- 综合排序
- 最热优先
- 最新优先
腾讯云 AI 代码助手: Codebase 本地工程检索
随着人工智能技术的不断进步，AI 代码助手已经成为提升开发效率、优化代码质量的重要工具。腾讯云 AI 代码助手，凭借其对工程实践的深刻理解，让 AI 更加懂得如何与工程实践相结合。 本文将探讨腾讯云 AI 代码助手如何让 AI 更懂工程，以及它在实际项目中的应用。 ，常见的针对工程理解的集中包含：codebase建立本地工程的检索能力，旨在通过对本地工程的 embedding 向量化建立索引并缓存，用户在提出问题后基于索引可以对本地工程相关内容进行分析匹配后精准召回相符的内容信息并丰富上下文 AI 工程理解在代码工程的应用codebase本地工程检索能力进行强化工程理解能力， codebase 的使用会进行两个部分构成 ：第一，把问题提示词上附带当前工程目录与模型进行交互，获取关键词；第二， 让 AI 更懂工程。随着 AI 技术的不断进步，腾讯云 AI 代码助手将继续引领软件开发的未来，帮助开发者构建更好的软件；
1.1K10编辑于 2025-01-22腾讯电脑管家 QClaw 本地 AI 助手产品概要
一、 产品定位与核心亮点 QClaw 是由 腾讯电脑管家官方出品，基于 OpenClaw 开源生态推出的零门槛、可直连微信的本地 AI 助手。 追求执行力的办公人群：传统 AI 基本只能对话，不能直接帮忙干活。 移动或异地办公人员：用户外出时无法远程操控电脑，无法及时处理本地办公与自动化任务。 微信直接对话，远程操控：零配置直接关联微信，实现随时随地远程下发指令让 AI 干活。 持续记忆，专属龙虾：能够记住偏好和上下文，实现 AI 持续成长，成为最懂用户的智能助手。 4. 工作学习助手 背景：科研人员与职场人士面临繁重的信息检索与文本创作负担。 解决方案：依托 QClaw 的自动化文本生成与检索能力辅助研究。 专属于你的龙虾养成 背景：传统 AI 助手仅呈现冰冷的聊天框，缺乏情感互动与陪伴属性。 解决方案：引入 QClaw 独创的“数字生物”养成机制。
1.3K20编辑于 2026-03-23如何使用 Ollama 打造你的本地 AI 助手
更重要的是：Ollama 提供了标准化的本地接口，让这些模型可以被各种 AI 助手、编辑器、自动化工具直接接入使用。从使用体验上来说，和云端模型几乎没有区别，但数据完全掌握在自己手里。 这一篇文章，我会从 零开始，带你完成一次完整的本地大模型实践： 如何安装并运行 Ollama 如何下载并管理本地模型 如何把模型接入你熟悉的 AI 助手 以及，本地 AI 真正适合哪些场景当 AI 真正跑在你自己电脑上的那一刻 运行模型ollama run [模型名称]# 4. 删除模型ollama rm [模型名称]# 5. 查看帮助ollama help模型下载完成后，你已经可以在终端中直接与本地大模型进行交互了。 三、接入 AI 助手（不写代码也能用）如果你不想额外安装客户端应用，一个非常简单的方式是： 使用浏览器扩展：Page Assist配置 Ollama 本地链接打开 Page Assist 的设置页面，找到模型配置 从使用体验上来看，与常见的云端 AI 助手几乎一致，但所有请求都只在本地完成。写在最后实际上，不止是 Page Assist。
1.3K10编辑于 2026-02-07- 来自专栏网络安全技术点滴分享
AgenticSeek - 完全本地的AI助手替代方案
English | 中文 | 繁體中文 | Français | 日本語 | Português (Brasil)100%本地运行的Manus AI替代品，支持语音的AI助手，可自主浏览网页、编写代码、 专为本地推理模型设计，完全在您的硬件上运行，确保隐私无忧，无需云端依赖。为什么选择AgenticSeek？ 完全本地 & 私有 - 所有内容都在您的电脑上运行，无云端、无数据共享。 自动化编程助手 - 能编写、调试并运行Python、C、Go、Java等程序，无需监督。 智能代理选择 - 自动判断最合适的代理来完成任务，就像有一支专家团队随时待命。 规划并执行复杂任务 - 从旅行规划到复杂项目，可将大任务拆分为步骤，调用多个AI代理协作完成。️ 语音支持 - 干净、快速、未来感的语音与语音转文本功能（开发中）。 功能特性多语言支持（英语、中文等）模块化代理架构（聊天、编程、文件、浏览器、规划等）本地LLM集成（支持Ollama、llama.cpp等）隐私优先设计（所有数据处理都在本地）可扩展的工具系统会话记忆与上下文管理跨平台支持
