教你一步步在 服务器/本地(Linux/Windows) 部署鸣潮QQ机器人,并将其接入大语言模型,实现通过机器人进行库街区签到、练度查询、攻略查询等功能 (1)

准备工作

一台轻量级服务器/ 本地windows/linux能够在服务器/本地 科学上网

环境部署

笔者所演示的环境为阿里云服务器(2核CPU,2GIB内存,40GIB系统盘),操作系统为

Ubuntu 24.04.



确保已成功安装Python环境(版本须>3.8, 建议>=3.12,不建议>=3.13



确保已成功安装git
如果你没有安装git且的系统是ubuntu,安装git只需要输入

如果系统为Windows,则自行前往 🔗官网 下载安装包安装即可

创建虚拟环境

从 Python 3.11 开始,Debian 和 Ubuntu 默认启用了 "Externally-Managed-Environment"(外部管理环境)保护机制,防止用户直接使用 pip 安装包到系统 Python 环境中,以避免破坏系统依赖。因此我们选择创建一个虚拟环境,每次使用之前只需要启动环境即可。

Windows可直接运行pip install uv

如果直接安装uv可能会出现以下错误

安装虚拟环境包



(退出虚拟环境的命令:deactivate)

激活虚拟环境并安装uv

# 激活虚拟环境 source mcvenv/bin/activate # 在虚拟环境安装uv pip install uv

安装插件

安装GsCore

早柚核心文档http://​https://docs.sayu-bot.com/​

进入opt/mcbot,输入如下命令

git clone https://github.com/Genshin-bots/gsuid_core.git --depth=1 --single-branch cd gsuid_core

运行GsCore

uv run core

忽视警告

如在服务器上部署请按照说明修改config.json中的host为0.0.0.0,如在本地部署请忽略





Ctrl + x 退出并保存,回车确认

配置服务器端口8765

由于Gscore运行在8765端口,我们需要在服务器的防火墙处添加对应的规则

安装XutheringWavesUID鸣潮插件

进入插件目录,安装XWUID

cd gsuid_core/plugins # 安装XutheringWavesUID git clone https://github.com/Loping151/XutheringWavesUID.git

安装库街区签到插件

# 在plugins目录下安装库街区签到插件 git clone --depth=1 https://github.com/Loping151/RoverSign

重启早柚插件

可以看到刚刚安装的插件成功导入了

安装nonebot

另外创建一个会话窗口,进入mcbot目录,运行虚拟环境,安装nonebot

cd opt/mcbot # 激活虚拟环境 source mcvenv/bin/activate # 安装nb pip install nb-cli-plugin-bootstrap nb-clil

运行nb bs,将文件夹命名为onebot,空格选中,回车确定

配置图如下

进入onebot目录,连接早柚插件,可能需要科学上网

cd onebot nb plugin install nonebot-plugin-genshinuid

运行onebot

nb run

配置防火墙端口8080

Read more

AI无人机解锁电动自行车交通监管新路径,基于YOLOv11全系列【n/s/m/l/x】参数模型开发构建AI无人机航拍巡检场景下电动车违规载人问题检测预警系统

AI无人机解锁电动自行车交通监管新路径,基于YOLOv11全系列【n/s/m/l/x】参数模型开发构建AI无人机航拍巡检场景下电动车违规载人问题检测预警系统

在我国城市与乡村的大街小巷,电动自行车凭借轻便、快捷、经济的优势,成为大众出行的热门选择。然而,与之相伴的是电动自行车引发的交通事故数量居高不下,给社会和家庭蒙上了沉重的阴影。其中,单人电动车违规载人现象尤为突出,由于座位较短,载人骑行极大地增加了安全隐患,成为交通管理的一大难题。 传统监管:力不从心的困境 长期以来,电动自行车交通监管主要依赖交警现场执法。但这种方式存在明显局限性。交警的精力与时间有限,面对广阔的交通区域和庞大的电动自行车数量,难以做到全面覆盖与实时监管。而且,交警工作受时长和天气等因素制约,无法实现全天候、及时有效的管理。在早晚高峰时段,车流量大、路况复杂,违规行为频发,交警往往应接不暇,难以对每一起违规行为及时纠正,导致事故隐患长期存在。例如,在一些学校周边,放学时段电动自行车违规载人现象屡见不鲜,交警虽尽力管理,但仍有不少违规者趁乱逃脱监管,给学生的出行安全带来极大威胁。 科技赋能:无人机与AI的崛起 随着智能化技术的飞速发展,AI技术正广泛应用于传统行业,为提升效率和安全性注入新动力。在电动自行车交通监管领域,无人机技术的出现为解决传统监管难题带来

Springboot 整合 Java DL4J 打造自然语言处理之智能写作助手

Springboot 整合 Java DL4J 打造自然语言处理之智能写作助手

🧑 博主简介:ZEEKLOG博客专家,历代文学网(PC端可以访问:https://literature.sinhy.com/#/literature?__c=1000,移动端可微信小程序搜索“历代文学”)总架构师,15年工作经验,精通Java编程,高并发设计,Springboot和微服务,熟悉Linux,ESXI虚拟化以及云原生Docker和K8s,热衷于探索科技的边界,并将理论知识转化为实际应用。保持对新技术的好奇心,乐于分享所学,希望通过我的实践经历和见解,启发他人的创新思维。在这里,我希望能与志同道合的朋友交流探讨,共同进步,一起在技术的世界里不断学习成长。

Llama Factory极简教程:不用Docker也能快速搭建微调环境

Llama Factory极简教程:不用Docker也能快速搭建微调环境 作为一名前端开发者转型AI领域的小陈,最近被Docker和虚拟环境的各种网络配置问题搞得焦头烂额。如果你也和我一样,想要快速搭建大模型微调环境但又不想折腾复杂的容器技术,那么这篇教程就是为你准备的。本文将介绍如何利用Llama Factory这个开源框架,在不依赖Docker的情况下快速搭建大模型微调环境。 这类任务通常需要GPU环境,目前ZEEKLOG算力平台提供了包含该镜像的预置环境,可快速部署验证。Llama Factory支持包括LLaMA、Mistral、Qwen、ChatGLM等多种主流大模型,通过简单的Web UI界面就能完成微调任务,特别适合刚接触AI开发的初学者。 为什么选择Llama Factory Llama Factory是一个开源的全栈大模型微调框架,它最大的特点就是简化了大型语言模型的训练、微调和部署流程。相比传统方法,它有以下几个优势: * 无需Docker:直接通过Python环境运行,避开了容器网络配置的复杂性 * 低代码操作:提供Web UI界面,大部分操作可以

Ollama Windows 安装与使用全指南:零配置本地运行 Llama、DeepSeek 等大模型,保障隐私与高效体验

Ollama Windows 安装与使用全指南:零配置本地运行 Llama、DeepSeek 等大模型,保障隐私与高效体验

Ollama Windows 安装与使用全指南:零配置本地运行 Llama、DeepSeek 等大模型,保障隐私与高效体验 * 🎯 核心摘要 * 一、环境准备与系统要求 * 二、安装 Ollama * 方法一:使用官方安装包(最简单,推荐新手) * 方法二:通过命令行安装(可选) * 三、基础使用:快速开始 * 1. 拉取并运行您的第一个模型 * 2. 常用模型管理命令 * 3. 模型选择建议 * 四、进阶应用 * 1. 使用 API 接口 * 2. 使用图形化界面(WebUI) * 五、常见问题与优化 🎯 核心摘要 Ollama 是一个开源工具,可让用户在 Windows 电脑上轻松运行 Llama、DeepSeek 等主流大语言模型。