【AIGC】AI工作流workflow实践：构建日报

优质文章学习记录

— 2 min read
【AIGC】AI工作流workflow实践：构建日报

workflow实践

  • 引言
  • 实现步骤分析
  • 实践
    • 创建 dify workflow 应用
    • 创建工作流内部节点
      • 1、设置输入字段
      • 2、创建两个LLM节点
      • 3、设置结束节点
    • 运行工作流
  • 结语

引言

工作流 workflow 是现在 LLM 很重要的一个概念，因为对于一个模型来说，非常复杂的问题很难一次性完美解决，而且可能需要很多别的辅助工具。而工作流就是将这些工具和模型组合起来，形成一个完整的解决方案。今天我们来做个工作流实践，帮助读者理解工作流。我们来构建一个帮助我们写日报的工作流。在帮助我们完成日报的填写的同时，我们需要它进行 AI 味的去除，免得出现别人一看就是 AI 写出来的文章的情况。

实现步骤分析

  1. 我们需要一个可以构建工作流的平台，这边我们选择 dify
  2. 我们需要模型根据我们提供的今天做的事情去自动生成日报

我们需要对刚才生成的文章进行 AI 味的去除

在这里插入图片描述

实践

创建 dify workflow 应用

进入 dify，创建一个 workflow，选择工作流，标题就写日报生成

在这里插入图片描述

创建工作流内部节点

1、设置输入字段

在开始节点设置一个字段接收用户的输入，这个节点我们设置为message

在这里插入图片描述

2

Read more

OpenCode 踩坑记：GitHub Copilot 按次计费？我的账单为何暴涨 3 倍！

OpenCode 踩坑记：GitHub Copilot 按次计费？我的账单为何暴涨 3 倍！

从发现问题到深度分析，一篇文章搞懂 OpenCode + GitHub Copilot 的正确打开方式 🌟 前言：一个意外的"惊喜" 进入2026年，朋友圈和技术群里都在讨论一个新的AI开发工具 —— OpenCode，号称是 AI 编程助手的"终极形态"，支持 GitHub Copilot、Claude、GPT-4 等多种模型，还能自动执行多步任务。 作为一个爱折腾的程序员，我立马下载试用。我有 GitHub Copilot 企业订阅，而且OpenCode还支持，用起来应该不花钱吧？ 结果一周后，我收到了公司 IT 部门的"温馨提醒" 📧： “您的 Copilot 使用量是团队平均水平的 3 倍，请注意合理使用…” 什么情况？？我明明只是让
Qwen3.5-4B 微调实战：LLaMA-Factory 打造医疗AI助手

Qwen3.5-4B 微调实战：LLaMA-Factory 打造医疗AI助手

最近在帮一个医疗创业团队做技术支持，他们想把通用大模型改造成能回答专业医疗问题的智能助手。今天就把整个过程整理出来，希望对有类似需求的朋友有所帮助。 核心工具链：LLaMA-Factory + Qwen3.5-4B + 医疗问答数据集 Qwen3.5 是阿里最新发布的千问系列模型，4B 参数量刚好卡在"效果够用 + 显存友好"的甜蜜点；LLaMA-Factory 则是目前开源社区最成熟的微调框架，上手简单，坑也相对少。 准备工作 先说硬件要求。4B 模型用 LoRA 微调的话，一张 12GB 显存的显卡就够了（比如 RTX 4070）。如果手头只有 8GB 显存的卡，可以上 QLoRA 量化方案，牺牲一点精度换显存空间。 微调方式 4B 模型显存需求 推荐显卡 LoRA (16-bit) ~10-12 GB

AI绘画不求人：Z-Image Turbo本地部署全攻略，开箱即用

AI绘画不求人：Z-Image Turbo本地部署全攻略，开箱即用 你是不是也经历过这样的时刻：看到一张惊艳的AI插画，立刻打开浏览器搜教程，结果被“CUDA版本冲突”“PyTorch编译失败”“显存不足OOM”这些报错拦在门外？明明只是想画一幅水墨小景，却卡在环境配置第三步，连WebUI的界面都没见着。 别再折腾了。今天这篇不是教你“如何硬刚报错”，而是直接给你一条干净、稳定、真正能跑起来的本地部署路径——专为 Z-Image Turbo 量身定制的 Gradio + Diffusers 极速画板镜像，从下载到出图，全程无需改一行代码、不装一个依赖、不碰一次终端命令。它不是“理论上可行”的方案，而是我亲手在RTX 4060、RTX 3090、甚至16GB显存的MacBook Pro（M3 Max + Metal后端）上反复验证过的“开箱即用”方案。 更关键的是，它解决了国产AI绘画模型落地最头疼的三大痛点：黑图、

使用LLama.cpp本地部署大模型

摘要         llama.cpp是一个基于C/C++开发的高效大语言模型推理工具，支持跨平台部署和Docker快速启动，核心功能是在有限的计算资源情况下本地部署使用大模型。本文介绍了通过Docker方式部署llama.cpp的步骤，包括如何下载模型、CPU/GPU配置及启动参数说明。llama.cpp提供Web UI界面和OpenAI兼容API，支持文本和多模态对话，对电脑配置要求不高，完全免费且私密，让普通用户也能轻松在本地运行大语言模型。 LLama.cpp简介        1. llama.cpp 是一个在 C/C++ 中实现大型语言模型（LLM）推理的工具         2.支持跨平台部署，也支持使用 Docker 快速启动         3.可以运行多种量化模型，对电脑要求不高，CPU/GPU设备均可流畅运行。         支持模型包含：llama系列，qwen系列，gemma系列，Falcon、Alpaca、GPT4All、Chinese LLaMA、Vigogne、