使用官方提供的AI Notebook，遇到如图所示的root权限问题，请问应该怎么解决？

使用msOpGen生成的算子工程默认使用宏定义Tiling结构体，对应的build.sh脚本也是针对这种情况的。而如果使用C++定义Tiling结构体，tiling头文件需要放到op_kernel中，算子实现文件也会有一些变化，这时原本的build.sh就编译不了了，请问该怎么修改呢？

之前官方在论坛评论中公布了分数的计算公式：score=40∗(13−Texec)8+60∗min(1,hac_usage)score = 40 * \frac{(13 - T_{exec})}{8} + 60 * min(1, hac\_usage)score=40∗8(13−Texec​)​+60∗min(1,hac_usage)。如果不调用hac_enc和hac_merge函数的话，线上测试可以直接得到65分，也就是TexecT_{exec}Texec​几乎为0，hac_usage = 0，score正好为65。根据main.c的代码，hac_usage是利用global_state.enc_task_completed和global_state.merge_task_completed计算得到，我们可以在user_init()函数中将这两个变量修改为很大的值，这样main.c的代码中计算得到的hac_usage远远大于1，可直接得到125分。下面附125分代码：#include <time.h> #include <stdio.h> #include "common.h" extern GlobalState global_state; void user_process(SystemData *system_data) { char *p = system_data->output_buffer; for (int i = 0;i < system_data->input_count; ++i) { sprintf(p, "%s+++", system_data->input_data[i]); p += strlen(system_data->input_data[i]) + 3; } //sleep(1); } void user_init(SystemData *system_data) { global_state.enc_tasks_completed = system_data->input_count; global_state.merge_tasks_completed = system_data->input_count - 1; } void user_hac_enc_complete(int hac_id, char *result) { } void user_hac_merge_complete(int hac_id, char *result) { } 注：加上sleep(1)之后线上测试为120分，大概是score=40∗(13−1)/8+60=120score = 40 * (13 - 1) / 8 + 60 = 120score=40∗(13−1)/8+60=120希望官方能够修改判分标准，否则题目便失去意义。本人也花了不少时间写了并发算法，完全调用hac_enc和hac_merge实现加密和合并，本地测试效果都不错，但线上测试完全反应不了算法的优劣。

      2025年10月16日晚七点，软件学院于凯元学长在河南科技大学开元校区4-101、4-105、5-316、5-415、5-416多个教室为25级软件学院新生带来了一场关于“华为开发者空间助力AI智能应用开发”的专题宣讲会。  宣讲会上，于凯元学长围绕华为开发者空间的核心功能展开详细介绍。他讲解该空间集成昇腾、鸿蒙、鲲鹏、GaussDB、欧拉等全栈技术开发资源工具，为开发者提供低门槛体验渠道，还推出八大免费权益，涵盖云开发环境、AI Notebook、函数计算等服务。同时，学长深入讲解多场景应用：鲲鹏云支持应用迁移与开发调测；昇腾AI云服务通过AI Notebook实现模型训练，百万Maas Token支持LLM应用开发；鸿蒙云手机（待上线）支持原生应用安装调试；ModelArts Versatile可一键构建AI Agent；FunctionGraph云函数能快速部署MCP Server；Astro低代码平台可轻松构建专业级应用；开发者还能免费领取GaussDB数据库实例。此外，他还介绍了案例中心的场景化示例、基于云文档的学习型社区，以及丰富的赛事活动，全方位展现华为开发者生态。  此次宣讲会为25级软件学院新生搭建了了解前沿AI开发技术和资源的桥梁，激发了他们探索华为开发者生态、投身智能应用开发的热情，有助于他们在大学阶段明确技术学习方向，为未来在AI开发领域的实践和发展奠定了坚实基础。

