色。适用于特定的海量数据场景，可以了解一下华为云多模数据库GeminiDB架构与应用实践 cid:link_2 探讨华为云多模数据库GeminiDB的技术架构，及革新当代应用的数据处理方式 也就是原来的GaussDB NoSQL华为云盘古大模型主题论坛·深圳站 cid:link_6这是一个大会，内容丰富，不容错过。 大模型时代，快速构建大模型能力并实现场景化创新，并获得充足可持续的AI算力供给，成为千行万业智能化的刚需。华为云始终践行AI for Industries，2023年陆续发布了盘古大模型、昇腾AI云服务等AI技术及行业实践。 为您介绍盘古大模型、昇腾AI云服务等技术的最新进展，全面阐述盘古大模型生态发展的生态策略，并将重磅发布一系列促进生态合作的方案和计划。同时多位重量级嘉宾分享基于盘古大模型的前沿探索和实践成果。开源的大模型在modelarts可以快速订阅使用。 介绍华为自己的盘古大模型。5个基础大模型。

随着科技的不断发展，人工智能（AI）在汽车行业的应用正日益深入，推动着车辆的智能化、自动化和互联互通。以下是目前AI与汽车融合的一些具体技术：自动驾驶技术：感知系统： 利用深度学习和计算机视觉技术，汽车能够实时感知周围环境，包括道路、其他车辆、行人和障碍物。决策系统： 基于机器学习算法，车辆能够做出智能决策，选择合适的行驶路线、速度和执行相应的操控动作。语音识别与人机交互：语音助手： 集成自然语言处理技术，驾驶员可以通过语音指令实现控制车辆、调整设置和获取信息。手势识别： 利用摄像头和深度学习，车辆可以识别驾驶员的手势，实现更直观的人机交互。智能交通管理系统：交通流优化： 利用实时数据和预测分析，智能系统可以优化车辆流动，减少交通拥堵。智能信号灯： 基于实时交通情况调整信号灯，提高道路通行效率。车辆诊断与预测性维护：传感器监测： 在车辆各个部件安装传感器，实时监测车辆状态。机器学习预测： 利用历史数据和机器学习算法，预测车辆可能出现的故障并提前进行维护。智能车内体验：人脸识别与情感分析： 识别车内乘客并分析其情绪，调整车内环境以提供更舒适的乘坐体验。个性化推荐： 基于驾驶员和乘客的历史数据，智能系统可以提供个性化的音乐、导航和娱乐推荐。车联网与云计算：实时更新： 通过云端连接，车辆可以实时获取地图数据、软件更新和安全补丁。车辆互联： 实现车辆之间的信息共享，提高交通安全和效率。辅助驾驶系统：盲点检测： 利用雷达和摄像头监测车辆周围的盲点，提醒驾驶员注意。自动泊车： 通过传感器和自动化控制，车辆能够在有限空间内实现自动停车。这些技术的融合使得汽车不仅仅是交通工具，更是智能、安全、舒适的移动空间。然而，随着技术的不断进步，我们还将看到更多创新的AI技术被应用于汽车领域，为未来出行提供更多可能性。

IMDB本身是一家在线收集各种电影信息的网站，与国内的豆瓣较为类似，用户可以在上面发表对电影的评论。IMDB数据集是由斯坦福大学研究院整理的一套用于情感分析的IMDB电影评论二分类数据集，包含25000个训练样本和25000个测试样本，所有影评都被标记为正面或负面两种评价。IMDB数据集在TF中的读取方法与MNIST等数据集较为类似。WikiText英语词库数据(The WikiText Long Term Dependency Language Modeling Dataset）是由Salesforce MetaMind策划的包含1亿个词汇的大型语言建模语料库。这些词汇都是从维基百科一些经典文章中提取得到，包括WikiText-103和WikiText-2两个版本，其中WikiText-2是WikiText-103的一个子集，常用于测试小型数据集的语言模型训练效果。值得一提的是，WikiText保留了产生每个词汇的原始文章，非常适用于长期依赖的大文本建模问题。Amazon reviews数据集是2013年由康奈尔大学发布的、从斯坦福网络分析项目(SNAP)中构建的Amazon评论数据集，分为Full和Polarity两个版本。Full版本每个类别包含600000个训练样本和130000个测试样本，Polarity版本每个类别则包含1800000个训练样本和200000个测试样本。评论的商品包括书籍、电子产品、电影、日常家用产品、衣服、手机、玩具等Sogou news数据集是由SougouCA和SougouCS新闻语料库构成的数据集，其总共包含运动金融、娱乐、汽车和技术5个类别共计2909551篇新闻文章，每个类别均包含90000个训练样本和12000个测试样本。

