1. 项目概述：当AI走进课堂，我们到底在“看”什么？

最近和几位在一线教学的朋友聊天，他们不约而同地提到了一个痛点：课堂管理。一位高中班主任说，他很难在讲解复杂公式的同时，兼顾到后排那个总爱走神的学生；另一位小学老师则苦恼于如何量化评估小组讨论时每个孩子的参与度。这让我想起，技术圈里火热的“智慧校园”和“数字课堂”，其核心价值或许不在于堆砌多少块屏幕或部署多少台终端，而在于能否真正赋能教学，让老师的“教”和学生的“学”都变得更高效、更个性化。这正是我们这次要探讨的项目：基于YOLOv10构建课堂教学场景下的学生行为检测识别系统。

简单来说，这个系统就像一个不知疲倦的“课堂观察员”。它通过教室内的普通摄像头，实时分析视频流，自动识别并统计学生的典型行为，比如“认真听讲”、“举手提问”、“低头写字”、“交头接耳”、“趴桌睡觉”甚至“离开座位”。这些信息经过处理，可以实时反馈给老师（例如在平板上提示“3号区域有学生注意力分散”），也可以形成长期的学情分析报告，帮助老师调整教学策略。这绝不是为了监控而监控，其终极目标是实现 因材施教 和 精准教学干预 。

YOLOv10作为YOLO家族最新的端到端实时检测算法，它的出现为这个场景提供了理想的技术底座。相比前代，v10在保持高速度的同时，进一步提升了精度，并且原生支持从Nano(n)到Extra Large(x)的全系列模型，让我们可以根据教室的硬件条件（是从边缘计算盒子还是到服务器GPU）灵活选择模型，在精度和速度间找到最佳平衡点。接下来，我将从设计思路、实战部署到问题排查，完整拆解如何将YOLOv10这项前沿技术，落地成一个真正有用的课堂行为分析工具。

2. 核心设计思路与模型选型考量

构建这样一个系统，远不是“找个模型跑起来”那么简单。它涉及到场景定义、技术选型、隐私伦理等多方面的权衡。我的核心设计思路是： 以实用性和可接受度为首要目标，追求“够用就好”的精度和“无感存在”的部署 。

2.1 场景定义与行为分类设计

首先，我们要明确“检测什么”。课堂行为是连续且复杂的，直接识别“思考”这种内在状态不现实。因此，我们需要将其转化为可观测的、典型的 姿态与动作组合 。我将其归纳为以下几类：

  1. 积极学习类 ： listening （抬头听讲）、 raising_hand （举手）、 writing （低头书写/阅读）。
  2. 中性/待观察类 ： turning_around （转头、交头接耳）、 using_phone （使用手机，需谨慎定义）。
  3. 消极/需关注类 ： sleeping （趴桌）、 leaving_seat （离开座位）。

这里有几个关键考量：

  • “书写”与“玩手机”的区分 ：在俯拍或侧拍视角下，两者姿态相似。解决方案是结合 目标检测（检测手机/书本） 和 姿态估计（手部与头部的相对位置） 进行综合判断，初期可以只做“低头”检测，后期再细化。
  • 隐私边界 ：绝对不进行人脸识别，也不做身份绑定。系统只输出“第三排有两人在交谈”，而不应知道具体是谁。所有数据应做匿名化处理，这是项目合规的底线。
  • 定义标准化 ：需要制作明确的行为定义文档和示例图片，供标注团队使用，确保数据一致性。

2.2 为什么是YOLOv10？—— 模型选型深度解析

目标检测算法众多，从两阶段的Faster R-CNN到单阶段的SSD、YOLO系列，为何锁定YOLOv10？这基于对课堂场景的四大核心需求分析：

  1. 实时性（Real-time） ：课堂是动态的，反馈需要及时。延迟超过2-3秒的提示对老师价值大减。YOLO系列一直是实时检测的标杆。
  2. 精度（Accuracy） ：学生目标相对较小（尤其在全景镜头中），且存在遮挡（前排挡后排）。需要模型有较强的特征提取和小目标检测能力。
  3. 部署灵活性（Flexibility） ：学校硬件差异大，有的只有Jetson Nano这类边缘设备，有的则有服务器集群。需要模型系列覆盖从极轻量到高精度的谱系。
  4. 工程友好性（Engineering-friendly） ：完善的文档、活跃的社区、丰富的部署工具链（如ONNX导出、TensorRT加速）能极大降低开发维护成本。