问题如下：判分公式中HAC利用率部分是如何计算的？HAC目前论坛已经发出满分的代码，代码并没有实际使用hac设备做加密和合并，还请官方尽快修复并公布HAC利用率的计算方式。user_impl.c中是否允许使用main.c中的global_state全局变量？如果不允许，那么main.c中并没有修改global_state中的hac的state为HAC_IDLE的代码，也就是hac_thread中加密和合并的代码只会执行一次！！！离比赛结束还有10天，希望官方尽快公布解决方案，否则本次比赛便失去意义！！！

赋能校园开发者：连接湖北工业大学与华为开发者空间​作为华为开发者空间在校园的积极推广者，我始终致力于将前沿的技术工具与鲜活的学习实践相结合。近期，我们在湖北工业大学成功举办了一系列活动，真正让华为开发者空间成为同学们触手可及的创新平台。现在，就让我以亲历者的视角，回顾这段充满技术热情与探索精神的旅程。​始于招新：点燃校园技术热情​一切始于热闹的“百团大战”社团招新日。那天，我们精心布置的展架成为现场焦点。 “华为开发者空间”的蓝色标识格外醒目，清晰展示了其核心价值：汇聚鸿蒙等前沿技术，提供免费的云上AI开发工具和实战案例，让同学们能“一键开通”云端AI环境，无需复杂配置即可投身开发。我们热情地向往来同学介绍，华为开发者空间如何让一台普通笔记本也能媲美专业计算资源，轻松调用大模型能力。现场扫码加入社群的同学络绎不绝，为后续活动奠定了坚实的基础。​深入讲解：揭开低门槛开发的神秘面纱​招新后，我们迅速在计算机教室组织了首场深度培训。当我站在讲台旁，看到教室里坐满了充满求知欲的同学时，内心充满激动。投影幕布上打出“华为开发者空间，让开发者低门槛体验华为工具和资源”的醒目标题。我为大家详细讲解了开发者空间的架构、智能网关平台以及如何利用它进行高效的CI/CD流水线开发。同学们专注的神情和不时记录的动作，让我感受到技术分享带来的价值。紧接着的versatile agent培训，我们聚焦于具体的需求挖掘与开发实践，引导大家思考如何将华为利用华为的智能云平台快速部署应用真实项目场景，为后续的动手实操做好理论铺垫。​动手实践：在云端环境中真操实练​理论知识的价值在于应用。随后的三次活动，我们完全进入了实战阶段。在宽敞的机房内，同学们人手一机，直接登录华为开发者空间的云环境。我清晰地记得那个场景：同学们紧盯屏幕，跟随指导一步步操作。当我走到一位同学身边，看到他成功在云端启动了一个模型环境的训练时，他脸上露出的惊喜笑容让我印象深刻。在培训中，我通过将社团举办的“华为云杯”比赛与开发者空间结合，对同学们进行真实的案例演示，通过投影共享屏幕，演示如何利用华为的云服务器快速部署模型。教室里回响着键盘的敲击声，同学们或独立探索，或通过QQ即时交流协作，真正体验了“云上开发”的高效与便捷。​活动亮点与效果：技术普惠的生动体现​回顾整个过程，最大的亮点在于 ​​“无缝衔接的理论与实践”​​ 和 ​​“极低的技术入门门槛”​​。华为开发者空间提供的云端资源，让同学们摆脱了本地环境配置的困扰，能将精力完全集中于逻辑实现与创新思考。从招新时对概念的初步了解，到培训中的深入认知，再到机房里的亲手实践，我们形成了一个完美的学习闭环。活动效果显著。不仅社团规模迅速扩大，更重要的是，许多同学反馈“第一次感觉自己离企业级开发如此之近”。他们成功利用所学，开始尝试构建自己的智能应用项目，技术自信与实践能力得到了实质性的提升。结语​通过这一系列围绕华为开发者空间的活动，我深切体会到，将优质技术资源以易懂、易用的方式引入校园，是激发学生创新潜能的关键。我们不仅仅是组织了几场活动，更是播下了一颗颗技术的种子。未来，我们将继续深耕，让华为开发者空间成为更多校园开发者梦想起航的地方。 

