news 2026/8/16 13:16:38

本地AI编程助手ClaudeCode部署指南：Ollama+VS Code实战避坑

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
本地AI编程助手ClaudeCode部署指南：Ollama+VS Code实战避坑

如果你是一名开发者，最近可能已经感受到了AI编程助手带来的效率冲击。从GitHub Copilot到Cursor，再到各种本地部署的代码生成模型，工具越来越多，但真正能无缝融入开发流程、理解复杂上下文、且成本可控的解决方案，似乎总是差那么一点。要么是云端模型响应慢、有隐私顾虑，要么是本地模型能力弱、配置复杂。

最近，一个名为ClaudeCode的项目在开发者社区中引发了不小的讨论。它并非来自Anthropic官方，而是一个开源项目，旨在将强大的开源代码模型（如DeepSeek Coder、CodeLlama等）封装成一个类似Cursor或Copilot的智能IDE插件体验。它的核心卖点很直接：让你在本地或私有环境中，获得媲美商业闭源产品的代码补全、对话和重构能力，同时完全掌控数据和模型。

然而，当你兴致勃勃地搜索“ClaudeCode安装教程”时，大概率会陷入混乱：搜索结果里充斥着“Claude code”、“claudecode官网”、“claude code安装”等相似但指向不明的关键词；教程步骤各异，从Docker部署到源码编译，让人无所适从；更常见的是，跟着教程走了一半，却卡在“deepseek-v4-pro is not a model this version of claude code recognizes”这样的模型识别错误上，或者遇到“not logged in · run /login”的权限问题，最终只能放弃。

这篇文章要解决的，正是这个痛点。本文不是简单复述某个过时的安装命令，而是为你梳理出一套清晰、可靠、可复现的ClaudeCode实战指南。我们将从“它到底是什么”开始，厘清概念混淆，然后手把手带你完成从环境准备、模型配置、插件安装到实战应用的全过程。更重要的是，我会重点讲解那些教程里很少提及的“坑”，比如模型格式转换、Ollama集成、以及如何根据你的硬件选择最合适的模型，确保你一次配置成功，真正将AI编程助手用起来。

1. ClaudeCode究竟是什么？先厘清三个关键误解

在开始动手之前，我们必须先统一认知。网络上关于“ClaudeCode”的信息非常混乱，主要源于三个普遍的误解。

误解一：ClaudeCode是Anthropic官方的Claude产品。这是最大的误解。Anthropic推出的AI编程产品是Claude for Developers或集成在IDE中的Claude插件，它调用的是云端Claude模型（如Claude 3.5 Sonnet）。而我们讨论的ClaudeCode，是一个在GitHub上开源的社区项目（通常指claudecode或claude-code仓库）。它的目标是构建一个本地的、可接入多种开源模型的“智能编程环境”，其命名可能是对“Claude”能力的致敬或类比，但二者并无直接关联。

误解二：ClaudeCode是一个单一的应用程序或模型。不准确。更准确地说，ClaudeCode是一个“项目生态”或“技术栈”。它通常包含几个核心部分：

  1. 后端服务：一个用于托管和运行AI模型的服务器，常用的是基于Ollama或vLLM等推理框架。
  2. 模型文件：实际执行代码生成任务的AI模型，如deepseek-coder:6.7b、codellama:7b等，需要单独下载。
  3. 前端/客户端：与你交互的界面。这可能是：
    • VS Code插件：在VS Code中提供代码补全和聊天面板。
    • 独立桌面应用：一个类似Cursor的独立GUI应用。
    • Web UI：通过浏览器访问的界面。 网络热词中的“claude code桌面版下载”指的就是独立应用，“vscode配置claude code”指的就是插件形式。

误解三：安装就是下载一个安装包然后双击。对于ClaudeCode，尤其是追求本地化、高性能的部署方式，安装更像是一个“系统集成”过程。它涉及运行环境（Docker/Python）、模型管理工具（Ollama）、IDE插件配置等多个环节的串联。任何一个环节的版本不匹配或配置错误，都会导致失败。这也是为什么很多“一键安装教程”最后不work的原因。

