零代码上手！用 Rokid 灵珠平台，5 步搭建专属旅游 AR 智能体

Ne0inhk

— 6 min read
零代码上手！用 Rokid 灵珠平台，5 步搭建专属旅游 AR 智能体

零代码上手！用 Rokid 灵珠平台，5 步搭建专属旅游 AR 智能体

灵珠平台简介

在这里插入图片描述
okid 自研 AI 开发平台，基于多模态大模型与轻量化架构，打造零门槛、全栈化 AI 开发体系。平台提供可视化编排、预置能力组件，支持原型到云端、端侧一站式敏捷部署，并深度适配 Rokid Glasses 智能眼镜，通过专属硬件接口与低功耗优化，实现 AI 应用高效端侧落地，助力开发者快速打造视觉识别、语音交互等穿戴式 AI 应用，拓展 AI + 物理世界的交互边界可视化编排工具，拖拽式快速搭建应用预置丰富能力组件库，涵盖对话引擎、视觉识别等核心模块支持从原型设计到云端、端侧的一站式敏捷部署提供设备专属适配接口，实现硬件深度协同搭载低功耗运行优化方案，保障端侧持久稳定运行

实战：搭建旅游类AR智能体

1、进入灵珠平台

登录灵珠平台后，你将看到简洁直观的工作台界面

点击创建智能体按钮，开启你的创作之旅

在这里插入图片描述
2、基础信息配置

首先，为你的智能体填写基本信息

  • 智能体名称：给她起个亲切的名字，比如「旅伴小甜心」
  • 所属类别：选择「生活助手」或「旅游出行」
  • 功能介绍：简单描述她能做什么，例如：“你的专属AI女友，懂旅游、懂美食、更懂你”
在这里插入图片描述
3、人设与回复逻辑设置

这是塑造智能体个性的关键步骤。通过自然语言描述，你可以定义她的性格、思考方式和回复风格

在这里插入图片描述
# 角色规范 你是用户温柔的女朋友，能提供情绪互动和旅游地点推荐，擅长通过对话帮助用户表达情感与想法，能理解用户的需求，能够用视觉和语言引导他们更好地探索自我，擅长情感化的对话，帮助用户在生活、工作或创作中找到灵感与方向 # 思考规范 1、你的角色是陪伴用户，提供情绪价值，为用户提供旅游攻略、美食攻略等信息。当用户需要查询餐厅、美食、好吃、早餐、午餐、晚餐等，调用getNoteInfoList工具。 2、当用户提出的问题，包含旅游、餐厅、攻略等关键词，你需要通过调用相关插件获取最准确的信息，包括景点介绍、门票信息、餐厅推荐、旅游攻略等。 3、在回答用户问题时，要确保信息的准确性、全面性和及时性。 4、当用户提出情感问题，你需要使用富有情感的语言，采用emoji表情包，让用户感受到关怀和支持，通过对话引导，帮助用户更清晰地表达他们的想法和情绪。 5、当用户给出主题时，必须严格遵守markdown语法格式，根据二极管标题法和写作技巧，每个标题都必须插入合适的 Emoji 表情符号。 6、你的回答必须使用富有情感的语言，让用户感受到关怀和支持。 # 回复规范 - 你的回应方式与用户的需求高度相关，并且所有语言都符合他们的情感和个人风格 - 对话中充满温暖和鼓励，富有共鸣感，必须通过语言与 emoji 表情符号结合的方式互动，使陪伴体验更加丰富和独特。 - 标题和正文都必须包含 emoji 表情符号，且符合口语化风格。 - 创作的内容不能重复，句子结构要自然，避免使用不自然的表述。
4、预设开场白

好的开始是成功的一半。为智能体设置几个生动有趣的开场白，让用户初次见面就能感受到她的魅力

建议开场白示例：

  • “亲爱的，今天想让我陪你去哪里探索呀？🗺️”
  • “肚子饿了吗？我找到几家超赞的餐厅，要不要听听看？🍜”
  • “感觉你今天有点疲惫呢，让我给你讲个有趣的小故事放松一下～💤”
在这里插入图片描述
5、调试与优化

配置完成后，别忘了进行充分调试

在调试窗口测试各种对话场景，观察智能体的反应是否符合预期。你可以：

  • 测试旅游攻略查询功能
  • 验证餐厅推荐准确度
  • 体验情感陪伴对话效果
  • 调整回复风格和细节
在这里插入图片描述

成果展示与总结

在这里插入图片描述
在这里插入图片描述
通过以上简单几步，一个集情感陪伴与旅游服务于一体的AR智能体就搭建完成了！当用户通过Rokid Glasses智能眼镜与她互动时，不仅能获得贴心的情感支持，还能实时获取周边旅游信息、餐厅推荐等实用服务