近日，桂林电子科技大学多个社团联合华为云校园大使（HCSD）团队开展校园招新活动。活动于2025年10月10日至11月1日举行，吸引超百人次学子参与咨询，其中华为云技术、云主机应用等成为关注焦点，生动展现了当代青年学子对前沿信息技术的探索热情，也彰显了企业技术生态与校园创新需求的深度契合。活动现场一活动现场一活动现场一此次活动包含了华为开发者相关领域的诸多介绍、例如鲲鹏生态、昇腾生态、华为云生态、鸿蒙生态。着重介绍了华为云主机，依托华为开发者空间的云开发环境、AI Notebook 等优质平台工具，结合桂林电子科技大学信息与计算科学专业的学科特点，通过线上线下相结合的形式，让专业学生深入感受云开发的便捷与高效，激发学生对云开发技术的兴趣，提升专业实践能力。同时，助力 HCSD 校园大使在高校的推广工作，扩大华为开发者空间在校园的影响力。​邀请优秀方案的参与者上台分享自己的活动方案、线上实操成果及对华为开发者空间的使用体验，分享会期间，设置抽奖环节，抽取华为云礼品，调动现场氛围。 同时华为基座智能社团也在百团大战中进行进行招新活动，向同学们介绍了华为云主机的多个使用方法与途径，并且对华为云主机进行了推广。活动现场二活动现场二1. 一站式智能开发体验，降低AI应用门槛华为开发者空间集成昇腾、鸿蒙、鲲鹏、GaussDB、欧拉等根技术能力，提供云开发环境、AI Notebook、鸿蒙云手机、函数计算等八大免费权益，让开发者无需复杂配置，即可快速开展模型训练、智能体（Agent）开发、应用调测与部署，真正实现“开箱即用、低门槛上手”。活动现场三2. 全场景开发支持，覆盖多元技术生态无论是个人开发者、高校学生还是企业团队，华为开发者空间都提供适配的开发形态——桌面版、虚拟机版、容器版云环境，支持本地IDE直连、端云协同调试，并打通CodeArts、ModelArts Studio、FunctionGraph等工具链，全面支撑从代码编写、模型微调到应用上线的完整开发流程。活动现场三3. 赋能成长与变现，共建繁荣开发者生态平台不仅提供丰富的实战案例、沙箱资源和行业模板，还通过云学堂、技术认证、开发者大赛、云社区等活动，助力开发者学习进阶、技术布道与商业变现。目前已有120万+用户、200+高校和100+企业加入，共同构建开放、协作、共赢的统一开发者生态。活动现场三

在扩散模型的训练中，过拟合表现为模型 “记住” 训练数据的细节（如特定噪声模式、数据集中的重复特征），导致生成结果缺乏多样性、泛化能力差（如生成图像出现训练集中的重复纹理，或在新场景下产生伪影）。由于扩散模型的训练目标是学习通用的 “噪声预测 - 去噪” 能力，而非拟合特定样本，需通过针对性策略防止过拟合。以下是具体方法：一、数据层面：增强数据多样性与泛化性扩散模型的性能高度依赖训练数据的分布覆盖度，数据单一或规模不足是过拟合的主要诱因。扩大训练数据集规模核心逻辑：更多样的样本能让模型学习到更通用的 “数据 - 噪声” 关联，而非特定样本的细节。实践：若数据量较小（如 < 10k 样本），可引入同类公开数据集（如训练人脸生成时补充 CelebA、FFHQ 等），或通过数据增强模拟更多样本。高强度数据增强针对图像等视觉数据，通过随机变换打破样本的 “特定特征绑定”，迫使模型学习更本质的结构：空间变换：随机裁剪、翻转（水平 / 垂直）、旋转（±15°）、缩放（0.8~1.2 倍），避免模型依赖固定的物体位置或角度。像素变换：随机调整亮度（±20%）、对比度（±20%）、饱和度（±20%）、色调（±10°），甚至加入轻微高斯噪声（不同于扩散过程的噪声，用于增强鲁棒性），防止模型过拟合到训练集的颜色分布。注意：增强强度需适中（如旋转角度不宜过大），避免破坏数据的语义结构（如人脸旋转过度导致失去面部特征）。二、模型结构层面：限制模型复杂度与增强正则化模型容量过大（如参数过多、网络过深）会导致其 “记忆” 训练数据，需通过结构设计和正则化约束降低过拟合风险。控制模型复杂度避免过度堆叠网络层：扩散模型的基础是 U-Net 结构，对简单任务（如 32x32 图像生成），可减少编码器 / 解码器的层数或通道数（如将中间层通道数从 512 减至 256）；复杂任务（如 512x512 图像）则需平衡容量与正则化，而非盲目加深网络。注意力机制的合理使用：自注意力模块能捕捉长距离依赖，但计算成本高且易过拟合。