GLM-4.7-Flash实战教程将GLM-4.7-Flash集成进LangChain Agent工作流1. 为什么需要将GLM-4.7-Flash集成到LangChainLangChain作为当前最流行的AI应用开发框架提供了强大的Agent工作流能力让开发者可以构建复杂的AI应用。但很多开发者发现使用LangChain自带的模型接口往往存在响应速度慢、中文理解能力不足等问题。GLM-4.7-Flash作为智谱AI最新推出的30B参数大模型在中文场景下表现出色推理速度极快。将其集成到LangChain Agent工作流中可以显著提升应用的响应速度和处理能力。想象一下这样的场景你需要构建一个智能客服系统既要快速理解用户的中文问题又要能够调用各种工具查询信息。传统的方案可能需要等待3-5秒才能获得响应而使用GLM-4.7-Flash响应时间可以缩短到1秒以内用户体验大幅提升。2. 环境准备与快速部署2.1 获取GLM-4.7-Flash镜像首先确保你已经获取了GLM-4.7-Flash的镜像环境。这个镜像已经预配置了vLLM推理引擎和Web界面开箱即用。启动镜像后通过Jupyter访问7860端口确认Web界面正常显示模型就绪状态。这个步骤很重要因为后续的集成依赖这个API服务。2.2 安装必要的Python包在你的LangChain项目环境中安装以下依赖包pip install langchain langchain-community openai requests这些包分别提供了LangChain核心功能、社区工具集成、OpenAI兼容接口以及HTTP请求能力。2.3 验证API连接在开始集成前先测试一下GLM-4.7-Flash的API服务是否正常import requests def test_glm_connection(): try: response requests.post( http://127.0.0.1:8000/v1/chat/completions, json{ model: /root/.cache/huggingface/ZhipuAI/GLM-4.7-Flash, messages: [{role: user, content: 你好请回复服务正常}], temperature: 0.7, max_tokens: 50 } ) if response.status_code 200: print(✅ API连接正常) return True else: print(❌ API连接失败) return False except Exception as e: print(f❌ 连接异常: {e}) return False test_glm_connection()如果看到✅ API连接正常的输出说明环境准备就绪。3. 创建GLM-4.7-Flash的LangChain集成3.1 构建自定义LLM封装LangChain提供了灵活的接口让我们可以轻松集成各种LLM模型。首先创建一个GLM-4.7-Flash的封装类from langchain.llms.base import LLM from typing import Optional, List, Dict, Any import requests import json class GLM47FlashLLM(LLM): api_url: str http://127.0.0.1:8000/v1/chat/completions temperature: float 0.7 max_tokens: int 2048 model_name: str /root/.cache/huggingface/ZhipuAI/GLM-4.7-Flash property def _llm_type(self) - str: return glm-4.7-flash def _call(self, prompt: str, stop: Optional[List[str]] None, **kwargs: Any) - str: messages [{role: user, content: prompt}] payload { model: self.model_name, messages: messages, temperature: self.temperature, max_tokens: self.max_tokens, stream: False } try: response requests.post(self.api_url, jsonpayload) response.raise_for_status() result response.json() return result[choices][0][message][content] except Exception as e: return f请求失败: {str(e)} property def _identifying_params(self) - Dict[str, Any]: return { model_name: self.model_name, api_url: self.api_url, temperature: self.temperature } # 初始化GLM-4.7-Flash LLM实例 glm_llm GLM47FlashLLM()这个封装类继承了LangChain的LLM基类提供了标准的接口供LangChain调用。3.2 测试基础文本生成让我们先测试一下基础的文本生成功能# 测试简单文本生成 test_prompt 请用中文写一篇关于人工智能未来发展的短文大约200字 result glm_llm(test_prompt) print(生成结果:) print(result)你应该能看到GLM-4.7-Flash生成了一篇流畅的中文短文展示了其优秀的中文理解和生成能力。4. 构建LangChain Agent工作流4.1 创建工具函数Agent的核心能力在于使用工具。