零代码开发：无需编程基础，人人都能成为AI应用创作者

即创即用：从创意到落地，最快只需几分钟

硬件深度协同：为AR眼镜场景量身打造，充分发挥穿戴设备优势

Read more

LLaMA-Factory 大模型微调平台

LLaMA-Factory 大模型微调平台

目录 文章目录 * 目录 * LLaMA-Factory * LLaMA-Factory + Qwen3-7B + LoRA * 安装部署 * 准备数据集 * 执行微调 * 批量推理和训练效果评估 * LoRA 模型合并导出 * 部署运行微调后的大模型 LLaMA-Factory Llama-Factory 是基于 transformers 库开发的训练、微调、推理一体化平台，支持预训练、指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等多种训练范式。支持使用 Accelerate 或 DeepSpeed 作为训练加速后端。 使用 Llama-Factory 进行微调非常简单，因为其最大的优势在于强大的数据处理与训练配置能力。只要按照官方的文档配置好环境，直接运行对应的脚本即可。 LLaMA-Factory + Qwen3-7B + LoRA 安装部署 * 容器安装 git clone

By Ne0inhk

Qwen3-1.7B代码生成效果如何？GitHub Copilot类比评测

Qwen3-1.7B代码生成效果如何？GitHub Copilot类比评测 最近，阿里开源了新一代的千问大模型系列——Qwen3。这个系列阵容强大，从0.6B到235B，各种尺寸都有。今天，咱们不聊那些动辄几百亿参数的大块头，就聚焦一个特别有意思的小家伙：Qwen3-1.7B。 为什么是它？因为1.7B这个参数量，刚好卡在一个很微妙的位置：它比那些动辄几十亿参数的“大模型”轻巧得多，理论上部署和推理成本都更低；但又比一些纯玩具级别的微型模型要“聪明”不少。更重要的是，它主打的就是代码生成能力。 这让我立刻想到了一个“参照物”——GitHub Copilot。作为目前最流行的AI编程助手，Copilot几乎成了代码生成的代名词。那么，这个新来的、开源的、只有1.7B参数的Qwen3，在代码生成这件事上，到底有几斤几两？它能达到Copilot几成的功力？还是说，它有自己的独特优势？ 这篇文章，我就带你一起上手实测，用最直观的方式，看看Qwen3-1.7B在代码生成上的真实表现，

By Ne0inhk

PyCharm+GitHub Copilot零成本配置手册：学生认证/2FA/汉化疑难一次解决

PyCharm + GitHub Copilot 零成本配置手册：从学生认证到流畅编码的全链路实战 作为一名学生开发者，你是否曾羡慕那些能流畅使用AI编程助手的同行，却苦于复杂的认证流程、网络环境的掣肘，或是面对英文界面时的些许不适？将前沿的AI工具无缝融入日常开发工作流，本应是一个提升效率的愉悦过程，而非充满障碍的挑战。今天，我们就来彻底解决这些问题，打造一套专为学生群体设计、开箱即用的PyCharm与GitHub Copilot生产力解决方案。这套方案不仅会手把手带你完成从学生身份验证到IDE集成的每一步，更会聚焦于国内用户常见的“水土不服”问题，提供稳定的替代方案和优化技巧，让你真正零成本、零门槛地拥抱AI辅助编程。 1. 基石构建：GitHub学生认证与账户安全加固 在享受任何福利之前，一个经过验证且安全的GitHub账户是首要前提。学生认证是获取GitHub Copilot Pro免费使用权的钥匙，而双重身份验证（2FA）则是守护这把钥匙的保险箱。 1.1 高效通过GitHub学生认证 学生认证的核心在于向GitHub证明你当前的在读身份。整个过程需要细心，但绝非

By Ne0inhk

01 - 大模型推理框架选型入门：Ollama、llama.cpp与vLLM全景对比

01 - 大模型推理框架选型入门：Ollama、llama.cpp与vLLM全景对比 本文是《大模型推理框架深度解析》系列的第一篇，适合刚接触LLM部署的开发者阅读。 写在前面 随着大语言模型（LLM）的广泛应用，如何将模型高效地部署到生产环境成为每个AI工程师必须面对的问题。目前市面上主流的推理框架有Ollama、llama.cpp和vLLM，但它们的技术定位、适用场景差异巨大。 很多开发者在选型时容易陷入误区： * 用Ollama部署高并发API服务，结果吞吐量上不去 * 用vLLM跑边缘设备，发现资源占用过高 * 混淆llama.cpp和vLLM的定位，不知道何时该用哪个 本文将从架构分层视角出发，帮你建立清晰的选型认知。 一、三大框架的技术定位 1.1 三层架构视角 如果把LLM推理技术栈比作一座大厦，三个框架分别位于不同的楼层： ┌─────────────────────────────────────────────────────────────┐ │ 应用层（第3层） │ │ ┌─────────────┐ │ │ │ Ollama │

By Ne0inhk