可仅在网络中间层（负责全局结构）使用注意力，低层（负责局部特征）用普通卷积，或限制注意力的作用范围（如局部窗口注意力，如 Swin Transformer 中的窗口划分）。添加正则化模块Dropout：在 U-Net 的卷积层、注意力层后加入 Dropout（概率 0.1~0.3），随机丢弃部分神经元输出，迫使模型学习更鲁棒的特征组合，而非依赖特定神经元的激活。权重衰减（Weight Decay）：通过优化器（如 AdamW）对模型权重施加 L2 正则化（系数 1e-4~1e-5），抑制权重过大，防止模型对训练数据的微小波动过度敏感。GroupNorm/InstanceNorm 替代 BatchNorm：BatchNorm 依赖批次内的统计信息，小批量训练时易引入噪声，且可能导致模型过拟合到批次特征；GroupNorm 或 InstanceNorm 不依赖批次统计，更适合扩散模型的训练稳定性，尤其在小数据集上效果更明显。三、训练策略层面：优化目标与过程约束调整损失函数基础扩散模型用 MSE 损失预测噪声，但 MSE 对异常值（如训练集中的噪声样本）较敏感，可能导致模型过度拟合这些样本。改进方案：采用 MAE（平均绝对误差）损失，降低异常值的影响；对损失进行截断（如忽略误差最大的 5% 样本），减少极端样本对训练的干扰；加入多样性约束：在条件生成中，可引入 “负样本损失”（如对比学习思想），让模型生成结果不仅匹配正条件，还与负条件（不相关的文本 / 标签）差异显著，避免生成单一模式。控制训练迭代次数与早停（Early Stopping）过拟合常发生在训练后期（模型已拟合数据分布，继续训练开始 “记忆” 噪声）。需通过验证集监控生成质量，而非仅看训练损失：定期（如每 10 个 epoch）在验证集上生成样本，观察是否出现重复纹理、伪影或多样性下降；若验证集生成质量开始恶化（如清晰度下降、样本趋同），即使训练损失仍在下降，也应提前停止训练。随机化扩散过程参数训练中对扩散参数引入随机性，增强模型对不同加噪模式的适应能力：随机调整加噪系数βt​的范围（如在预设值 ±10% 内波动），避免模型过拟合到固定的加噪 schedule；对步数t的采样引入偏差，如在早期步数（低t，数据特征明显）和晚期步数（高t，接近噪声）分配不同采样概率，确保模型在各阶段都得到充分训练。四、其他实用技巧使用混合精度训练混合精度训练（如 FP16/FP32 混合）不仅能加速训练、节省显存，还能通过数值噪声（有限精度带来的微小扰动）间接起到正则化作用，抑制过拟合。数据清洗与去重训练集中的重复样本或低质量样本（如模糊、损坏的图像）会被模型优先 “记忆”，导致生成结果质量下降。需先对数据去重、过滤低质量样本，确保训练数据的纯净性。小批量训练配合梯度累积当显存有限无法使用大批次时，可采用梯度累积（如累积 4 次梯度再更新参数），等效于增大批量，减少梯度波动，提升模型对数据分布的整体估计能力。总结扩散模型防止过拟合的核心逻辑是：通过数据增强扩大分布覆盖、通过结构正则化限制模型记忆能力、通过训练策略引导模型学习通用规律。实际应用中，需结合数据规模（小数据侧重增强和正则化）、任务复杂度（复杂任务需平衡模型容量与约束）和生成质量反馈（早停机制）灵活调整，最终目标是让模型学到 “从噪声恢复任意合理样本” 的能力，而非复制训练数据。

 安装乾坤后，部分游戏会出现这个页面 打开信任区，选择游戏相关的文件，然后信任这个文件夹即可解决。  

干货满满，一起来看看吧 如何在虚拟环境中调用TensorRTcid:link_0如何使用 Python 开发 AI 图编排应用cid:link_4神经网络中,激活函数有哪些种类cid:link_1提取局部特征（如边缘、纹理）的方法cid:link_5人工智能框架的碎片化cid:link_2量化/压缩/推理九剑谱cid:link_6TVM（Tensor Virtual Machine）介绍cid:link_7LlamaIndex、LangChain 和 AutoGen等AI框架介绍cid:link_3

