配置即资产：从12345政务热线分拨助手看智能体工作流的导出与导入，不用写代码，也能让AI业务流随身携带

Ne0inhk

— 20 min read
配置即资产：从12345政务热线分拨助手看智能体工作流的导出与导入，不用写代码，也能让AI业务流随身携带

1. 前言

如果你正在参与政务数字化转型、12345热线智能化升级，或者只是刚刚接触AI应用的业务人员，这篇文章会用简单通俗的，带你掌握一项让智能体工作流像Word文件一样“复制、粘贴、带走” 的核心技能。

三个让你立刻产生共鸣的亮点：

  • 亮点1：告别“在我这能跑，到你那就卡”的尴尬

你在办公室拖拽调试好的“12345热线分拨助手”，导入到政务云后所有节点、提示词、逻辑关系原封不动，不用二次开发，不用重新教AI。

  • 亮点2：把“配置”变成“资产”

一个精心调优的热线分拨工作流，导出成一个不足100KB的文件，下次新建项目直接导入，甚至可以分享给其他区县、其他地市复用。

  • 亮点3：业务人员也能成为“模板贡献者”

你不需要写一行代码，只需要在可视化画布里完成流程编排，点一下“导出”，一个可复用的政务智能体模板就诞生了。

一句话总结：

本文不教你“怎么画流程图”，而是以12345热线分拨助手为样本，手把手教你如何把你画好的流程图打包带走，并在任意政务环境、任意科室中立刻复活它。

2. 背景与热点：为什么“导入导出”是政务智能体的必答题？

2.1 当前12345热线智能化的真实痛点

近年来，各地12345热线纷纷引入大模型，建设“智能分拨”“智能问答”系统。然而，很多项目陷入了这样的死循环：

  • 环境割裂：开发人员在云上调试好的分拨模型，因为政务外网与互联网物理隔离，到了生产环境必须手动重新拖一遍节点，漏掉一个条件分支就得排查半天。
  • 协作原始：A区做了一个“城管类工单识别准确率95%”的分拨助手，B区也想用，只能让A区的人截图讲解，B区的人对着截图重新搭，不仅慢，还容易抄错提示词。
  • 无法追溯：一个分拨工作流优化过十几版，想回退到上个月的旧逻辑？只能凭记忆重连。

2.2 贴合数字政府“一地创新、多地复用”新趋势

2025年以来，国家大力推进“AI+政务”全场景应用，智能体（Agent）已成为数字政府的新型基础设施。国家数据局多次强调“避免重复建设，推动应用组件复用”。智能体不能是“一次性定制开发”，必须能够跨部门、跨层级、跨地域快速复制推广。

openJiuwen的导入导出能力，正是为了响应这一需求而生。它让智能体配置脱离了具体的机器、网络、账号，成为一份可以独立流通的“数字图纸”。有了这份图纸，任何一个政务节点都可以快速装配出功能相同的AI办事员——这正是“一地创新、多地复用”的最佳技术落地。

3. 完整操作：以12345政务热线智能分拨助手为例，从“零代码拖拽”到“一键复用”

本章节将完全聚焦于这一个真实场景，把每一个操作细节掰开揉碎，让你不仅能学会，还能讲给别人听。

3.1 场景设定：为什么要做一个“智能分拨助手”？

业务背景：

某市12345热线每天接到近2万通电话，其中约30%是咨询类，70%是投诉举报类。话务员接听后，需要根据市民描述，在30秒内判断应由城管、住建、水务、人社、市场监管、生态环境等20多个部门中的哪一个负责处理。

人工分拨存在三个问题：

  1. 速度慢——平均耗时45秒，高峰期排队严重；
  2. 准确率波动——新员工培训周期长，分拨错误导致工单退回；
  3. 标准不统一——同一类问题，不同话务员可能分给不同部门。

建设目标：

用大模型搭建一个“智能分拨助手”，话务员输入市民描述，系统自动推荐责任部门及置信度，话务员确认后一键派单。

为什么选这个场景演示导入导出？

因为分拨工作流逻辑清晰、复用价值极高——几乎每个地市、区县都有12345热线，都面临同样的分拨需求。一套调试好的分拨模型，完全可以作为标准化模板在全市、全省推广。

