这次我们来看一个能让你在本地微调大语言模型的工具——LLaMA-Factory。它最大的特点就是“零代码”，通过一个直观的Web界面，你就能完成从数据准备、模型选择、参数配置到训练评估的全过程，无需编写复杂的训练脚本。对于想尝试大模型微调，但又对底层代码和复杂命令行望而却步的开发者来说，这无疑是一个福音。

项目核心是微调，尤其是针对Qwen这类开源大语言模型。你不再需要深入研究PyTorch的分布式训练细节，也不用为数据格式转换头疼。LLaMA-Factory把这一切都封装好了，你只需要关心你的数据和想达成的目标。无论是想让模型掌握特定领域的知识，还是调整它的对话风格，这个工具都能提供一套标准化的流程。

那么，门槛高吗？从硬件角度看，微调大模型确实需要一定的GPU资源，但LLaMA-Factory支持多种高效的微调方法，如LoRA（Low-Rank Adaptation），可以大幅降低显存需求。这意味着，即使你只有一张消费级的显卡（例如显存8GB或以上），也有机会跑起来。本文将带你从零开始，完成一次完整的Qwen模型微调实战，重点包括环境搭建、WebUI配置、数据准备、启动训练以及效果验证。

如果你是一名算法工程师、全栈开发者，或者是对AI应用感兴趣的技术爱好者，希望通过微调让大模型更贴合你的业务场景，那么这篇文章正是为你准备的。我们会避开空洞的理论，直接进入实操，让你快速上手并看到结果。

1. 核心能力速览

在深入细节之前，我们先通过一个表格快速了解LLaMA-Factory的核心能力和特点，让你判断它是否适合你当前的需求和硬件条件。

能力项 说明
项目类型 大语言模型（LLM）微调工具包与WebUI
核心功能 零代码可视化微调，支持全参数微调、LoRA、QLoRA等多种高效微调方法
主要支持模型 Qwen系列 （如Qwen2.5、Qwen2）、LLaMA系列、ChatGLM系列、Baichuan系列等主流开源模型
硬件门槛 推荐GPU显存 >= 8GB （使用QLoRA等技术可进一步降低）。CPU仅可用于推理或极轻量级实验，不推荐用于训练。
显存占用 取决于模型尺寸、微调方法、批处理大小。7B模型使用QLoRA微调，显存占用可控制在6-10GB左右。
启动方式 提供WebUI一键启动（ python src/webui.py ），也支持命令行训练。
是否支持API 是。训练后的模型可导出并部署为独立的API服务，支持OpenAI格式的接口调用。
是否支持批量任务 是。支持多GPU训练、数据集批量预处理，训练任务本身可视为一个批量优化过程。
适合场景 1. 领域知识注入 ：让通用大模型掌握法律、医疗、金融等专业知识。
2. 风格调优 ：调整模型的对话语气、回复格式，使其更符合产品调性。
3. 指令跟随优化 ：提升模型对特定格式指令的理解和执行能力。
4. 研究与实验 ：快速验证不同微调方法、超参数对模型性能的影响。

2. 适用场景与使用边界

LLaMA-Factory是一个强大的生产力工具，但明确其边界能帮助你更有效地使用它。

它非常适合以下场景：

  • 快速原型验证 ：当你有一个新的微调想法（比如让模型学习公司内部文档），可以用它快速跑通流程，验证可行性，节省大量前期开发时间。
  • 中小规模数据微调 ：拥有几百到几万条高质量的指令微调或对话数据，希望以此提升模型在特定任务上的表现。
  • 个人开发者与小团队 ：缺乏专职的AI算法工程师，但希望利用开源大模型能力构建智能应用的后端。
  • 教育与实践 ：作为学习大模型微调技术的实践平台，直观地观察数据、参数如何影响训练过程和最终模型。

它可能不适合或需要谨慎对待的场景：

  • 超大规模预训练 ：如果你打算从零开始预训练一个千亿参数模型，这不是它的设计目标。
  • 对极致性能和控制的需求 ：虽然WebUI提供了丰富参数，但如果你需要对训练循环、优化器、损失函数进行极其底层的定制，直接编写代码可能更灵活。
  • 数据安全要求极高的环境 ：虽然可以本地部署，但需确保训练数据不包含敏感信息，并理解模型可能会“记住”训练数据中的内容。

