还在为应用上架反复碰壁而头疼？别担心，HUAWEI AppGallery Connect 云测试推出的“软件包管理--上架自检”能力，通过前置合规校验、模拟真实环境测试并出具详细的测试报告。平台配置多种型号鸿蒙真机，覆盖主流/热门机型，满足多样化测试场景需求。每天提供300分钟的免费使用时间，足够支撑新手尝鲜、轻量级项目测试或多次验证，​​0成本起步测试，立省真机购买投入！一、解锁新技能：这个 “应用管家” 不一般​全新上线的“软件包管理”能力，从应用提交伊始即提供全流程辅助，像一个贴心的私人“应用管家”。开发者上传软件包后，系统将​​自动进行基础合法性检测​​，校验其是否符合鸿蒙生态基本规范。支持开发者按需选择“仅测试”或“测试及正式上架”场景，满足不同阶段的验证需求。上传后即刻获取软件包合规状态（“已达标” “待优化”或“不通过”），清晰呈现应用与上架基础要求的差距。更为核心的是“上架自检”功能：严格参照华为应用市场准入标准，在热门的移动终端设备上，对应用的​​兼容性、稳定性、性能、功耗及用户体验（UX）​​ 进行全面自动化检测，让开发者在上架前及时发现并修复问题。每次检测均生成详尽报告，明确罗列问题点并提供优化建议，大幅减少反复修改的成本和时间。​二、操作指南：三步高效管理软件包​​​​1.登录配置：​​ 登录 ​​AppGallery Connect​​，点击“APP”，选择要发布的应用。​​导航入口：​​ 在左侧导航栏选择 ​​“应用上架 > 软件包管理”​​。​​2.上传与确认：​​ 点击右上角“上传”，选择应用使用场景（“仅测试”或“测试和正式上架”），添加软件包文件。  ​​3.结果解读：​​上传成功后，页面生成软件包记录。您可在“合法性”栏查看合法性检测结果。l  ​​已达标：​​ 符合鸿蒙生态规范，可提交上架。点击“报告”可查看详细的检测报告。l  ​​待优化：​​ 可尝试提交上架，但存在驳回风险。建议点击“报告”查看并修复问题。l  ​​不通过：​​ 不满足上架基本要求，不允许上架，需根据报告建议修改后重新上传。  三、进阶技巧：上架自检，为应用质量加码强烈建议开发者充分利用​​“上架自检”​​功能，为应用质量增加一层保障。1.在软件包记录的“操作”列点击“启动自检”。​​请注意：​​ 每个应用同时仅允许一个自检任务运行；即使删除相关软件包，启动自检仍会计入服务使用配额。2.启动后在“上架自检”栏可查看状态及结果：l  ​​检测中：表示正在检测软件包，检测时长可能受终端设备数量和排队情况影响。l  通过：​​ 可安心提交上架申请。l  ​​待优化：​​ 虽可提交，但驳回风险较高，强烈建议按报告指引进行优化。  HUAWEI AppGallery Connect 云测试提供​​海量鸿蒙真机​​在线免预约，可全面检测应用兼容性、性能、稳定性、功耗及UX等关键指标，​​首次试用赠300分钟​​！轻量测试0成本起步，极简操作，高效输出报告。成本低、易上手，​​点此立即试用 >>​ AppGallery Connect致力于为应用的创意、开发、分发、运营、经营各环节提供一站式服务，构建全场景智慧化的应用生态体验。为给您带来更好服务，请扫描下方二维码或者点击此处免费咨询。  如您有任何疑问，请发送邮件至agconnect@huawei.com咨询，感谢您对HUAWEI AppGallery Connect的支持！

智能体时代已然来临，Agent开发成为大热技能。ModelArts Versatile -AI原生应用引擎，聚焦企业级智能体，构建企业AI数字产线，致力于成为智能体时代最佳企业Agent平台，让Agent开发内化成每一位开发者的基础技能，轻松开展Agent开发、优化、迭代及全生命周期运营，全方位助力“人人都能构建自己的企业级智能体”，赋能企业重塑生产力、保持竞争优势。接下来，一文了解Versatile平台的最新能力。  认识ModelArts Versatile -AI原生应用引擎Versatile -AI原生应用引擎是一站式的企业专属AI原生应用开发平台，该平台面向企业的研发/技术人员，提供企业专属大模型开发和应用开发的整套工具链，包括数据准备、模型接入、知识工程、Agent开发和编排、MCP、应用部署等能力，降低智能应用开发门槛、提升开发效率，同时提供人与Agent协同的统一Versatile空间。Versatile，从应用视角使能企业选好/用好/管好大模型，支撑智能应用创新。   Versatile -AI原生应用引擎 核心能力 01 Versatile空间，人与Agent一起协同工作，轻松完成各种复杂的任务Versatile空间是集成通用型AI助手和领域专家Agent的智能协同工作空间，通过自主任务规划及多工具协同，实现复杂任务的智能化处理，从而提升工作效率。可选择与Versatile的协作模式，满足用户个性化需求，更精准解决问题。包括1）探索模式：让AI自主动态思考，完成速度更快；2）规划模式：AI帮助您规划步骤，分步帮您执行。· 内置丰富AI Agent专家，在线聘请专家解答专业疑难，DeepResearch Agent大放异彩包括市场研究分析、采购智能助手、合同审查助手、DeepResearch等专家Agent。其中DeepResearch 开箱即用Agent成为Versatile的一个核心亮点能力，针对用户提出的一个研究主题进行深度洞察，兼顾深度和广度，生成专业的论文报告。擅长深入的信息收集和综合分析，非常适合需要对复杂主题进行全面分析并生成深度研究报告的场景，例如市场调研、科学文献综述或竞争情报分析。在一次对比实验中，将Versatile输出的研究结果，与OpenAI的DeepReseach的生成内容，从六个维度以非常量化的方式进行充分对比，包括研究的广度、研究的深度、内容的丰富度、标准化格式、参考文献、质量、数量，用户的体验，结果显示Versatile的输出成果领先于OpenAI的DeepReseach。· 通用Agent助手，颠覆传统工作流，加速日常作业效率与此同时，Versatile平台内置通用Agent助手，能力全面，应用广泛，降低使用门槛，普惠大众。可按照用户的任务先生成计划再执行，完成各种复杂任务，比如生成网页、旅游规划、生成游戏、生成课件等，构建极速且精准的全新工作方式。 · Versatile空间优势• 智能任务执行基于平台开发的AI Agent拥有自主任务规划与拆解能力。用户只需提出目标，Agent可自动分析需求、调用必要工具（如浏览器、代码工具、文档生成器等），并交付结构化结果，如网页、可视化图表、云文档等。• 可视化智能体开发工作台拖拽式创建Agent结构：支持条件分支、调用链、函数执行。内置调试工具链，实时预览Agent推理流程、token消耗、API调用栈。• 自主推理与多步执行接收到探索任务后，AI Agent将进行深度的意图理解，并自主构建一个包含多个子任务的、逻辑严谨的执行树（Execution Tree）。随后，它将按计划自主调用浏览器、代码执行器、数据库接口等工具，一步步完成整个研究流程。• 多源信息整合能力支持从搜索引擎、企业知识库、数据库等多个渠道抓取信息，并自动提取关键信息、结构化处理。有效解决信息碎片化与质量不稳定的问题。• MCP扩展集成依托MCP架构，具备极强的可拓展性，支持第三方插件接入、API扩展、自定义工具链，从而不断拓展Agent的应用边界。• 双模式协作机制提供单Agent、工作流与规划模式多种灵活开发形态：单Agent与工作流主导处理任务，规划模式强调人机协同，适用于多阶段、策略型任务，实现效率提升与控制力的平衡。   02 一站式快速构建Agent：内置自主规划/工作流/复杂任务规划模式智能体编排模板Agent可以理解为某种能自主理解、规划决策、执行复杂任务的智能体。通过经验模型快速构建复杂任务规划Agent，支持扩展MCP等相关配置，通过多Agent协同应对行业复杂场景。Agent服务意为定义Agent角色，形成行业模块化处理专家，自动化完成简单任务。• Agent管理：精细化Agent管理，保障大量Agent有序管理• 档案模块：定义角色、约束、状态，作为Agent的行为指引• 探索模块：根据需完成的任务，规划工具使用，支撑任务完成• 记忆模块：多次交互的短期和长期信息保存与共享• 编排模块：模型、API、传统AI编排，分钟级智能服务供给• 工具模块：对传统AI、业务能力的封装三大Agent自创建模式· 自主规划模式：用户与大模型讲行对话,并能使用平台自带的智能创建功能快速搭建应用· 工作流模式：用户与工作流进行对话,每次对话都会调用该工作流。· 复杂任务规划：内置复杂任务规划和通用任务执行工具,可扩展外部MCP和工具结合任务经验模板,以处理复杂的智能体逻辑。 