3.2 准备工作：环境与账号

角色

部署环境

市级开发员

openJiuwen Studio（市局服务器）

区县接收员

openJiuwen Studio（区县服务器）

关键点：双方环境可以不同——这就是导入导出要解决的问题。

3.3 Step 1：在Studio中搭建分拨工作流（详细拆解）

登录openJiuwen，创建一个新的工作流Government_Hotline_Dispatch

节点1：开始节点（市民提问）

  • 变量名：query
  • 数据类型：字符串
  • 示例输入：“你好，房产证在哪里办理。”

节点2：大模型节点（意图识别与部门匹配）

这是整个工作流的核心。配置如下：

  • 选择模型：deepseekR1（模型管理里面配置deepseek模型api接入）
  • 作用：这是工作流的“智能调度中心”。它深度分析用户咨询的自然语言描述，精准识别其业务类型和可能涉及的科室，支持单科室或多科室关联识别。这是实现精准分流和协同应答的关键。
  • 编写精炼的 系统提示词（System Prompt）（精心调优后）：

“你是一个政务业务分类专家。请分析用户咨询，判断其主要涉及以下哪个或哪几个科室： 1. 住建局，2. 公安局，3. 人社局 4. 水务局，5. 环保局 6 市场监督局 请输出格式为JSON: {“departments”: [“科室A”， “科室B”]}。若无明确对应，则为[“其他科室”]。” 将开始节点的 query 变量作为用户输入（User Prompt）传入。 输入： {{query}} 输出： output

节点3：分流业务处理

  • 作用：接收上一步LLM输出的科室列表（如 [“人社”， “公安”，“水务局”]），通过代码将数据转成结构化的数据传到下一个节点，进行分类
  • 代码如下：
def main(args: Args): import json try : data = json.loads(args.params['input']) return {'result': data['departments']} except ValueError : return {'result' : ['其他部门']}

节点4：部门选择器

介绍：本节点是选择器节点：连接多个下游分支。只有满足设定条件的对应分支才会被执行。

作用：该节点读取分流业务处理节点输出的department字段，将工单导向不同的后续处理分支（此处简化，仅演示判断逻辑）

  • 分支1：如果department 包含 "人社局" → 进入“人社业务大模型，处理群众需求，推送工单”
  • 分支2：如果department 包含 "水务局" → 进入“水务业务大模型，处理群众需求，推送工单”
  • 分支3：其他 → 进入“人工处理队列”

节点5：部门业务模型

节点：多个并联的 Large Language Model (LLM) 节点，每个节点代表一个部门，并可选择挂载该科室的专属 知识库。

作用：在每个科室分支上，由专属的LLM节点扮演该科室政策专家的角色进行回复。知识库中预存了该科室的政策文件、办事指南、常见问题等，确保回复的专业性和准确性。

节点6：结束节点（输出业务办理结果）

⚠️ 关键技巧：变量绑定必须用“选择器”

在配置结束节点的输出内容时，千万不要手动敲{{department}}，必须点击右侧面板的“变量选择器”，从节点输出里选中department字段。

  • ✅ 正确操作后，变量会显示为绿色高亮背景。
  • ❌ 手动敲入，会显示为纯白色代码块，导入后无法识别为变量，只会原样输出“{{department}}”字符串。

3.4 Step 2：测试与调优

在Studio右侧点击“运行测试”，输入几组典型市民描述：

  1. “小区门口有游商占道卖菜，堵路” → 输出：城管 +办理科室+ 办理流程
  2. “房产证如何办理” → 输出：住建+办理科室+办理流程
  3. “公司拖欠我三个月工资” → 输出：人社+办理流程

