免费开源AI工具:CoPaw与OpenFang整理

免费开源AI工具:CoPaw与OpenFang整理

CoPawOpenFang,两者软件本体都免费开源,但模型 API 可能产生费用

CoPaw(阿里云)

  • 软件本身完全免费开源(Apache 2.0),无会员、无广告、无功能限制
  • 本地部署:免费,仅需 Python 环境,可跑本地模型(Ollama 等),零 API 费用
  • 云端部署:魔搭创空间有免费测试额度;长期使用按云资源(CPU/GPU/ 存储)计费
  • 模型 API:调用通义千问、OpenAI、DeepSeek 等按官方标准按量付费

 CoPaw GitHub 地址

https://github.com/agentscope-ai/CoPaw

OpenFang(AI Agent 操作系统)

  • 软件本身完全免费开源(Apache-2.0 + MIT),可商用、可二次开发
  • 本地部署:免费,支持 Ollama、LM Studio 等本地模型,零 API 费用
  • 云端部署:免费,仅承担云服务器 / 算力成本
  • 模型 API:调用云端大模型按各厂商标准付费

OpenFang GitHub 地址

https://github.com/RightNow-AI/openfangGitHub

一句话总结:工具免费,模型可能花钱;本地跑模型则全程免费

Ollama 本地运行的内存需求,核心看模型大小 + 量化等级,CoPaw 调用时和直接用 Ollama 一致。

📌 主流模型内存参考(纯 CPU,Q4 量化)

  • 0.5B / 1B≥4GB 内存即可跑(入门聊天 / 简单任务)
  • 3B≥6GB 内存(日常对话、写文案)
  • 7B≥8GB 内存(流畅对话、代码、写作)
  • 13B≥16GB 内存(强推理、长文本)
  • 32B≥32GB 内存(复杂分析、专业场景)
  • 70B≥64GB 内存(企业级、深度推理)

🧠 关键影响因素

  • 量化等级:Q2/Q3 比 Q4 更省内存,但效果略降;Q5/Q8 效果更好但更占内存
  • GPU 加速:有 NVIDIA/Apple Silicon 时,显存分担内存压力,16GB 内存 + 4GB 显存可流畅跑 7B
  • 上下文窗口num_ctx 越大越占内存,默认 2048 够用,开 8192 会多占 1–2GB
  • 系统占用:Windows/macOS 本身占 2–4GB,建议预留 2GB 冗余

✅ 给 CoPaw 用的最佳实践

  • 8GB 内存:选 3B 模型(qwen2.5:3b、llama3.2:3b),别跑 7B
  • 16GB 内存:选 7B 模型(qwen2.5:7b、mistral:7b),日常足够
  • 32GB+ 内存:可上 13B/32B,体验接近 GPT-3.5

🛠️ 内存不够怎么办

  1. 换更小模型(3B 比 7B 省一半)
  2. 用更低量化(ollama pull qwen2.5:7b-q2_K
  3. 限制上下文:/set parameter num_ctx 2048
  4. 关闭其他软件,释放内存

方式一:

CoPaw 原生支持 Ollama,配置非常简单

一、准备工作

  1. 安装 Ollama(官网:ollama.com
  2. 启动 Ollama 服务(默认端口 11434)
  3. 安装 CoPaw 的 Ollama 依赖:
pip install ollama 

二、CoPaw 配置 Ollama(3 步)

1. 拉取 Ollama 模型(CoPaw CLI)
# 下载模型(示例:qwen2.5:3b、mistral:7b) copaw models ollama-pull qwen2.5:3b copaw models ollama-pull mistral:7b # 查看已下载模型 copaw models ollama-list 
2. 配置 CoPaw 使用 Ollama
# 进入配置向导,选择Ollama copaw models config # 按提示:选择 Ollama → 从列表选模型 → 设为默认 
3. 切换模型(后续)
# 快速切换Ollama模型 copaw models set-llm 