大模型在处理多阶段复杂任务时需结构化规划能力，传统Agent缺乏任务拆解与工具协同机制，复杂任务规划模式通过内置规划引擎与经验模板弥补这一缺口。Versatile -AI原生应用引擎解决企业级复杂业务场景（如多轮数据处理、跨系统流程调度）中Agent决策碎片化问题，提升任务完成效率。通过预置任务模板与MCP扩展能力，降低复杂场景开发门槛，实现从单点功能到端到端任务的自动化处理。此外，在复杂任务规划模式支持调用知识库，增强Agent任务规划数据来源，提升任务生成质量。   03 企业级重点特性——安全：AI可信治理，保障AI技术合法合规Versatile-AI原生应用引擎内置全流程可信和Agent Defender，华为原生机密计算，软硬件结合的模型资产保护技术。借助大模型安全检测能力，构建安全治理体系，落实数据清洁、prompt攻击检测、不良内容检测三大项，确保安全红线，完成企业语境下最重要一道防线的守护。如使用敏感词、专家规则、检测模型清除原始语料中的有毒语料，全面保障数据清洁。   04 拥抱开源Agent协议，支持广泛的MCP生态及工具集成MCP是一种标准化开放协议，为LLM提供标准化的上下文信息传递方式，简化AI模型与外部工具/数据的集成。被誉为AI Agent应用爆发的“密钥”、“AI智能体领域的Type-C”，足以体现其重要性。Versatile -AI原生应用引擎平台集成了丰富的MCP Server模版资产，可快速复用模版资产快速部署MCP服务；基于部署的MCP服务能够快速构建出千行百业的AI智能体。   05 知识库，帮助用户组织和管理大量的信息，通过RAG检索增强生成，让大模型输出结果更可靠知识库作为Agent的“记忆模块”，与规划模块（任务拆解）、工具调用模块（API执行）形成智能协同三角‌。Versatile -AI原生应用引擎平台接入多类型知识库，可配置的融合检索策略，充分获取企业知识。并以行业知识赋能大模型，通过RAG检索增强大模型，达成业务理解准确率从50%提升到83%的实践成效，行业知识动态持续更新，让检索生成结果速度更快。在支持存储和搜索非结构化数据层面，拥有丰富的数据处理能力，包括1）数据清洗：去除URL，乱码，网页标识符等；2）富文本处理：提取PDF富文本；3）数据切分：标题切分，自定义切分；4）自定义元数据：上传索引文件。同时在RAG框架层面，具备多版本管理和周期调度能力，涉及1）版本管理：方便版本快速变更和回退；2）刷新配置：支持周期调度更新知识库。  06 Prompt提示词工程，通过资产沉淀/三类优化机制，简化使用门槛，有效激发模型能力，帮助获得更好的答案提示语是用户输入给大模型的文本指令，用于引导模型生成特定输出。在模型调测阶段，提示语设计直接影响模型的响应质量，是优化模型性能的关键工具。通过不同提示语可测试模型在语义理解、逻辑推理等场景的表现，暴露其常识错误、逻辑漏洞等问题。 Versatile平台资产中心预置了丰富的提示语模板，包含对话问答、文案生成等场景，支持快捷引用。用户也可根据需求自定义创建提示语。在传统的Agent平台中，存在原始Prompt问法不专业，信息密度低；模型只给出粗略思路，没有设计细节和Demo等问题，Versatile-AI原生应用引擎改变Prompt模板，添加专业提问修饰词；诱导模型给出详细的设计方案和示例代码。  07 模型网关，支持主流模型的统一接入，为企业提供一站式模型管理服务AI原生应用引擎的资产中心中，展示了平台接入的第三方厂商模型服务、平台预置的模型服务以及平台提供的开源模型。面对多个大模型需逐个接入适配——新增模型适配工作量大，周期长；模型接口千差万别——接口多，应用开发复杂度高，工作量大等痛点，Versatile支持接入多个大模型，提供一键式托管服务：预置业界主流大模型；屏蔽模型差异，提供统一标准化API接口：新增模型无感。   ModelArts Versatile行业实践拥抱AI，成为企业提升竞争力的必经之路。Versatile面向各类企业场景，加速AI原生应用落地。现已与政务、医疗、制造、电力、差旅、零售等行业客户合作，构建深耕行业的专业Agent助手，通过搭建企业级数字化AI产线，凭借“更专业、更高产、更主动”的产品优势，帮助实现业务效率的飞速提升。如在医疗行业，某医院基于Versatile构建智能预问诊Agent，模拟医生追问病情，一键生成病历报告；精准答疑解惑，解决患者问题。实现医生工作效大幅提升医院接待效率2倍+，患者就诊体验2倍+。同时，获得显著的业务成效：回复准确率95%，咨询人工0介入，业务知100%调取,多维度理解场景。  <Versatile-AI原生应用引擎 体验入口>华为开发者空间--开发平台--AI Agent（ 请在PC端打开 ）

体验华为开发者空间案例：基于开发者空间云开发环境，使用MateChat+MaaS构建智能对话应用，反馈改进建议，请直接在评论区反馈即可。体验指导：cid:link_0

【华为开发者空间云开发环境】产品体验官活动获奖名单如下：一、有效建议奖：昵称建议分值奖项礼品yd_2846377506.5有效建议奖第一名1000元开发者定制礼品miyalian5.5有效建议奖第二名800元开发者定制礼品yd_2388226594有效建议奖第三名500元开发者定制礼品二、优质建议奖：昵称礼品给无眠点压力200元开发者定制礼品yd_213866132200元开发者定制礼品yd_256610494200元开发者定制礼品小草飞上天200元开发者定制礼品lycchee200元开发者定制礼品yd_232023009200元开发者定制礼品风吹雨200元开发者定制礼品yd_212578646200元开发者定制礼品banjin200元开发者定制礼品cxw200元开发者定制礼品 恭喜以上11名获奖用户，请获奖用户通过以下问卷反馈奖品收件信息（9月25日前反馈有效），感谢大家对云声平台的关注和支持~ 华为开发者空间云开发环境功能正式上线啦！华为开发者空间云开发环境三大核心优势：1、一键创建，零门槛上手：无需复杂配置，只需登录华为开发者空间，点击 “新建开发环境”，填写名称即可完成创建；2.全生命周期管理，灵活又省心：随用随启、按需暂停、自动续时、安全删除；3.无缝对接工具链，开发体验无差异：支持通过 Xshell、CodeArts IDE、VSCode、JetBrains、Notebook等主流工具远程连接，本地工具怎么用，云端环境就怎么操作；大家赶快来体验吧，体验完后提交开发者空间优化建议，还可以领取开发者礼包，包括但不限于华为耳机、手环、鼠标、云宝等好礼，快叫上小伙伴一起提建议吧~ 【实践项目】体验项目项目名称难度系数功能体验开发平台：云开发环境/案例体验开发者空间 - 云开发环境使用指导 ★★★开发者空间云开发环境使用指导-Linux★★★本地Xshell基于华为开发者空间云开发环境完成上传下载 ★★★本地IntelliJ IDEA 基于华为开发者空间云开发环境的应用开发  ★★★本地CodeArts IDE基于华为开发者空间云开发环境完成小游戏开发★★★ 本地VSCode基于华为开发者空间云开发环境完成小程序开发★★★基于华为开发者空间-云开发环境，部署Jupyter Notebook★★★ 基于华为开发者空间-云开发环境，PyCharm SSH远程开发环境搭建 ★★★ 基于远程开发环境部署Django与开发者空间GaussDB的实践应用 ★★★★基于开发者空间编写ODBC应用程序操作GaussDB数据库  ★★★ 基于华为开发者空间云开发环境部署Coze Studio + Maas构建智能体应用 ★★★★详细信息请见“开发平台”，案例中心。 【活动时间】2025年8月5日-9月5日 【参与方式】01 体验开发者空间开发平台   》   02 去云声平台提建议    》  03 建议评估公示  》   04 获奖公示（活动结束后两周内） ps：建议标题需要以“开发者空间体验官”开头 【奖项设置】奖项设置评选条件获奖名额激励礼品有效建议奖1、有效建议数量不少于2条，有效建议由内部技术专家评审得出2、建议内容需针对上述实践项目3、有效建议中有不低于一条是关于功能体验的3名积分榜第1名：1000元礼品/人积分榜第2名：800元礼品/人积分榜第3名：500元礼品/人优质建议奖1、优质有效建议不少于1条，由内部技术专家评审选出10名每人200元开发者定制礼品【活动说明】1、建议预审通过即为有效建议，其中1条有效功能类建议为1分，1条有效体验类建议为0.5分，1条有效Bug类建议0.5分；有效建议奖与优质建议奖不可叠加2、建议提交时需要在标题中以“【开发者空间体验官】”为建议标题开头，比如【开发者空间体验官】开发者空间增加XX/优化XX/导入XX等3、建议内容仅针对以上实践项目中“开发平台功能体验+开发平台案例体验”涉及的云产品，非以上实践项目涉及产品建议内容不参与此活动4、优质建议要求建议对云产品功能及优化改进有重要作用，优先从已被采纳的建议的选择；建议内容需要表述清晰，有明确的建议方案，最好有操作截图或链接等能进一步详细描述；高价值建议数量不限，且与有效建议奖可叠加，每位用户每月最多可获得一次。5、注意事项1）若出现积分相同且排名一致的情况，结合已实现和已采纳建议情况，由内部技术专家选出价值更高的建议用户给予奖励2）同一用户在同一页面（文档）提出的同一类用户体验问题（包括但不限于错别字、语句不通顺、视觉体验等），在通过审核后仅算作一条有效建议数3）若发现代他人提交优化建议，此建议分值只取原分值30%；若发现2次及以上重复提交他人建议，或3次及以上重复提交体验类相关建议进行恶意刷量（包括但不限于错别字、语句不通顺、视觉体验等），取消本人活动参与资格；在活动截止日前进行大量刷屏提交建议，或者重复提交同类型体验建议，直接取消活动参与资格4）以上兑换礼品均为仓库现有实物礼品，有货的情况下优先满足，其中1-3名可优先选择华为自营品牌电子礼品，礼品价值不能超过商品原价，无货则不可以指定，如遇商品缺货，将随机换成其他等价值礼品发放5）此【开发者空间体验官】与云声月度例行激励活动不叠加，若标题无【开发者空间体验官】标记，则有效建议默认参与月度例行激励

