企业官网建设流程全解析

二级域名可以做淘客网站,电商网站有哪些值得注意的,吉林省最新今天的消息,企石网站建设关于UCloud(优刻得)旗下的compshare算力共享平台 UCloud(优刻得)是中国知名的中立云计算服务商#xff0c;科创板上市#xff0c;中国云计算第一股。 Compshare GPU算力平台隶属于UCloud#xff0c;专注于提供高性价4090算力资源#xff0c;配备独立IP#xff0c;支持按时…关于UCloud(优刻得)旗下的compshare算力共享平台UCloud(优刻得)是中国知名的中立云计算服务商科创板上市中国云计算第一股。Compshare GPU算力平台隶属于UCloud专注于提供高性价4090算力资源配备独立IP支持按时、按天、按月灵活计费支持github、huggingface访问加速。使用下方链接注册可获得20元算力金免费体验10小时4090云算力此外还有5090, 3090和P40价格每小时只需要8毛赠送的算礼金够用一整天。https://www.compshare.cn/?ytagGPU_lovelyyoshino_Lcsdn_csdn_display1. 项目介绍1.1 Open-AutoGLM 的定位与意义Open-AutoGLM是由智谱AI在2024年10月推出的开源手机操作智能体框架。该项目基于AutoGLM模型构建代表了在移动设备自动化领域的重要突破。与传统的移动自动化框架不同Open-AutoGLM能够通过视觉理解和自然语言指令来完成复杂的手机操作任务使用户仅需描述高层意图即可实现端到端的自动化流程。官方项目地址为GitHub仓库。该框架的核心创新在于整合了多模态视觉理解、智能规划和设备控制能力。用户可以通过自然语言描述需求例如打开电商应用并搜索特定商品系统会自动解析用户意图、分析当前屏幕内容、规划执行步骤并通过ADBAndroid Debug Bridge实现对物理设备的精确控制。这种端到端的自动化能力在移动应用测试、流程自动化和辅助功能等领域具有重大应用价值。Open-AutoGLM目前支持超过50款主流应用涵盖社交通讯、电商购物、生产力工具、媒体娱乐和旅游导航等多个领域。这些应用包括WhatsApp、Telegram、Amazon、eBay、Gmail、Google Calendar、Google Drive、Chrome、Google Maps和Booking.com等国际应用以及微信、QQ、淘宝、美团等中文应用。这广泛的应用支持使得框架能够适应不同用户的实际需求。目前相关镜像已经存入vLLM-Omni自动生成项目中了。2. 核心概念与架构2.1 ADB 与 Android 远程调试的原理Android Debug BridgeADB是Android官方提供的用于与Android设备进行通信的命令行工具。根据Android官方文档的定义ADB采用客户端-服务器架构设计包含以下三个核心组件客户端端运行在开发计算机上通过命令行与服务器通信用户可以从终端调用ADB命令来执行各种操作。服务器端在启动时绑定到本地TCP端口5037监听来自ADB客户端的命令请求。所有ADB客户端均通过端口5037与服务器建立通信通道。守护进程adbd运行在Android设备上的后台服务负责接收来自ADB服务器的命令并在设备上执行相应操作包括文件传输、屏幕截图、输入模拟等功能。ADB支持多种传输方式。最初的实现方式是通过USB连接这要求设备连接到计算机的USB端口。但从Android 11版本开始Google在操作系统层面引入了原生无线调试支持允许设备通过TCP/IP协议与计算机建立连接。此外ADB还支持通过adb tcpip命令将现有的USB连接转换为TCP/IP模式实现无线调试功能。这种灵活的架构使得Open-AutoGLM能够支持本地USB连接、WiFi远程连接等多种使用场景。2.2 视觉模型服务的角色Open-AutoGLM框架的决策逻辑依赖于一个支持OpenAI兼容API的视觉语言模型服务。该模型在获取设备屏幕截图后能够视觉理解分析屏幕中的UI元素、文本内容和空间布局识别可交互的组件位置和当前应用状态。意图规划根据用户的自然语言指令和当前的屏幕状态规划合理的操作序列决定下一步应该执行的具体动作。动作生成输出结构化的操作命令包括点击坐标、文本输入内容、滑动方向等这些命令由ADB转发给设备执行。这个模型服务可以通过多种方式获取用户可以选择使用第三方云服务如z.ai、Novita AI或ModelScope这些服务已经部署了AutoGLM模型或者用户也可以在本地配有适当GPU的计算机上自行部署模型。两种方式各有优缺点需要根据实际条件选择。3. 本地部署指南3.1 系统需求与硬件配置3.1.1 计算机端系统需求Open-AutoGLM的主程序可运行在macOS、Linux和Windows等多个操作系统上但实际适配程度存在差异。macOS用户推荐使用10.15以上版本特别是配备M1或M2芯片的Apple Silicon机型具有优异的性能表现。Linux用户推荐使用Ubuntu 20.04 LTS或更新版本、CentOS 7以上等主流发行版。Windows用户由于环境配置的复杂性推荐使用Windows 10或11配合WSL2Windows Subsystem for Linux 2来获得更稳定的Linux环境。Python环境方面项目要求Python版本不低于3.9但推荐使用3.10或3.11版本以获得更好的性能和库的兼容性。包管理工具pip的版本应为21.0或更高。计算机的硬件配置中CPU不必过于强劲4核处理器基本可满足需求。