我们先创建几个简单的工具函数from langchain.agents import Tool from datetime import datetime def get_current_time(query: str) - str: 获取当前时间 current_time datetime.now().strftime(%Y-%m-%d %H:%M:%S) return f当前时间是: {current_time} def calculate_expression(expression: str) - str: 计算数学表达式 try: result eval(expression) return f{expression} {result} except: return 无法计算该表达式 # 创建工具列表 tools [ Tool( nameCurrentTime, funcget_current_time, description当需要获取当前时间时使用此工具 ), Tool( nameCalculator, funccalculate_expression, description当需要进行数学计算时使用此工具输入应该是数学表达式 ) ]4.2 构建Agent执行器现在我们来创建完整的Agent工作流from langchain.agents import initialize_agent, AgentType from langchain.memory import ConversationBufferMemory # 创建对话记忆 memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) # 初始化Agent agent initialize_agent( tools, glm_llm, agentAgentType.CONVERSATIONAL_REACT_DESCRIPTION, memorymemory, verboseTrue, handle_parsing_errorsTrue ) # 测试Agent def test_agent(): queries [ 现在是什么时间, 请计算一下 125 * 8 300 等于多少, 记住我最喜欢的颜色是蓝色, 我刚才说我最喜欢的颜色是什么 ] for query in queries: print(f\n 用户: {query}) response agent.run(query) print(f AI: {response}) test_agent()这个Agent现在能够理解用户意图选择合适的工具来回答问题并且具备记忆功能。5. 高级应用自定义工具集成5.1 集成外部API工具在实际应用中我们经常需要集成外部API。下面是一个集成天气查询的例子import requests def get_weather(city: str) - str: 获取城市天气信息模拟函数 # 这里使用模拟数据实际应用中可替换为真实天气API weather_data { 北京: 晴25°C, 上海: 多云23°C, 广州: 阵雨28°C, 深圳: 晴27°C } if city in weather_data: return f{city}的天气: {weather_data[city]} else: return f找不到{city}的天气信息 # 添加天气工具 weather_tool Tool( nameWeather, funcget_weather, description当需要查询城市天气时使用此工具输入应该是城市名称 ) # 更新工具列表 tools.append(weather_tool) # 重新初始化Agent agent_with_weather initialize_agent( tools, glm_llm, agentAgentType.CONVERSATIONAL_REACT_DESCRIPTION, memorymemory, verboseTrue ) # 测试天气查询 weather_test 今天北京的天气怎么样 result agent_with_weather.run(weather_test) print(f天气查询结果: {result})5.2 处理复杂多步任务GLM-4.7-Flash的强大推理能力可以处理复杂的多步任务# 测试复杂任务 complex_task 请帮我完成以下任务 1. 计算 45的平方加上78的三次方是多少 2. 然后告诉我现在的时间 3. 最后用一句话总结人工智能对现代社会的影响 print(处理复杂多步任务...) result agent_with_weather.run(complex_task) print(f复杂任务结果:\n{result})你会看到Agent能够理解这个多步指令按顺序调用相应的工具完成任务。6. 性能优化与最佳实践6.1 流式输出集成GLM-4.7-Flash支持流式输出可以显著提升用户体验。下面是流式集成的示例from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler import json class GLMStreamingLLM(LLM): api_url: str http://127.0.0.1:8000/v1/chat/completions temperature: float 0.7 max_tokens: int 2048 property def _llm_type(self) - str: return glm-4.7-flash-streaming def _call(self, prompt: str, stop: Optional[List[str]] None, **kwargs: Any) - str: messages [{role: user, content: prompt}] payload { model: /root/.cache/huggingface/ZhipuAI/GLM-4.7-Flash, messages: messages, temperature: self.temperature, max_tokens: self.max_tokens, stream: True } full_response try: response requests.post(self.api_url, jsonpayload, streamTrue) response.raise_for_status() for line in response.iter_lines(): if line: line_str line.decode(utf-8) if line_str.startswith(data: ): data line_str[6:] if data ! [DONE]: chunk json.loads(data) if choices in chunk and chunk[choices]: delta chunk[choices][0].get(delta, {}) if content in delta: content delta[content] print(content, end, flushTrue) full_response content print() return full_response except Exception as e: return f流式请求失败: {str(e)} property def _identifying_params(self) - Dict[str, Any]: return {model_name: glm-4.7-flash-streaming} # 使用流式LLM streaming_llm GLMStreamingLLM() print(流式输出示例:) streaming_result streaming_llm(请用中文介绍GLM-4.7-Flash的主要特点)6.2 错误处理与重试机制在实际应用中稳定的错误处理很重要from tenacity import retry, stop_after_attempt, wait_exponential class RobustGLMLLM(LLM): # ... 