体验华为开发者空间案例：开发者空间云开发环境使用指导-Linux，反馈改进建议，请直接在评论区反馈即可。体验指导：cid:link_0

本期华为开发者空间【案例实践】活动获奖名单如下，请获奖用户9月25日前反馈收件信息，奖品将于10月上旬寄出  活动一【体验打卡】获奖清单活动二【实践互动】获奖清单——————————————————————————————————————————————————————————————期待已久的华为开发者空间云开发环境正式上线啦~小伙伴们是不是已经跃跃欲试中？允许小编再次介绍下云开发环境的三大能力，①一键创建，零门槛上手②全生命周期管理，灵活又省心③无缝对接工具链，开发体验无差异本期【案例实践】欢迎各位开发者沉浸式体验云开发环境能力，从使用指导 → 到环境搭建→应用开发，全方位案例手把手教学，更有华为手环、HDC定制大礼包、开发者双肩包等好礼等你解锁~【活动时间】8月1日—8月31日 【活动流程】完成报名 → 选择活动方式 → 参与活动 → 获得激励 【活动方式】（以下活动均可参与，奖励可叠加）活动一【体验打卡】：体验打卡开发者空间云开发环境功能，参与开发者定制礼品抽奖参与方式：进入开发者空间，体验空间云开发环境新能力奖项设置：开发者定制双肩包*2个，开发者定制短袖T恤*10件 活动二【实践互动】：完成开发者空间“云开发环境”新功能案例体验或独立开发与“云开发环境”的相关的新案例，抽取华为手环等好礼参与方式：选择下方任意一个或多个案例或独立完成与“云开发环境”相关的案例进行体验，并在评论区分享案例截图（也欢迎书写你对案例实践后的体验和感受），活动结束后，将在评论区用户中抽奖。体验功能案例名称难度系数云开发环境开发者空间 - 云开发环境使用指导★★★本地Xshell基于华为开发者空间云开发环境完成上传下载★★★基于华为开发者空间-云开发环境，PyCharm SSH远程开发环境搭建★★★基于华为开发者空间-云开发环境，部署Jupyter Notebook★★★★本地VSCode基于华为开发者空间云开发环境完成小程序开发★★★本地CodeArts IDE基于华为开发者空间云开发环境完成小游戏开发★★★本地IntelliJ IDEA 基于华为开发者空间云开发环境的应用开发★★★基于远程开发环境部署Django与开发者空间GaussDB的实践应用★★★★奖项设置：华为手环9（NFC款）*2个，HDC定制大礼包*3个（内含HDC双肩包、渔夫帽、小风扇及短袖T恤），开发者定制短袖T恤*15件中奖小妙招：完成多个案例或者独自开发完成新案例，会增加中奖概率！完成后请在回帖中注明完成了几个案例，以及案例名称。小编会对案例完成情况进行复核，请大家真实完成哦！ 部分礼品示意PS：能独立完成新案例开发的小伙伴也可以参加开发者空间案例共创第六期活动，如在使用中有产品优化建议，可参与开发者空间产品体验官活动，更多礼品等你解锁~【活动规则】1、抽奖方式：活动结束后，我们将从参与活动的用户中（华为云新老用户均可参与），通过巨公平台或Excel 函数形式抽取获奖用户。获奖名单将在活动结束后的7个工作日内公布。2、活动二仅限于在“华为开发者空间”内体验相关案例项目，其他项目建议不参与此次活动，否则视为无效内容，具体参考案例中心内容。另外活动将根据有效评论数设置获奖人员数量，规则如下：有效评论数量获奖名额1052010302040以上全部开启3、本次活动将根据实际参与情况发放奖励，包括但不限于用户百分之百中奖或奖项轮空的情况。【活动说明】用户限制说明:1、参加本次社区活动的用户必须为华为云注册用户。同时为保证活动公平性，禁止用户以IAM账号身份参与活动，否则将视为无效。2、领取奖品的用户需为华为云实名用户，未完成实名认证的用户将不发放活动奖励。3、本次活动如一个实名认证对应多个账号，只有一个账号可领取奖励。如在同一概率活动中，同一账号重复获奖，只发放首先获奖奖品。4、本次活动一个实名认证账号只能对应一个收件人，如同一账号填写多个不同收件人，不予发放奖励。5、请开发者不要在活动期间随意修改社区昵称和华为云账号，由此产生的统计问题，如过了申诉期，小助手不再处理。（申诉期为活动结果公示3天内。）奖品发放说明:1、本活动结束之后10个工作日内公示获奖信息，获奖开发者用户需在截止时间在获奖信息收集表中填写获奖信息，获奖信息截止收集日过后10个工作日内，将统一发出奖品。华为云遵守《中华人民共和国个人信息保护法》规定，将以上个人信息仅用于礼品发放之目的，不会向任何第三方披露。若由于获奖开发者用户自身原因（包括但不限于联系方式有误、身份不符或超过截止登记日期等）造成奖品无法发送，视为获奖开发者用户放弃领奖。2、为保证活动的公平公正，华为云有权对恶意刷活动资源（“恶意”是指为获取资源而异常注册账号等破坏活动公平性的行为），利用资源从事违法违规行为的开发者用户收回抽奖及奖励资格。3、若发放奖品时，出现库存不足，则优先发放等价值的其他实物奖品；HDC限定礼包为24/25年款随机发货；4、所有参加本活动的开发者用户，均视为认可并同意遵守《华为云开发者用户协议》，包括以援引方式纳入《华为云开发者用户协议》、《可接受的使用政策》、《法律声明》、《隐私政策声明》、相关服务等级协议（SLA），以及华为云服务网站规定的其他协议和政策（统称为“云服务协议”）的约束。5、如果您不同意本活动规则和云服务协议的条款，请勿参加本活动。

本期获奖情况如下，恭喜各位获奖者~~~~温馨提示：获奖用户请提前实名认证，以便顺利发放代金券！代金券和礼品的发放信息收集地址：cid:link_12，请及时填写信息。代金券即将发放至论坛私信（右上角我的社区-我的消息-私信中领取），礼品已在申请流程中，请耐心等待，谢谢！多篇文章的本期以最高奖项的发放，不叠加。如发布3篇，2篇参与奖，1篇三等奖，按三等奖发放。类型主题作者帖子标题奖项文章banjin【案例共创】在开发者空间云开发环境使用Vanna配合ollama/maas基于GaussDB的自然语言分析系统二等奖xiaowuyun【案例共创】基于远程开发环境部署Django与开发者空间GaussDB的极简博客系统二等奖苏家祺【案例共创】远程开发环境中部署Bun + Next.js + tRPC与开发者空间生态版GaussDB实践操作并编写学生成绩管理系统二等奖给无眠点压力【案例共创】基于开发者空间云开发环境与 GaussDB 的JAVA多租户 SaaS 实践（Spring Boot + MyBatis-Plus）二等奖夏同学【案例共创】基于华为云开发者云主机创建部署 AdonisJS 与华为云数据库 GaussDB 的实践应用三等奖小草飞上天【案例共创】基于IDEA连接云开发环境并结合GaussDB构建JAVA程序抽奖小应用三等奖miyalian【案例共创】基于华为开发者空间云开发环境+GaussDB实现在线考试系统三等奖风吹雨【案例共创】基于远程开发环境部署企业级商城Litemall与开发者空间GaussDB的实践应用参与奖郑小健【案例共创】基于华为开发者空间-云开发环境实现PyCharm SSH远程开发环境搭建参与奖熊猫钓鱼【案例共创】华为云GaussDB企业级电商订单分析系统开发案例参与奖江南清风起【案例共创】基于华为开发者空间云开发环境和GaussDB数据库—员工工资管理系统实战参与奖yd_273825949我的第一个云上应用：基于华为云开发者空间和GaussDB的极简留言墙参与奖柠檬味拥抱【案例共创】基于远程开发环境部署Flask与开发者空间GaussDB的实践应用构建在线TODO清单(保姆级指南实战案例)参与奖Todd_Wong2010【案例共创】海思3516DV500+IMX664方案一体化机芯，开放AI算法部署二次开发参与奖视频banjin开发者空间云开发环境使用Vanna配合ollama基于GaussDB的自然语言分析系统（https://www.bilibili.com/video/BV1h8Y9zMEYT/）二等奖xiaowuyun【华为开发者空间：开发环境部署Django,Pillow,markdown与GaussDB的极简博客系统-哔哩哔哩】（ https://b23.tv/HTlw1em）二等奖创作小能手奖郑小健  柠檬味拥抱   了解案例共创活动 为了让更多开发者能够更轻松、更高效地理解和使用我们的文档，进而提升云产品的整体使用体验，我们致力于进一步优化和完善官方产品文档。