所以，请记住：本文的“ClaudeCode”指的是开源社区项目，其核心价值在于让你用开源模型搭建私有化、高性能的AI编程助手环境。

2. 环境准备：你的电脑真的能跑吗？

在拉取任何代码之前，请先评估你的硬件和环境。这能避免你浪费数小时下载一个根本无法流畅运行的模型。

2.1 硬件要求（关键！）

AI模型对硬件，尤其是GPU显存，要求苛刻。以下是不同规模模型的粗略需求估算：

模型规模 (参数)最低显存 (GPU)推荐显存 (GPU)纯CPU运行内存适用场景
7B (如 CodeLlama 7B)8 GB16 GB32 GB+基础代码补全，轻度对话，个人学习。CPU推理较慢。
13B-16B (如 DeepSeek Coder 16B)16 GB24 GB64 GB+较好的代码生成和理解能力，小型项目开发。
34B (如 CodeLlama 34B)32 GB+48 GB+128 GB+强大的代码能力，接近中等商业模型水平。个人电脑很难满足。

核心建议：

  • 如果你有 NVIDIA GPU（RTX 3060 12G 及以上）：优先使用GPU推理，速度极快。确保安装了正确版本的CUDA驱动。
  • 如果你只有CPU（或苹果M系列芯片）：可以运行7B或更小的模型（如1.3B），但响应速度会慢很多（可能需10-30秒生成一段代码）。苹果M芯片通过Ollama可以利用其神经网络引擎加速。
  • 内存/显存不足怎么办？可以使用量化模型。例如，deepseek-coder:6.7b-q4_K_M中的q4_K_M表示4位量化，能大幅降低资源占用（可能只需原模型40%的显存），而性能损失相对较小。这是在有限硬件上运行更大模型的实用技巧。

2.2 软件环境准备

我们将选择最主流、兼容性最好的路线：使用Ollama作为模型运行后端，在VS Code中通过插件连接。这是目前社区验证最充分的方案。

  1. 安装 OllamaOllama是管理和运行大模型的利器。前往官网 ollama.com 下载对应操作系统的安装包（Windows/macOS/Linux），像安装普通软件一样完成安装。 安装后，打开终端（命令提示符、PowerShell 或 Terminal），运行以下命令验证：

    ollama --version

    应该能看到版本号输出。

  2. 安装 VS Code如果你还没有安装，请前往 code.visualstudio.com 下载安装。这是我们的前端工作环境。

  3. （可选但推荐）安装 Git后续可能需要克隆一些配置仓库或脚本。从 git-scm.com 下载安装。

3. 核心部署：四步搭建你的本地AI编程助手

现在开始核心部署。请严格按照步骤操作。

3.1 第一步：拉取并运行模型服务（Ollama）

Ollama安装好后，它本身没有模型。我们需要拉取一个代码模型。对于代码生成，DeepSeek-Coder和CodeLlama是当前最好的开源选择。

以DeepSeek-Coder6.7B量化模型为例（对硬件友好，能力均衡）：

在终端中执行：

ollama run deepseek-coder:6.7b

注意：模型名称deepseek-coder:6.7b是Ollama社区预置的标签。首次运行会自动从官网拉取模型文件，文件大小约4GB，下载时间取决于你的网络。

如果你想尝试其他模型，可以运行：

# CodeLlama 7B 模型 ollama run codellama:7b # DeepSeek Coder 更小的1.3B模型，速度极快 ollama run deepseek-coder:1.3b # 指定量化版本以节省显存（推荐） ollama run deepseek-coder:6.7b-q4_K_M

当看到类似>>>的提示符时，说明模型已加载成功，并进入了交互模式。你可以直接在这里测试模型，输入Write a Python function to calculate factorial。按Ctrl+D退出交互模式。

关键点：退出交互模式后，模型服务默认还在后台运行吗？这取决于Ollama的配置。为了确保后续VS Code插件能连接，我们最好让Ollama以服务形式运行。通常，Ollama桌面应用在启动时会自动运行后台服务。你可以在终端用ollama list查看已下载的模型，用ollama serve启动服务（如果没自动运行）。

3.2 第二步：配置VS Code插件（连接桥梁）

模型服务在后台跑起来了，现在需要让VS Code能跟它对话。

  1. 打开VS Code，进入扩展市场（Ctrl+Shift+X）。

  2. 搜索插件：Continue。这是目前连接Ollama等本地模型与VS Code最流行、最稳定的插件之一（另一个是Genie，但Continue生态更活跃）。找到由Continue发布的插件，点击安装。