相较于MNIST和Fashion-MNIST的灰度图像，CIFAR-10数据集则由10个类的60000张32*32彩色图像组成（每个类包含6000张图像），分别有50000张训练图像和10000张测试图像。CIFAR-10是由Hinton的学生AIex Krizhevsky(AlexNet的作者）和llya Sutskever整理的一个用于识别普适物体的彩色图像数据集。一共包含10个类别的RGB彩色图片：飞机(airplane)、汽车(automobile)、鸟类(bird)、猫（cat）、鹿(deer)、狗(dog)、蛙类（frog）、马(horse)、船(ship)和卡车(truck)CIFAR-100可以看作是CIFAR-10的扩大版，CIFAR-100将类别扩大到100个类，每个类包含600张图像，分别有500张训练图像和100张测试图像。CIFAR-100的100个类被分为20个大类，每个大类又有一定数量的小类，大类和大类之间区分度较高，但小类之间有些图像具有较高的相似度，这对于分类模型来说会更具挑战性。ImageNet数据集始于2009年，是由斯坦福大学李飞飞教授主导的一个项目形成的数据集。当时李飞飞教授在CVPR2009上发表了一篇名为ImageNet：A LargeGScale Hierarchical Image Database的论文，之后就是基于ImageNet数据集的七届ILSVRC竞赛（从2010年开始），这使得ImageNet极大地推动了深度学习和计算机视觉的发展。目前ImageNet中总共有14197122张图像，分为21841个类别PASCAL VOC(The PASCAL Visual Object Classes)挑战赛是一个世界级的计算机视觉挑战赛，其全称为Pattern Analysis,Statical Modeling and Computational Learning,从2005年开始到2012年结束，PASCAL VOC最初主要用于目标检测，很多经典的目标检测网络都是在PASCAL VOC上训练出来的，如Fast RCNN系列的各种网络。后来逐渐增加了分类、分割、动作识别和人体布局等比赛。目前PASCAL VOC主要分为VOC2007和VOC2012两个版本的数据集。COCO数据集是微软在ImageNet和PASCAL VOC数据集标注的基础上产生的，主要用于图像分类、检测和分割等任务。COCO全称为Common Objects in Context，2014年微软在ECCV Workshops发表了一篇名为Microsoft COCO: Common Objects in Context的论文。论文中说明了COCO数据集以场景理解为目标，主要是从复杂的日常场景中截取，图像中的目标通过精确的分割进行位置的标定。COCO包括91个类别目标，其中有82个类别的数据量都超过了5000张。除以上这些公开的经典数据集之外，我们也可以通过数据采集和图像标注工具制作数据集。常用的图像标注工具包括Labelme、LabeIImg、Vatic、Sloth、ImageJ、CVAT、Yolo_mark、RectLabel和Labelbox等。

被拦截了，但很难人工修改：数据集-CV篇 cid:link_0

很多人在学习了神经网络和深度学习之后，早已迫不及待地要开始动手实战了。通常第一个遇到的问题就是数据。作为个人学习和实验来说，很难获得像工业界那样较高质量的贴近实际应用的大量数据集，这时一些公开集往往就成了大家通往人工智能(AI)路上的反复摩擦的对象。计算机视觉(CV)方向的经典数据集包括MNIST手写数字数据集、Fashion-MNIST数据集、CIFAR-10和CIFAR-100数据集、ILSVRC竞赛的ImageNet数据集、用于检测和分割的PASCAL VOC和COCO数据集等。而自然语言处理(NLP)方向的经典数据集包括IMDB电影评论数据集、WikiText（维基百科）数据集、Amazon reviews（亚马逊评论）和Sogou news（搜狗新闻）数据集等。MNIST（Mixed National Institute Of Standards and Technology database）数据集相信大家已经耳熟能详。可以说，每个入门深度学习的人都会使用MNIST进行实验。作为领域内最早的一个大型数据集，MNIST于1998年由YannLeCun等人设计构建。MNIST数据集包括60000个示例的训练集及10000个示例的测试集，每个手写数字的大小均为28*28。MNIST在TensorFlow中可以直接导入使用。可能是看到MNIST太"烂大街"了，德国的一家名为Zalando的时尚科技公司提供了Fashion-MNIST来作为MNIST数据集的替代数据集。Fashion-MNIST包含10种类别70000张不同时尚穿戴品的图像，整体数据在结构上与MNIST完全一致。每张图像的尺寸同样是28*28。同样在TensorFlow中可以直接导入使用。