重要的合规与伦理边界：

  1. 数据版权与隐私 ：确保你用于微调的数据集拥有合法的使用权。不要使用未经授权的版权材料或个人隐私数据。
  2. 模型使用许可 ：遵守你所微调的基础模型（如Qwen）的开源协议。某些协议可能对商用有特定要求。
  3. 输出内容责任 ：微调后的模型可能产生有偏见、有害或不准确的内容。开发者有责任对模型输出进行审核、过滤和引导，避免其被滥用。
  4. 明确实验性质 ：在将微调模型投入生产环境前，必须进行充分的评估和测试，不能完全依赖一次微调的结果。

3. 环境准备与前置条件

工欲善其事，必先利其器。开始之前，请确保你的环境满足以下基本要求。

1. 操作系统

  • 推荐 ：Linux (Ubuntu 20.04/22.04 LTS) 或 Windows 10/11 (WSL2环境下)。
  • 也可行 ：macOS (Apple Silicon芯片支持GPU加速，Intel芯片性能有限)。
  • 本文演示环境以 Ubuntu 22.04 为例，Windows用户可通过WSL2获得类似体验。

2. 硬件要求

  • GPU ：这是微调的核心。推荐NVIDIA GPU，显存 至少8GB 。例如RTX 3060 12GB, RTX 4070 12GB, RTX 4090 24GB等。显存越大，能微调的模型尺寸越大，或批处理大小（batch size）可以设置得更高。
  • CPU与内存 ：建议CPU不低于4核，内存不低于16GB。数据加载和预处理会消耗CPU和内存资源。
  • 磁盘空间 ：至少预留50GB可用空间。用于存放项目代码、Python环境、基础模型文件（一个7B模型约15GB）、数据集以及训练产生的检查点。

3. 软件依赖

  • Python : 版本 3.8 到 3.10。推荐使用3.10。
  • CUDA : 版本需与PyTorch匹配。推荐CUDA 11.8或12.1。通过 nvidia-smi 命令查看驱动支持的CUDA最高版本。
  • Git : 用于克隆项目代码。
  • Conda 或 Venv ：强烈建议使用虚拟环境隔离依赖，避免冲突。

4. 基础模型准备 你需要提前下载好想要微调的基础模型。例如，我们目标微调Qwen2.5-7B-Instruct模型。

  • 来源 ：从Hugging Face Model Hub (https://huggingface.co/Qwen) 或魔搭社区 (ModelScope) 下载。
  • 方式 ：可以使用 git lfs 克隆，或直接下载压缩包。
  • 路径 ：将模型文件放在一个你容易访问的目录，例如 ~/models/Qwen2.5-7B-Instruct/ 。记住这个路径，后续配置需要。

4. 安装部署与启动方式

环境检查无误后，我们开始安装和启动LLaMA-Factory。

步骤1：获取项目代码 打开终端，克隆项目仓库并进入目录。 

git clone https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory

步骤2：创建并激活虚拟环境（以Conda为例） 

# 创建名为llamafactory的Python3.10环境
conda create -n llamafactory python=3.10 -y
conda activate llamafactory

步骤3：安装项目依赖 LLaMA-Factory提供了便捷的安装脚本。使用以下命令安装基础依赖和训练所需的CUDA扩展。 

# 安装基础依赖
pip install -r requirements.txt

# 安装训练相关的依赖（包含flash-attention等优化）
pip install -e .[torch,metrics]

注意：安装过程可能需要一段时间，特别是编译 flash-attention 时，请保持网络通畅。

步骤4：启动WebUI 这是实现“零代码”微调的关键。一行命令即可启动图形化界面。 

python src/webui.py

如果一切顺利，终端会输出类似以下的信息： 

Running on local URL:  http://127.0.0.1:7860
Running on public URL: https://xxxxx.gradio.live