三、验证是否生效

# 启动CoPaw聊天,用本地Ollama模型 copaw chat 

此时 CoPaw 会直接调用本地 Ollama,全程免费、无 API 费用

四、常见问题

  • Ollama 未启动:先运行 ollama run llama3 确保服务正常
  • 模型拉取失败:检查网络,或用 ollama pull qwen2.5:3b 直接拉取
  • 端口被占用:修改 Ollama 端口,CoPaw 会自动检测
✅ 官方流程(Windows 本地)1. 安装(必须用 PowerShell,不能用 CMD)2. 初始化3. 启动 Web 界面

浏览器自动打开:http://127.0.0.1:80885. 控制台对话,配置钉钉机器人(最常用)http://127.0.0.1:8088启动后,直接在聊天框发指令发送指令:帮我配置钉钉机器人CoPaw 会引导你到 Control → Channels 页面,或直接给出配置入口。后续在 频道 手动填入 client_idclient_secret 并启用📌 最终可直接复制的 Windows 一键命令合集(PowerShell)

方式二::Windows + 内网穿透(最简单、最推荐)

本地 Windows 运行 CoPaw,用内网穿透工具让外网能访问。适合:个人使用、稳定长期跑。

工具(免费够用):

  • 钉钉内网穿透
  • Sunny-Ngrok
  • ZeroTier
  • Tailscale

流程:

  1. Windows 正常安装启动 CoPaw
  2. 开一个内网穿透,映射到 127.0.0.1:8088
  3. 外网直接访问穿透给你的域名 / IP 即可

优点:

  • 完全 Windows
  • 不用买服务器
  • 不用学 Linux
  • 现在就能用

方式三:(其他方式整理官方部署说明书

可放服务器、外网访问、长期运行 方案Linux 云服务器 + 1Panel:专门用来 24 小时运行 CoPaw、钉钉机器人长期在线。不是大众软件适合玩服务器、部署 AI、自建服务的人

一、1Panel 是什么

1Panel 是飞致云出品、现代化开源的 Linux 服务器运维管理面板,主打容器化、轻量化、AI 友好,用 Web 界面就能一键管理服务器、部署应用、建站、配置 SSL、管理数据库与容器1Panel。

  • 核心定位:Linux 服务器 “智能管家”,适合个人 / 团队快速部署网站、AI 模型、智能体(如 CoPaw)。
  • 关键优势:
    • 容器化部署(Docker),应用隔离、漏洞面小。
    • 应用商店一键装 AI 工具(Ollama、CoPaw 等)、建站程序1Panel。
    • 支持 GPU 监控、本地大模型 / 智能体管理1Panel。
    • 一键建站、SSL 证书、密码访问、数据备份1Panel。

二、官方网址

三、1Panel 部署 CoPaw 智能体 极简完整版

1. 安装 CoPaw
  1. 进入 1Panel → 左侧 应用商店
  2. 点击 全部AI → 找到 copaw
  3. 开启 端口外部访问 → 确认
  4. 等待安装完成
2. 进入并配置模型
  1. 顶部菜单 已安装 → 找到 copaw → 跳转 打开界面
  2. 进入 模型设置
    • Ollama:本地模型,直接用
    • DashScope:需要去阿里云百炼申请 API Key 并填入
  3. 选择对应 LLM 模型 → 保存
3. 创建外网可访问的网站
  1. 左侧 网站创建网站
  2. 选择 已装应用 → 下拉选 copaw
  3. 填写你的 域名 → 确认
4. 配置 HTTPS 证书
  1. 左侧 证书申请证书
  2. 填入域名 → 开启 自动续期 → 确认
  3. 回到 网站 → 点击你的网站名称
  4. 进入 HTTPS → 开启 HTTPS → 选择证书 → 保存
5. 设置密码访问(安全)
  1. 进入网站设置 → 密码访问
  2. 点击 创建
  3. 设置 用户名 + 密码 → 开启
6. 外网访问