    • 为什么不用叫“ClaudeCode”的插件？因为那个名字的插件可能已下架或指向不明。Continue插件是通用型，可以配置多种后端，包括Ollama。

  3. 安装后，VS Code左侧活动栏会出现一个“脑图”图标，这就是Continue。点击它，通常会提示你进行初始配置。

3.3 第三步：关键配置——连接Ollama与Continue

这是最容易出错的一步。我们需要手动编辑Continue的配置文件。

  1. 在VS Code中，按下Ctrl+Shift+P（或Cmd+Shift+Pon Mac）打开命令面板。

  2. 输入Continue: Open Config并回车。这会在你的用户目录下打开（或创建）一个JSON配置文件：~/.continue/config.json。

  3. 将配置文件内容修改为以下内容。请仔细阅读注释：

    { "models": [ { "title": "DeepSeek Coder (Local)", "provider": "ollama", // 指定使用Ollama后端 "model": "deepseek-coder:6.7b", // 必须与你在Ollama中拉取和运行的模型名称完全一致！ "apiBase": "http://localhost:11434" // Ollama服务的默认地址和端口 } ], "tabAutocompleteModel": { "title": "DeepSeek Coder (Local)", "provider": "ollama", "model": "deepseek-coder:6.7b", "apiBase": "http://localhost:11434" } }

    配置解释：

    • "provider": "ollama"：告诉Continue使用Ollama。
    • "model"：这个字符串必须与ollama run使用的模型名一模一样。如果你运行的是deepseek-coder:6.7b-q4_K_M，这里也要改成这个。
    • "apiBase"：Ollama默认的API服务地址。如果未修改过Ollama配置，就是http://localhost:11434。
    • 我们配置了两个部分：一个用于聊天对话 ("models")，一个用于代码自动补全 ("tabAutocompleteModel")。

  4. 保存配置文件。

3.4 第四步：验证与测试

  1. 确保Ollama服务运行：在终端执行ollama list，确保能看到你下载的模型。如果服务没启动，在终端执行ollama serve。
  2. 重启VS Code：为了使配置生效，完全关闭并重新打开VS Code。
  3. 测试对话：
    • 点击左侧的Continue图标（脑图）。
    • 在Continue面板的输入框里，用中文或英文问一个问题，例如：“用Python写一个快速排序算法。”
    • 观察右下角或状态栏，应该会出现“Continue正在思考...”的提示。稍等片刻（速度取决于你的硬件），答案就会以Markdown格式在面板中呈现，并可能附带生成的代码块。
  4. 测试代码补全：
    • 新建一个Python文件（.py）。
    • 开始输入代码，例如输入def fibonacci(n):然后回车。
    • 在下一行，当你输入注释或部分代码时，VS Code可能会给出灰色的补全建议。按Tab键可以接受补全。

如果以上步骤都成功，恭喜你，你的本地AI编程助手已经搭建完成！

4. 完整实战示例：让ClaudeCode帮你开发一个Flask API

让我们通过一个具体的项目，体验ClaudeCode在真实开发流程中的辅助能力。我们将创建一个简单的用户管理Flask API。

4.1 项目初始化与需求询问

  1. 在VS Code中新建一个文件夹flask-user-api并打开。

  2. 在Continue聊天面板中输入我们的需求：

    “我需要创建一个简单的Flask REST API，用于用户管理。包含以下功能：1. 获取用户列表（GET /users）。2. 根据ID获取单个用户（GET /users/ ）。3. 创建新用户（POST /users）。4. 更新用户信息（PUT /users/ ）。5. 删除用户（DELETE /users/ ）。用户数据暂时用一个内存中的列表来模拟。请帮我规划一下项目结构，并生成主要的代码文件。”

  3. ClaudeCode（通过DeepSeek Coder模型）可能会回复如下，并生成一些文件：

    好的，我将为你创建一个简单的Flask用户管理API。项目结构如下： - app.py: 主应用文件 - requirements.txt: 依赖文件 - .gitignore: Git忽略文件 我们先从依赖开始。

    它可能会自动创建requirements.txt并填入Flask。

4.2 生成核心应用代码

接下来，我们可以更具体地要求它生成app.py的内容。

在Continue面板中输入：

“请生成完整的app.py代码，实现上面提到的所有五个端点。使用一个全局列表users来模拟数据，初始包含几个示例用户。每个用户有id、name和email字段。请包含必要的导入和错误处理。”