PyTorch是一款可以媲美于TensorFlow的优秀深度学习计算框架，而且相比于TensorFlow在语法上更具灵活性。PyTorch原生于一款小众语言Lua，而后基于Python版本具备了强大的生命力。作为一款基于Python的深度学习计算库，PyTorch提供了高于Numpy的强大的张量计算能力和兼具灵活度和速度的深度学习研究功能。 2018年10月发布了1.0版本，然后正式走向了稳定可用阶段。在ICLR 2019提交论文中，提及TensorFlow的论文数量从2018年的228上升到了2019年的266，而提及PyTorch的论文数量从2018年的87激增到了252。这也从侧面说明PyTorch的影响力今非昔比。根据2019年各大顶会的研究人员使用情况调查来看，目前TensorFlow已经退守到工业界，学术界和各大顶会的研究人员更多地是使用PyTorch。但TensorFlow、Keras和PyTorch这3种深度学习计算框架我们都要学习，一个好的深度学习项目不能因为使用了不同的框架而使我们错过它们。

对于初次踏入深度学习领域的人员而言，选择哪种计算框架是一个值得思考的问题。 如果一定要选出一个框架作为你的深度学习入门工具，那么建议选择Keras，Keras具备搭建神经网络各个零部件高度集成的API，并且对新手非常友好，基于Keras进行一次快速的深度学习试验几乎是分分钟的事。 在熟练之后则不要继续停留在Keras的舒适区，继续学习其他计算框架。TensorFlow作为Google开发维护的深度学习工具，它是用C++/Python编写的，提供Python、R、Java、Go和JavaScript API。TensorFlow使用静态计算图，TensorFlow Fold库也增加了对动态图的支持。此外，从版本1.7开始，TensorFlow在动态执行方面采取了不同的步骤，并实现了可以立即评估Python代码的急切执行，而无须构建图形。TensorFlow有着非常好的社区环境支持，即可以轻易地从网上找到很多有关的使用教程、视频，在线课程和教程等。除纯粹的计算功能之外，TensorFlow还提供了TensorBoard这样的可视化性能监控工具，它可以显示计算图，绘制关于模型训练或推理执行的量化指标，并基本上可以提供调试和微调深度神经网络所需的各种信息。TensorFlow虽然很好，但是对于初学者来说并不友好，初学者用TensorFlow来搭建神经网络需要一个思维转变，总体来说，学习TensorFlow没那么容易。TensorFlow在2.0版本中做了较大的改动，如使用Eager Execution替代了Session运行机制，深度集成了Keras的网络搭建方法等。但目前工业界部署和使用较为成熟的还是1.13和1.14等版本。Keras并不能算是一个独立的框架，其本质上是一个高层神经网络API,Keras由纯Python编写而成并基于TensorFlow、Theano及CNTK后端。 所以，我们也可以直接使用TensorFlow调用Keras。Keras为支持快速实验而生，能够把想法迅速转换为结果。 Keras非常易于学习和使用。无论是初学者还是不打算进行复杂研究的高级深度学习研究员，都建议使用Keras。在TensorFlow2.0中，其网络构建深度集成了Keras的架构，在实际使用时，Keras和tf.keras并无大的差别。