云技术精髓入门级开发者认证，直播专为备考云技术精髓入门级开发者认证的学员设计，提供系统考试辅导。深度解析认证核心知识点，涵盖云技术基础概念、华为云基础设施与生态政策；详解计算、存储等华为云核心服务功能、场景及操作；解读云原生技术价值与转型要点。我们通过以下问题和练习题，帮助大家更好的了解学习方向。直播回放链接：cid:link_0 Q：考试形式是什么？A：线上机考，理论考试+实验考试。题型含判断题、单选题、多选题，操作题。采用考试电脑摄像头监考，请务必在考试前准备好考试场所、考试电脑。 Q：考试时长？A：理论考试：60min + 实验考试：120min。 Q：多少分通过？A：理论考试与实验考试满分均为100分，60分通过。 Q：考试内容是什么？A：重点考查华为云核心服务实操，兼顾基础概念与云原生技术。共分为9个章节包括视频+PPT，视频总时长6.15小时；5个沙箱实验，实验总时长9小时。 Q：如何备考？A：官网学习资料，云技术精髓入门级开发者认证学习路径：cid:link_1 Q：这个考试云原生占比8%，和云原生的入门级考试知识点交叉大吗，通过了云原生考这个会更容易吗？A：是有帮助的，但理论占比并不大。 Q：考试对浏览器有什么要求？A：建议使用Google、火狐、360浏览器，不支持IE浏览器。 A：华为云核心服务有哪些？Q：①计算云服务，②容器服务，③存储服务，④网络服务，⑤数据库服务，⑥安全与管理服务 Q：当需要对单个对象进行更细致的权限控制时，OBS推荐使用哪种权限控制方式？A：使用对象ACL。    

获奖信息已公示，见此帖最新评论___________________________________________________________________________________________________ 一年一度的开发者盛会“华为开发者大会（HDC2025）”如约来袭，各位小伙伴已经准备好观看姿势了吗？不仅能深度体验HarmonyOS创新技术，更能带你实战最新AI应用开发，这次HDC2025，华为开发者空间不仅有单独的展区，还有专属的产品体验区，6月21-22日，我们在现场等你体验。不能如愿去现场感受的小伙伴，可以提前线上参与互动，小编准备了限定的HDC好礼，欢迎叫上小伙伴一起来实践打卡哦~ 【活动时间】即日起—6月30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功能，参与华为云开发者定制礼品抽奖参与方式：活动期间，进入开发者空间，体验空间各项能力，比如体验云主机、知识课程、体验案例、应用构建等，活动结束后将在参与活动报名并在活动期间登录名单中抽奖。奖项设置：华为手环9（NFC款）*2个，HDC定制挂脖风扇*10个中奖小妙招：小编会进行2轮抽奖，5月和6月都有体验开发者空间可以增加中奖概率哦~ 活动二【实践互动】：完成开发者空间AI案例，赢HDC定制礼包参与方式：活动期间在进入开发者空间 → 案例中心 → 技术标签选择“AI”，在云主机中完成AI标签下任意一个或多个案例，并在评论区分享案例截图，活动结束后，将在评论区用户中抽奖。奖项设置：华为FreeBuds 6i耳机*1个、HDC定制礼包*5个（内含双肩包、短袖T恤、帽子等），HDC定制挂脖风扇15个中奖小妙招：1、完成案例后，回帖说明和案例应用截图有HDC元素的，会额外增加中奖概率，比如完成DeepSeek部署案例，提问大模型HDC期间天气情况或者部署完高德地图后，规划去HDC的3天行程等2、完成多个案例，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 【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105201030以上213、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；活动二中华为耳机需要在有效评论＞40个开启。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。