在此过程中，我们诚挚地邀请广大开发者积极参与，通过亲身体验云产品，编写实践案例或体验评测。一旦您的案例经过专家评审团的认可与采纳，将有以下三点：优质案例将被正式收录至官方案例库，供广大开发者学习。优质案例将选送到在华为云站内外10+个技术社区推荐，给予百万级流量资源。以上案例我们都将注明原作者名字，实现与开发者共创官方文档。 参与者不仅有机会获得每月活动礼品，还有可能被评为年度内容贡献官，享受更多荣誉和奖励，获得更多合作机会。我们期待着与您一起，共同打造更加优质、高效的云服务体验。参与投稿方式 第1步：（已注册并实名可跳过）华为云账号实名认证，点击这里。（已设置可跳过）登录后设置社区昵称，点我设置。第2步：点击报名填写报名问卷，提供礼品发放地址等信息第3步：开启您的云端体验，分享实践案例，点我写帖子。版块选择“社区活动”分类选择“案例共创”帖子标题在前面添加【案例共创】（一定要加，方便识别参与活动的帖子）文末可添加活动名称及链接地址，如“我正在参加【案例共创】第6期 开发者空间-基于云开发环境和GaussDB构建应用  cid:link_29”【如您在体验中有任何产品问题，欢迎在论坛发布问题求助帖（帖子分类选择问题求助）咨询产品专家，如发现任何体验不友好、产品Bug、文档页面错漏等情况，欢迎通过云声平台反馈给我们，还有机会领取云声专属礼品！活动相关咨询可以论坛私信“论坛小助手SUN”】本期投稿内容 Ø 华为云产品介绍：华为开发者空间 - 云开发环境： 华为开发者空间 - 云开发环境是华为开发者空间提供远程云开发环境，开发者可在本地通过工具和浏览器多种形式接入开发环境，完成编码开发、远程操作、项目部署及本地访问等多个场景的作业活动，开发者可以轻松完成本地PC开发环境到云开发环境的无缝切换。云开发环境操作指导参考：云开发环境链接：cid:link_14开发者空间 - 云开发环境使用指导：Windows版-cid:link_0Linux版-cid:link_1MACOS版-cid:link_1本地IDE和工具连接云开发环境：基于华为开发者空间-云开发环境，PyCharm SSH远程开发环境搭建：cid:link_3基于华为开发者空间-云开发环境，部署Jupyter Notebook：cid:link_4本地IntelliJ IDEA 基于华为开发者空间云开发环境的应用开发：cid:link_5本地CodeArts IDE基于华为开发者空间云开发环境完成小游戏开发：cid:link_6本地VSCode基于华为开发者空间云开发环境完成小程序开发：cid:link_7本地Xshell基于华为开发者空间云开发环境完成上传下载：cid:link_8GaussDB:GaussDB是华为自主创新研发的分布式关系型数据库。该产品支持分布式事务，同城跨AZ部署，数据0丢失，支持1000+的扩展能力，PB级海量存储。同时拥有云上高可用，高可靠，高安全，弹性伸缩，一键部署，快速备份恢复，监控告警等关键能力，能为企业提供功能全面，稳定可靠，扩展性强，性能优越的企业级数据库服务。GaussDB资源获取链接：领取免费版GaussDB（2025年06月 21日 - 2025年 12月 31日，数量有限）：cid:link_9Ø 应用构建要求开发者可结合自己的工作实践，应用构建类型和主题参考如下：基于华为开发者空间云开发环境和免费GaussDB数据库实例完成应用开发;主题场景参考以下方向：基于本地IDE连接远程云开发环境完成应用代码编写和部署，以GaussDB数据库作为应用数据读存的数据库，并在本地访问应用。Ø 手册案例模版参考云开发环境结合GaussDB的应用实践：1）案例地址：cid:link_10简介：基于云开发环境完成Django Web框架部署，通过本地IDE连接云开发环境完成Web应用的开发，并通过Django对接GaussDB数据库，以GaussDB数据库作为Web应用的数据存储读取，最后通过端口映射实现本地访问Web应用(注意：案例编写格式务必参考模板！） (注意：案例编写格式务必参考模板！） (注意：案例编写格式务必参考模板！） Ø 投稿规则手册类投稿： 构建的应用需要完成端到端构建，手册包含应用在开发者空间运行的完整截图。手册包含开发过程关键实际操作描述(文字描述+截图+代码)。手册的案例实操需要完整体现，可根据手册上手并体验。手册包含案例场景和方案以及用到的华为云产品或者开源框架简述。视频类投稿： 构建的应用需要完成发布，视频包含应用在线情况的展示。视频包含案例场景和方案以及用到的华为云产品或者开源框架简述。视频包含开发过程详细的实际操作。视频的案例实操需要完整体现，可根据视频上手并体验。视频需发在外部视频平台上（如：B站等平台），在该活动贴下回复视频链接即可。Ø 评奖规则标准类型分值释义分值阶梯总分值操作完整性关键节点以文字+截图的形势进行说明1：空间的实践操作，而非方案类描述2：参考官方提供模版，可读性好，有关键节点文字说明与截图3：符合2的条件下能够突出关键代码释义以及关键步骤解释说明4：应用构建后可执行，并有执行后效果介绍和展示1-4/0.5梯度4案例实用性贴近实际行业生产或者业务场景1：纯技术应用不涉及实际应用场景，比如接入模型后的问答助手2：基于实际应用场景具有一定的实用性3：基于实际场景且在开发者空间完成部署实施4：基于实际应用场景解决行业的痛点问题，可用于生产实施1-4/0.5梯度4技术多样性案例中应用更多的华为云技术或主流开源框架1：使用活动中要求的空间以及工具或者技术2：基于空间结合更多的华为云技术/服务、开源框架或技术1-2/0.5梯度2荣誉与奖励1、获奖案例将有机会作为华为云开发者空间应用的标杆案例，进行录入成册推广宣传，并发布到华为云开发者联盟公众号传播矩阵。同时，案例内容可作为后续作者申请评选HCDE的相关贡献内容。标杆案例：【华为开发者空间 · 案例共创故事（郑州轻工业大学）】（https://mp.weixin.qq.com/s/pPmPcdlWYLPalzJPqxIfew）  Ø  奖项设置   视频案例奖项：文章案例奖项：  注：每期评审专家根据每篇文章评选文章分数及等级，每期文章质量不一，不排除有某个奖项轮空的情况，如第X期文章质量在A级和B级，即S和S+级轮空。代金券及周边礼物发放对象为：已完成实名认证的华为云用户。发放到填写报名问卷的账号及收货地址中，礼包类礼品均为实物礼品。  重要说明1、投稿内容一经采用，将会被纳入官方产品文档，文章作者拥有著作权，华为云拥有使用权、修改权等。2、每期评审专家根据每篇文章评选文章分数及等级，每期文章质量不一，不排除有某个奖项轮空的情况，如第X期文章质量在A级和B级，即S和S+级轮空3、投稿内容字数不少于500字(不含代码)，要求思路清晰、文字顺通、图片清晰、代码规范，不得有打广告、加二维码引流和凑字数行为。4、文章要求发布在华为云开发者社区论坛，允许搬运自己发在其他平台的文章，但仅支持搬运自己的原创文章，搬运他人的文章当抄袭处理。内容必须保证内容原创性，实践过程真实、内容代码化，如发现投稿内容为转载、复制、抄袭、恶意拼接、灌水等侵权作弊行为，均视为无效并取消参与资格5、将发表过的文章删除后重新发表的文章，不计入发文数量，以文章评选时在线显示数量为准。活动期间，如有用脚本刷阅读量、注册僵尸号刷赞等严重违反社区规范的行为，直接取消所有获奖资格。6、审核通过被采纳的文章作者，将在下月初进行获奖名单公布和奖励发放，届时会有站内信通知，请及时关注并填写快递信息，过期未核对或填写视为放弃该期奖品。7、对于持续输出高质量内容的作者，每年度末还有年度贡献大礼包送上。特别声明：华为云有权根据自身运营安排，自主决定和调整