其他代码同上 ... retry(stopstop_after_attempt(3), waitwait_exponential(multiplier1, min4, max10)) def _call_with_retry(self, payload: Dict) - Dict: response requests.post(self.api_url, jsonpayload, timeout30) response.raise_for_status() return response.json() def _call(self, prompt: str, stop: Optional[List[str]] None, **kwargs: Any) - str: messages [{role: user, content: prompt}] payload { model: self.model_name, messages: messages, temperature: self.temperature, max_tokens: self.max_tokens, stream: False } try: result self._call_with_retry(payload) return result[choices][0][message][content] except requests.exceptions.Timeout: return 请求超时请稍后重试 except requests.exceptions.ConnectionError: return 连接失败请检查API服务是否启动 except Exception as e: return f处理请求时出错: {str(e)}7. 实战案例智能问答系统让我们构建一个完整的智能问答系统展示GLM-4.7-Flash在LangChain中的实际应用from langchain.chains import RetrievalQA from langchain.embeddings import HuggingFaceEmbeddings from langchain.vectorstores import FAISS from langchain.document_loaders import TextLoader from langchain.text_splitter import CharacterTextSplitter import os # 创建示例知识库 def create_knowledge_base(): # 创建示例文档 knowledge_text GLM-4.7-Flash是智谱AI开发的大语言模型采用MoE架构总参数量30B。 该模型在中文理解和生成方面表现优异推理速度快适合实时应用。 支持最大4096 tokens的上下文长度可以处理长文档和多轮对话。 with open(glm_knowledge.txt, w, encodingutf-8) as f: f.write(knowledge_text) # 加载文档并创建向量库 loader TextLoader(glm_knowledge.txt, encodingutf-8) documents loader.load() text_splitter CharacterTextSplitter(chunk_size500, chunk_overlap50) texts text_splitter.split_documents(documents) embeddings HuggingFaceEmbeddings(model_namesentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) vectorstore FAISS.from_documents(texts, embeddings) return vectorstore # 创建问答系统 def create_qa_system(): vectorstore create_knowledge_base() qa_chain RetrievalQA.from_chain_type( llmglm_llm, chain_typestuff, retrievervectorstore.as_retriever(), return_source_documentsTrue ) return qa_chain # 测试问答系统 qa_system create_qa_system() questions [ GLM-4.7-Flash是什么, 它支持多长的上下文, 这个模型有什么特点 ] for question in questions: print(f\n❓ 问题: {question}) result qa_system({query: question}) print(f✅ 回答: {result[result]}) print(f 来源: {result[source_documents][0].page_content[:100]}...)8. 总结与下一步建议通过本教程你已经学会了如何将GLM-4.7-Flash集成到LangChain Agent工作流中。这种集成带来了几个显著优势主要收获GLM-4.7-Flash的优秀中文能力与LangChain的灵活工作流完美结合响应速度显著提升适合实时应用场景可以利用GLM-4.7-Flash的强大推理能力处理复杂任务完整的工具调用和记忆功能让AI应用更智能实践建议性能监控在实际部署中添加性能监控记录响应时间和成功率缓存优化对常见查询结果进行缓存进一步提升响应速度负载均衡如果流量较大考虑部署多个GLM-4.7-Flash实例进行负载均衡持续优化根据实际使用情况不断调整temperature等参数获得最佳效果扩展方向尝试集成更多自定义工具如数据库查询、文件处理等探索多Agent协作场景让多个GLM-4.7-Flash实例协同工作结合LangChain的其他组件如记忆管理、提示模板优化等现在你已经掌握了将GLM-4.7-Flash集成到LangChain的核心技能接下来可以开始构建你自己的智能应用了。记住最好的学习方式就是动手实践从简单的应用开始逐步增加复杂度。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
GLM-4.7-Flash实战教程：将GLM-4.7-Flash集成进LangChain Agent工作流