1.5K00编辑于 2025-06-15 Goose：免费开源的本地化AI编程助手
Goose：免费开源的本地化AI编程助手，挑战Claude Code每月200美元的高昂费用人工智能编程革命伴随一个显著问题：成本高昂。 根据新系统，Pro用户每周可获得40到80小时的Sonnet 4使用时间。200美元档次的Max用户每周可获得240到480小时的Sonnet 4使用时间，外加24到40小时的Opus 4使用时间。 一位工程师在演示中指出，强调了本地模型如何将开发者从互联网连接的限制中解放出来。Goose能做而传统代码助手不能做的事情Goose作为命令行工具或桌面应用程序运行，可以自主执行复杂的开发任务。 大多数本地模型默认限制为4，096或8，192个令牌，尽管许多可以配置为更长的上下文，但代价是增加内存使用量和降低处理速度。 速度：像Claude Code这样的基于云的服务在专为AI推理优化的专用服务器硬件上运行。在消费级笔记本电脑上运行的本地模型处理请求通常较慢。
88010编辑于 2026-03-11Docker本地部署Crawl4AI
之前本地部署的firecrawl无法正常运行了，于是今天来部署github另外一个高star的爬虫项目：Crawl4AI# Pull the release candidate (recommended for latest features)docker pull unclecode/crawl4ai:0.6.0-r1# Or pull the latest stable versiondocker pull unclecode/crawl4ai:latest如果要使用LLM，准备一个.llm.env文件# Create a .llm.env file with your API keyscat \ --shm-size=1g \ unclecode/crawl4ai:latestWith LLM support:# Make sure .llm.env is in the current \ unclecode/crawl4ai:latest配置部署成功http://10.213.151.220:11235
1.2K10编辑于 2025-06-13- 来自专栏AI
AI Agent实战：基于ReAct与FunctionCalling构建本地编程助手
摘要：本文通过一个从零构建的本地编程助手Agent项目，详解FunctionCalling如何与ReAct（推理-行动）模式协同工作，实现大模型对文件系统的增删改查操作。 本文不探究技术层面以外的影响，这系列博客目标是个人AI转型期间的所有经验积累，因此言归正传，回到主题：FunctionCalling理解。 def main(): """ 主函数：启动交互式命令行界面 """ print(" 欢迎使用本地编程助手 Agent") #print("输入您的需求，例如 循环这1~4步直到任务完成。 根据观察继续下一轮思考或给出最终回答 4、FunctionCalling 从上面例子已经可以明确FunctionCalling就是Agent解析大模型的返回后，调用Agent自身支持的一些列函数，来实现与外部世界
34210编辑于 2026-03-03 - 来自专栏网络安全技术点滴分享
AgenticSeek：完全本地的AI助手，保护隐私的智能代理