现在，打开你的浏览器，访问 http://127.0.0.1:7860 ，你将看到LLaMA-Factory的Web界面。

步骤5：端口冲突处理 如果默认的7860端口被占用，可以通过 --server_port 参数指定其他端口。 

python src/webui.py --server_port 8080

然后访问 http://127.0.0.1:8080 。

5. 功能测试与效果验证：微调Qwen2.5-7B-Instruct

WebUI启动后，我们以微调一个“客服问答”场景的模型为例，完成一次完整的流程。

5.1 数据准备与上传

微调的核心是数据。LLaMA-Factory支持多种格式，如 alpaca 、 sharegpt 等。我们准备一个简单的JSON格式数据集。

  1. 创建数据集文件 ：在任意位置创建一个 customer_service.json 文件，内容如下。这是一个极简的示例，实际数据需要更多样、更丰富。 

    [
  {
    "instruction": "用户反馈说无法登录，应该怎么回复？",
    "input": "",
    "output": "您好，非常抱歉给您带来不便。请您先检查网络连接是否正常，然后确认账号密码是否输入正确。如果问题依旧，可以尝试点击‘忘记密码’进行重置，或提供您的账号信息（隐藏敏感部分）以便我们进一步排查。"
  },
  {
    "instruction": "用户想了解产品的退货政策。",
    "input": "",
    "output": "您好，我们的产品支持7天无理由退货。请确保商品完好、配件齐全且未经使用。您可以在‘我的订单’页面提交退货申请，并按照提示寄回商品。收到商品质检无误后，退款将在1-3个工作日内原路返回。"
  },
  {
    "instruction": "用户投诉快递延误。",
    "input": "物流单号：SF123456789",
    "output": "您好，关于物流单号SF123456789的延误问题，我们深表歉意。已为您加急联系物流公司核实，最新轨迹显示包裹已在派送中。我们会持续跟进，并将最新进展同步给您。为表歉意，我们将赠送您一张10元优惠券。"
  }
]
    • instruction : 指令或问题。
    • input : 可选的额外输入（如上下文、数据）。
    • output : 期望模型生成的回答。

  2. 在WebUI中加载数据 ：

    • 在WebUI的 “数据集” (Dataset) 选项卡。
    • “数据集列表” 区域，点击 “创建数据集” 。
    • 输入数据集名称，如 my_customer_service 。
    • 在 “上传文件” 部分，选择你刚创建的 customer_service.json 文件。
    • 点击 “确认” 上传并预处理数据。成功后，你会在数据集列表中看到它。

5.2 模型选择与配置

切换到 “模型” (Model) 选项卡。

  1. 加载基础模型 ：

    • “模型名称或路径” ：填写你之前下载的Qwen模型路径，例如 /home/yourname/models/Qwen2.5-7B-Instruct 。
    • 点击 “加载模型” 。下方会显示模型加载成功的提示，并展示模型的基本信息（参数量、架构等）。

  2. 选择微调方法 ：

    • “微调方法” ：对于资源有限的场景，强烈推荐选择 LoRA 或 QLoRA 。QLoRA在LoRA基础上进一步量化，显存占用更小。这里我们选择 QLoRA 。
    • 选择后，下方会出现对应的参数配置项（如 lora_rank , lora_alpha ），保持默认值即可开始。

5.3 训练参数配置

切换到 “训练” (Training) 选项卡。这里是控制训练过程的核心。

  1. 选择数据集 ：在 “数据集” 下拉菜单中，选择我们刚刚创建的 my_customer_service 。
  2. 设置关键参数 ：
    • 学习率 (Learning rate) ：一个关键超参数，可以从 5e-5 开始尝试。
    • 训练轮数 (Num epochs) ：根据数据量大小设置。我们数据很少，可以设 5.0 。
    • 批处理大小 (Batch size) ：受显存限制。在8GB显存下，对于7B模型+QLoRA，可以尝试 per_device_train_batch_size=2 。
    • 最大序列长度 (Max length) ：根据数据中最长文本设置，例如 512 。设置过长会显著增加显存消耗。
    • 评估与保存 ：勾选 “启用评估” ，设置评估步数（如每100步评估一次）。设置 “保存步数” （如每200步保存一个检查点）。
  3. 高级设置（可选） ：
    • “模板” ：选择与基础模型匹配的对话模板，如 qwen 。这能确保指令格式被正确识别。
    • “量化等级” ：QLoRA微调时，可选择 nf4 或 fp4 等量化方式以节省显存。

5.4 启动训练与监控

配置完成后，滚动到页面底部。

  1. 开始训练 ：点击 “开始训练” 按钮。
  2. 观察控制台 ：训练启动后，WebUI界面会跳转到 “输出” (Output) 选项卡，并开始滚动显示训练日志。你可以在终端中看到更详细的PyTorch训练日志。
  3. 监控资源占用 ：打开另一个终端，使用 nvidia-smi 命令观察GPU显存占用和利用率。你应该能看到显存被占用，并且GPU计算核心（GPU-Util）有波动，这表明训练正在进行。
  4. 查看损失曲线 ：在 “训练” 选项卡下方，训练开始后会出现损失（Loss）曲线图，帮助你直观判断模型是否在学习（损失是否在下降）。