发布时间：2026/6/26 18:47:03
GLM-4.7-Flash实战教程将GLM-4.7-Flash集成进LangChain Agent工作流1. 为什么需要将GLM-4.7-Flash集成到LangChainLangChain作为当前最流行的AI应用开发框架提供了强大的Agent工作流能力让开发者可以构建复杂的AI应用。但很多开发者发现使用LangChain自带的模型接口往往存在响应速度慢、中文理解能力不足等问题。GLM-4.7-Flash作为智谱AI最新推出的30B参数大模型在中文场景下表现出色推理速度极快。将其集成到LangChain Agent工作流中可以显著提升应用的响应速度和处理能力。想象一下这样的场景你需要构建一个智能客服系统既要快速理解用户的中文问题又要能够调用各种工具查询信息。传统的方案可能需要等待3-5秒才能获得响应而使用GLM-4.7-Flash响应时间可以缩短到1秒以内用户体验大幅提升。2. 环境准备与快速部署2.1 获取GLM-4.7-Flash镜像首先确保你已经获取了GLM-4.7-Flash的镜像环境。这个镜像已经预配置了vLLM推理引擎和Web界面开箱即用。启动镜像后通过Jupyter访问7860端口确认Web界面正常显示模型就绪状态。这个步骤很重要因为后续的集成依赖这个API服务。2.2 安装必要的Python包在你的LangChain项目环境中安装以下依赖包pip install langchain langchain-community openai requests这些包分别提供了LangChain核心功能、社区工具集成、OpenAI兼容接口以及HTTP请求能力。2.3 验证API连接在开始集成前先测试一下GLM-4.7-Flash的API服务是否正常import requests def test_glm_connection(): try: response requests.post( http://127.0.0.1:8000/v1/chat/completions, json{ model: /root/.cache/huggingface/ZhipuAI/GLM-4.7-Flash, messages: [{role: user, content: 你好请回复服务正常}], temperature: 0.7, max_tokens: 50 } ) if response.status_code 200: print(✅ API连接正常) return True else: print(❌ API连接失败) return False except Exception as e: print(f❌ 连接异常: {e}) return False test_glm_connection()如果看到✅ API连接正常的输出说明环境准备就绪。3. 创建GLM-4.7-Flash的LangChain集成3.1 构建自定义LLM封装LangChain提供了灵活的接口让我们可以轻松集成各种LLM模型。首先创建一个GLM-4.7-Flash的封装类from langchain.llms.base import LLM from typing import Optional, List, Dict, Any import requests import json class GLM47FlashLLM(LLM): api_url: str http://127.0.0.1:8000/v1/chat/completions temperature: float 0.7 max_tokens: int 2048 model_name: str /root/.cache/huggingface/ZhipuAI/GLM-4.7-Flash property def _llm_type(self) - str: return glm-4.7-flash def _call(self, prompt: str, stop: Optional[List[str]] None, **kwargs: Any) - str: messages [{role: user, content: prompt}] payload { model: self.model_name, messages: messages, temperature: self.temperature, max_tokens: self.max_tokens, stream: False } try: response requests.post(self.api_url, jsonpayload) response.raise_for_status() result response.json() return result[choices][0][message][content] except Exception as e: return f请求失败: {str(e)} property def _identifying_params(self) - Dict[str, Any]: return { model_name: self.model_name, api_url: self.api_url, temperature: self.temperature } # 初始化GLM-4.7-Flash LLM实例 glm_llm GLM47FlashLLM()这个封装类继承了LangChain的LLM基类提供了标准的接口供LangChain调用。3.2 测试基础文本生成让我们先测试一下基础的文本生成功能# 测试简单文本生成 test_prompt 请用中文写一篇关于人工智能未来发展的短文大约200字 result glm_llm(test_prompt) print(生成结果:) print(result)你应该能看到GLM-4.7-Flash生成了一篇流畅的中文短文展示了其优秀的中文理解和生成能力。4. 构建LangChain Agent工作流4.1 创建工具函数Agent的核心能力在于使用工具。