浏览器输入你配置的域名,输入用户名、密码,即可进入 CoPaw 操作界面。


Read more

从零开始微调Qwen视觉模型|结合LLaMA-Factory与Qwen3-VL-WEBUI实战

从零开始微调Qwen视觉模型|结合LLaMA-Factory与Qwen3-VL-WEBUI实战 一、前言:为什么需要微调Qwen3-VL? 随着多模态大模型的快速发展,Qwen3-VL作为阿里云推出的最新一代视觉语言模型,凭借其强大的图文理解能力、长上下文支持(最高可达1M tokens)以及对视频、GUI操作等复杂任务的支持,正在成为企业级AI应用的重要基础设施。然而,预训练模型虽然具备通用能力,但在特定业务场景下——如识别公司内部文档格式、定制化图像标签生成或自动化表单填写——往往表现不足。 本文将带你从零开始完成一次完整的Qwen3-VL-4B-Instruct模型微调实践,使用开源工具 LLaMA-Factory 实现高效参数微调(LoRA),并借助 Qwen3-VL-WEBUI 镜像快速部署和验证效果。无论你是算法工程师还是AI产品经理,都能通过本教程掌握如何让大模型“学会”你的专属任务。 ✅ 核心价值: - 掌握基于LLaMA-Factory的视觉语言模型微调全流程 - 理解Qwen3-VL的关键架构升级与适配要点 - 获得可复用的数据准备、配置优化与问题排查经验

By Ne0inhk

【2026大模型面试圣经】(2)主流大模型架构全景 | GPT/LLaMA/DeepSeek/Qwen深度对比

2026大模型面试圣经(2):主流大模型架构全景 | GPT/LLaMA/DeepSeek/Qwen深度对比 定位:了解每个主流模型"怎么设计的、为什么这样设计",面试中不只说出名字,还能对比分析。 目标:看完本章,你能画出GPT/LLaMA/DeepSeek的架构图,说清每个设计选择背后的权衡。 模块一:GPT系列架构演进 | 从GPT-1到GPT-4 1.1 核心概念 什么是GPT? GPT(Generative Pre-trained Transformer)是OpenAI推出的系列模型,核心思想是"在大量文本上做自回归预训练,然后通过prompt引导做各种任务"。 GPT-1(2018):首次证明"预训练+微调"在NLP上的威力。12层Transformer Decoder,117M参数。用BookCorpus做CLM预训练。

By Ne0inhk
豆包Seedream 4.0多图融合实力派:田园犬+三花猫多场景创作,AI绘画新时代来了!

豆包Seedream 4.0多图融合实力派:田园犬+三花猫多场景创作,AI绘画新时代来了!

豆包Seedream 4.0多图融合实力派:田园犬+三花猫多场景创作,AI绘画新时代来了! 🌟 Hello,我是摘星! 🌈 在彩虹般绚烂的技术栈中,我是那个永不停歇的色彩收集者。 🦋 每一个优化都是我培育的花朵,每一个特性都是我放飞的蝴蝶。 🔬 每一次代码审查都是我的显微镜观察,每一次重构都是我的化学实验。 🎵 在编程的交响乐中,我既是指挥家也是演奏者。让我们一起,在技术的音乐厅里,奏响属于程序员的华美乐章。 摘要 作为一名长期关注AI技术发展的开发者,我见证了从GAN到DALL-E,再到Stable Diffusion的图像生成技术演进历程。而今天,当我深入体验字节跳动最新发布的豆包Seedream 4.0时,我被这项技术的突破性表现深深震撼了。这不仅仅是一次简单的版本迭代,而是AI绘画领域的一次革命性跃进。 通过我使用中华田园犬和三花猫素材进行的深度测评,Seedream 4.0展现出了前所未有的多图融合能力和主体一致性保持水平。从真实场景的动物追逐图,到充满想象力的卡通探险绘本,再到创意十足的布偶挂件设计,每一个生成结果都让我感受到了AI创作的无限可能。这款模

By Ne0inhk

VsCode远程Copilot无法使用Claude Agent问题

最近我突然发现vscode Copilot中Claude模型突然没了,我刚充的钱啊!没有Claude我还用啥Copilot 很多小伙伴知道要开代理,开完代理后确实Claude会出来,本地使用是没有任何问题的,但是如果使用远程ssh的话,会出现访问异常,连接不上的情况。这时候很多小伙伴就在网上寻找方法,在vscode setting中添加这么一段代码。可以看看这篇博客 "http.proxy": "http://127.0.0.1:1082", "remote.extensionKind": { "GitHub.copilot": [ "ui" ], "GitHub.copilot-chat": [ "ui" ], "pub.name": [ "ui&

By Ne0inhk