生成的app.py代码示例：

# app.py from flask import Flask, request, jsonify app = Flask(__name__) # 模拟用户数据 users = [ {"id": 1, "name": "Alice", "email": "alice@example.com"}, {"id": 2, "name": "Bob", "email": "bob@example.com"}, {"id": 3, "name": "Charlie", "email": "charlie@example.com"} ] # 辅助函数：获取下一个用户ID def get_next_id(): if users: return max(user['id'] for user in users) + 1 return 1 # 1. 获取所有用户 @app.route('/users', methods=['GET']) def get_users(): return jsonify(users) # 2. 根据ID获取单个用户 @app.route('/users/<int:user_id>', methods=['GET']) def get_user(user_id): user = next((u for u in users if u['id'] == user_id), None) if user is None: return jsonify({"error": "User not found"}), 404 return jsonify(user) # 3. 创建新用户 @app.route('/users', methods=['POST']) def create_user(): if not request.is_json: return jsonify({"error": "Content-Type must be application/json"}), 400 data = request.get_json() if not data or 'name' not in data or 'email' not in data: return jsonify({"error": "Missing required fields (name, email)"}), 400 new_user = { "id": get_next_id(), "name": data['name'], "email": data['email'] } users.append(new_user) return jsonify(new_user), 201 # 4. 更新用户信息 @app.route('/users/<int:user_id>', methods=['PUT']) def update_user(user_id): user = next((u for u in users if u['id'] == user_id), None) if user is None: return jsonify({"error": "User not found"}), 404 if not request.is_json: return jsonify({"error": "Content-Type must be application/json"}), 400 data = request.get_json() if 'name' in data: user['name'] = data['name'] if 'email' in data: user['email'] = data['email'] return jsonify(user) # 5. 删除用户 @app.route('/users/<int:user_id>', methods=['DELETE']) def delete_user(user_id): global users user_to_delete = next((u for u in users if u['id'] == user_id), None) if user_to_delete is None: return jsonify({"error": "User not found"}), 404 users = [u for u in users if u['id'] != user_id] return jsonify({"message": "User deleted successfully"}), 200 if __name__ == '__main__': app.run(debug=True)

4.3 使用代码补全和行内对话优化代码

生成的代码骨架不错，但我们可以让它更好。

  1. 添加数据验证：将光标放在create_user函数中处理data的部分，然后打开Continue的“行内聊天”功能（通常可以通过选中代码右键，或使用快捷键Cmd/Ctrl + I唤起）。输入：

    “请为email字段添加一个简单的格式验证逻辑。” 模型可能会在代码上方或下方生成一个验证函数，或者直接修改现有代码。

  2. 使用代码补全：在update_user函数里，当你输入if 'name' in data:之后，尝试直接按Tab键，看看模型是否会自动补全后续的更新逻辑。好的模型能根据上下文给出合理的补全。

  3. 请求生成单元测试：在Continue主聊天面板输入：

    “请为这个app.py生成一个简单的单元测试文件test_app.py，使用pytest。” 模型会生成测试用例，覆盖各个API端点。

4.4 运行与调试

  1. 在终端中安装依赖并运行应用：
    cd /path/to/flask-user-api pip install -r requirements.txt # 如果模型生成了这个文件 python app.py
  2. 使用curl或 Postman 测试API：
    # 获取所有用户 curl http://127.0.0.1:5000/users # 创建新用户 curl -X POST http://127.0.0.1:5000/users \ -H "Content-Type: application/json" \ -d '{"name":"David","email":"david@test.com"}'

通过这个完整的例子，你不仅看到了ClaudeCode如何生成代码，还体验了它在开发流程中的交互式辅助：从需求分析、文件生成、代码补全到测试创建。这才是AI编程助手的正确打开方式。