内存方面建议至少8GB以上因为vLLM等推理框架在运行时需要加载完整的模型权重和维护计算缓存。如果仅运行框架本身而使用第三方模型服务4GB内存亦可接受。本地存储空间建议预留至少20GB用于存放Python环境、依赖库和模型权重文件。3.1.2 Android设备要求Android设备需要运行Android 7.0API级别24或更高版本。这个版本要求相对较低覆盖了绝大多数在用的Android设备包括2016年及之后发布的主流机型。设备与计算机的连接需要使用支持数据传输的USB线这是一个常见的误区——许多低价USB线仅提供充电功能无法进行数据通信。用户可以通过在计算机上执行adb devices命令来验证USB线是否支持数据传输。3.1.3 云端模型部署的特殊要求若用户选择在云端部署AutoGLM模型则对硬件配置有明显更高的要求。首先需要配备NVIDIA GPU显卡根据社区的实践经验使用A100-40GB或RTX 5880 Ada 48G等40GB显存级别的显卡最为稳定。一般而言在保证推理质量的前提下24GB显存是基本门槛但这可能导致推理速度较慢。显卡对应的CUDA计算能力也有要求需要CUDA 11.8及更高版本。此外模型权重文件本身约占20GB存储空间考虑到模型加载、缓存和日志等开销建议预留至少30GB的SSD空间。完整的部署和测试流程通常需要2-3小时总费用在10-15元左右。这种方式对于测试和学习开发非常经济。3.2 前置环境配置3.2.1 安装 ADB 工具ADB工具是操作Android设备的基础需要首先安装。在macOS系统上最便捷的安装方式是通过Homebrew包管理器。用户需要首先安装Homebrew若未安装然后执行以下命令brewinstallandroid-platform-tools adb version执行adb version后应输出版本信息如Android Debug Bridge version 1.0.41等说明安装成功。若用户倾向于手动安装可以从Google官方平台工具下载页面下载macOS版本的工具包解压后添加到系统PATH环境变量。对于Linux用户以Ubuntu/Debian为例安装过程如下sudoapt-getupdatesudoapt-getinstallandroid-tools-adb android-tools-fastboot adb version在Windows系统上可以使用包管理器Chocolatey进行安装前提是已安装Chocolateychoco install android-platform-tools adb version或者用户可以手动从Google官方下载Windows版本的platform-tools包解压到指定目录如C:\platform-tools然后将该目录路径添加到系统环境变量PATH中。具体操作为右键点击此电脑→属性→高级系统设置→环境变量在用户变量或系统变量中找到Path变量新增一条为C:\platform-tools的路径。重启PowerShell或命令提示符后执行adb version验证配置。3.2.2 配置 Android 设备开发者选项Android设备的开发者选项默认处于隐藏状态需要手动启用。操作流程为打开设备的设置应用导航到关于手机或About Phone菜单找到Build Number或版本号字段用手指快速连续点击7-10次直到屏幕出现提示You are now a developer或您已进入开发者模式。启用开发者模式后返回设置主菜单新的开发者选项或Developer Options菜单项会出现在设置菜单中通常在系统设置的高级选项下。进入该菜单启用USB调试或USB Debugging选项。这一步至关重要因为没有启用USB调试计算机将无法与设备建立通信。在某些设备上还需要启用USB调试安全设置或USB Debugging (Security Settings)这个额外的选项才能完整支持所有远程操作。3.2.3 验证 ADB 连接使用支持数据传输的USB线将Android设备连接到计算机。连接时设备屏幕可能会弹出一个对话框询问是否允许USB调试用户需要点击允许或Always Allow。如果没有弹出对话框可以尝试断开重新连接。连接后在计算机的命令行中执行adb devices成功的输出应为List of attached devices XXXXXXXX device其中XXXXXXXX是设备的序列号。如果输出显示unauthorized说明设备上的授权需要重新确认。解决方案为断开USB线在设备上进入开发者选项重置USB调试授权重新插入USB线重新点击允许。如果仍然无法识别应检查USB线是否支持数据传输某些低价线仅支持充电是否使用了正确的USB端口ADB服务是否已启动可执行adb kill-server adb start-server重启。3.2.4 安装 ADB Keyboard 输入法Open-AutoGLM需要通过ADB Keyboard来模拟用户的文本输入操作。这是因为标准的ADB工具无法直接向输入框发送中文等复杂文字需要借助Android系统的输入法机制。首先用户需要获取ADB Keyboard的APK文件。可以从GitHub项目直接下载或使用curl命令下载curl-O https://github.com/senzhk/ADBKeyBoard/raw/master/ADBKeyboard.apk然后使用ADB命令将APK文件安装到设备adbinstallADBKeyboard.apk安装完成后需要在设备上启用ADB Keyboard作为可用的输入法。操作方式为打开设备的设置导航到系统→语言和输入法不同Android版本的菜单名称可能略有差异在虚拟键盘或输入法部分找到ADB Keyboard启用它。