AgenticSeek：完全本地的AI助手项目概述AgenticSeek是一个100%本地运行的AI助手，作为Manus AI的完全替代品。 这个支持语音的AI助手能够自主浏览网页、编写代码、规划任务，同时将所有数据保留在您的设备上。专为本地推理模型设计，完全在您的硬件上运行，确保隐私无忧，无需云端依赖。 功能特性 完全本地 & 私有 - 所有内容都在您的电脑上运行，无云端、无数据共享。您的文件、对话和搜索都保持私密。 /start_services.sh full基本使用启动后，您可以通过以下方式与AgenticSeek交互：语音交互：启用语音功能后，直接与助手对话文本输入：通过界面输入您的问题或指令任务委托：让助手执行复杂任务 助手服务，同时确保所有处理都在本地完成，保护用户隐私。
53500编辑于 2025-11-03 用Spring AI搭建本地RAG系统：让AI成为你的私人文档助手
用Spring AI搭建本地RAG系统：让AI成为你的私人文档助手❝ 厌倦了在一堆PDF文档中翻找信息？想让AI帮你读懂那些枯燥的技术文档？ 这就像有了一个永远不会累的研究助手！为什么选择Spring AI + Ollama？ ：本地AI的好伙伴Ollama让你在本地运行各种开源AI模型，不需要：❌ 昂贵的GPU服务器❌ 复杂的模型部署❌ 担心数据隐私只需要一台普通电脑，就能拥有自己的AI助手！ 你的AI文档助手就开始工作了。 这就是Spring AI的威力 - 用最少的代码实现最强的功能。技术细节：深入理解RAG的工作原理文档向量化：让AI理解文本图4：文档向量化过程 - 从文字到数学的转换 向量化是RAG系统的核心技术。
1.1K10编辑于 2025-07-08- 来自专栏Elastic Stack专栏
提升网络安全：本地部署模型与Elastic AI助手的融合优势
本篇文章探讨了本地部署模型与Elastic AI助手在网络安全中的应用。生成型AI在筛选大量数据以寻找不寻常模式以及帮助安全专业人员增强技能和弥补知识缺口方面起到了关键作用。 Elastic AI助手可以快速识别、分析和响应潜在威胁，减少误报的可能性。文章还讨论了本地托管模型的优点，包括提升数据隐私和安全，减少威胁检测的延迟，以及带来的运营优势。 Elastic AI助手集成到Elastic安全中，能快速识别、分析和响应潜在威胁，减少误报的可能性。 对于在高度监管或者隔离环境 (防止未经授权访问而将计算机与不安全网络隔离的设置)中运营的组织，Elastic AI助手通过集成本地托管模型提供了一个安全可靠的选项。 Elastic AI助手的灵活框架让用户可以通过集成专门为特定领域或行业定制的AI模型，轻松适应快速变化的AI发展，提高其应用效果。
43631编辑于 2024-05-07 - 来自专栏山行AI
GPT4All——可本地布署的AI助理
本篇介绍的GPT4All项目，是开源的助手风格大型语言模型，可以在你的CPU上本地运行。 本篇主要将GPT4All的github介绍部分和GPT4All的文档部分整理在一起，方便需要的同学查看。 GPT4All 开源的助手风格大型语言模型，可以在你的CPU上本地运行。 •gpt4all-chat：GPT4All Chat是一个在OSX、Windows和Ubuntu上运行的本地聊天应用程序。它是在日常硬件上运行本地、隐私意识聊天助手的最简单方式。 GPT4All的目标是将最强大的本地助手模型带到你的桌面，Nomic AI正在积极地改进它们的性能和质量。 助手消息被格式化为"Response: {content}"。
5.8K21编辑于 2023-06-26 - 来自专栏JAVA
用 Ollama 打造你的本地 AI 小助手：LLaMA Mistral 部署全流程