案例介绍本案例基于免费的华为云开发者空间、华为云MaaS提供的DeepSeek-R1大模型，使用R语言工具构建AI Agent，该AI Agent可以在R语言环境下独立部署使用。也可以用R语言开发MCP server，和AI助手平台Cherry Studio配合使用。案例内容本案例由开发者：yd_259866430提供案例内容1 概述1.1 案例介绍R是一种自由、免费、源代码开放的计算机语言。它具有语法极其简单、代码量极少、没有复杂概念的显著优势，降低了人们了解更复杂技术的计算机语言门槛。本案例将介绍如何在华为云主机安装R，并用它开发AI Agent和MCP server。本案例用到的R语言工具包括ellmer和mcptools，是posit公司开发的智能体开发工具。如需在R中开发部署AI Agent，则用ellmer。如果R仅作为MCP server的运行环境，则使用mcptools。1.2 适用对象企业个人开发者高校学生1.3 案例时间本案例总时长预计60分钟。1.4 案例流程① 用户打开华为开发者空间云主机，下载安装R、ellmer、mcptools、Cherry Studio；② 使用ellmer包，配置华为云MaaS提供的DeepSeek-R1模型，运行测试AI Agent；③ 使用mcptools开发MCP server服务，并将MCP server部署在Chery Studios上，配置华为云MaaS提供的DeepSeek-R1模型，运行测试AI Agent；1.5 资源总览本案例预计花费0元。资源名称规格单价（元）时长（分钟）鲲鹏4vCPUs |8GB ARM|Ubuntu 24.04 Server定制版0602 环境配置2.1 开发者空间配置详细步骤请参考案例中步骤2.12.2 免费领取DeepSeek-R1详细步骤请参考案例中步骤2.22.3 安装R语言2.3.1 进入开发者云主机桌面后，打开一个终端2.3.2 在终端输入以下代码，安装R语言sudo apt update sudo apt install --no-install-recommends software-properties-common dirmngr wget -qO- https://cloud.r-project.org/bin/linux/ubuntu/marutter_pubkey.asc | sudo tee -a /etc/apt/trusted.gpg.d/cran_ubuntu_key.asc sudo add-apt-repository "deb https://cloud.r-project.org/bin/linux/ubuntu $(lsb_release -cs)-cran40/" sudo apt install --no-install-recommends r-base具体参考R官网安装指引。https://mirrors.sustech.edu.cn/CRAN/在终端中输入R，进入R console中，输入print("hello world!")，如正常输出，则R语言安装成功。2.4 安装ellmer和mcptools在R console中输入install.packages("ellmer")过程中报错，查看报错信息按照报错信息，先退出R console，在终端中安装libcurl4-openssl-dev。再进入R console，安装ellmer在R console中，安装usethis(用于配置R环境变量)，install.packages("usethis")安装过程会报错，需要退出R console安装libgit2-dev，sudo apt install libgit2-dev，然后再进入R console安装usethis。然后，安装install.packages("mcptools")，过程中一样会报错，需要耐心debug。2.5 安装Cherry Studiosudo apt install gdebi-core sudo gdebi Cherry-Studio-1.5.3-arm64.deb3 构建AI Agent3.1 使用ellmer创建AI Agent在R console输入以下代码，编辑R环境变量library(ellmer) usethis::edit_r_environ() 将参考案例中步骤2.2中的url和api_key复制到R环境变量中，复制后，按:wq退出，和vim语法类似。在 R console输入如下命令library(ellmer) # 导入ellmer chat <- chat_openai( # 构建AI Agent system_prompt = NULL, base_url = Sys.getenv("base_url"), api_key = Sys.getenv("api_key"), model = "DeepSeek-R1", seed = NULL, api_args = list(), echo = "all" ) 3.2 测试AI Agent在R console里，输入chat$chat("讲三个关于统计学家的笑话") ，就可以看到这个AI Agent确实通过API连接上了华为云上Deepseek模型，并返回了结果。在R console里运行AI Agent，看起来很丑，其实posit公司开发了更好看的shinychat，如下图所示。但是安装部署shinychat，又是一个不小的工程，所以案例接下来转向R+Cherry Studio 配合使用。不过聊天仅仅是这个AI Agent一个很小的功能。作为这个AI Agent的使用者，我们更希望它能够利用由我们定义的外部工具。这不仅仅是希望，如果AI Agent不调用外部工具，它的回答可能是错误的。如下图所示，当我们问AI Agent今天是几号，在不调用外部工具的情况下，它给出的是2023年10月12日，这明显不对。3.3 使用mcptools开发MCP server，并配合Cherry Studio使用解决“今天几号”的问题，需要用mcptools开发一个MCP server，写一个mcptoolsExample.R脚本，代码如下。get_current_time <- function(tz = "CST") { format(Sys.time(), tz = tz, usetz = TRUE) } if (is_new_ellmer()) { res <- list( get_current_time = ellmer::tool( get_current_time, name = "get_current_time", description = "返回当前时间", arguments = list( tz = ellmer::type_string( "当前时区默认为 `\"CST\"`.", required = FALSE ) ) ) ) } else { res <- list( get_current_time = ellmer::tool( get_current_time, name = "get_current_time", description = "Returns the current time.", arguments = list( tz = ellmer::type_string( "当前时区默认为 `\"CST\"`.", required = FALSE ) ) ) ) } res然后，我们按照参考案例，在Cherry Studio上配置DeepSeek-R1模型。如下图所示。然后，在不配置MCP server的情况，我们再问下“今天是几号”。AI Agent无法回答这个问题。接下来，我们给这个AI Agent配上一个外部工具，如下图所示，点击添加服务器。在json中输入{ "mcpServers": { "r-mcptools": { "command": "Rscript", "args": ["-e", "mcptools::mcp_server("/path/mcptoolsExample.R")"] } } } 接下来，再次问“今天是几号”，AI Agent已经知道调用MCP server获取日期了。至此，基于华为开发者空间云主机、R语言搭建AI Agent和MCP Server到此结束。本案例使用华为开发者空间提供的免费主机作为开发环境，操作系统为华为云为新注册用户提供180小时免费主机，大家可以开心使用。本案例使用华为云MaaS提供的免费DeepSeek-R1模型。我正在参加【案例共创】第5期 开发者空间 AI Agent 开发 https://developer.huaweicloud.com/signup/0e966198e87a4210b5f88c0d759d4f3b”

体验华为开发者空间基于华为云开发环境桌面版的人脸颜值打分案例，反馈改进建议，请直接在评论区反馈即可体验指导：cid:link_0