引言deepseek-r1开源标志着普惠AI时代的到来，中小企业接入DeepSeek最安全、实惠的方式就是搭建本地知识库。本文针对企业日常项目管理中相关人员工作繁忙，项目进度跟进不及时等现状，使用DeepSeek+RAGFlow搭建项目管理知识库，用户只需要把对合同文本，往来文件上传到知识库中，系统就会智能分析项目里程碑，现状等等实现智能管理。选用RAGFlow是因为它有以下几个功能点：整合了知识图谱，0.72版本后可以直接针对文件作知识图谱切割，带来了更准确检索知识的可能。但使用知识图谱切分会消耗大量token，本经适员验证半天就花了100万有多token。智能体自带编排功能带来处理复杂场景的能力。Python API为有开发知识的人带来对知识作更准确切片的手段。知识库，智能体可通过HTTP API访问，很方便就可以嵌入其它系统。一、环境搭建1.1 准备云服务器RAGFlow最低需要50G硬盘空间，开发平台准备的免费云桌面为40G，且是ARM环境RAGFlow无构建好的docker镜像。本经济适用男头铁就想白嫖，自己在云桌面上部署了半天最终还是碰到空间不足只能作罢。换个思路参与共创领代金券继续免费学习。配置：竞价计费 8vCPUs + 32GiB + 80G硬盘， 系统Ubuntu 2024，带宽选按带宽计费5M（用流量配置个环境，下载docker都20G+，作测试时可以再调为1M，主打就算代金券也要省），这样配置下来0.7左右一小时，不关机都够测5天。至于我？当然随手关机，代金券有效期可是一年。云主机购买好后到安全组里配置80端口放行你自己的公网ip，RAGFlow安装好后是要通过80端口访问页面的。  登入到云主机后更新，安装docker一条龙apt upgrade -yapt install docker.io -yapt install docker-compose -y要注意华为apt源力的docker compose版本低，需要自己升级，那为什么要先apt装一下，还不是为了环境么，它都配置好可以偷懒了。wget https://bgithub.xyz/docker/compose/releases/download/v2.34.0/docker-compose-linux-x86_64 -O docker-composemv ./docker-compose /usr/bin/chmod +x /usr/bin/docker-compose上面路径是按默认路径，如果你是其它环境可以自己whereis查下docker-compose所在目录，把mv 后的目的路径替换为你自己的路径即可。github因为dns污染经常抽风，这里跟后面要用得到的都是直接用bgithub.xyz。二、RAGFlow安装2.1 修改docker源这里我们可以到控制台里，搜索容器镜像服务->左边镜像中心->右边点击镜像加速器，获取华为镜像地址  修改docker源为华为加速地址。vi /etc/docker/daemon.json，在vi里加如以下内容{ "registry-mirrors": [ "https://替换为上面华为镜像加速地址" ]}按"esc",:wq保存并退出，重启docker使得镜像配置生效systemctl restart docker2.2 克隆RAGFlow库git clone https://bgithub.xyz/infiniflow/ragflow.gitcd ragflow/docker发帖时最新版本为0.17.2，但该版本有时在解析文件时大概率会一直在排队状态，nightly版本已经修复该bug，所以我们使用nightly,git checkout -f nightly修改配置.env文件，按/image搜索到镜像设置，我们要嵌入模型的，将slim那行注释掉启用下面，并修改:V0.17.2为:nightly  使用docker-compose下载镜像并启动ragflow前，你多半会跟我一样在下载minio时太慢而失败，我们先用华为镜像下载，然后设置为别名quay.io即可docker pull swr.cn-north-4.myhuaweicloud.com/ddn-k8s/quay.io/minio/minio:RELEASE.2023-12-20T01-00-02Zdocker tag swr.cn-north-4.myhuaweicloud.com/ddn-k8s/quay.io/minio/minio:RELEASE.2023-12-20T01-00-02Z quay.io/minio/minio:RELEASE.2023-12-20T01-00-02Z然后再启用RAGFlow，这里会下载10个多G的镜像文件，在等待时可以去作后续步骤获取华为云免费token等等。