模型部署篇 支持的主流模型 模型名 优点 推荐用途 llama2 Meta出品，支持多语言 通用对话 mistral 更轻量，速度更快 知识问答、嵌入场景 deepseek-coder 强编码能力 编程助手 LLaMA 13B 建议至少 16GB 显存 解决方案： ✅ 使用 7B 或 3B 小模型替代 ✅ 指定使用 CPU 模式运行： OLLAMA_NO_CUDA=1 ollama run llama2 4️⃣ 上传模型方式请参考：https://ollama.com/library ✅ 总结：本地部署也能爽用大模型！ 到这里，Ollama + Open WebUI 的本地部署流程你已经拿下啦！ 本地部署三大优势： 离线运行，隐私安全； 灵活自定义模型，系统指令； 多前端适配，可集成插件系统。 参考资料 Ollama 官方文档 Open WebUI GitHub LLaMA 模型介绍 - Meta AI Mistral 模型论文
1.9K30编辑于 2025-04-25 手把手教你搭建本地知识库：打造你的专属AI助手
搭建本地知识库，本质上就是给你自己配一个“第二大脑”——把你所有的资料、文档、笔记交给AI，让它替你记住，随时调取。我之前折腾了好几个方案，踩过不少坑，今天把我摸索出来的路子全盘托出。 一、先搞懂：什么是本地知识库？为什么要自己搭？简单说，本地知识库=你的私有数据+AI搜索引擎。你把所有文档、笔记、资料扔进去，然后用自然语言问它问题，它从这些资料里找答案给你。为什么要自己搭？ 适合谁：90%的职场人，想快速拥有一个私人AI助手。方案二：开源折腾型——Dify+本地模型如果你有一定技术背景，或者想完全免费、完全本地运行，可以试试这个。 在Dify里配置：把Ollama作为模型接入创建知识库：上传文档，Dify会自动切片、向量化开始用：提问，它在本地跑，不上传任何数据优点：完全免费，数据全在本地，隐私最好。 怎么搭：把所有资料整理到飞书云文档（或者钉钉文档）打开AI助手，问它问题，它会搜索你的文档找答案优点：零搭建，会用飞书就会用。团队协作方便，可以共享知识库。缺点：资料在云端，隐私稍弱。
2.8K21编辑于 2026-03-03- 来自专栏程序那些事儿
Chat4GPT：一款本地部署的交互式对话的智能助手
Chat4GPT 是一个基于 GPT4All 生态系统的强大的交互式对话模型。它运用了最新的自然语言处理技术，为用户提供了一个能够进行自然、流畅对话的智能助手。 Chat4GPT 的核心目标之一是提供最强大的本地助手模型，使其能够在您的桌面上工作。Nomic AI 正在积极努力改进模型的性能和质量，并不断进行优化和创新。 持续的改进和优化：Nomic AI 和 GPT4All 团队致力于不断改进 Chat4GPT 的性能和质量。他们持续进行研究和创新，以提供更强大、更可靠的本地助手模型。 Chat4GPT 的应用场景 个人助手：作为一款智能助手，Chat4GPT 可以帮助用户回答问题、提供实用建议和指导。 Chat4GPT 的特点 本地部署和消费级 CPU：GPT4All 的独特之处在于它可以在消费级 CPU 上本地运行。
80020编辑于 2023-12-30 腾讯云AI代码助手 vscode初体验#腾讯云AI代码助手#
可以使用deepseek，代码注释解释，快捷键使用，很丝滑流畅，同时支持原生AI对话，很棒棒 @ 腾讯云 AI 代码助手1、帮你理解项目代码2、通过 #Docs 引用微信知识库，这个太牛逼了，例如「微信小游戏
1.7K10编辑于 2025-03-03- 来自专栏番茄_C语言
本地搭建Code Llama大模型：从零开始搭建你的私人AI编码助手
前言 本篇文章介绍如何在本地部署Text generation Web UI并搭建Code Llama大模型运行,并且搭建Code Llama大语言模型，结合Cpolar内网穿透实现公网可远程使用Code 那么接下来先在本地部署一个Text generation Web UI界面。 1. 本地部署Text generation Web UI 本篇文章测试环境：Windows10专业版 首先我们需要在本地部署Text generation Web UI，是一个基于Gradio的LLM Web 4. 固定Text generation Web UI公网地址 由于以上使用cpolar所创建的隧道使用的是随机公网地址，24小时内会随机变化，不利于长期远程访问。 以上就是如何在本地安装Code Llama以及在本地部署 Text generation Web UI 可视化界面的全部过程。
