1.企业微信+讯飞AI推送每日情侣问候
2.吃透mrcp协议
3.OpenAI 开源的讯飞讯飞免费 AI 语音转文字工具 - Whisper，一步一步本地部署运行
4.玩一玩通义千问Qwen开源版，源码Win11 RTX3060本地安装记录！平台
5.大型系统容量评估和性能保障（一）

企业微信+讯飞AI推送每日情侣问候

       写在前面，讯飞讯飞消息推送是源码基本程序员技能。

       结合讯飞AI，平台期货源码集市设想实现智能、讯飞讯飞个性化的源码问候与天气提醒。

       此项目以模拟情侣关系，平台每日为伴侣自动推送。讯飞讯飞

       关注公众号思维兵工厂，源码后台输入“浪漫推送”，平台获取源代码与教程。讯飞讯飞

       项目使用免费API，源码适于个人体验。平台

       准备：企业微信申请（认证影响部分功能，仅基本消息推送不受限），官方为新用户提供万tokens赠额，通过文中链接额外获得最多万tokens。讯飞AI用于文案生成，每个优化调用消耗约tokens，万tokens能发条推送。

       彩云科技天气API，每天提供次免费调用。

       项目语言：python，需第三方库requests、zhdate、websocket-client。

       个人服务器可实现自动每日推送。

       配置文件修改、重命名config_demo.json为config.json，即可运行。

       分步骤配置：讯飞星火、企业微信、彩云科技及个人信息。注意：设置可信IP、添加企业微信接收消息URL可能需自行解决官方限制，或联系公众号寻求帮助。阿瓦隆之王源码

       个性化配置包括日志输出、称呼、城市信息、纪念日和开始日设置。

       成功配置后，通过企业微信邀请伴侣绑定，运行程序即可自动收到消息推送。

       消息以单图文形式，文本长度限制为字节，超过将被裁剪，因此需控制讯飞AI文案在字内，减少设置可适当增加文案空间。

       后续版本可能加入日程提醒功能，敬请期待。

       感兴趣可关注公众号思维兵工厂。

吃透mrcp协议

       要深入理解MRCP协议，理解其处理流程、SIP信令流程以及协议的具体步骤至关重要。仅仅通过搭建Freeswitch和UnimrcpServer，并确保二者之间的通信顺畅，并不足以自认为已经吃透。

       真正的吃透意味着你需要深入了解每个环节，这包括但不限于：

       源码解析：研究Freeswitch的源代码，理解其内部逻辑和处理机制。

       实践应用：利用Java或Node等编程语言，构建一个实际的语音转写服务，结合SIP和MRCP v2协议，实现自定义客户端与百度、腾讯、讯飞MRCP服务器的交互。

       近期，我的探索进一步深化，我不仅实现了Java版本的MRCP客户端，还开发出了纯Java的MRCP服务器，实现了客户端和服务器之间的双向通信。

       当前的挑战包括：

       大规模压测：测试服务器在高并发情况下的性能。

       扩展性：支持与不同ASR服务的iapp投票源码集成，以增强功能多样性和兼容性。

OpenAI 开源的免费 AI 语音转文字工具 - Whisper，一步一步本地部署运行

       OpenAI 推出的开源免费工具 Whisper，以其出色的语音识别功能吸引了不少关注。这款模型不仅能够进行多语言的语音转文本，还能进行语音翻译和语言识别，实用价值极高。市面上许多语音转文字服务如讯飞语记等都收费，而Whisper作为开源选择，无疑是一个经济实惠且性能强大的解决方案。

       想在本地体验Whisper，首先需要为Windows设备安装ffmpeg和rust。ffmpeg可以从ffmpeg.org下载并配置环境变量，而rust则可以从rust-lang.org获取并确保命令行可用。接着，创建一个python虚拟环境，安装Whisper所需的依赖库。

       运行Whisper的过程相当直接。通过命令行，只需提供音频文件如"Haul.mp3"，并指定使用"medium"模型（模型大小从tiny到large递增）。首次运行时，Whisper会自动下载并加载模型，然后开始识别并输出文本，同时将结果保存到文件中。如果想在Python代码中集成，也相当简单。

       如果你对此技术感兴趣，不妨亲自尝试一下。项目的源代码可以在github.com/openai/whisper找到。这不仅是一次AI技术的体验，还可能开启语音转文字的新篇章。更多详情可参考gpt.com/article/的信息。