我们先创建几个简单的工具函数from langchain.agents import Tool from datetime import datetime def get_current_time(query: str) - str: 获取当前时间 current_time datetime.now().strftime(%Y-%m-%d %H:%M:%S) return f当前时间是: {current_time} def calculate_expression(expression: str) - str: 计算数学表达式 try: result eval(expression) return f{expression} {result} except: return 无法计算该表达式 # 创建工具列表 tools [ Tool( nameCurrentTime, funcget_current_time, description当需要获取当前时间时使用此工具 ), Tool( nameCalculator, funccalculate_expression, description当需要进行数学计算时使用此工具输入应该是数学表达式 ) ]4.2 构建Agent执行器现在我们来创建完整的Agent工作流from langchain.agents import initialize_agent, AgentType from langchain.memory import ConversationBufferMemory # 创建对话记忆 memory ConversationBufferMemory(memory_keychat_history, return_messagesTrue) # 初始化Agent agent initialize_agent( tools, glm_llm, agentAgentType.CONVERSATIONAL_REACT_DESCRIPTION, memorymemory, verboseTrue, handle_parsing_errorsTrue ) # 测试Agent def test_agent(): queries [ 现在是什么时间, 请计算一下 125 * 8 300 等于多少, 记住我最喜欢的颜色是蓝色, 我刚才说我最喜欢的颜色是什么 ] for query in queries: print(f\n 用户: {query}) response agent.run(query) print(f AI: {response}) test_agent()这个Agent现在能够理解用户意图选择合适的工具来回答问题并且具备记忆功能。5. 高级应用自定义工具集成5.1 集成外部API工具在实际应用中我们经常需要集成外部API。下面是一个集成天气查询的例子import requests def get_weather(city: str) - str: 获取城市天气信息模拟函数 # 这里使用模拟数据实际应用中可替换为真实天气API weather_data { 北京: 晴25°C, 上海: 多云23°C, 广州: 阵雨28°C, 深圳: 晴27°C } if city in weather_data: return f{city}的天气: {weather_data[city]} else: return f找不到{city}的天气信息 # 添加天气工具 weather_tool Tool( nameWeather, funcget_weather, description当需要查询城市天气时使用此工具输入应该是城市名称 ) # 更新工具列表 tools.append(weather_tool) # 重新初始化Agent agent_with_weather initialize_agent( tools, glm_llm, agentAgentType.CONVERSATIONAL_REACT_DESCRIPTION, memorymemory, verboseTrue ) # 测试天气查询 weather_test 今天北京的天气怎么样 result agent_with_weather.run(weather_test) print(f天气查询结果: {result})5.2 处理复杂多步任务GLM-4.7-Flash的强大推理能力可以处理复杂的多步任务# 测试复杂任务 complex_task 请帮我完成以下任务 1. 计算 45的平方加上78的三次方是多少 2. 然后告诉我现在的时间 3. 最后用一句话总结人工智能对现代社会的影响 print(处理复杂多步任务...) result agent_with_weather.run(complex_task) print(f复杂任务结果:\n{result})你会看到Agent能够理解这个多步指令按顺序调用相应的工具完成任务。6. 性能优化与最佳实践6.1 流式输出集成GLM-4.7-Flash支持流式输出可以显著提升用户体验。下面是流式集成的示例from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler import json class GLMStreamingLLM(LLM): api_url: str http://127.0.0.1:8000/v1/chat/completions temperature: float 0.7 max_tokens: int 2048 property def _llm_type(self) - str: return glm-4.7-flash-streaming def _call(self, prompt: str, stop: Optional[List[str]] None, **kwargs: Any) - str: messages [{role: user, content: prompt}] payload { model: /root/.cache/huggingface/ZhipuAI/GLM-4.7-Flash, messages: messages, temperature: self.temperature, max_tokens: self.max_tokens, stream: True } full_response try: response requests.post(self.api_url, jsonpayload, streamTrue) response.raise_for_status() for line in response.iter_lines(): if line: line_str line.decode(utf-8) if line_str.startswith(data: ): data line_str[6:] if data ! [DONE]: chunk json.loads(data) if choices in chunk and chunk[choices]: delta chunk[choices][0].get(delta, {}) if content in delta: content delta[content] print(content, end, flushTrue) full_response content print() return full_response except Exception as e: return f流式请求失败: {str(e)} property def _identifying_params(self) - Dict[str, Any]: return {model_name: glm-4.7-flash-streaming} # 使用流式LLM streaming_llm GLMStreamingLLM() print(流式输出示例:) streaming_result streaming_llm(请用中文介绍GLM-4.7-Flash的主要特点)6.2 错误处理与重试机制在实际应用中稳定的错误处理很重要from tenacity import retry, stop_after_attempt, wait_exponential class RobustGLMLLM(LLM): # ... 