确认分拨逻辑符合业务要求后，就可以进入下一步——导出。

3.5 Step 3：导出工作流模板

点击画布右上角的「导出」按钮，选择「导出为模板(.jiuwen_template)」。

系统会生成一个JSON文件。它长什么样？ 我们把它打开，看看里面到底存了什么“魔法”：

{ "nodes": [ { "id": "start_rUWFU", "type": "1", "meta": { "position": { "x": 180, "y": 418 } }, "data": { "title": "开始", "outputs": { "type": "object", "properties": { "query": { "type": "string", "default": "你好，请帮我分析一下这个问题。" } } } } }, { "id": "end_rUWFU", "type": "2", "meta": { "position": { "x": 2480, "y": 418 } }, "data": { "title": "结束", "inputs": { "inputParameters": { "城管": { "type": "ref", "content": [ "llm_GDALL", "output" ], "extra": { "index": 0 } }, "住建": { "type": "ref", "content": [ "llm_jdHP1", "output" ], "extra": { "index": 1 } }, "人社": { "type": "ref", "content": [ "llm_NgZdl", "output" ], "extra": { "index": 2 } }, "医保": { "type": "ref", "content": [ "llm_hDY1k", "output" ], "extra": { "index": 3 } } }, "content": { "type": "template", "content": "{{城管}}\n{{住建}}\n{{人社}}\n{{医保}}" } }, "streaming": false } }, { "id": "llm_1HcNN", "type": "3", "meta": { "position": { "x": 640, "y": 386 } }, "data": { "title": "用户意图—部门分类模型", "output_format": "text", "inputs": { "llmParam": { "systemPrompt": { "type": "template", "content": "你是一个12345热线专家，需要根据市民描述，在30秒内判断应由城管、住建、水务、人社、市场监管、生态环境等20多个部门中的哪一个负责处理。\n请输出格式为JSON: {“departments”: [“部门A”， “部门B”]}。若无明确对应，则为[“其他部门”]。”" }, "prompt": { "type": "template", "content": "{{input}}" }, "model": { "id": "1", "name": "deepseek", "type": "deepseek-ai/DeepSeek-R1" } }, "inputParameters": { "input": { "type": "ref", "content": [ "start_rUWFU", "query" ], "extra": { "index": 0 } } } }, "outputs": { "type": "object", "properties": { "output": { "type": "string", "extra": { "index": 1 } } }, "required": [ "output" ] } } }, { "id": "code_GWWz8", "type": "10", "meta": { "position": { "x": 1100, "y": 401 } }, "data": { "title": "部门分类", "inputs": { "inputParameters": { "input": { "type": "ref", "content": [ "llm_1HcNN", "output" ], "extra": { "index": 0 } } }, "language": "python", "code": "def main(args: Args):\n import json\n try:\n data= json.loads(args.params['input'])\n return {\"result\" :data['departments']}\n except ValueError\n return {'result': ['其他部门']]}" }, "outputs": { "type": "object", "properties": { "result": { "type": "string", "description": "代码执行结果" } }, "required": [ "result" ] }, "exceptionConfig": { "retryTimes": 3, "timeoutSeconds": 30, "processType": "break", "executeStep": { "defaultStep": "0", "errorStep": "1" } } } }, { "id": "condition__YRg9", "type": "4", "meta": { "position": { "x": 1560, "y": 0 } }, "data": { "title": "选择器", "branches": [ { "conditions": [ { "left": { "type": "ref", "content": [ "code_GWWz8", "result" ] }, "operator": "contains", "right": { "type": "constant", "content": "城管", "schema": { "type": "string", "extra": { "weak": true } } } } ], "logic": 2, "branchId": "branch_oo3cw" }, { "conditions": [], "logic": 2, "branchId": "branch_Vf6wz" } ] } }, { "id": "condition_HSDv4", "type": "4", "meta": { "position": { "x": 1560, "y": 264 } }, "data": { "title": "选择器", "branches": [ { "conditions": [ { "left": { "type": "ref", "content": [ "code_GWWz8", "result" ] }, "operator": "contains", "right": { "type": "constant", "content": "住建", "schema": { "type": "string", "extra": { "weak": true } } } } ], "logic": 2, "branchId": "branch_RLFWq" }, { "conditions": [], "logic": 2, "branchId": "branch_y8V9W" } ] } }, { "id": "condition_WKHtY", "type": "4", "meta": { "position": { "x": 1560, "y": 792 } }, "data": { "title": "选择器", "branches": [ { "conditions": [ { "left": { "type": "ref", "content": [ "code_GWWz8", "result" ] }, "operator": "eq", "right": { "type": "constant", "content": "医保", "schema": { "type": "string", "extra": { "weak": true } } } } ], "logic": 2, "branchId": "branch_BXwWU" }, { "conditions": [], "logic": 2, "branchId": "branch_wtEFo" } ] } }, { "id": "llm_GDALL", "type": "3", "meta": { "position": { "x": 2020, "y": 56 } }, "data": { "title": "城管业务办理模型", "output_format": "text", "inputs": { "llmParam": { "systemPrompt": { "type": "template", "content": "你是一个{{depart}}的部门专家，这个是用户的需求{{input}}}}，请给出解决方案" }, "prompt": { "type": "template", "content": "{{input}}" }, "model": { "id": "1", "name": "deepseek", "type": "deepseek-ai/DeepSeek-R1" } }, "inputParameters": { "input": { "type": "ref", "content": [ "start_rUWFU", "query" ], "extra": { "index": 0 } }, "depart": { "type": "ref", "content": [ "llm_1HcNN", "output" ], "extra": { "index": 