【直播回放】直播回放地址【总结简报】华为开发者布道师技术沙龙·直播间精彩回顾【第1期】联接高校人才培养与前沿产业技术，成就学生未来 / 李一浩老师【第2期】逐梦之旅：学生开发者到华为开发者布道师的蜕变 / 杨阳同学【第3期】昇思MindSpore：AI 领域的创新力量与跨平台之路 / 陈新杰同学【第4期】基于OpenHarmony计算机学科人才培养经验分享 / 周睿老师【第5期】计算机核心课程贯通式实践教学体系介绍 / 赵欢老师、李博经理、杨科华老师【第6期】OpenHarmony应用开发之网络数据请求与数据解析 / 倪红军老师【第7期】华为开发者空间玩转DeepSeek / 马欣老师【第8期】基于能力图谱的openGauss项目闯关 / 马瑞新老师【第9期Day1】基于开源鸿蒙+海思星闪开发板：嵌入式系统开发实战 / 齐耀龙老师【第9期Day2】基于开源鸿蒙+海思星闪开发板：嵌入式系统开发实战 / 齐耀龙老师【第10期】基于华为云+DeepSeek大模型的脑肿瘤分割实验教学案例 / 林承德老师【第11期】WS63E星闪开发板快速入门指南：开启星闪技术之旅 / 杨阳同学【第12期】星闪应用开发技术课程（群）建设思路与设想 / 葛非老师【第13期】星闪主从一体模式与线性星闪网络  / 齐耀龙老师【第14期】基于昇腾的皮肤病理多模态大模型研发  / 崔笑宇老师【第15期】基于昇腾NPU的合成孔径雷达成像案例 / 李阳老师【第16期】香橙派AIpro的远程推理框架与实验案例 / 郝家胜老师【第17期】鸿蒙端云一体化应用开发  / 倪红军老师【第18期】基于HarmonyOS NEXT应用开发之旅 / 刘俊威同学、吴玉佩同学【第19期】OpenHarmony生态构建 / 王天一同学、聂嘉一同学 官网直播间开发者问题回答摘要：序号问题答复1多内核架构下，如何保证实时性要求较高的任务不被低优先级任务抢占？1. 对于这个问题，首先需要明确的是OpenHarmony 的“多内核”并非让 Linux、LiteOS-M/A 同时运行，而是同一套上层框架可在不同设备上“选配”其中某一个内核启动；2. 其次，对于操作系统来说，实时性主要取决于操作系统内核的实现，与OpenHarmony本身适配多个内核并没有太大关系。2LiteOS-M和LiteOS-A内核分别适用于哪些类型设备？两者内存管理机制有何不同？1. LiteOS-M 面向 MCU/MPU 级别的极小资源设备，支持的设备最小内存为128KiB；LiteOS-A 则跑在应用处理器（智能手表、轻量终端，参考内存≥1MB）上。2. LiteOS-M和LiteOS-A的内存管理差别类似分时操作系统与实时操作系统的差别。前者依赖页式虚拟内存、按需调页等动态机制；后者以“确定性”为核心，内存管理往往采用静态或准静态策略。3OpenHarmony是如何实现不同内核间的切换与资源分配的？OpenHarmony 的“多内核”并非让 Linux、LiteOS-M/A 同时运行，而是同一套上层框架可在不同设备上“选配”其中某一个内核启动；内核适配层（KAL）把线程、内存、文件、网络等系统调用统一封装成 HDF/HDI 标准接口，使分布式软总线、ArkTS 运行时等上层组件可以调用这个接口。4ArkTS中声明式语法具体如何简化UI开发流程？相比命令式语法有哪些优势？声明式UI主要是在开发过程中的代码量相对于传统的HTML+DIV+CSS这种开发框架代码量较少，具体可以参考一个简单的语法示例（可在社群中交流讨论），可以看到一个组件的功能和样式往往只需要数行，而在传统的Web页面开发中这往往需要数十行或者上百行。5请问RK3588是否可以运行和开发OpenHarmony？必须要从华为官方渠道购买RK的开发板吗？RK3588的香橙派是否可以运行和学习鸿蒙？1. Gitee目前有使用RK3588香橙派进行OpenHarmony开发的代码仓，可以参考相关资料；2. 开发板不一定要从华为官方渠道购买，通过不同厂商各自的渠道购买也可以，但建议使用适配较完善的开发板（可以参考Laval社区的明星开发板相关帖子），对应的手册、资料更齐全，方便上手。6ArkTS中，如何处理不同平台的差异，有哪些处理机制？ArkTS中，硬件差异被当成“系统能力”而不是“底层细节”来处理：应用只用 ArkTS 声明自己需要的能力（如camera、audio等），构建系统根据目标设备把这些能力编译成不同Feature包。对应的处理机制有：1.对于不同分辨率的设备，ArkUI有自适应布局相关API进行适配；2.提供运行时能力查询 API（接口名：canIUse），能快速查找设备是否支持特定系统能力（SystemCapability）。7目前鸿蒙应用开发有没有一套开发脚手架呢？1. 目前鸿蒙应用开发有一套基于ArkUI的框架，底层依赖方舟运行时。UI层用ArkUI声明式语法，设备能力通过@ohos接口调用。2. 如果要学习应用开发，可以参考华为开发者官网的相关教程，从TypeScript语言基础、ArkUI声明式UI与状态管理、Ability生命周期调度几个方面进行快速入门。  

       7月22日-7月24日，为期三天的华为云鸿蒙应用开发师资培训·湖北站在湖北轻工职业技术学院圆满落下帷幕。本次培训聚焦鸿蒙应用开发技术与华为云认证，吸引了20多所学校的40多位教师参与，得到了参培老师的高度评价。       培训伊始，湖北轻工职业技术学院信息工程学院院长赵欣发表了致辞，他强调，随着万物互联时代的加速到来，鸿蒙操作系统正迅速成为推动各行业数字化转型的关键力量。他表示希望参培教师能够以本次培训为契机，不断学习新技术、新技能，提升自身的综合素质和能力水平，为培养更多优秀人才贡献力量。       随后，湖北云解决方案部部长苑磊首先对到场的老师们表示热烈的欢迎，并表示HarmonyOS 已走进百所高校课堂，成为热门课程，参加培训的各位老师也是将鸿蒙与开发者认证推向全国课堂的 “火种”。他希望能以此次培训为纽带，与各位老师持续深化交流合作，培养出更多适应未来社会需求的高素质人才。       接下来，华为云高校生态运营经理陈银豪为大家带来了“推进产教融合走向深水区，助力高校创新实践人才培养”的议题分享。他分享了华为云开发者人才培养在鸿蒙、人工智能等产品领域的人才解决方案，围绕人才培养的关键节点，构建深度完善的运营体系，通过“岗、课、赛、证、师、会”等全链条的生态运营服务，深化产教融合，助力高校人才培养，培养高质量实践人才。       培训期间，讲师从HarmonyOS简介、设计理念、技术架构、技术特性等多个角度对HarmonyOS进行介绍，使老师们对HarmonyOS具备一个较为系统全面的认识。紧接着，讲师阐述了鸿蒙应用开发的编程语言—ArkTS，系统地介绍了ArkTS语言的基础语法、UI描述规范、常用装饰器和渲染控制语法等知识。       通过对HarmonyOS基础知识与开发语言的学习，讲师又详细讲述基于ArkTS的声明式开发范式组件，包括基础组件、容器组件和媒体组件。ArkUI 是一套声明式开发框架，它具备简洁自然的 UI 信息语法、丰富的 UI 组件、多维状态管理，以及实时多维度预览等能力，帮助开发者提升应用开发效率，并能在多种设备实现生动而流畅的用户体验。讲师通过实际的组件应用案例，帮助老师们理解和区分ArkTS中的各类组件，具备在实际应用开发中熟练使用ArkTS组件的能力。       本次师资培训通过课堂学习、实验交流、考试等环节，旨在帮助参培老师掌握开发者认证课程知识体系以及提升鸿蒙开发实践能力，更好地将鸿蒙应用开发技术融入教学体系，为教学活动及人才建设提供有力的支撑。培训尾声，组织参培老师参加结课考试并为他们发放结课证书。通过本次暑期师资培训，老师们表示他们不仅掌握了鸿蒙应用开发的基础知识和最新趋势，还提升了鸿蒙开发的职业技能。       本次暑期师资培训的成功举办，离不开湖北轻工职业技术学院的鼎力支持与高度重视，也离不开各位教师的积极参与和辛勤付出。未来，我们期待更多的教师能够参与到华为云根技术与鸿蒙应用开发的培训和学习中来，促进高素质人才的培养。