YOLOv10针对性地做出了改进：

  • 无NMS设计 ：这是v10最大的亮点之一。它通过 一致性匹配 和 双标签分配 等策略，在训练时即解决预测框冗余问题，从而在推理时移除了非极大值抑制（NMS）这一后处理步骤。这直接带来了 速度提升 和 延迟降低 ，对于需要高帧率处理的视频流至关重要。
  • 整体效率-精度架构 ：v10从模型架构层面系统性地优化了效率和精度。包括轻量级的分类头、空间-通道解耦的下采样模块以及大核卷积的巧妙运用，使得其Pareto前沿（精度-速度权衡曲线）相比v8、v9更具优势。
  • 全系列模型支持 ：提供n/s/m/b/l/x六个规格，让我们可以轻松做权衡。例如：
    • YOLOv10-n ：可在树莓派4B或低功耗边缘设备上尝试，适合对精度要求不高的试点教室。
    • YOLOv10-s/m ：平衡之选，在主流GPU（如GTX 1660, RTX 3060）上能实现100+FPS，满足大部分教室实时分析需求。
    • YOLOv10-l/x ：用于后台服务器进行高精度分析或生成高质量的训练数据（如自动标注）。

注意 ：虽然v10移除了NMS，但在某些复杂遮挡场景下，个别冗余框可能仍会出现。在实际部署后，需要在真实数据上验证，必要时可添加一个极低阈值的软性NMS作为安全网。

2.3 系统架构设计

一个完整的系统不仅仅是模型。我设计的架构分为三层：

  • 边缘感知层 ：教室摄像头负责采集视频流。这里推荐使用RTSP协议的视频流，便于网络传输和分布式处理。视频流被送入部署了YOLOv10模型的 边缘计算设备 （如Jetson系列、国产AI盒子）或 区域服务器 。
  • 智能分析层 ：核心层。YOLOv10模型进行实时目标检测（检测人头、人体、手部、手机等）。检测结果送入一个轻量级的 行为判别逻辑模块 。这个模块基于规则和简单的时间序列分析（例如，“低头”状态持续超过5秒且区域内未检测到书本，则触发“潜在分心”标志）。
  • 应用展示层 ：分析结果通过WebSocket或MQTT实时推送到教师的 控制台仪表盘 （Web页面或平板App），以热力图、统计图表、实时告警等形式呈现。同时，结构化数据存入数据库，用于生成学情报告。

3. 数据准备与模型训练实战

再好的算法，没有高质量的数据也是空中楼阁。对于“学生课堂行为”这个高度定制化的场景，自己准备数据几乎是唯一选择。

3.1 数据采集与标注的“脏活累活”

数据采集要讲究策略，不能胡乱拍摄：

  • 场景多样性 ：覆盖不同教室布局（阶梯教室、普通教室）、不同时间段（上午/下午）、不同光照条件（晴天开窗/阴天开灯）。
  • 视角多样性 ：主要采用教室后侧俯角，这是监控最常见也最有效的视角。可以补充少量侧面视角，用于验证行为判断。
  • 隐私处理 ：对所有采集的人脸进行模糊化处理（如高斯模糊），仅保留姿态和轮廓信息。这是项目启动前必须完成的步骤。

标注工具推荐使用 Roboflow 或 LabelStudio 。标注时，我们采用 目标检测框 而非姿态关键点，因为YOLO是目标检测模型。但标注类别需要仔细设计：

  • 直接标注可观测对象： person （学生整体）、 hand （举起的手）、 cellphone 、 book 。
  • 行为标签 不直接标在图片上，而是通过 框的组合与后续逻辑 来判定。例如，一张图里有一个 person 框和一个位于其人上方区域的 hand 框，则可记为 raising_hand 行为样本。

我们需要构建一个数据集，其中每张图片的标注文件（如YOLO格式的.txt）包含多个对象的类别和框，同时，用一个额外的JSON文件记录每张图片对应的 真实行为标签 ，用于训练后期的行为分类器或验证规则逻辑。