1 } } } }, "outputs": { "type": "object", "properties": { "output": { "type": "string", "extra": { "index": 1 } } }, "required": [ "output" ] } } }, { "id": "condition_gP4Nb", "type": "4", "meta": { "position": { "x": 1560, "y": 528 } }, "data": { "title": "选择器", "branches": [ { "conditions": [ { "left": { "type": "ref", "content": [ "code_GWWz8", "result" ] }, "operator": "contains", "right": { "type": "constant", "content": "人社", "schema": { "type": "string", "extra": { "weak": true } } } } ], "logic": 2, "branchId": "branch_jHWdM" }, { "conditions": [], "logic": 2, "branchId": "branch_1MTlv" } ] } }, { "id": "llm_jdHP1", "type": "3", "meta": { "position": { "x": 2020, "y": 320 } }, "data": { "title": "住建业务办理大模型", "output_format": "text", "inputs": { "llmParam": { "systemPrompt": { "type": "template", "content": "你是一个{{depart}}的部门专家，这个是用户的需求{{input}}}}，请给出解决方案" }, "prompt": { "type": "template", "content": "{{input}}" }, "model": { "id": "1", "name": "deepseek", "type": "deepseek-ai/DeepSeek-R1" } }, "inputParameters": { "input": { "type": "ref", "content": [ "start_rUWFU", "query" ], "extra": { "index": 0 } }, "depart": { "type": "ref", "content": [ "llm_1HcNN", "output" ], "extra": { "index": 1 } } } }, "outputs": { "type": "object", "properties": { "output": { "type": "string", "extra": { "index": 1 } } }, "required": [ "output" ] } } }, { "id": "llm_hDY1k", "type": "3", "meta": { "position": { "x": 2020, "y": 848 } }, "data": { "title": "医保业务办理模型", "output_format": "text", "inputs": { "llmParam": { "systemPrompt": { "type": "template", "content": "你是一个{{depart}}的部门专家，这个是用户的需求{{input}}}}，请给出解决方案" }, "prompt": { "type": "template", "content": "{{input}}" }, "model": { "id": "1", "name": "deepseek", "type": "deepseek-ai/DeepSeek-R1" } }, "inputParameters": { "input": { "type": "ref", "content": [ "start_rUWFU", "query" ], "extra": { "index": 0 } }, "depart": { "type": "ref", "content": [ "llm_1HcNN", "output" ], "extra": { "index": 1 } } } }, "outputs": { "type": "object", "properties": { "output": { "type": "string", "extra": { "index": 1 } } }, "required": [ "output" ] } } }, { "id": "llm_NgZdl", "type": "3", "meta": { "position": { "x": 2020, "y": 584 } }, "data": { "title": "人社业务办理大模型", "output_format": "text", "inputs": { "llmParam": { "systemPrompt": { "type": "template", "content": "你是一个{{depart}}的部门专家，这个是用户的需求{{input}}}}，请给出解决方案" }, "prompt": { "type": "template", "content": "{{input}}" }, "model": { "id": "1", "name": "deepseek", "type": "deepseek-ai/DeepSeek-R1" } }, "inputParameters": { "input": { "type": "ref", "content": [ "start_rUWFU", "query" ], "extra": { "index": 0 } }, "depart": { "type": "ref", "content": [ "llm_1HcNN", "output" ], "extra": { "index": 1 } } } }, "outputs": { "type": "object", "properties": { "output": { "type": "string", "extra": { "index": 1 } } }, "required": [ "output" ] } } } ], "edges": [ { "sourceNodeID": "start_rUWFU", "targetNodeID": "llm_1HcNN" }, { "sourceNodeID": "llm_GDALL", "targetNodeID": "end_rUWFU" }, { "sourceNodeID": "condition__YRg9", "targetNodeID": "end_rUWFU", "sourcePortID": "branch_Vf6wz" }, { "sourceNodeID": "condition_HSDv4", "targetNodeID": "end_rUWFU", "sourcePortID": "branch_y8V9W" }, { "sourceNodeID": "condition_gP4Nb", "targetNodeID": "end_rUWFU", "sourcePortID": "branch_1MTlv" }, { "sourceNodeID": "condition_WKHtY", "targetNodeID": "end_rUWFU", "sourcePortID": "branch_wtEFo" }, { "sourceNodeID": "llm_jdHP1", "targetNodeID": "end_rUWFU" }, { "sourceNodeID": "llm_NgZdl", "targetNodeID": "end_rUWFU" }, { "sourceNodeID": "llm_hDY1k", "targetNodeID": "end_rUWFU" }, { "sourceNodeID": "llm_1HcNN", "targetNodeID": "code_GWWz8" }, { "sourceNodeID": "code_GWWz8", "targetNodeID": "condition__YRg9", "sourcePortID": "0" }, { "sourceNodeID": "code_GWWz8", "targetNodeID": "condition_HSDv4", "sourcePortID": "0" }, { "sourceNodeID": "code_GWWz8", "targetNodeID": "condition_gP4Nb", "sourcePortID": "0" }, { "sourceNodeID": "code_GWWz8", "targetNodeID": "condition_WKHtY", "sourcePortID": "0" }, { "sourceNodeID": "condition__YRg9", "targetNodeID": "llm_GDALL", "sourcePortID": "branch_oo3cw" }, { "sourceNodeID": "condition_HSDv4", "targetNodeID": "llm_jdHP1", "sourcePortID": "branch_RLFWq" }, { "sourceNodeID": "condition_WKHtY", "targetNodeID": "llm_hDY1k", "sourcePortID": "branch_BXwWU" }, { "sourceNodeID": "condition_gP4Nb", "targetNodeID": "llm_NgZdl", "sourcePortID": "branch_jHWdM" } ] }

