Openclaw +本地 Ollama +Qwen webUI chat 没有任何反应

测试openclaw 的前端版本,和openclaw gateway 版本是否一致;

通常将 openclaw 升级到最新版本

npm update openclaw

npm list openclaw

2fen@ E:\2fen
└── [email protected]

确保本地 llm 服务正常运行,

启动vllmOllama服务已成功启动!

- 服务地址 : http://127.0.0.1:11434/v1

测试本地llm 运行状态:

curl http://127.0.0.1:11434/v1/models

$env:OPENCLAW_STATE_DIR="e:\指定路径\.openclaw"; $env:OPENCLAW_CONFIG_PATH="e:\指定路径\.openclaw\openclaw.json";  node ./node_modules/openclaw/dist/index.js gateway

用以上命令直接在指定位置运行 openclaw gateway

Read more

PHP通过 trace_id 追踪全链路的庖丁解牛

PHP 通过 trace_id 实现全链路追踪(Distributed Tracing),是将一次用户请求在多个服务(Nginx、PHP-FPM、MySQL、Redis、第三方 API) 的核心机制。 它让工程师从“日志大海捞针”升级为“一键穿透故障”,是高可用系统必备能力。 一、核心原理:trace_id 如何串联全链路? 1. 分布式追踪三要素 元素作用示例trace_id唯一标识一次完整请求a1b2c3d4-...span_id标识链路中的一个操作(如 SQL 查询)e5f6g7h8parent_span_id标识父操作(构建调用树)a1b2c3d4 2. 传递机制:上下文透传 * HTTP 层: * 入口:Nginx 生成 trace_id → 透传给

By Ne0inhk
Flutter 组件 dart_nostr 适配鸿蒙 HarmonyOS 实战:去中心化通讯,构建分布式 Relay 订阅与非对称加密架构

Flutter 组件 dart_nostr 适配鸿蒙 HarmonyOS 实战:去中心化通讯,构建分布式 Relay 订阅与非对称加密架构

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 组件 dart_nostr 适配鸿蒙 HarmonyOS 实战:去中心化通讯,构建分布式 Relay 订阅与非对称加密架构 前言 在鸿蒙(OpenHarmony)生态迈向万物智联、涉及去中心化社交(DeSo)、分布式身份(DID)及抵御单点崩溃的通讯环境背景下,如何构建一套不依赖中心化服务器、具备绝对抗审查性且数据主权归属于用户的通讯协议,已成为决定新一代互联网应用“生命力”的关键。在鸿蒙设备这类强调分布式软总线与端侧安全治理的环境下,如果应用依然依赖脆弱的中心化中转机,由于由于网络链路的单一性,极易由于由于“中心节点宕机”导致全球范围内的业务中断。 我们需要一种能够基于简单非对称加密、支持全球 Relay(中继器)分发且具备“无主化”特性的抗毁协议。 dart_nostr 为 Flutter 开发者引入了 Nostr(Notes

By Ne0inhk
【MySQL数据库基础】(五)MySQL 数据类型深度解析:选对类型 = 性能拉满!

【MySQL数据库基础】(五)MySQL 数据类型深度解析:选对类型 = 性能拉满!

前言         在 MySQL 表结构设计中,数据类型的选择是最核心也最容易踩坑的环节。很多开发者随手给字段设为int、varchar(255),看似省事,实则会导致磁盘空间浪费、查询效率低下,甚至出现数据溢出、精度丢失的问题。         选对数据类型的本质,是用最小的存储空间存储符合业务需求的数据,这不仅能节省服务器资源,还能提升索引和查询的效率。本文将从 MySQL 的四大核心数据类型(数值、字符串、日期时间、枚举集合)出发,结合实战案例讲透每种类型的用法、边界、坑点,还有不同场景下的选择技巧,让你从根源上做好表结构设计!下面就让我们正式开始吧! 一、数据类型总览:四大类覆盖所有业务场景         MySQL 提供了丰富的数据类型,按用途可分为数值类型、字符串类型、日期时间类型和特殊字符串类型(ENUM/SET),不同类型对应不同的存储规则和业务场景,核心设计原则是按需选择,宁小勿大。         先看一张核心数据类型分类表,快速建立整体认知: 分类核心类型适用场景数值类型TINYINT/INT/BIGINT/FLOAT/

By Ne0inhk
基于多智能体强化学习的医疗检索增强生成系统研究—MMOA-RAG架构设计与实现

基于多智能体强化学习的医疗检索增强生成系统研究—MMOA-RAG架构设计与实现

1. 引言 医疗AI面临知识更新快(每年PubMed新增100万文献)、专业性强(SNOMED CT含35万临床概念)等挑战。传统RAG系统存在三大局限: 1. 模块目标冲突(检索高召回率 vs 生成高准确性) 2. 动态依赖缺失(查询改写影响检索策略) 3. 医疗合规风险(FDA要求Class II设备错误率<7%) 本研究特点: * 提出四智能体协同架构(查询/检索/过滤/生成) * 设计临床奖励函数 Rclinical=0.6F1+0.3Safety+0.1ExpertR_{clinical}=0.6F_1+0.3Safety+0.1ExpertR

By Ne0inhk