Hinton认为，在识别图像时，人类神经元是按照一种二叉决策树的形式自上而下地进行判断来识别图像的，而CNN则是通过一层层的网络进行信息过滤和提取、集成和抽象来识别图像的，这就是CNN与人类神经元的最大区别。所以，总体来说，CNN最大的问题在于其网络内部的各神经元是平等的，没有具体的组织结构能够让CNN来识别出同一张图像内容的不同位置表示。CNN的这些缺点，正是胶囊网络要做的。2017年11月，由Sara Sabour、Nicholas Frosst和Geoffrey Hinton共同发表了一篇名为Dynamic Routing Between Capsules的论文，这篇论文提出了一种新的、不同于此前的CNN网络架构的胶囊网络结构。组成胶囊网络的基本元素是一个个的胶囊，而不是神经网络中的神经元。那胶囊又是什么呢？其实，胶囊依然是由一组神经元构成的，说到底，胶囊网络的最基本单元还是神经元，但是Hinton规定胶囊就是胶囊网络的最小单元。构成每个胶囊的这样一组神经元，它会学习检测给定区域（如一个八边形区域）图像的特定目标，输出一个向量（如一个八维向量），向量的长度代表目标存在的概率估计，而且它对姿态参数进行（如精确的位置、旋转等）定向编码（如8D空间）。如果对象有轻微的变化（如移位、旋转、改变大小等），那么胶囊将输出相同长度但方向略有不同的向量，因而胶囊追求的是等变化(Equivariance)，而对应的不能察觉出这种轻微变化的CNN追求的则是不变性(Invariance)。胶囊与传统神经元的区别如下：

卷积神经网络在深度学习和计算机视觉应用中都有着举足轻重的地位，可以说CNN是目前深度学习的主流方法。在CNN这样普遍化的工业应用之后，我们能否更进一步，构造出性能超越CNN的网络结构？解铃还须系铃人，当年提出CNN的Geoffrey Hinton经过多年研究，在2017年11月提出了著名的胶囊网络(Capsule Nets）并在MNIST数据集识别任务上取得了迄今为止最优的成绩。在CNN中池化层是一个伟大的发明，数据经过池化层这样一个下采样过程的处理，能够缩小信息冗余，让网络处理更加有效的信息。但池化层也有缺点，如最大池化处理，丢失了数据中很多有效的信息，降低了图像的空间分辨率。最明显的例子就是CNN很难分辨出两张有着细微差别的输入图像。例如下图，CNN很难察觉出这只狗是在图像的←边还是右边。再如，CNN识别一张人脸的要素在于两只眼、一张嘴巴和一个鼻子，只要输入图像中有这些元素，CNN都会将其识别为人脸。例如下图右边的毕加索风格的人脸，CNN也会准确无误的将其识别出来，而不会在乎构成人脸的鼻子、眼之间是以怎样的一种结构来组成的。从CNN的角度来看，鼻子歪或眼睛长到嘴巴上去对于整张图像来说只是微小的变化，不会影响它对输出的判断。