通俗解释：这个文件就是你工作流的“DNA”——里面存着每一个节点怎么连、提示词怎么写、用哪个模型、输出字段叫什么。只要有了它，就能在任何环境重建一个一模一样的工作流。

3.6 Step 4：导入模板到区县环境

把这个Government_Hotline_Dispatch_Assistant.json文件通过政务邮箱发给B区的工作人员。

B区人员登录openJiuwen政务版，新建测试工作流，点击「导入」，选择该文件。

此时会发生什么？

导入完成！ 整个工作流出现在B区的工作流列表中，节点、连线、提示词、分支条件、输出变量，全部与A区一致。

3.7 Step 5：验证与微调

B区人员可以立即运行测试：

输入市民描述：“工地夜间施工噪声扰民”

理想输出应该是：责任部门→生态环境（部分地区城管），但B区可能因本地部门划分不同，需要将“生态环境”改为“城管”。

如何修改？

只需要修改大模型节点的系统提示词，把部门列表中的“生态环境”改为“城管”，其他完全不用动。

整个定制过程不超过2分钟——这就是模板复用的效率。

4. 避坑指南：为什么你导出的分拨助手“跑不通”？（小白特供版）

以下是我们在多个政务项目中遇到的最隐蔽、最容易踩坑的四个问题，每个都配有连业务人员都能执行的解决方案。

❌ 坑1：变量变成了纯文字“{{citizen_desc}}”

现象：大模型收到的输入不是市民描述，而是字符串“{{citizen_desc}}”。

根因：你在配置大模型的“用户提示词”时，手动打了{{citizen_desc}}，而不是通过右侧变量选择器插入。

✅ 小白解决方案：

  • 导出前：养成习惯，所有变量绑定必须点击变量选择器。如果你发现输入框里的变量名是黑色字体，说明是文本；如果是绿色高亮背景，说明是变量。只认绿色。
  • 导入后：检查【结束】节点的输出——如果输出里出现了{{department}}字样，说明变量绑定失败，删掉它，重新从变量选择器选一次。