3.2 YOLOv10模型训练详细步骤

假设我们已经准备好了符合YOLO格式的数据集（ images/train , labels/train ...），并划分好了训练集和验证集。

步骤一：环境搭建 

# 克隆官方仓库
git clone https://github.com/THU-MIG/yolov10.git
cd yolov10
# 创建Python虚拟环境（强烈推荐）
python -m venv venv
source venv/bin/activate  # Linux/Mac
# venv\Scripts\activate  # Windows
# 安装依赖
pip install -r requirements.txt
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118  # 根据CUDA版本调整

步骤二：数据配置 创建一个 data/classroom.yaml 文件：

# 课堂行为检测数据集配置
path: /path/to/your/dataset  # 数据集根目录
train: images/train  # 训练集图片路径
val: images/val      # 验证集图片路径

# 类别数
nc: 4  # 我们标注的物体类别数：person, hand, cellphone, book
# 类别名称
names: ['person', 'hand', 'cellphone', 'book']

步骤三：模型选择与训练启动 YOLOv10提供了预训练模型，我们从 yolov10s.pt 开始，它在速度和精度上比较平衡。

python train.py \
  --img 640 \                 # 训练图像尺寸
  --batch 16 \                # 批次大小，根据GPU内存调整
  --epochs 100 \              # 训练轮数
  --data data/classroom.yaml \ # 数据配置
  --weights yolov10s.pt \     # 预训练权重
  --device 0 \                # 使用GPU 0
  --workers 8 \               # 数据加载线程数
  --name yolov10s_classroom   # 本次训练任务名称

关键参数解析：

  • --img 640 ：YOLO系列通常使用640x640输入。如果学生目标特别小，可以尝试增大到896甚至1024，但会显著增加计算量和显存消耗。
  • --batch ：在GPU显存允许范围内尽可能设大，有助于训练稳定。如果出现OOM（内存不足），可以减小 batch 或 --img 尺寸。
  • --epochs ：从100开始，观察验证集损失和mAP曲线，提前停止或继续训练。

步骤四：训练监控与评估 训练开始后，TensorBoard会自动记录指标。重点关注：

  1. metrics/mAP50-95(B) ：这是COCO标准下的平均精度，是核心评估指标。它会逐步上升并趋于平稳。
  2. metrics/precision 和 metrics/recall ：精确率和召回率。我们希望两者都高。如果精确率高但召回率低，说明很多目标没被检测到，可能需要增加 --epochs 或检查数据标注质量。
  3. loss/box_loss , loss/cls_loss 等：各项损失应稳步下降。

训练完成后，在 runs/train/yolov10s_classroom/weights/ 目录下会得到 best.pt 和 last.pt 。使用 best.pt 进行验证：

python val.py \
  --data data/classroom.yaml \
  --weights runs/train/yolov10s_classroom/weights/best.pt \
  --img 640 \
  --device 0

查看输出的mAP、精确率、召回率，特别是针对小目标 hand 和 cellphone 的指标。

3.3 训练过程中的“坑”与技巧

  • 类别不平衡问题 ： person 的样本数远多于 hand 和 cellphone 。这会导致模型对少数类别不敏感。解决方法：
    1. 过采样少数类别的图片。
    2. 在 data/classroom.yaml 中使用 --cls_pw 参数设置类别权重，给少数类别更高的损失权重。
  • 小目标检测不佳 ：如果 hand 检测效果差，可以：
    1. 检查标注框是否精确。手部框通常很小，标注时像素误差影响很大。
    2. 在模型结构上，可以尝试使用YOLOv10的 P2层 （更浅的特征层，分辨率更高，对小目标更友好）。这需要修改模型配置文件，将检测头连接到更低层。
    3. 数据增强时增加 Mosaic 和 MixUp ，有助于模型学习小目标。
  • 过拟合 ：如果训练集损失持续下降但验证集损失早早上涨，就是过拟合。对策：
    1. 增加数据增强强度（ --augment 参数）。
    2. 使用早停（ --patience 参数，如50轮验证指标无改善则停止）。
    3. 增加正则化，如权重衰减（ --weight_decay ）。

4. 行为判别逻辑与系统集成开发

模型能检测出物体，但如何判断行为？这是将目标检测升级为行为分析的关键一步。

4.1 基于规则的多目标关联分析

我们采用一个轻量级、可解释的规则引擎。核心思想是： 在连续帧间跟踪每个学生（ person ），并分析其周围关联目标的状态 。

假设在某一帧，我们检测到：

  • person_1 : 框坐标 [x1, y1, x2, y2]
  • hand_1 : 框坐标 [xh1, yh1, xh2, yh2]