       标签推荐：#AI技术 #OpenAI开源 #Whisper模型 #语音转文字 #ChatGPT应用

玩一玩通义千问Qwen开源版，Win RTX本地安装记录！

       大约两天前，阿里发布了一个重要消息。山寨币搭建源码

       他们开源了一个名为通义千问-7B-Chat的低配版大语言模型。

       这可能是国内首个由大型企业开源的大语言模型。

       虽然它是低配版，但在各类测试中表现优秀。

       官方介绍称，Qwen-7B是基于Transformer的大语言模型，在超大规模的预训练数据上进行训练。预训练数据类型多样，包括大量网络文本、专业书籍、代码等。同时，基于Qwen-7B，我们使用对齐机制打造了基于大语言模型的AI助手Qwen-7B-Chat。本仓库为Qwen-7B-Chat的仓库。

       官方还提供了许多测试结果。

       例如，在C-Eval验证集上的得分对比显示，与同级别的羊驼模型相比，其得分“吊打”对手，甚至比热门的开源模型ChatGLM2也要高出不少。

       此外，还有英文测评、代码测评、数学测评、长序列测评和工具使用能力测评等，全方位碾压同类亿参数模型，在即将开源的用于评估工具使用能力的自建评测基准上，居然战胜了GPT-4。

       不管怎样，大型企业开源的东西总不会太差。这可能是最好的小型中文大语言模型。

       阿里已经亮出态度，接下来压力给到百度、讯飞、华为... 哈哈~~

       既然阿里都开源了，我们自然就笑纳了，crazyfile2.0 源码接下就在本机跑一个试试。

       以下是我在Win RTX G上完整的安装记录。玩过的可以跳过，没玩过的可以当个参考。

       我的安装思路完全来自官网指引：

       官方的安装指引看起来非常简单。只需安装modelscope这个包，然后运行一段Python代码即可。然而，世界上看似简单的东西，做起来往往都不那么简单。一步一坑是常态，踩过了，就简单了。

       常规流程1：创建并激活虚拟环境。我们还是用常用的 MiniConda 创建一个虚拟的Python环境。

       2. 安装modescope基础库

       3. 编写Python代码

       不需要自己编写，直接抄官方代码。

       创建一个test.py文件，然后将代码粘贴到里面，Ctrl+S 保存代码。

       4. 运行代码

       运行代码很简单。上面已经激活了虚拟环境。然后用cd命令，进入到代码所在目录。然后用Python运行就可以了。

       运行代码之后，会自动联网下载一个G的模型文件。

       阿里毕竟是做服务器的，我在杭州，这速度真的是相当给力。不用魔法，就能飞起，这是搞国外项目，永远享受不到的待遇啊。

       按正常的节奏来说，下载完大模型，然后运行代码。通义千问大模型就会乖乖的回答我预设的两个问题了。

       但是...不可能这么顺利。

       其实还有很多包还没装完，我就按我出错的顺序和解决方法，一个个来记录吧。

       踩坑记录1：缺少transformers包

       提示信息如下：

       解决方法很简答，运行提示中的命令即可：

       2. 缺少tiktoken包

       提示信息如下：

       解决方法：

       3. 缺少accelerate包

       提示信息如下：

       解决方法：

       4. 爆显存了OutOfMemory

       终于所有包都装完了。

       再次运行test.py

       软件有条不紊的运行，好像有戏。可惜，最终还是卡在硬件配置上了。

       见到了熟悉的OutOfMemory。

       在大语言模型面前，G显存，啥都不是。

       查了一下资料，BF需要.2G显存才可以运行...

       遇到这种情况，没啥办法，只能用量化。官方也提供了4bit量化的代码，直接拷贝过来，搞了一个test2.py文件。

       5. 运行4bit量化代码出错

       错误提示如下：

       大概就是量化的时候需要用到一个叫bitsandbytes的依赖包。

       那就安装一下呗：

       安装非常简单快速，没有任何问题。

       6. 量化包不支持Windows

       安装完依赖之后运行test2.py 很快就收到了如下错误：

       这句话对于一个英语只过了4级的人有点难度啊。什么叫尽管有可用的GPU但是CUDA设置失败.... 你这句式是不是等价于，你有一个女朋友，但是不能用！

       查了一下资料，bitsandbytes库目前仅支持Linux发行版，Windows目前不受支持。。。

       还好上面的资料已经过时了，其实已经有大佬做了Windows版本。

       7. Windows版量化包版本太低

       为了解决上面一个问题，找到了一个Windows版本的依赖包。

       安装命令如下：

       安装完成之后，本以为完事大吉了。

       还是太年轻...