华为云账号：CSDN-weixin 55984718课程1.3打卡：

 前言     DevChat是一款基于自然语言处理技术的聊天机器人，集成了GPT3.5、GPT4.0、XINGHUO-2、CLAUDE-2、LLAMA-2-13B-CHAT等大模型，它可以通过自然语言对话的方式与开发者进行交流，帮助开发者更高效地完成编程任务。      现在流行的GPT、文心一言、讯飞对话机器人，都需要在编辑器之外的网页或APP另外开一个窗口，而DevChat是VSCode里的插件，可以一边写代码一边使用DevChat生成代码。      使用DevChat也有一段时间了，也越发体会到AI的好处。对比人类的大脑，在精准海量的记忆方面，AI还是有很大优势。就拿创建Vue项目来说，如果是第一次创建Vue项目，通常需要打开搜索引擎去搜索Vue官网，然后找到Document，去搜寻关于创建Vue项目的文章，最后回到我们的编辑器，按照说明去完成上述步骤。如果是第二次创建Vue项目，我们通常会翻出上次的笔记或是重复搜索引擎那套流程。      那么今天在这里给大家展示一下在VSCode里使用DevChat的便捷性，我们可以完全颠覆以往那些复杂的过程，轻轻松松喝几口咖啡的时间，DevChat就会给出我们创建Vue项目的步骤。  一、安装DevChat     由于DevChat是一个VSCode插件，我们的目标是创建Vue项目，因此我们需要事先准备好一些东西：代码编辑器VSCode、node/npm环境。  1.1、访问地址     https://meri.co/yxt  1.2、注册     进入官网后，首先进行账号注册，步骤非常简单，就是邮箱加验证码（友情提示，163邮箱也是可行的）。 注册的时候会有一封邮件告知注册成功，里面包含了一个Access Key ，记住这个Access Key等会有大用。  1.3、在VSCode里安装DevChat插件     在 VS Code 插件市场中搜索“devchat”，如下图，点击安装（或访问 Visual Studio Marketplace，点击 Install）。  1.3.1、未安装状态     未安装状态下，DevChat会显示“安装”按钮。   1.3.2、已安装状态     已安装状态下，DevChat会显示“卸载”按钮  二、设置Access Key     把 邮件里的access key，完整复制粘贴到 VS Code 中，具体方法为：  2.1. 点击左下角管理（“齿轮”图标）—命令面板（Command Palette），如下图  2.2、在弹出的命令面板中输入“devchat key”，点击如下命令      把邮箱里的Access Key输入到这里，按回车键确认。  三、使用DevChat     使用DevChat，提问”创建一个Vue3项目”     DevChat会给出我们答案，如下图：  3.1、 选中机器人标签 打开DevChat窗口， 选中机器人标签，可以有GPT3.5、GPT4.0、XINGHUO-2、CLAUDE-2、LLAMA-2-13B-CHAT等大模型的选项，这里我们选择GPT-4，尝试一下当前最先进的大模型。   3.2、创建新的主题 点击[new topic]，主题内容是：创建一个Vue3项目 可以创建多个Topic，Topic之间是数据隔离的（比如创建Java项目，生成跟当前主题不相关的其他代码等）  3.3、创建Vue3项目的提示内容  3.3.1、确保你已经安装了Node.js和npm 这里可以配合底部终端区域，检测node、npm是否已安装、配置环境。  3.3.2、使用npm全局安装Vue Cli 安装并配置好node、npm环境，就可以使用npm全局安装Vue Cli 命令：npm insattll -g @vue@cli  3.3.3、使用Vue Cli创建一个Vue新项目 使用Vue Cli创建一个Vue新项目，替换掉DevChat提示词里的项目名称 vue create vue_snake  3.3.4、在提示符下， 选择Vue3 在创建Vue项目中， 选择Vue3项目，按照提示一步一步完成Vue3项目创建  四、按照上述提示创建Vue3项目并打开项目  4.1、左边区域是创建好的Vue3项目 vue_snake，包含node_modules、public、src等目录，package.json、README.md、vue.config.js文件。  4.2、右侧区域展示DevChat 在Vue3项目打开之后，重复【第二节】的内容，并设置展示在右边区域。 这样我们可以一边编写项目代码， 一边可以同DevChat聊天机器人互动。  4.3、打开终端运行项目（底部区域） 输入：npm run serve  项目启动成功之后会提示：  App running at:  Local: http://localhost:8080/ Network: http://192.168.1.105:8080/ 4.4、在浏览器查看Vue3项目 http://localhost:8080/  5、DevChat在项目开发过程中的应用 5.1、添加到DevChat功能 如果我们在编辑器中有部分代码有疑惑，可以右键选择Add to AddChat，然后在右侧对话框输入我们的问题。比如，编辑器中我对下面的代码有疑惑，然后询问DevChat帮我解答疑惑。  可以看到当点击Add to AddChat后，左侧输入框就多个图标内容，主要记录的是你的操作。 DevChat这种操作就特别的方便，不需要我们复制内容到Gpt、文心一言等工具里， 在VSCode里就可以边写项目代码边使用AI答疑。  总结      在当今的软件开发领域，我们经常面临一些复杂的业务需求和非业务层面的代码问题。这些问题不仅耗费我们的时间和精力，而且可能阻碍我们专注于解决真正的业务逻辑。这时，一款优秀的工具——DevChat，便能够发挥出其强大的作用。      DevChat是一款基于自然语言处理技术的聊天机器人，可以通过与开发者的对话，理解并执行开发者的编程需求。无论是解决复杂的业务问题，还是优化代码，它都能为我们提供极大的帮助。在开发过程中，冗余代码或欠优化代码是常见的问题。这些问题不仅影响代码的质量，还可能影响软件运行的效率。此时，我们可以将这些代码复制到DevChat中，让它快速给出解决方案。      更值得一提的是，DevChat无需任何科技支持即可直接体验AI的效果。在开发过程中，由于网络或其他原因，我们可能无法使用科技。而DevChat的优点在于，它无需科技支持，响应速度快，让我们随时随地都能享受到AI的便利。      综上所述，DevChat的引入不仅可以提高我们的工作效率，还能提升我们的代码质量。对于开发者来说，它是一款不可或缺的工具。推荐大家在开发中尝试使用，相信你一定会爱上它的。 ———————————————— 版权声明：本文为CSDN博主「青花锁」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/s445320/article/details/134096619