也可以通过命令行方式启用adb shell imeenablecom.android.adbkeyboard/.AdbIME为了确保输入能正常工作建议进一步设置ADB Keyboard为默认输入法adb shell imesetcom.android.adbkeyboard/.AdbIME验证设置是否成功的方式为执行adb shell settings get secure default_input_method正确的输出应为com.android.adbkeyboard/.AdbIME。如果输出不符说明ADB Keyboard设置尚未生效需要重新按上述步骤操作。3.3 本地部署详细步骤本地部署需要经过多个步骤首先需要克隆项目仓库并完成基本环境配置。创建一个独立的Python虚拟环境是最佳实践这样可以避免对系统环境和其他项目的影响gitclone https://github.com/zai-org/Open-AutoGLM.gitcdOpen-AutoGLM python3 -m venv venvsourcevenv/bin/activate# 在Windows上为: venv\Scripts\activate激活虚拟环境后升级pip和相关工具然后安装项目依赖pipinstall--upgrade pip setuptools wheel pipinstall-r requirements.txt pipinstallvllm pipinstall-e.安装完成后验证基本的Python包是否可用python -cfrom phone_agent import PhoneAgent; print(Phone Agent installed successfully)若出现导入错误说明安装过程中存在问题需要检查上述步骤是否完全执行。本地部署的核心是启动vLLM推理服务器。这一步需要较长的执行时间可能需要10-30分钟取决于网络和硬件因为系统需要自动从HuggingFace等源下载约20GB的模型文件。执行以下命令python3 -m vllm.entrypoints.openai.api_server\--served-model-name autoglm-phone-9b-multilingual\--allowed-local-media-path /\--mm-encoder-tp-mode data\--mm_processor_cache_type shm\--mm_processor_kwargs{\max_pixels\:5000000}\--max-model-len25480\--chat-template-content-format string\--limit-mm-per-prompt{\image\:10}\--model zai-org/AutoGLM-Phone-9B-Multilingual\--port8000该命令中各参数的含义为--served-model-name: vLLM服务暴露给客户端的模型名称可以任意指定但应与后续调用时一致。--allowed-local-media-path: 允许加载的本地媒体文件的根路径设置为/表示允许访问所有本地文件。--mm-encoder-tp-mode: 多模态编码器的张量并行模式data表示按数据维度进行并行。--mm_processor_cache_type: 多模态处理器缓存类型shm表示使用共享内存以优化性能。--mm_processor_kwargs: 多模态处理器的配置参数其中max_pixels设置为5000000限制单张图像的最大像素数。--max-model-len: 模型能处理的最大序列长度设置为25480对应模型的最大上下文长度。--chat-template-content-format: 聊天模板的内容格式string表示使用字符串格式。--limit-mm-per-prompt: 单条提示词中多媒体内容的限制{image:10}表示每条提示最多包含10张图像。--model: 要加载的模型在HuggingFace的完整标识。--port: 服务器监听的本地TCP端口默认为8000。启动成功后终端会输出类似Uvicorn running on http://0.0.0.0:8000的信息。此时可以在另一个终端标签页或窗口验证服务是否正常运行curl-X GET http://localhost:8000/v1/models\-HContent-Type: application/json正确的返回应包含模型列表信息。若返回连接错误或超时说明服务未成功启动需要查看vLLM终端中的错误日志进行诊断。常见的启动错误包括CUDA显存不足vLLM会输出具体的显存需求信息、网络连接问题导致模型下载失败、Python版本或依赖库版本不匹配等。用户应根据具体的错误信息进行相应的调整。3.4 部署验证部署完成后项目提供了验证脚本来检查模型服务是否可用python scripts/check_deployment_en.py\--base-url http://localhost:8000/v1\--model autoglm-phone-9b-multilingual若使用第三方服务则相应修改--base-url和--model参数并添加--apikey参数。成功的输出应包含模型的实际推理结果、生成的token数量等统计信息这说明模型服务可以正常工作。4. 手机远程使用4.1 USB连接的本地使用在完成了环境配置和模型服务准备后用户可以开始使用Open-AutoGLM框架。