       错误提示如下：

       这个问题出在两个方面，一个是这个包好像只支持8bit量化，而我代码里有用的是4bit。另外一个问题就是错误日志中提到的版本太低。

       没办法，又是一顿乱找，狂开N个网页。

       最后最终找到了可以用的版本。

       安装命令：

       终于安装成功0.版本

       8 缺少transformers_stream_generator包

       习惯了，习惯了。上面的都搞完了，又出现缺包提示。

       解决方法：

       9. Numpy不可用。

       所有包装完之后，运行test2.py，眼看这要成功了，又跳出一个“Numpy is not available” 。

       用pip list 查看了一下包列表，明明有这个包，怎么就不能用呢？

       不管了，直接更新有一把看看。

       把Numpy升级到最新版 ：

       安装过程出现红色提示：

       内心凉了一半。

       提示里面说modelscope需要的是1., 但是我装了1..2... 最怕就是这种版本问题了...

       我也不知道该怎么排查，想着就死马当活马医了。

       最后...居然成功了，这是~~什么道理~~！

       通过日志可以看到，AI已经做出了回答。答案也正确且通顺。幸福来的太突然...

       到这里，我就成功的在我的Rtx G上面把“通义千问”给跑起来了。理论上所有的8G N卡也能跑起来！

       成功后，心态就平稳很多了，半天功夫没白费，美滋滋。

       趁热打铁，抽个几分钟来测试一下运行速度。

       加载模型用了好几分钟，回答问题大概只用了几秒钟。还不错啊，这速度基本能用了。

       按上面的方式运行代码，AI只能回答预设的几个问题。这样搞起来就有点不爽，每次提问，还得改源代码，重新加载模型...

       所以我又花了几分钟，写了一个WebUI。

       界面如下：

       写这个界面和功能，大概只用了行Python代码。Gradio这东西用起来确实爽，怪不得那么多开源项目都用这个来做界面。

       心满意足了！！！

       有没有看到这里，还是一头雾水的人？哈哈！

       那么我就提供一个无需配置，无需登录，直接可以体验的网址把：

       通义千问官方主页：

       有兴趣的可以去玩一玩！

       收工！

大型系统容量评估和性能保障（一）

       综述：系统性能的学习和评估主要分为四部分，建议按顺序学习以确保知识体系的连贯性和深入理解。本篇为第一部分，主要涉及架构设计的要素与概念，之后会详细探讨如何设计系统、进行测试以及常用测试工具的使用。本篇将从核心因素、非核心因素出发，解析应用服务器、数据库、缓存、消息队列的具体参考指标，以及如何通过监控、测试、维护等手段提升系统的可用性、可伸缩性、可扩展性、安全性。

       一、架构设计要素及概念

       设计系统时需综合考虑五项核心性能因素：高性能、可用性、可伸缩性、可扩展性、安全性。高性能追求运行效率高、性价比高；可用性要求系统可靠、故障/宕机少、可持续稳定运行；可伸缩性需考虑在用户增加、访问上升时，通过增加节点手段缓解高并发和数据存储压力，提高服务能力；可扩展性则强调在系统运行基础上，能够快速响应添加新业务和新功能；安全性则是防止攻击和数据泄露，确保服务安全稳定。此外，还有六项非核心因素：可监控性、可测试性、可维护性、可重用性、鲁棒性、易用性，这些因素同样重要，帮助系统实现高效、稳定、灵活的运行。

       二、各服务器的具体参考指标

       系统性能指标主要由应用服务器、数据库、缓存、消息队列四部分构成。应用服务器关注部署结构、容量与性能、其他指标；数据库侧重复制模型、失效转移策略、容量和性能指标；缓存关注部署结构、容量与性能指标；消息队列则考虑部署结构、容量与性能指标。每一部分均设有相应的评估指标，例如部署结构、容量与性能指标等，以全面衡量系统性能。

       三、记忆方法

       学习架构设计要素及概念时，建议采用记忆方法。通过梳理核心与非核心因素，理解每一部分的具体参考指标，并进行系统性能指标的分解，可有效提升学习效率。记忆方法不仅能帮助快速复习关键概念，还能加深对系统性能优化的理解。

       为了持续获取更多技术知识和交流，关注公众号“讯飞技术（ifly_tech）”并加入Java高级技术交流群（群号：），这里是一个技术交流平台，致力于探讨各大框架、源码、原理、算法、架构、新技术等，为学习者提供相互切磋、共同进步的机会。