❌ 坑2：导入后报错“Tool not found”或“插件不存在”

现象：明明没有用工具，却提示找不到某个函数。

根因：你在源环境使用了自定义代码节点，并且代码里硬编码了绝对路径（例如C:/Users/admin/data.xlsx），导入后路径不存在。

✅ 小白解决方案：

  • 导出前：如果用了代码节点，把所有文件路径改成相对路径，或者通过环境变量读取。导出时，将该代码依赖的文件一并打包发给接收方。
  • 导入后：把依赖文件放到指定位置，修改代码节点里的路径。

5. 不止于案例：从“12345分拨”到“百类政务分类场景”

看到这里，你可能会想：“这篇文章讲的是12345热线分拨，我负责的是信访件分类、企业诉求派单、网格事件分拨，这套方法还能用吗？”

答案是：不仅能用，而且完全一样。

5.1 模板复用的本质：分类工作流的“骨架”是通用的

12345分拨助手的核心逻辑是：

输入文本 → 大模型理解 → 映射到预定义类别 → 输出类别及置信度

这个逻辑可以无缝应用到以下场景：

业务场景

输入

输出类别

信访件智能分类

信访人描述

纪检监察、劳动保障、征收补偿、涉法涉诉...

企业诉求派单

企业留言

税务、市场监管、融资、用工、行政审批...

网格事件分拨

网格员上报

市容环境、公共设施、矛盾纠纷、安全隐患...

政务服务“一件事”推荐

用户模糊需求

出生、入学、就业、退休、身后...

如何复用？

三步完成：

  1. 将12345分拨工作流导出为模板；
  2. 在新项目导入；
  3. 修改两处配置：
    1. 修改大模型节点的系统提示词，换成新场景的类别定义；
    2. 修改分支节点的条件，匹配新类别的值。

完全不需要重新拖拽节点、重新连接线。 一个熟练的业务人员，5分钟就能“改装”出一个新场景的分拨助手。

5.2 独特性：为什么其他低代码平台做不到这么“丝滑”？

市面上很多低代码平台也有“导出导入”功能，但通常只能导出流程图结构，而提示词、变量绑定、模型参数、输出字段名这些“血肉”往往丢失。导入后需要重新填一大堆配置。

openJiuwen的导入导出之所以强大，是因为它完整保留了智能体工作流的三层资产：

  1. 视觉层：节点位置、连线（可以不管）；
  2. 逻辑层：分支条件、变量传递；
  3. 认知层：提示词、模型参数、输出格式定义——这是AI应用最值钱的部分。

正是这“认知层”的完整导出，让模板复用具备了业务价值，而不仅仅是画图的复用。

6.结语：让每一个政务智能体都能“一次开发，到处运行”

在数字政府建设从“系统上网”迈向“智能重塑”的今天，AI应用不再是锦上添花的展示品，而是提升政务服务效能的核心生产力。

12345热线的智能分拨，只是政务智能体应用版图中的一个缩影。当每一个科室、每一个区县都能通过“导入模板”快速获得成熟业务能力时，我们才能真正摆脱“重复造轮子”的泥潭。

openJiuwen的导出导入，不是一个大而全的平台功能，却恰恰是解决政务AI推广“最后一公里”的关键。它让智能体的设计、调试、交付彻底解耦。

附录：政务智能体导入导出速查卡

操作步骤

关键动作

常见误区

小白必杀技

配置变量

使用变量选择器

手动敲{{变量}}

绿色高亮才安全

导出模板

点击“导出”