5.5 模型测试与效果验证

训练完成后（达到设定的轮数或步数），我们需要验证微调效果。

  1. 切换到“聊天” (Chat) 选项卡 。
  2. 加载微调后的模型 ：
    • “模型名称或路径” ：保持为基础模型路径。
    • “适配器路径” ：这是关键。这里需要填写训练后保存的LoRA权重路径。路径通常为 ./saves/Qwen2.5-7B-Instruct/lora/my_customer_service （具体路径以训练输出日志为准）。
    • 点击 “加载模型” 。
  3. 进行对话测试 ：
    • 在聊天框中输入与训练数据类似但未完全相同的指令，例如：“用户说收不到验证码，怎么处理？”
    • 观察模型的回复。一个成功的微调应该能让模型生成符合“客服”风格、有帮助的回复，而不是通用或无关的回答。
    • 你也可以输入一些通用问题（如“你好”），观察模型的基础能力是否被破坏。

判断成功的标准 ：

  • 任务相关 ：对于训练数据涵盖的指令类型，模型能给出符合预期的、专业的回复。
  • 风格一致 ：回复的语气、格式与训练数据中定义的“客服”风格保持一致。
  • 泛化能力 ：对于训练数据中未出现但同属“客服”范畴的新问题，模型能进行合理推断和回答。
  • 基础能力保留 ：模型原有的通用知识和语言能力没有严重退化。

6. 接口API与批量任务

微调好的模型最终要投入使用。LLaMA-Factory支持将模型部署为API服务，方便集成到其他应用中。

6.1 启动API服务

训练完成后，你可以使用命令行启动一个兼容OpenAI API格式的服务。

  1. 导出合并模型（可选但推荐） ：为了获得更好的推理性能和便于部署，可以将LoRA权重与基础模型合并。 

    # 在项目根目录下执行
python src/export_model.py \
    --model_name_or_path /path/to/base/model \ # 基础模型路径
    --adapter_name_or_path /path/to/lora/checkpoint \ # LoRA检查点路径
    --template qwen \ # 模板
    --finetuning_type lora \
    --export_dir /path/to/merged/model # 合并后模型输出路径

  2. 启动API服务 ：使用合并后的模型或直接加载基础模型+适配器来启动服务。 

    # 方式1：使用合并后的模型启动
python src/api_demo.py \
    --model_name_or_path /path/to/merged/model \
    --template qwen \
    --port 8000

# 方式2：直接加载基础模型和LoRA适配器启动
python src/api_demo.py \
    --model_name_or_path /path/to/base/model \
    --adapter_name_or_path /path/to/lora/checkpoint \
    --template qwen \
    --finetuning_type lora \
    --port 8000

    服务启动后，默认会监听 http://0.0.0.0:8000 。

6.2 API调用示例

服务提供了与OpenAI ChatCompletion兼容的接口。

Python调用示例： 

import requests
import json

url = "http://127.0.0.1:8000/v1/chat/completions"
headers = {"Content-Type": "application/json"}

payload = {
    "model": "Qwen2.5-7B-Instruct", # 模型名，可自定义
    "messages": [
        {"role": "user", "content": "用户反馈说无法登录，应该怎么回复？"}
    ],
    "temperature": 0.7,
    "max_tokens": 512
}

response = requests.post(url, headers=headers, data=json.dumps(payload), timeout=60)
if response.status_code == 200:
    result = response.json()
    reply = result['choices'][0]['message']['content']
    print("模型回复：", reply)
else:
    print(f"请求失败，状态码：{response.status_code}")
    print(response.text)

cURL调用示例： 

curl -X POST "http://127.0.0.1:8000/v1/chat/completions" \
-H "Content-Type: application/json" \
-d '{
  "model": "Qwen2.5-7B-Instruct",
  "messages": [{"role": "user", "content": "用户反馈说无法登录，应该怎么回复？"}],
  "temperature": 0.7
}'

6.3 批量任务处理

虽然训练本身是批量进行的，但在推理阶段，你可能需要对大量数据进行批量处理（如用微调后的模型处理整个测试集）。

  1. 编写批量推理脚本 ：利用上述API，你可以轻松编写循环脚本，读取一个包含多条指令的JSON文件，逐条或分批发送请求，并将结果保存。
  2. 注意事项 ：
    • 速率限制 ：根据你的服务器性能，在脚本中适当添加延迟（如 time.sleep ），避免请求过载。
    • 错误处理 ：网络请求可能失败，务必在脚本中加入重试机制和异常捕获。
    • 结果保存 ：建议将输入和输出成对保存，便于后续分析和评估。