GBDT（Gradient Boosting Decision Tree，梯度提升决策树）是一种强大的机器学习算法，广泛用于回归、分类和排序任务。它属于集成学习中的提升法（Boosting），通过逐步训练多个弱学习器（通常是决策树），并将它们组合成一个强模型。核心思想GBDT 的核心是：一步一步地修正错误。它的做法是：先训练一个简单的模型（如一棵小决策树）来预测数据。发现预测有误差（残差）。训练下一个模型，专门去拟合这些“残差”。再用第三个模型去拟合前两个模型组合后的残差……最终把所有模型的预测结果加起来，得到更准确的输出。就像老师批改作业：第一次只看大错，第二次重点看小错，逐步逼近正确答案。举个例子：预测房价你想预测房子的价格，有以下特征：面积、位置、房龄。第一棵树：发现面积越大价格越高，初步预测。预测值：300万 → 实际：320万 → 残差 = +20万第二棵树：专门学习“预测少了20万”这个模式（比如老小区被低估）它不预测总价格，而是预测“应该加多少钱”第三棵树：继续修正剩余误差（比如交通便利的加分）最终预测 = 第一棵树输出 + 第二棵树输出 + 第三棵树输出 + …每棵树都专注于“前人犯的错”，一步步提升精度。算法流程（简化）初始化模型：用一个常数（如平均房价）作为初始预测。对每一轮（t = 1 到 T）：a. 计算当前模型的残差（即负梯度，GBDT 中称为“伪残差”）b. 训练一棵新的决策树，去拟合这些残差c. 将新树加入模型，更新整体预测输出最终模型：所有树的预测之和“梯度”来自损失函数的梯度下降思想，GBDT 实际上是在函数空间中进行梯度下降。Python 代码示例（使用 scikit-learn）from sklearn.datasets import load_boston from sklearn.ensemble import GradientBoostingRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error # 加载数据（以波士顿房价为例） boston = load_boston() X, y = boston.data, boston.target # 划分训练测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建 GBDT 回归模型 gbdt = GradientBoostingRegressor( n_estimators=100, # 使用100棵树 learning_rate=0.1, # 每棵树的贡献权重（步长） max_depth=3, # 每棵树的最大深度 random_state=42 ) # 训练模型 gbdt.fit(X_train, y_train) # 预测 y_pred = gbdt.predict(X_test) # 评估 mse = mean_squared_error(y_test, y_pred) print(f"均方误差: {mse:.2f}") # 特征重要性 print("特征重要性:", gbdt.feature_importances_) 注意：load_boston 已弃用，实际中可用 fetch_california_housing 或其他数据集替代。GBDT 的关键参数参数作用建议n_estimators树的数量50~500learning_rate学习率（每棵树的权重）0.01~0.3，越小需要越多树max_depth每棵树的最大深度3~6，防止过拟合subsample每次训练使用的样本比例<1.0 可引入随机性（类似随机森林）优点精度高：在结构化数据上表现优异可解释性强：能输出特征重要性支持多种损失函数：可用于回归、分类、排序对缺失值和异常值有一定鲁棒性缺点训练速度慢：树是串行训练的（不能并行）容易过拟合：如果树太多或太深对噪声敏感：特别是在残差拟合过程中常见变种XGBoost：GBDT 的高效实现，支持正则化、并行计算LightGBM：微软开发，速度快，内存占用低CatBoost：对类别特征处理友好，适合表格数据应用场景金融风控：信用评分、欺诈检测推荐系统：点击率预测工业预测：设备故障预测表格数据竞赛：Kaggle 中常见获胜方案总结GBDT 是一种“循序渐进、不断纠错”的模型：每棵树只学一点，但所有树加起来就很强大。它是传统机器学习中最成功的算法之一，尤其在表格数据（结构化数据）上，至今仍具有很强竞争力。

Fine-tune（微调） 是指在一个已经预训练好的模型基础上，针对特定任务或数据集进行进一步训练，使其适应新任务的过程。它是迁移学习（Transfer Learning）中最常用的方法之一，广泛应用于自然语言处理（NLP）、计算机视觉（CV）等领域。核心思想预训练（Pre-training）：在大规模通用数据上训练一个模型（如 BERT 在 Wikipedia 上训练，或 ResNet 在 ImageNet 上训练），让它学会通用特征（如语言理解、边缘/纹理识别）。微调（Fine-tuning）：将这个“通用模型”拿到你的具体任务上（如情感分析、猫狗分类），用你的小数据集继续训练，调整模型参数，使其更适配当前任务。类比：一个人先上“通识教育”（预训练），再学“专业课”（微调）。举个例子：情感分析你想做一个模型，判断用户评论是“正面”还是“负面”。从头训练：需要大量标注数据，训练时间长。微调做法：拿一个已经训练好的 BERT 模型（懂中文语法和语义）在它的顶部加一个分类层（输出正面/负面）用你的 1000 条标注评论继续训练模型快速学会“在上下文中判断情感”结果：准确率高、训练快、数据需求少。微调的典型步骤选择预训练模型如：BERT、RoBERTa（NLP）；ResNet、ViT（CV）加载模型权重使用官方提供的预训练参数修改输出层NLP：加一个分类头（如全连接层）CV：替换最后的全连接层为你的类别数在目标任务上训练使用较小的学习率（如 2e-5）训练几个 epoch（避免过拟合）评估和部署Python 示例（使用 Hugging Face Transformers 做文本分类）from transformers import AutoTokenizer, AutoModelForSequenceClassification from transformers import Trainer, TrainingArguments import torch # 1. 加载预训练模型和分词器 model_name = "bert-base-chinese" tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=2) # 2. 准备数据 texts = ["这部电影太棒了！", "服务很差，不推荐"] labels = [1, 0] # 1=正面，0=负面 # 编码数据 inputs = tokenizer(texts, padding=True, truncation=True, return_tensors="pt") # 3. 设置训练参数 training_args = TrainingArguments( output_dir="./results", num_train_epochs=3, per_device_train_batch_size=8, learning_rate=2e-5, evaluation_strategy="epoch" ) # 4. 定义 Trainer 并微调 trainer = Trainer( model=model, args=training_args, train_dataset=inputs, # 实际使用需封装为 Dataset 对象 tokenizer=tokenizer ) trainer.train() 微调的两种常见方式方式说明全量微调（Full Fine-tuning）更新模型所有参数，效果好但计算量大部分微调（Partial Fine-tuning）只更新最后几层或分类头，速度快，适合小数据近年也有 LoRA（Low-Rank Adaptation） 等轻量微调方法，只训练少量新增参数，节省资源。优点节省时间和计算资源：无需从头训练小数据也能训练出好模型：依赖预训练知识性能通常优于从零开始训练注意事项学习率要小：避免破坏预训练学到的通用特征过拟合风险：目标数据少时容易过拟合，可用 Dropout、早停（early stopping）领域差异：如果目标任务和预训练数据差异太大（如医学文本用通用 BERT），效果可能不佳应用场景NLP：情感分析、命名实体识别、问答系统CV：医学图像分类、工业缺陷检测语音：特定人声识别、方言识别总结Fine-tune = 预训练模型 + 小数据 + 小学习率 + 任务适配它让深度学习不再是“大公司专属”，普通人也能用少量数据训练出高性能模型。