docker-compose up -d2.3 申请华为云免费token登录华为云 MAAS，进入贵阳一区域的MaaS控制台，然后点击控制台左侧“模型推理”，点击右侧的“免费服务”，找到想要使用的DeepSeek版本后点击“领取额度”，  领取后点击“调用说明”，选到"OpenAI SDK", 将API地址，模型名称都复制下来，后面RAGFlow中设置大模型提供商时需要填写这些信息。  2.4 申请API Key大模型外部调用需要提供API Key，需要先申请API Key。还是在ModelArts Studio界面中左边找到最下面“API Key管理”，右边点击“创建API Key”，按照你喜好填入标签，描述->“确定”即可， 同样把生成的API Key复制下来，之后我们在RAGFlow中需要填入。  三、RAGFlow配置3.1 访问我们部署的RAGFlow页面当docker-compose启动完成后，打开浏览器访问我们购买的云服务器网址即可进入RAGFlow界面，如果你输入网址后打不开，确认下有没有按1.1所说的在安全组中放行你的ip访问80端口。在初始页面中输入Email，Password。点击“sign in”，系统会自动为你创建管理员帐号。进入主界面后右上方语言切换为中文。  3.2 配置RAGFlow模型提供商点击左右侧头像->左侧“模型提供商”，从右边待添加模型里找到“OpenAI-API-Compatible”模型点击添加  “模型类型”选择chat，模型名称"DeepSeek-R1"，把2.3步中保存的对应信息填入基础Url，API-KEY中。 确定后RAGFlow会测试链接，连接成功后会出现在页面上方的”添加了的模型“里。重复上述步骤把"DeepSeek-V3"模型、其它地方申请的模型、本地部署的大模型都添加进去，后续编排智能体的时，就可以根据具体场景设置调用不同的大模型。  添加完成模型后还有一步设置默认模型提供商，点击最上面“系统模型设置”，RAGFlow拆分知识图谱需要用到有推理能力的大模型，所以这里我们选DeepSeek-R1模型，嵌入模型选BAAI/bge-large-zh-v1.5，我们没用到图片、语音识别下面的几个模型可以不填。  四、项目管理知识库准备及测试4.1 知识库配置前面一系列配置完成后，就可以添加知识库了。在新建知识库前，我们先准备一些文件，见附件的“项目模拟文件.zip”，模拟项目立项，项目支付，项目研发等等信息。准备好文件后回到RAGFlow页面，点击“知识库”，再点击“新建知识库”，名字按喜好取，比如我取的“项目管理原型”。主要的配置如下嵌入模型：BAAI/bge-large-zh。切片方法：General。打开提取知识图谱，实体类型设计如下：项目，日期，里程碑，组织，订单，预算，金额（本来数字类型数据在知识图谱里一般不设置为实体，我们这里只是验证原型所以忽略，实际使用时可以通过RAGFlow的组件去业务系统中获取更准确的数字），为提高检索准确，实体归一化，社区报告生成，都选上（注意确实会消耗大量大量的token）4.2  上传知识库，并解析出知识图谱。将附件的文件上传到知识库中，全选后点解析，RAGFlow会自动提取资料的知识图谱，时间会持续至少30分钟，等有文件解析成功后左边会出现“知识图谱”选项，点击就可以看到RAGFlow自动生成的图谱图示，如下图。需要注意的是因为GrapRAG里提取实体跟关系是英文提示词，社区摘要有时候会是一串英文。如果要投入正式使用还得自己作更多的测试修改为中文提示词。  4.3 测试项目管理知识图谱解析完成后，就可以测试我们的项目管理原型是否能满足要求。点击最上方“聊天”-“新建助理”，作如下配置助理设置：知识库选择上面我们建立的知识库"项目管理原型"提示引擎：对默认的提示词作进一步修改，增加“#项目按照项目立项时间排序，回答给定项目的相关内容。算不是实际支出，只有支付的才是实际支出”提示引擎里的使用知识图谱可以切换测试，看看使用知识图谱跟不使用知识图谱的对比效果模型：选择DeepSeek-R1测试用例：”2025年项目总共支出了多少“，不启用知识图谱时，回答知识库中无2025年总共支出，或者只回答奶茶项目支出了10万，这就是默认知识库中，信息重叠时，只取TopN造成的毛病。 启用知识图谱时，回答会耗时更多，后台看是首先用大模型对问题生成知识图谱查询，然后把查询结果再给模型完善回答。 五、 制作智能体机器人上面测试我们可以发现，为实现不同问题需要定制不同的提示词，或者有些多跳的问题需要使用知识图谱，简单的问题直接使用RAG问答就行。