其他代码同上 ... retry(stopstop_after_attempt(3), waitwait_exponential(multiplier1, min4, max10)) def _call_with_retry(self, payload: Dict) - Dict: response requests.post(self.api_url, jsonpayload, timeout30) response.raise_for_status() return response.json() def _call(self, prompt: str, stop: Optional[List[str]] None, **kwargs: Any) - str: messages [{role: user, content: prompt}] payload { model: self.model_name, messages: messages, temperature: self.temperature, max_tokens: self.max_tokens, stream: False } try: result self._call_with_retry(payload) return result[choices][0][message][content] except requests.exceptions.Timeout: return 请求超时请稍后重试 except requests.exceptions.ConnectionError: return 连接失败请检查API服务是否启动 except Exception as e: return f处理请求时出错: {str(e)}7. 实战案例智能问答系统让我们构建一个完整的智能问答系统展示GLM-4.7-Flash在LangChain中的实际应用from langchain.chains import RetrievalQA from langchain.embeddings import HuggingFaceEmbeddings from langchain.vectorstores import FAISS from langchain.document_loaders import TextLoader from langchain.text_splitter import CharacterTextSplitter import os # 创建示例知识库 def create_knowledge_base(): # 创建示例文档 knowledge_text GLM-4.7-Flash是智谱AI开发的大语言模型采用MoE架构总参数量30B。 该模型在中文理解和生成方面表现优异推理速度快适合实时应用。 支持最大4096 tokens的上下文长度可以处理长文档和多轮对话。 with open(glm_knowledge.txt, w, encodingutf-8) as f: f.write(knowledge_text) # 加载文档并创建向量库 loader TextLoader(glm_knowledge.txt, encodingutf-8) documents loader.load() text_splitter CharacterTextSplitter(chunk_size500, chunk_overlap50) texts text_splitter.split_documents(documents) embeddings HuggingFaceEmbeddings(model_namesentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) vectorstore FAISS.from_documents(texts, embeddings) return vectorstore # 创建问答系统 def create_qa_system(): vectorstore create_knowledge_base() qa_chain RetrievalQA.from_chain_type( llmglm_llm, chain_typestuff, retrievervectorstore.as_retriever(), return_source_documentsTrue ) return qa_chain # 测试问答系统 qa_system create_qa_system() questions [ GLM-4.7-Flash是什么, 它支持多长的上下文, 这个模型有什么特点 ] for question in questions: print(f\n❓ 问题: {question}) result qa_system({query: question}) print(f✅ 回答: {result[result]}) print(f 来源: {result[source_documents][0].page_content[:100]}...)8. 总结与下一步建议通过本教程你已经学会了如何将GLM-4.7-Flash集成到LangChain Agent工作流中。这种集成带来了几个显著优势主要收获GLM-4.7-Flash的优秀中文能力与LangChain的灵活工作流完美结合响应速度显著提升适合实时应用场景可以利用GLM-4.7-Flash的强大推理能力处理复杂任务完整的工具调用和记忆功能让AI应用更智能实践建议性能监控在实际部署中添加性能监控记录响应时间和成功率缓存优化对常见查询结果进行缓存进一步提升响应速度负载均衡如果流量较大考虑部署多个GLM-4.7-Flash实例进行负载均衡持续优化根据实际使用情况不断调整temperature等参数获得最佳效果扩展方向尝试集成更多自定义工具如数据库查询、文件处理等探索多Agent协作场景让多个GLM-4.7-Flash实例协同工作结合LangChain的其他组件如记忆管理、提示模板优化等现在你已经掌握了将GLM-4.7-Flash集成到LangChain的核心技能接下来可以开始构建你自己的智能应用了。记住最好的学习方式就是动手实践从简单的应用开始逐步增加复杂度。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