我们定义规则：

  1. 举手检测 ：如果 hand_1 框的中心点位于 person_1 框的上方1/4区域内，且两者IOU（交并比）很小（说明手不在身体主要区域），则判定为 raising_hand 。为了防抖，需要该状态持续至少10帧（约0.3秒）。
  2. 使用手机检测 ：如果 cellphone 框的中心点位于 person_1 框内，且 person_1 的头部姿态（可通过简单的人体2D关键点模型如 lightweight_openpose 快速估计）是低头的，则判定为 using_phone 。
  3. 趴桌睡觉检测 ：如果 person_1 框的宽高比突然变得很大（人趴下了），且其头部关键点位置很低，并持续一段时间，则判定为 sleeping 。

这个逻辑可以用Python简单实现：

def check_raising_hand(person_bbox, hand_bboxes, iou_threshold=0.1, vertical_threshold=0.25):
    """
    检查举手行为
    person_bbox: [x1, y1, x2, y2]
    hand_bboxes: list of [xh1, yh1, xh2, yh2]
    """
    px1, py1, px2, py2 = person_bbox
    person_top_region = py1 + (py2 - py1) * vertical_threshold

    for hb in hand_bboxes:
        hx1, hy1, hx2, hy2 = hb
        hand_center_y = (hy1 + hy2) / 2

        # 条件1：手在人的上方区域
        if hand_center_y < person_top_region:
            # 条件2：手和人的IOU很小（手不在身体内）
            iou = calculate_iou(person_bbox, hb)
            if iou < iou_threshold:
                return True
    return False

4.2 系统集成与性能优化

将YOLOv10模型和上述行为逻辑集成到一个实时流水线中。这里以使用FastAPI提供WebSocket服务为例，展示核心流程：

import cv2
from yolov10 import YOLOv10  # 假设有封装好的推理类
import asyncio
from fastapi import FastAPI, WebSocket
import json

app = FastAPI()
# 加载模型
model = YOLOv10("runs/train/yolov10s_classroom/weights/best.pt", device="cuda:0")

@app.websocket("/ws/video_feed")
async def video_feed(websocket: WebSocket):
    await websocket.accept()
    cap = cv2.VideoCapture("rtsp://camera_ip/stream")  # 或接收来自前端的视频流
    tracker = {}  # 用于存储每个学生的跟踪状态和行为历史

    try:
        while True:
            ret, frame = cap.read()
            if not ret:
                break

            # 1. YOLOv10 推理
            detections = model.predict(frame, conf_threshold=0.5)

            # 2. 目标跟踪（简单版：基于IOU的帧间匹配）
            current_tracks = match_and_update_tracks(tracker, detections)

            # 3. 行为逻辑分析
            for track_id, data in current_tracks.items():
                person_bbox = data['bbox']
                associated_hands = data['hands']  # 与本person关联的hand框
                behavior = analyze_behavior(person_bbox, associated_hands, data['history'])
                data['current_behavior'] = behavior
                data['history'].append(behavior)

            # 4. 生成输出（如：标记框、行为标签、统计信息）
            annotated_frame = annotate_frame(frame, current_tracks)
            stats = calculate_classroom_stats(current_tracks)

            # 5. 通过WebSocket发送结果
            # 发送标注后的帧（可编码为JPEG）
            _, jpeg = cv2.imencode('.jpg', annotated_frame)
            await websocket.send_bytes(jpeg.tobytes())
            # 发送结构化数据
            await websocket.send_json({"stats": stats, "timestamp": time.time()})

            await asyncio.sleep(0.03)  # 控制发送频率，约30FPS
    except Exception as e:
        print(f"WebSocket error: {e}")
    finally:
        cap.release()

def match_and_update_tracks(tracker, detections):
    """简单的基于IOU的帧间匹配跟踪器"""
    # 实现略：计算当前检测框与上一帧跟踪框的IOU，进行匈牙利匹配等
    return updated_tracker