最直接的使用方式是保持USB连接在本地计算机上执行任务。最简单的用法是单次任务执行模式。用户通过命令行指定要执行的任务框架执行完成后自动退出python main.py\--base-url http://localhost:8000/v1\--model autoglm-phone-9b-multilingual\打开Chrome浏览器并搜索Python教程若使用第三方服务则修改--base-url和--model参数并添加--apikey参数。对于需要执行多个连续任务的场景可以使用交互模式。启动时不指定任务框架会进入交互式命令提示符等待用户输入任务描述python main.py\--base-url http://localhost:8000/v1\--model autoglm-phone-9b-multilingual进入后可以逐个输入任务 打开Gmail应用 撰写邮件给supportexample.com 输入邮件主题和内容 发送邮件交互模式下每个任务执行完毕后框架会返回提示符允许用户输入下一个任务。这对于需要观察和验证每一步执行结果的场景特别有用。4.2 WiFi远程调试配置ADB提供了两种WiFi调试方式。较早的Android版本需要使用TCP/IP模式进行设置这需要经过USB中介步骤。较新的Android设备11及以后支持原生的无线调试功能使用更为便捷。对于支持原生无线调试的设备Android 11首先确保计算机和Android设备连接到同一个无线网络。在设备上进入开发者选项找到无线调试或Wireless Debugging选项启用它。启用后设备屏幕会显示一个IP地址和端口号的配对码。在计算机端打开命令行并执行adb connect192.168.1.100:5555其中IP地址和端口需要替换为设备屏幕上显示的实际值。连接成功后可以验证adb devices输出应该包含该设备的连接信息形式为192.168.1.100:5555 device。对于较早的Android版本或特定设备这种方案需要先通过USB建立初始连接然后通过ADB命令启用TCP/IP监听模式。首先用USB线连接设备确认adb devices能识别设备然后执行adb tcpip5555这条命令会使设备启动TCP/IP监听模式监听端口5555。此后可以断开USB线计算机可以通过网络连接到设备。获取设备的IP地址可以通过在设备上查看WiFi设置获得或在系统设置的关于手机页面找到IP地址字段。然后执行adb connect192.168.1.100:5555成功连接后可以像使用本地USB连接一样使用Open-AutoGLM框架python main.py\--device-id192.168.1.100:5555\--base-url http://localhost:8000/v1\--model autoglm-phone-9b-multilingual\打开设备应用参数--device-id用于指定特定的设备这在需要同时连接多个设备时特别有用。4.3 多设备并发控制Open-AutoGLM支持同时连接和控制多个Android设备这对于批量自动化测试或多设备场景特别有价值。查看当前连接的所有设备的命令为adb devices -l该命令会输出更详细的设备信息包括设备序列号、连接模式和硬件型号。通过Python API实现多设备的并发控制可以充分利用计算机的多核处理能力。以下是一个实际的代码示例fromconcurrent.futuresimportThreadPoolExecutorfromphone_agentimportPhoneAgentfromphone_agent.modelimportModelConfigfromphone_agent.adbimportlist_devices# 获取所有已连接设备的列表deviceslist_devices()# 创建模型配置model_configModelConfig(base_urlhttp://localhost:8000/v1,model_nameautoglm-phone-9b-multilingual,)defexecute_task_on_device(device_id,task_description):在指定设备上执行任务的函数try:agentPhoneAgent(model_configmodel_config,device_iddevice_id)resultagent.run(task_description)return{device_id:device_id,status:success,result:result}exceptExceptionase:return{device_id:device_id,status:failed,error:str(e)}# 定义要在各设备上执行的任务列表tasks{devices[0].device_id:打开设置应用,devices[1].device_id:打开Chrome浏览器,devices[2].device_id:打开Gmail应用,}# 使用线程池实现并发执行withThreadPoolExecutor(max_workersmin(3,len(devices)))asexecutor:# 提交所有任务futures{device_id:executor.submit(execute_task_on_device,device_id,task)fordevice_id,taskintasks.items()}# 