忘记模型映射预判

导出文件建议命名为场景_版本_日期

导入模板

选择文件，映射模型

直接点确认，忽略模型差异

确认目标环境模型可用

验证测试

输入典型Case

只测1条

至少测5条覆盖主要类别

修改定制

改提示词、改分支

改乱了无法回退

修改前复制一份工作流

Read more

【ComfyUI】蓝耘元生代 | ComfyUI深度解析：高性能AI绘画工作流实践

【ComfyUI】蓝耘元生代 | ComfyUI深度解析：高性能AI绘画工作流实践

【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈人工智能与大模型应用 ⌋ ⌋ ⌋ 人工智能（AI）通过算法模拟人类智能，利用机器学习、深度学习等技术驱动医疗、金融等领域的智能化。大模型是千亿参数的深度神经网络（如ChatGPT），经海量数据训练后能完成文本生成、图像创作等复杂任务，显著提升效率，但面临算力消耗、数据偏见等挑战。当前正加速与教育、科研融合，未来需平衡技术创新与伦理风险，推动可持续发展。 文章目录 * 前言 * 一、ComfyUI简介 * （一）ComfyUI概述 * （二）ComfyUI与WebUI的对比 * （三）ComfyUI使用场景 * 二、蓝耘元生代平台简介 * 三、蓝耘元生代平台工作流（ComfyUI）创建 * （一）注册蓝耘智算平台账号 * （二）部署ComfyUI工作流 * （三）ComfyUI初始界面解析 * （四）完成创建工作流 * 四、技术文档说明 * （一）平台架构深度剖析

By Ne0inhk
【CANN】Pi0机器人大模型 × 昇腾A2 测评

【CANN】Pi0机器人大模型 × 昇腾A2 测评

【CANN】Pi0机器人大模型 × 昇腾A2 测评 * 写在最前面 🌈你好呀！我是 是Yu欸🚀 感谢你的陪伴与支持~ 欢迎添加文末好友🌌 在所有感兴趣的领域扩展知识，不定期掉落福利资讯(*^▽^*) 写在最前面 版权声明：本文为原创，遵循 CC 4.0 BY-SA 协议。转载请注明出处。 Pi0机器人VLA大模型测评 哈喽大家好呀！我是 是Yu欸。 最近人形机器人和具身智能真的太火了，大家都在聊 Pi0、聊 VLA 大模型。但是，兄弟们，不管是搞科研还是做落地，咱们始终绕不开一个问题——算力。 今天，我们一起把当下最火的 Pi0 机器人视觉-语言-动作大模型，完完整整地部署在国产算力平台上，也就是华为的昇腾 Atlas 800I A2 服务器上。 在跑通仓库模型的基础上，我们做一次性能测评。 我们要测三个最核心的指标：

By Ne0inhk
【MySQL】视图

【MySQL】视图

目录 一. 视图 1.1 什么是视图 1.2 创建视图  1.3 修改数据  1.4 删除视图 1.5 视图的优点 二. 用户  2.1 查看用户 2.2 创建用户  2.3 修改密码  2.4 删除用户 三. 权限  3.1 查看当前用户权限 3.2 添加权限  3.3 回收权限 一. 视图 上期我们学习了联合查询，但是往往联合查询语句是很复杂的，当我们需要多次使用同一个语句进行查询时，就会显得非常麻烦，所以我们引入的视图来对复杂的SQL语句进行封装，

By Ne0inhk
MCP是什么？让AI每次少写100行爬虫代码

MCP是什么？让AI每次少写100行爬虫代码

MCP是什么？让AI每次少写100行爬虫代码 * 写在最前面 * 方法概述 * 关键观察 * 结语 🌈你好呀！我是 是Yu欸🚀 感谢你的陪伴与支持~ 欢迎添加文末好友🌌 在所有感兴趣的领域扩展知识，不定期掉落福利资讯(*^▽^*) 写在最前面 版权声明：本文为原创，遵循 CC 4.0 BY-SA 协议。转载请注明出处。 在数据驱动的产品与分析场景中，如何以最小的维护成本稳定抓取目标站点数据，是常见的技术与采购决策问题。本次测评选择典型的商品详情页作为测试目标，关注点包括抓取成功率、输出结构化程度、以及将抓取结果用于后续清洗和导出的效率。 MCP是什么？让AI每次少写100行爬虫代码 亮数据在以下两个网站上都有官方账号，提供相关技术介绍和代码示例 可供参考及下载。 1. Github中文区：https://github.com/bright-cn 2. Gitee专区：https://gitee.com/bright-data #爬虫API #数据采集 #亮数据

By Ne0inhk