性能优化点 ：

  • 模型推理优化 ：使用 TensorRT 或 ONNX Runtime 对YOLOv10模型进行量化（FP16/INT8）和加速，在NVIDIA硬件上可获得数倍性能提升。
  • 视频流处理 ：使用 opencv 的 GStreamer 后端处理RTSP流通常更稳定高效。对于多路摄像头，采用线程池或异步IO进行并行处理。
  • 跟踪器选择 ：对于密集场景，简单的IOU匹配可能失效。可以考虑集成 ByteTrack 或 DeepSORT 这类轻量级跟踪算法，但会增加计算开销，需权衡。

5. 部署实践与常见问题排查

将开发好的系统部署到真实的教室环境，才是真正的挑战开始。

5.1 边缘端部署方案选型

根据学校预算和基础设施，主要有两种部署模式：

方案A：边缘计算盒子（低延迟，数据不出教室）

  • 硬件 ：NVIDIA Jetson Orin Nano/NX、华为Atlas 200/500、寒武纪MLU等。
  • 流程 ：
    1. 将训练好的PyTorch模型导出为ONNX格式。
    2. 在边缘设备上安装TensorRT，并使用 trtexec 工具将ONNX模型转换为高度优化的TensorRT引擎（ .engine 文件）。
    3. 编写C++或Python推理脚本，调用TensorRT引擎进行推理。Jetson系列可使用其自带的JetPack SDK，对视频编解码有硬件加速。
  • 优点 ：延迟极低（<100ms），数据隐私性好，不依赖网络。
  • 缺点 ：单点算力有限，难以处理大量并发流，模型更新麻烦。

方案B：区域服务器集中处理（高算力，易维护）

  • 硬件 ：配备多张RTX 4090/A800等GPU的服务器。
  • 流程 ：
    1. 在服务器上部署Docker容器，内部运行我们的FastAPI应用。
    2. 使用Nginx+RTMP模块接收各教室摄像头推送的流，并转码为低码率流供分析。
    3. 应用从Nginx拉流分析，结果写入中心数据库，并推送给对应的教师终端。
  • 优点 ：算力强大，可同时处理数十上百路视频流，模型升级、维护方便。
  • 缺点 ：网络依赖强，延迟稍高（约200-500ms），对网络带宽有要求。

5.2 典型问题排查实录

在实际部署中，我遇到了以下几个典型问题及解决方法：

问题1：检测框抖动严重，行为判断不稳定。

  • 现象 ：同一个学生，连续帧中检测框位置和大小跳动，导致跟踪ID频繁切换，行为判断时有时无。
  • 排查 ：
    1. 检查视频源质量。网络摄像头的码率过低或存在压缩伪影，会严重影响检测。尝试调高摄像头码率，或使用硬件编码（如H.264 High Profile）。
    2. 降低YOLOv10的推理置信度阈值（ conf_threshold ）。有时过于严格的阈值会导致目标在某些帧中丢失。可以从0.5逐步下调至0.3观察。
    3. 引入更强的跟踪器。用ByteTrack替换简单的IOU匹配。ByteTrack会保留低置信度的检测框参与匹配，能有效平滑轨迹。
  • 解决 ：最终方案是 优化视频源+使用ByteTrack 。将摄像头码率从2Mbps提升到4Mbps，并集成ByteTrack后，跟踪稳定性大幅提升。

问题2：在特定光照下（如夕阳直射），检测性能急剧下降。

  • 现象 ：下午西晒的教室，摄像头画面过曝或强光区域出现眩光， person 检测不到或 hand 等小目标完全失效。
  • 排查 ：这是模型泛化能力不足的典型表现。训练数据中缺乏此类极端光照样本。
  • 解决 ：
    1. 数据增强补救 ：在训练阶段，增加模拟过曝、眩光、高对比度的数据增强。可以使用 albumentations 库，添加 RandomBrightnessContrast 、 Solarize 、 Glare 等增强。
    2. 硬件调整 ：调整摄像头位置或加装遮光罩，避免阳光直射镜头。启用摄像头的宽动态范围（WDR）或背光补偿（BLC）功能。
    3. 模型微调 ：采集少量该场景下的真实数据（注意隐私处理），对已训练好的模型进行少量epoch的微调（fine-tuning）。