7. 资源占用与性能观察

理解资源占用是优化和稳定运行的关键。

1. 训练阶段资源观察

  • GPU显存 ：这是最主要的瓶颈。使用 nvidia-smi 命令实时监控。
    • 影响因素 ：模型参数量、微调方法（全参/QLoRA）、批处理大小、序列长度。
    • 优化策略 ：如果显存不足，可以：1) 使用 QLoRA 替代 LoRA ；2) 减小 per_device_train_batch_size ；3) 减小 max_length ；4) 启用梯度累积（ gradient_accumulation_steps ），用时间换空间。
  • GPU利用率 ：理想情况下应在较高水平波动（如70%-100%），如果长期很低，可能是数据加载（IO）或CPU预处理成了瓶颈。
  • CPU与内存 ：数据加载和预处理会占用CPU和内存。如果数据集很大，确保有足够的内存，并可以考虑使用更快的存储（如NVMe SSD）。

2. 推理/API服务阶段资源观察

  • GPU显存 ：加载模型进行推理也会占用显存。合并后的模型或基础模型+适配器都需要被加载到显存中。7B模型FP16精度加载约需14GB显存，但通过量化（如GPTQ, AWQ）可大幅降低。
  • 响应时间 ：首次请求会有模型加载时间，后续请求的响应时间（ time_per_output_token ）取决于模型大小和你的GPU算力。可以通过API的 stream 模式实现流式输出，提升用户体验。

3. 性能调优建议

  • 训练时 ：在 webui.py 或命令行中，可以尝试启用 flash_attn （如果已安装）来加速注意力计算并减少显存。
  • 推理时 ：考虑使用 vLLM 或 TGI 等高性能推理框架来部署合并后的模型，它们能提供更高的吞吐量和更低的延迟。

8. 常见问题与排查方法

在部署和微调过程中，你可能会遇到以下问题。这里提供快速的排查思路。

问题现象 可能原因 排查方式 解决方案
WebUI启动失败，提示端口被占用 端口7860已被其他程序（如另一个Gradio应用）使用。 运行 netstat -tulnp | grep 7860 (Linux) 或 netstat -ano | findstr :7860 (Windows)。 使用 --server_port 参数指定新端口启动，如 python src/webui.py --server_port 8080 。
加载模型时提示“找不到模型文件”或“配置文件错误” 1. 模型路径填写错误。
2. 模型文件不完整或损坏。
3. 缺少必要的配置文件（如tokenizer.json）。 		1. 检查路径是否正确、有无拼写错误。
2. 确认模型目录下包含 pytorch_model.bin (或 .safetensors )、 config.json 、 tokenizer.model 等文件。
3. 查看终端错误日志。 		1. 使用绝对路径。
2. 重新下载模型文件。
3. 从Hugging Face仓库补全缺失的配置文件。
训练开始时GPU显存不足（OOM） 1. 模型太大。
2. 批处理大小或序列长度设置过高。
3. 未使用高效的微调方法。 		观察 nvidia-smi 显示的显存占用在启动训练瞬间是否爆满。 1. 换用更小的模型。
2. 减小 per_device_train_batch_size 和 max_length 。
3. 务必使用 QLoRA 微调方法 。
4. 启用梯度检查点 ( gradient_checkpointing )。
训练过程中损失（Loss）不下降或为NaN 1. 学习率设置不当（过高或过低）。
2. 数据格式有误，模型无法学习。
3. 梯度爆炸。 		1. 检查训练日志中的初始Loss值是否正常。
2. 检查数据预处理后的样本（WebUI数据集预览功能）。
3. 观察Loss曲线是否剧烈波动。 		1. 尝试降低学习率（如从5e-5降到1e-5）。
2. 检查并修正数据集格式，确保 instruction 和 output 字段有意义。
3. 可以尝试启用梯度裁剪 ( gradient_clip )。
API服务启动后，请求返回404或500错误 1. API服务未成功启动。
2. 请求的端点路径错误。
3. 模型加载失败。 		1. 检查启动API服务的终端是否有错误日志。
2. 确认请求URL是否为 http://ip:port/v1/chat/completions 。
3. 检查服务启动日志中的模型加载信息。 		1. 根据终端错误日志解决依赖或模型路径问题。
2. 核对请求代码中的URL和端口。
3. 确保用于API服务的模型路径正确且模型文件完整。
微调后的模型在聊天测试中“胡言乱语”或失去基础能力 1. 训练轮数过多，过拟合了少量数据。
2. 学习率太高。
3. 训练数据质量差或噪声大。 		1. 用未参与训练的指令测试模型。
2. 测试模型回答常识性问题。 		1. 减少训练轮数 ( num_epochs )。
2. 降低学习率。
3. 清洗和提升训练数据质量，增加数据多样性。
4. 尝试在指令数据中混入一部分通用对话数据，以保留基础能力。