5. 常见问题与排查思路（避坑指南）

以下是部署和使用过程中最常见的问题及解决方法。

问题现象可能原因排查方式解决方案
VS Code中Continue插件显示“无法连接模型”或一直“正在思考…”1. Ollama服务未运行。
2.config.json中的模型名错误。
3. API地址或端口错误。
4. 防火墙/网络策略阻止连接。		1. 终端运行ollama list，检查服务与模型。
2. 运行curl http://localhost:11434/api/tags查看Ollama API是否正常返回模型列表。
3. 核对config.json的model和apiBase。		1. 启动服务：ollama serve。
2. 确保模型名完全一致，包括标签（如:6.7b）。
3. 确认Ollama运行在11434端口。如果是远程或Docker，修改地址。
错误：“deepseek-v4-pro is not a model this version of claude code recognizes”你使用的“ClaudeCode”客户端版本较旧，或配置中引用了不存在的模型别名。确认你使用的是Ollama+Continue方案，而不是其他已过时的“ClaudeCode”桌面客户端。最佳方案：放弃寻找特定“ClaudeCode”应用，采用本文的Ollama + Continue插件标准方案。
错误：“not logged in · run /login”你尝试使用的某个“ClaudeCode”版本需要登录Anthropic账户，而这通常不可用或已失效。同上，这是使用了错误的、需要云端认证的客户端。切换到本地化方案（Ollama+Continue），完全无需登录。
代码补全（Tab Autocomplete）不工作1. Continue配置中未设置tabAutocompleteModel。
2. VS Code设置中禁用了相关功能。
3. 模型不支持或速度太慢。		1. 检查~/.continue/config.json是否有tabAutocompleteModel节。
2. 在VS Code设置中搜索“Continue”，确保自动补全启用。		1. 确保配置文件中包含tabAutocompleteModel（见3.3步骤）。
2. 在VS Code命令面板执行Continue: Toggle Tab Autocomplete启用。
模型响应速度极慢1. 硬件不足（特别是CPU运行大模型）。
2. 模型过大（如34B）。
3. 未使用GPU加速。		1. 检查任务管理器/活动监视器，看CPU/内存/GPU占用。
2. 使用ollama ps查看模型运行状态和资源使用。		1. 换用更小的模型（如1.3B, 6.7B）。
2. 使用量化版本（-q4_K_M）。
3. 确保Ollama能识别并使用你的NVIDIA GPU（Windows/macOS通常自动，Linux需配置）。
生成的代码质量不高或不符合预期1. 模型能力有限。
2. 提示（Prompt）不够清晰。
3. 上下文长度不足。		1. 尝试更大的模型（如16B）。
2. 在提问时提供更详细的约束、示例或背景。		1. 升级模型：ollama run deepseek-coder:16b（需硬件支持）。
2. 学习编写更好的提示词：将任务拆解，指定语言、框架、输入输出格式。

6. 高级配置与最佳实践

当你成功运行基础版本后，可以探索以下进阶配置来提升体验。

6.1 模型管理与切换

Ollama可以同时管理多个模型。你可以根据项目需求切换。

# 拉取另一个模型，例如专精SQL的模型 ollama pull sqlcoder:7b # 在VS Code的Continue配置中，将 "model" 改为 "sqlcoder:7b"，重启即可切换。

你甚至可以在config.json的"models"数组中配置多个模型，在Continue界面中通过下拉菜单快速切换。

6.2 配置系统级提示词（System Prompt）

System Prompt可以设定模型的角色和行为准则，让它的输出更符合你的习惯。在config.json中，可以在模型配置里添加"systemMessage"字段。

{ "models": [ { "title": "DeepSeek Coder (Local)", "provider": "ollama", "model": "deepseek-coder:6.7b", "apiBase": "http://localhost:11434", "systemMessage": "你是一个资深的Python和JavaScript开发助手。你给出的代码应该简洁、高效，并包含适当的注释。优先使用标准库和流行的框架。当被问及最佳实践时，请详细解释。" } ], ... }

6.3 使用OpenAI兼容API（接入更多客户端）

Ollama提供了OpenAI兼容的API端点。这意味着任何支持OpenAI API的客户端（如其他IDE插件、脚本）都可以连接你的本地模型。 启动Ollama时，它默认就在http://localhost:11434/v1提供了兼容API。例如，你可以这样调用聊天接口：

curl http://localhost:11434/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "deepseek-coder:6.7b", "messages": [ {"role": "user", "content": "写一个二分查找的Python函数"} ], "stream": false }'

这为集成其他工具（如脚本自动化）提供了极大便利。

6.4 性能优化：量化与参数调整

  • 量化：如前所述，在模型名后加量化标签，如:q4_K_M、:q8_0。q4_K_M在精度和速度间取得了很好的平衡。
    ollama run deepseek-coder:6.7b-q4_K_M
  • 调整上下文长度：某些模型支持在运行时调整上下文窗口（默认为2048或4096）。对于长代码文件，可能需要更大上下文。这通常在拉取模型时通过Modelfile自定义，或使用Ollama的OLLAMA_NUM_CTX环境变量，但并非所有模型都支持。