问题3：系统运行一段时间后，内存泄漏导致服务崩溃。

  • 现象 ：边缘盒子或服务器上的服务进程，内存占用随时间缓慢增长，几天后崩溃。
  • 排查 ：
    1. 使用 htop 或 nvidia-smi 监控进程内存和GPU内存。
    2. 怀疑是OpenCV视频流未正确释放，或推理框架（如PyTorch）的缓存未清理。
  • 解决 ：
    1. 确保每个视频流处理循环结束后，释放中间变量，特别是大张量。在Python中，可以显式调用 del 并触发垃圾回收 gc.collect() 。
    2. 对于PyTorch，在长时间运行的推理循环中，使用 with torch.no_grad(): 上下文管理器，并定期使用 torch.cuda.empty_cache() 清理GPU缓存。
    3. 将核心推理服务封装在Docker容器中，并设置资源限制和健康检查，配置崩溃后自动重启。

问题4：教师端仪表盘延迟高，体验差。

  • 现象 ：视频流和分析结果在教师平板上显示有超过2秒的延迟。
  • 排查 ：这是一个典型的端到端延迟问题。需要分解链路：摄像头采集->编码->网络传输->服务器解码->AI推理->行为分析->结果编码->网络回传->客户端解码渲染。
  • 解决 ：
    1. 优化流媒体协议 ：将RTMP（延迟通常1-3秒）替换为 WebRTC 或 SRT （可做到亚秒级延迟）。
    2. 减少数据传输量 ：不传输完整的标注后视频流，只传输行为事件的JSON数据和关键帧截图。
    3. 边缘预处理 ：在教室端边缘设备上完成分析和标注，教师端只拉取低码率的预览流和元数据，极大减少回传带宽和延迟。

6. 伦理思考与未来演进方向

在项目即将收尾时，我想多谈几句技术之外的思考。将AI用于课堂行为分析，我们必须时刻保持对技术的审慎和对人的尊重。

伦理红线必须坚守 ：

  1. 匿名化是底线 ：系统输出只能是“区域A有异常行为”，绝不能是“张三在睡觉”。所有存储的视频数据应在分析后立即删除或进行不可逆的匿名化处理。
  2. 知情同意与用途透明 ：部署前，必须向学生、家长和教师充分说明系统的目的、原理、数据如何处理，并获得同意。系统应用于辅助教学分析和个性化关怀，而非作为惩罚学生的依据。
  3. 避免算法偏见 ：训练数据要尽可能多样化，避免因数据偏差导致系统对某些特定姿态或服饰产生误判。定期进行算法公平性审计。

未来的演进可能不止于检测 ：

  1. 从“行为”到“参与度” ：当前系统识别的是外显行为，未来可以结合更多的传感器数据（如语音活跃度、电子白板互动记录）和时序模型（如LSTM），构建一个更全面的“课堂参与度指数”，为老师提供更深刻的洞察。
  2. 个性化学习路径推荐 ：当系统能长期稳定地识别学生的学习状态后，可以与学生个人的作业、测验数据结合，为每个学生生成学习专注度曲线，并智能推荐薄弱知识点的复习材料或微课视频。
  3. 轻量化与普惠化 ：随着YOLO等模型继续轻量化，未来也许一个几百块的摄像头内置AI芯片就能完成所有分析，让更多学校用得起、用得好这项技术。

技术终究是工具。这个项目的核心价值，不在于我们调出了多高的mAP，而在于我们是否真的用技术解开了一个教育的小疙瘩，是否让老师的目光能更温暖地覆盖到每一个角落，是否让学习的过程多了一分被理解的可能。这条路还很长，但每一步都值得认真走好。

# 目标检测
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

Manim 数学动画完全指南：五分钟从零到成片

Manim 是用 Python 驱动的数学动画引擎，把抽象的公式与曲线转成逐帧可控的动态可视化。适合想制作 Python 数学可视化视频的编程新手、数学学生和科普创作者。## 数学为什么需要"动"起来你试过用一张静态图讲清导数的概念吗？切线、割线、极限位置都能画出来，但"割线逼近切线"发生的那一下，观众只能靠脑补。课本插图大多是"结论截图"：只留下最终状态，过程被压缩成一句"易见"。函

avatar 码道开发者社区
cover

Claude API + Python实战：结构化输出后，如何拦住“看起来正确”的JSON

avatar 码道开发者社区
cover

GLM-5.3-Flash深度解析：3200亿参数只卖Opus四十分之一，国产算力首次跑通前沿模型

avatar 码道开发者社区