9. 最佳实践与使用建议

为了让你的微调之旅更顺畅，这里有一些从实践中总结的建议。

  1. 从小开始，快速迭代 ：

    • 模型 ：先用最小的模型（如Qwen2.5-1.5B）和极少量数据（10-100条）跑通整个流程，验证环境、代码和数据格式。成功后再扩展到更大的模型和数据。
    • 参数 ：首次训练时，大部分超参数（学习率、批大小等）可以保持WebUI的默认值，只调整 num_epochs 和 dataset 。

  2. 数据质量高于数据数量 ：

    • 1000条高质量、标注一致的数据，远胜于10万条噪声大、格式混乱的数据。
    • 仔细设计你的 instruction 和 output ，确保它们清晰、无歧义，并且是你希望模型学习的模式。

  3. 建立模型评估流程 ：

    • 不要只依赖训练损失来判断。预留一个 验证集 ，在训练过程中定期评估模型在未见数据上的表现。
    • 设计一些 定性测试用例 ，像5.5节那样，在聊天界面手动测试模型的关键能力。

  4. 系统化管理实验 ：

    • 记录 ：每次实验（一个完整的训练）记录下关键信息：数据集名称、模型路径、所有超参数、训练时长、最终验证集指标、模型保存路径。
    • 版本控制 ：对代码、数据集和重要的模型检查点进行版本控制（如使用Git、DVC）。

  5. 生产部署前充分评估 ：

    • 微调后的模型必须经过严格的 安全性和偏见评估 ，避免产生有害输出。
    • 进行 压力测试 ，评估API服务的并发能力和稳定性。
    • 制定 回滚方案 ，如果新模型出现问题，能快速切换回旧版本或基础模型。

  6. 合规与授权牢记于心 ：

    • 再次强调，确保训练数据来源合法合规。
    • 了解并遵守所使用开源模型（如Qwen）的许可证协议。

通过LLaMA-Factory，大模型微调的技术门槛被显著降低。它把复杂的工程细节封装在了一个友好的界面之后，让你能更专注于数据、任务定义和效果评估本身。从环境准备、数据制作、训练配置到服务部署，整个过程就像组装一套精密的乐高，每一步都有清晰的反馈。最值得尝试的点在于，你可以在几个小时内，用有限的硬件资源，亲眼见证一个通用大模型开始理解并执行你的专属指令。最先应该验证的，就是用你自己构造的一小批数据，快速完成一次微调闭环，看到模型输出的变化。最容易踩的坑通常是环境依赖、数据格式和显存溢出，按照本文的步骤和排查指南，大部分问题都能迎刃而解。接下来，你可以探索更复杂的微调方法、尝试多模态模型微调，或者将微调好的模型集成到你的实际应用流水线中，真正释放定制化AI的能力。

# LLaMA-Factory
Logo
码道开发者社区

码道开发者社区，聚焦华为云码道 CodeArts 代码智能体，沉淀 Agent、Skill、鸿蒙开发实战内容，供开发者查阅资料、交流技术、分享工程实践

更多推荐

cover

AI 已经能直接改设计稿了:Windows部署Penpot，接入Codex MCP实测

avatar 码道开发者社区
cover

【AI大模型】-DeepSeek Harness 深度解析

avatar 码道开发者社区

【AI 业务流架构师】AI 业务流架构师方法论：Agentic AI 范式转移与业务编排思维

2026 年，Anthropic CEO Dario Amodei 在 Code with Claude 大会上的一个判断广为流传：一个人运营一家十亿美元级公司的概率是 70%–80%。这句话听起来像科幻小说的设定，但它背后是一个正在发生的结构性变化——AI 把"执行"的成本压到了历史低点，同时把"编排"的价值推到了前台。这意味着我们需要一套新的思考框架，来回答两个问题：一个人如何拥有一个公司的产

avatar 码道开发者社区