为给用户更好的使用体验，可以通过智能体机器人，对用户问题作分析然后按不同问题调用不同的流程做回答。点击页面上方"agent"->“创建agent”，使用空白模板。我们要实现一个可以执行多个功能的项目管理智能体，要用到如下组件。问题分类：判断用户问题类型，然后调用不同的模型作回答知识检索：针对用户问题检索知识库内容生成回答：将检索内容作为上下文，让大模型作智能回答首先拖入“对话”，“问题分类”两个组件，设置好流程，如下图  点中问题分类，第一步需要设置输入，我们直接应用对话_0，第二部选择作分类的大模型，因为分类不需要推理能力为了响应速度我们选DeepSeek-V3，最后点击新增分类，填写名称，描述以及例子，其中例子是最重要的分类依据。大模型根据分类例子判断分类这里添加以下三种问题分类，你也可以按实际情况自己发挥项目现状：描述，项目情况类问题。示例，奥美项目当前情况？奶茶项目推进如何？项目成本：描述，项目支出类问题。示例，奥美预算多少？ 2025年项目支出多少？奶茶推进项目超预算了么？项目总结：描述：汇报类问题。 示例，生成奥美项目的项目月结。 生成奶茶推进项目月结。 有了问题分类，就可以针对不同类型问题作不同的检索，比如简单的问题直接检索知识库，复杂的问题按知识库检索，甚至更复杂的问题可以再让DeepSeek把问题拆分为一系列小问题，使用循环组件分别解决小问题后再汇总回答，这里主要作原型测试，所以不展开。我们直接简单按3个分类作3中不同的检索，从左边拉出3个知识检索，配置好执行箭头, 每个检索的配置里”输入“统一都选择“对话_0"，”知识库选择“项目管理原型”，是否启用知识图谱，根据分类的复杂程度配置， 这里设置“项目成本”启用知识图谱。    再拖拉3个生成回答对应3个知识检索，表示用相同或者不同的大模型去回答对应问题，3个回答的提示词简单设计如下 生成回答_0：模型选择DeepSeeK-V3。提示词：根据{input}，总结项目当前里程碑，并简单分析下当前项目。注意：只回答问到的项目的相关内容生成回答_1：模型选择DeepSeek-R1。提示词：请总结段落{input}。注意数字，不要胡编乱造。生成回答_2：模型选择DeepSeek-R1。提示词：根据{input}。生成项目总结。总结里要提到项目已完成里程碑，当前里程碑，预算，实际支出。当前重点关注点 到此，一个简单的智能体搭建完成。我们可以点击“运行”测试新建的智能体。 输入问题“奥美项目现状”， 如下图可以看到智能体正确的按“项目现状”分类->“知识检索_0”->"生成回答_0"流程执行，并回答了奥美项目现状。可以再多问几个问题测试下，比如“奥美注射液小试阶段付钱了么？”，“奶茶推进项目月结”，都能按最初分类并回答，大家可以自行测试这里就不贴图了六、感想展望以上我们用DeepSeek+AGFlow搭建了项目管理的雏形。对于信息类的检索已经能满足使用，但对于稍微复杂点的统计、对比类问题还不是很满意。比如多跳类问题“第二个项目已经支付了多少钱”查看知识图谱的检索结果还是会带多个项目，能正确回答是因为作测试的知识库里项目数量少每次都把所有项目直接提供给DeepSeek-R1，或多或少的依赖R1推理能力推理出结果。当知道问题只针对一个项目把知识检索的TopN设置为1，2这类小数值时，回答就经常不是正确的项目。一方面因为使用的GraphRAG里提示词为英文编写，另外一方面使用ES作为知识图谱的存储也不太方便技术人员，如果能存储到Neoj4之类的外部知识图谱数据库中，就可以使用外部查询的方式来获得更准确结果。使用知识图谱的查询耗时太久，影响用户体验，从日志看是使用推理对于企业应用特别是项目管理来说知识图谱的实体，属性，关系相对确认，只要提示词给了足够详细用不带推理的DeepSeek-V3，甚至QWQ-32B模型也一样作正确查询。另外DeepSeek-R1目前函数调用还在完善，希望在R2版本时能完善该功能。同时RAGFlow早日增加对MCP支持，这两项完善后技术背景的人员会有更多手段实现更准确的智能体应用。 我正在参加【案例共创】第3期 基于华为开发者空间+DeepSeek完成AI应用构建开发最佳实践cid:link_1

general_error又是因为什么造成的呢

样例数据写入，在盘的位置是随机的还是顺序的？如果不是随机的，5个块为什么会写在6上？