持续学习（Continual Learning），也称为终身学习（Lifelong Learning）或增量学习（Incremental Learning），是机器学习的一个研究方向，目标是让模型能够在连续的任务或数据流中不断学习新知识，同时保留对旧知识的记忆。核心挑战：灾难性遗忘（Catastrophic Forgetting）当模型学习新任务时（如识别猫），往往会严重遗忘旧任务的知识（如忘记如何识别狗）。这就像一个人学会新技能后，突然忘了以前会的东西。持续学习就是要解决这个问题：学新不忘旧举个例子：手机上的图像分类假设你手机里的相册分类功能：第一天：学会了识别“猫”和“狗”第二天：学会了识别“花”第三天：学会了识别“汽车”如果使用普通深度学习模型，每学一个新类别，旧的识别能力就会下降。而持续学习的目标是：在学会识别汽车的同时，依然能准确识别猫、狗和花。主要方法分类1. 基于正则化的学习（Regularization-based）思想：保护对旧任务重要的参数，不让它们被大幅修改。典型算法：EWC（Elastic Weight Consolidation）计算哪些参数对旧任务更重要在学习新任务时，限制这些参数的变化类比：重要记忆加“锁”，只允许非关键参数调整。2. 基于回放的方法（Replay-based）思想：保存一部分旧数据，学习新任务时“复习”旧数据。类型：真实回放：存少量旧样本（如每类存10张图）生成回放：用生成模型（如GAN）生成旧数据类比：人类通过“复习笔记”来巩固记忆。3. 基于架构扩展的方法（Architecture-based）思想：为新任务分配新的网络结构，避免干扰旧任务。典型做法：为每个任务分配独立的子网络使用门控机制选择激活哪部分缺点：模型会越来越大。4. 元学习与优化策略思想：训练模型具备“快速学习 + 不忘旧”的能力。如：Online EWC、MAS（Memory Aware Synapses）Python 伪代码示例（回放机制）# 模拟持续学习过程：任务1（猫/狗）→ 任务2（花） import torch import torch.nn as nn import torch.optim as optim # 假设模型 model = nn.Sequential( nn.Linear(784, 256), nn.ReLU(), nn.Linear(256, 128), nn.ReLU(), nn.Linear(128, 2) # 初始输出2类 ) optimizer = optim.Adam(model.parameters(), lr=1e-3) criterion = nn.CrossEntropyLoss() # 存储旧数据（回放缓冲区） replay_buffer = [] # 存 (image, label) # 第一阶段：训练任务1（猫/狗） for epoch in range(10): for x, y in dataloader_task1: # 混合当前数据和回放数据 if len(replay_buffer) > 0: x_rep, y_rep = zip(*replay_buffer) x = torch.cat([x, torch.stack(x_rep)]) y = torch.cat([y, torch.stack(y_rep)]) output = model(x) loss = criterion(output, y) optimizer.zero_grad() loss.backward() optimizer.step() # 保存当前任务的部分数据到回放缓冲区 some_data_from_task1 = [(img, label) for img, label in dataset_task1_sampled] replay_buffer.extend(some_data_from_task1) # 扩展输出层以适应新任务（可选策略） model.add_module("fc3", nn.Linear(128, 3)) # 现在3类 # 第二阶段：训练任务2（花），同时回放猫/狗数据 for epoch in range(10): for x, y in dataloader_task2: # 加入回放数据 if len(replay_buffer) > 0: x_rep, y_rep = zip(*replay_buffer) x = torch.cat([x, torch.stack(x_rep)]) y = torch.cat([y, torch.stack(y_rep)]) output = model(x) loss = criterion(output, y) optimizer.zero_grad() loss.backward() optimizer.step() 评估指标准确率矩阵（Accuracy Matrix）：记录每个任务在每个学习阶段的性能平均准确率（Average Accuracy）遗忘程度（Forgetting Measure）：旧任务性能下降多少应用场景智能手机：持续学习用户行为自动驾驶：适应新道路环境推荐系统：跟踪用户兴趣变化工业检测：新增缺陷类型无需重训总结持续学习的目标是让 AI 像人一样：不断学习新东西，同时不忘旧知识。它是通向**通用人工智能（AGI）**的重要一步，尤其在数据动态变化、隐私要求高（不能重复访问旧数据）的场景中具有重要意义。

Zero-Shot Learning（零样本学习）Zero-Shot Learning（ZSL）是一种机器学习方法，其核心思想是：模型能够识别或处理在训练过程中从未见过的类别或任务。换句话说：没有见过某类数据，也能做出合理判断。举个例子：动物分类假设你训练了一个模型，只学过以下动物的图片：狗猫老虎狮子现在，给它一张“豹子”的图片，模型从未在训练中见过“豹子”这个类别。但如果模型知道：豹子 = 有斑点、生活在草原、是大型猫科动物它之前学过“老虎”也有斑纹、是大型猫科动物它就可以推理出：“这可能是一种新的大型猫科动物”，从而正确分类。这就是 零样本学习 的能力——通过知识迁移，识别未见类别。实现方式Zero-Shot Learning 通常依赖语义信息（semantic attributes）或文本描述来建立“已知类别”和“未知类别”之间的联系。常见方法：属性映射（Attribute-based）每个类别用一组属性描述（如：有羽毛、会飞、有喙 → 鸟）模型学习从图像特征映射到属性空间对新类别，只要提供属性，就能匹配文本描述 + 嵌入空间对齐（如 CLIP）图像和文本被映射到同一个向量空间训练时学会“图片特征”与“文本描述”的对应关系推理时，用类别名称的文本（如“斑马”）直接匹配图像Python 示例（使用 CLIP 实现 Zero-Shot 图像分类）import torch from PIL import Image import clip # 加载预训练模型 device = "cuda" if torch.cuda.is_available() else "cpu" model, preprocess = clip.load("ViT-B/32", device=device) # 加载图片 image = preprocess(Image.open("zebra.jpg")).unsqueeze(0).to(device) # 定义可能的类别描述（即使模型从未见过这些类别的训练数据） text = clip.tokenize(["a photo of a zebra", "a photo of a horse", "a photo of a cheetah", "a photo of a car", "a photo of a bird"]).to(device) # 推理：计算图像与每个文本的相似度 with torch.no_grad(): image_features = model.encode_image(image) text_features = model.encode_text(text) logits_per_image, _ = model(image, text) probs = logits_per_image.softmax(dim=-1).cpu().numpy() print("预测概率:", probs) # 输出每个类别的可能性 输出示例：预测概率: [[0.95 0.03 0.01 0.005 0.005]] 模型从未在“斑马”上训练过，但通过文本描述“a photo of a zebra”，依然能正确识别！应用场景图像识别：识别新物种、新商品自然语言处理：理解新词、新意图推荐系统：推荐未见过的物品多模态任务：图文匹配、跨模态检索与 Few-Shot 的区别类型样本数量说明Zero-Shot0 个完全没见过该类别Few-Shot少量（如 1~5 个）见过极少量样本Supervised大量正常监督学习优点可扩展性强：无需重新训练即可识别新类别节省标注成本：不需要为每个新类收集大量数据更接近人类学习方式：通过描述理解新事物缺点依赖语义描述质量性能通常低于有监督学习容易受文本表述方式影响总结Zero-Shot Learning 是一种“见所未见，也能识”的能力，关键在于：将知识解耦为“语义”和“特征”，通过语义桥梁识别新类。它是现代多模态模型（如 CLIP、BLIP）的核心能力之一，推动了 AI 向更通用、更灵活的方向发展。