2K10编辑于 2024-12-31 #腾讯云AI代码助手#新手体验心得@腾讯云 AI 代码助手
Codebase 能力为开发者提供了深入理解与优化本地工程的有力工具。 在实际操作中，无论是新项目的快速上手，还是对遗留代码的优化改进，Codebase 能力都展现出其独特的优势，成为开发者提升工作效率、确保代码质量的得力助手。@腾讯云 AI 代码助手
1.7K10编辑于 2025-03-06腾讯云AI助手体验
安装与配置安装过程：用户可以通过VSCode的扩展市场轻松安装腾讯云AI代码助手插件。安装完成后，需要登录腾讯云账号进行实名认证。 配置要求：确保VSCode版本不低于2.21.7，并且腾讯云AI代码助手为最新版本。功能体验代码补全与生成：AI代码助手能够根据上下文智能补全代码，甚至可以通过自然语言描述生成完整的代码段。 例如，用户只需输入“用Python写个贪吃蛇”，AI就能生成基础版的游戏代码。错误检测与修复：AI助手可以快速定位代码中的问题，并提供修复方案。这对于新手开发者来说尤其有用，因为它减少了调试时间。 优化与重构：AI助手提供代码优化建议，帮助开发者写出更高效、更优雅的代码。例如，它可以通过分析代码的可读性和可维护性，提出改进意见。 学习与参考：AI助手还提供函数解释、代码注释生成、API使用建议等功能，帮助开发者更好地理解和应用新技术。
2.1K10编辑于 2025-02-26QClaw AI 助手产品概要
一、产品定位与核心亮点 QClaw 是一款基于 OpenClaw 开源生态的本地 AI 助手，由腾讯电脑管家官方出品。核心技术属性包括：零门槛部署、直接关联微信接口，实现远程操控电脑和自动化任务处理。 商业差异化卖点：跨平台支持（Mac & Windows）、内置全球顶尖优质大模型（支持切换自定义模型），强调无需复杂配置即可接入微信渠道，提升用户效率和本地办公能力。 三、应用框架和功能介绍 功能框架 产品架构以 OpenClaw 开源生态为基础，核心功能覆盖远程操控、自动化任务处理和对话交互： 文件及系统操控：直接操作本地文件、浏览器和邮件。 AI 对话与记忆：支持上下文持续记忆，基于用户偏好个性化响应。 微信集成：无缝直连微信，实现零配置远程交互。 硬核指标 原文未提供具体量化指标（如协议种类、API响应延迟、数据格式或吞吐量TPS）。 本地部署与高效办公：直接操控文件、浏览器和邮件系统，超越单一对话功能，支持自动化任务处理（如归类文件、提炼信息、规划提醒）。 荣誉背书 原文未提及具体技术荣誉或奖项。
73530编辑于 2026-04-01- 来自专栏帅云霓的技术小屋
大模型与AI底层技术揭秘 (4) 珠算小助手们的家
实际上，圆周率还有很多种算法，例如莱布尼茨提出的最容易记忆的： Pi = 4*((1) - (1/3) + (1/5) - (1/7) + (1/9) - (1/11) + (1/13) ...... ) 还有欧拉在解决巴塞尔问题中发现的： Pi = sqrt (6*(1+1/4+1/9+1/16+1/25+ ... )） （虽然欧拉对于这个结果的证明是错的，但比当时大数学家伯努利算不出来还是要强的 同样，如果给祖冲之1000个珠算小助手，祖冲之也没有办法把割圆术的算法分解成1000份给小助手们执行。 而在《大模型与AI底层技术揭秘 (2) 人妖之间的国度》中，我们提到的原子弹的Langevin方程，是一个可以充分发挥并行计算优势的算法，如果有了GPU，或一大批珠算小助手，就可以通过并行计算的方式来加速计算 聪明的小H看出，原来4080Ti和H100里面就是有一大批珠算小助手呀！ 是的，只是这些珠算小助手被称为“CUDA Core”。
54440编辑于 2023-10-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号