收集执行结果results{}fordevice_id,futureinfutures.items():try:results[device_id]future.result(timeout300)# 5分钟超时exceptExceptionase:results[device_id]{device_id:device_id,status:timeout,error:str(e)}# 输出执行结果fordevice_id,resultinresults.items():ifresult[status]success:print(f设备{device_id}: 任务成功完成)else:print(f设备{device_id}: 任务失败 -{result.get(error,未知原因)})在这个示例中ThreadPoolExecutor的max_workers参数限制了同时执行的线程数这很重要因为模型服务的并发处理能力有限。通常max_workers设置为3-5是合理的平衡。4.4 详细模式与调试对于复杂的任务或需要理解框架决策过程的情况用户可以启用详细日志输出。在命令行中添加--verbose参数python main.py\--verbose\--base-url http://localhost:8000/v1\--model autoglm-phone-9b-multilingual\任务描述详细模式会输出每一步的决策过程和执行动作例如 思考过程: -------------------------------------------------- 当前屏幕在应用首页需要打开搜索功能 -------------------------------------------------- 执行的动作: { _metadata: do, action: Tap, element: [500, 100] } 这对于理解框架的行为、调试失败案例和优化提示词都非常有帮助。5. 故障诊断5.1 ADB连接诊断ADB连接问题是部署中最常见的问题。若执行adb devices返回空列表或未识别设备需要系统地进行诊断。首先验证ADB服务是否正常运行。重启ADB服务可能解决瞬时问题adb kill-server adb start-server adb devices如果重启后仍无设备显示需要在Android设备上检查开发者选项中USB调试是否启用。某些设备需要同时启用USB调试和USB调试安全设置两个选项才能正常工作。检查完毕后重新连接USB线。若设备显示为unauthorized状态这意味着设备上的RSA密钥验证失败。解决方案为断开USB线在设备的开发者选项中撤销所有已授予的USB调试权限重新插入USB线。此时设备屏幕会再次弹出授权对话框点击Always Allow将计算机的公钥写入设备信任列表。若USB线本身存在问题仅支持充电不支持数据传输需要更换USB线。此外某些USB集线器或扩展坞可能导致连接不稳定建议直接连接到计算机的USB端口。5.2 模型服务诊断若应用无法连接到模型服务首先验证服务是否真正启动。对于本地部署查看vLLM启动时的输出信息确认没有出现CUDA显存不足、模型下载失败等错误。使用curl命令测试API连接curl-X GET http://localhost:8000/v1/models对于第三方服务则测试对应的API端点例如curl-X GET https://api.z.ai/api/paas/v4/models\-HAuthorization: Bearer your-api-key若返回Connection refused说明服务未启动或端口配置错误。若返回超时通常表示网络连接问题。若返回认证错误需要检查API密钥是否正确复制。5.3 文本输入故障文本输入失败或显示乱码通常是由ADB Keyboard问题引起的。首先检查ADB Keyboard是否安装成功adb shell pm list packages|grepadbkeyboard若没有输出或输出不包含com.android.adbkeyboard说明安装失败需要重新安装APK文件。若输出正确但仍无法输入文本则检查输入法是否启用和设置为默认adb shell settings get secure default_input_method输出应为com.android.adbkeyboard/.AdbIME。若不符重新设置adb shell imesetcom.android.adbkeyboard/.AdbIME在Windows系统上中文输入可能因系统编码问题而出现乱码。解决方案为设置Python编码环境变量$env:PYTHONIOENCODING utf-8python main.py...5.4 性能优化建议若模型推理速度过慢可以尝试以下优化策略。首先减少模型的输出token数量model_configModelConfig(base_urlhttp://localhost:8000/v1,model_nameautoglm-phone-9b-multilingual,max_tokens2000,# 从默认3000降低到2000temperature0.05,# 降低采样温度以加快生成)其次对于本地部署增加并行GPU数量。如果配置了多块GPUvLLM可以自动利用它们进行并行推理。最后对于WiFi连接的远程设备确保网络延迟在合理范围内通常100ms。若网络延迟过高可能需要部署到更靠近的服务器位置。6. 参考资源GitHub项目仓库Android Debug Bridge官方文档z.ai模型服务平台Novita AI推理平台ModelScope社区vLLM项目智谱AI官方文档