7. 总结：从“能用”到“好用”的思考

通过以上步骤，你应该已经成功在本地搭建了一个由开源模型驱动的AI编程助手。回顾整个流程，其核心价值在于“可控”和“可定制”。

  • 数据可控：所有代码、对话都在本地处理，无需担心敏感项目代码上传至第三方服务器。
  • 成本可控：一次部署，无限次使用，无需为API调用付费。
  • 模型可选：你可以自由选择最适合你领域（Python、Java、Go、SQL等）的专家模型，而不是被绑定在某个通用模型上。
  • 体验可集成：通过Ollama的标准化API，可以轻松集成到现有的CI/CD流水线、代码审查工具或自定义工作流中。

当然，它也有局限：最强大的开源代码模型与顶尖的闭源模型（如GPT-4、Claude 3.5）在复杂逻辑、深层推理和跨文件上下文理解上仍有差距；本地部署对硬件有要求；需要一定的运维和调试能力。

给你的最终建议是：不要把它当作一个万能的黑盒代码生成器，而是视为一个强大的“高级代码补全和知识查询工具”。用它来生成重复性高的样板代码、快速学习新库的用法、重构代码片段、或者解释一段复杂的遗留代码。对于核心业务逻辑和架构设计，它应该作为你的副驾驶，最终的决策权和责任仍在你自己手中。

下一步，你可以探索更强大的模型（如DeepSeek Coder 33B），尝试为团队部署一个共享的Ollama服务器，或者研究如何将本地模型与GitHub Actions结合，自动生成代码审查评论。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/8/16 13:15:33

YOLO+Qwen-VL+OpenClaw：破解农业视觉检测三大难题的协同架构

1. 项目概述&#xff1a;当传统视觉检测遇上果园复杂场景 最近在做一个智慧果园的项目&#xff0c;核心需求是通过视觉技术自动识别果树上的果实、病虫害以及一些关键生长状态。一开始&#xff0c;团队很自然地想到了YOLO&#xff08;You Only Look Once&#xff09;系列模型&a…

作者头像 李华
网站建设 2026/8/16 13:06:00

Kubectl命令实战指南：从基础查询到高级调试的完整工作流

1. 从“手忙脚乱”到“心中有数”&#xff1a;我的kubectl命令进阶之路 刚接触Kubernetes那会儿&#xff0c;面对黑漆漆的终端和复杂的资源关系&#xff0c;我最常干的事儿就是一边翻文档&#xff0c;一边在 kubectl get pods 和 kubectl describe pod [莫名其妙的一串ID] …

作者头像 李华
网站建设 2026/8/16 13:05:56

OpenClaw开源AI智能体框架：从本地部署到30个落地场景全解析

1. 项目概述&#xff1a;从“小龙虾”到你的全能AI副驾 最近在AI智能体圈子里&#xff0c;OpenClaw这个名字的热度有点高&#xff0c;不少朋友跑来问我&#xff1a;“这玩意儿到底能干嘛&#xff1f;看名字像个开源工具&#xff0c;但具体能解决我手头的什么问题&#xff1f;”…

作者头像 李华
网站建设 2026/8/16 13:03:34

从Docker Compose到生产环境：复杂应用部署全流程实战指南

1. 项目概述&#xff1a;从“毕昇”到现代应用部署 最近在技术社区里&#xff0c;“毕昇的部署”这个话题热度不低&#xff0c;很多朋友乍一看标题可能有点懵&#xff0c;以为是要部署什么古代印刷术。其实这里的“毕昇”并非指那位活字印刷术的发明家&#xff0c;而是一个现代…

作者头像 李华
网站建设 2026/8/16 13:01:51

自制压缩小程序

好久不更新了&#xff0c;今天来更一下&#x1f60a;众所周知要压缩多张照片&#xff0c;并且大小限制得比较严格&#xff0c;用AI帮忙又容易给你搞砸了&#xff1a;而其他网站的压缩工具要么不能严格给你压缩成你想要的大小&#xff0c;要么容易泄露隐私。于是我搞了一上午写了…

作者头像 李华
网站建设 2026/8/16 12:44:43

Windows无线投屏全解析：从Miracast原理到实战排错

1. 项目概述&#xff1a;被低估的桌面无线化利器 如果你和我一样&#xff0c;常年和电脑、投影仪、电视打交道&#xff0c;那你肯定遇到过这样的场景&#xff1a;会议室里&#xff0c;为了把笔记本画面投到电视上&#xff0c;一群人围着找HDMI线&#xff0c;或者手忙脚乱地安装…

作者头像 李华