hms错误码地址：https://terra-1-g.djicdn.com/fee90c2e03e04e8da67ea6f56365fc76/SDK%20%E6%96%87%E6%A1%A3/CloudAPI/hms.json

大疆机场HMS错误

原相机拍出的照片如何进行调整；PS使用技巧，万一能用上呢



# 1、基本
## 1.1、亮部控制

1、照片过曝，降高光

![image.png](/static/img/75dacc5b54d3a56ed9ad4caba7e65f79.image.webp)

2、照片昏暗，应该加白色

![image.png](/static/img/4bb3c4318d0187a0196989c9cf9b04d3.image.webp)

常用手法：提升白色，增加通透感；降低高光，保留过曝细节

## 1.2、暗部控制

1、提升暗部（提亮），阴影效果比黑色大

2、降低暗部（变黑），黑色效果大于阴影

常用手法：提炼阴影，打开暗部细节，压暗黑色，保留厚重感


# 2、纹理质感

## 2.1、纹理

强化细微表面质感（颗粒、粗糙感、材质细节），对边缘轮廓影响小。

适合用在
- 人像：皮肤质感保留 / 磨皮后补质感（轻微加纹理，不会太锐）
- 布料、木纹、石材、皮革：突出材质本身
- 风光：岩石、树皮、沙粒等表面细节


不适合：想要极简干净、平滑的画面（会显噪、显脏）

## 2.2、清晰度

强化中高频边缘对比，让轮廓更 “锐”，类似加强版的局部锐化。

适合用在
- 人像：皮肤以外（头发、眉毛、睫毛、瞳孔、衣服纹理）
- 建筑、风光：增强立体感、线条感
- 产品图：突出轮廓和结构

不适合用在：人脸皮肤：会放大毛孔、痘痘、细纹，显脏显老

## 2.3、去除薄雾

去灰色，如果感觉照片灰蒙蒙的，可以加上，本质上还是调整对比度


# 3、颜色

## 3.1、饱和度

增加时优先增加饱和偏低的地方


## 3.2、饱和度

增加时全局增加饱和度

常用手法：先整体饱和度降低，然后将自然饱和拉升

【摄影】后期P图技巧

手把手教你使用vllm本地部署大模型



# 一、环境准备

- 系统：Ununtu 22.04 LTS
- 显卡：3080TI
- 显卡驱动版本：580
- cuda版本：13.0

## 1、安装显卡驱动580

### 1.1、更新系统+安装依赖

```
sudo apt update && sudo apt upgrade -y

sudo apt install -y gcc make linux-headers-$(uname-r)
```

### 1.2、禁用开源驱动 nouveau


```
sudo echo "blacklist nouveau" >> /etc/modprobe.d/blacklist-nouveau.conf
sudo echo "options nouveau modeset=0" >> /etc/modprobe.d/blacklist-nouveau.conf

#更新内核配置
sudo update-initramfs -u

sudo reboot
```

验证是否禁用成功


```
lsmod | grep nouveau
```

### 1.3、安装驱动


```
sudo apt install -y nvidia-driver-580

sudo reboot
```

验证是否成功


```
nvidia-smi
```

成功可以看到输出

![image.png](/static/img/e32f4c2577a6a8bc7a2883bc7190b025.image.webp)

## 2、安装cuda

地址：https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/

### 2.1、添加官方源

```
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt update
```

### 2.2、安装

```
sudo apt install -y cuda-13-0
```

### 2.3、配置环境变量

```
echo 'export PATH=/usr/local/cuda-13.0/bin:$PATH' >> ~/.bashrc

echo 'export LD_LIBRARY_PATH=/usr/local/cuda-13.0/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc

source ~/.bashrc
```

# 二、安装vllm

## 1、装docker

### 1.1、卸载旧的


```
sudo apt remove -y docker docker-engine docker.io containerd runc
```

### 1.2、安装依赖

```
sudo apt update
sudo apt install -y ca-certificates curl gnupg lsb-release
```

### 1.3、添加 Docker 官方 GPG 密钥


```
sudo mkdir -p /etc/apt/keyrings

#用阿里云的源
curl -fsSL https://mirrors.aliyun.com/docker-ce/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg

sudo chmod a+r /etc/apt/keyrings/docker.gpg
```

### 1.4、添加Docker官方源


```
echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] https://mirrors.aliyun.com/docker-ce/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
```

### 1.5、安装docker引擎

```
sudo apt update
sudo apt install -y docker-ce docker-ce-cli containerd.io docker-compose-plugin
```

### 1.5、开启自启动


```
sudo systemctl enable docker

sudo systemctl start docker
```


## 2、安装nvdia-docker
这是让 Docker 容器调用 3080Ti 的核心组件，只装一次。


```
# 1. 安装密钥
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

# 或者下载下来使用如下命令
cat gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

# 2. 添加国内可用源
curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

#或者下载下来使用如下命令
cat nvidia-container-toolkit.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

# 3. 安装 nvidia-container-toolkit
sudo apt update && sudo apt install -y nvidia-container-toolkit

# 4. 配置 Docker
sudo nvidia-ctk runtime configure --runtime=docker

# 5. 重启 Docker 生效
sudo systemctl restart docker
```

验证是否安装成功

```
sudo docker run --rm --gpus all nvidia/cuda:12.1.1-base-ubuntu22.04 nvidia-smi
```
输出显卡信息则成功

## 3、安装vllm（docker）

### 3.1、拉镜像

```
docker pull swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/vllm/vllm-openai:v0.18.0-cu130

docker tag  swr.cn-north-4.myhuaweicloud.com/ddn-k8s/docker.io/vllm/vllm-openai:v0.18.0-cu130  vllm/vllm-openai:v0.18.0-cu130
```


### 3.2、编写docker-compose（实现宿主机模型映射到docker里面）


```
version: '3.8'

services:
  vllm:
    image: vllm/vllm-openai:v0.4.2
    container_name: vllm
    restart: always
    ipc: host
    network_mode: host
    ports:
      - "8000:8000"
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    volumes:
      # 左边 ↓ 你的宿主机模型路径（一定要改成你自己的）
      - /home/slark/vllm/models:/models
    environment:
      - HUGGINGFACE_HUB_CACHE=/models
      - PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:32,expandable_segments:True
    command: >
      --model /models/Qwen3.5-4B
      --trust-remote-code
      --dtype half
      --api-key 123456
      --max-model-len 512
      --gpu-memory-utilization 0.98
      --enforce-eager

```
### 3.2、启动


```
docker compose up d

docker compose logs -f
```

【VLLM】vllm如何实现本地大模型部署

前后花了快2天时间，研究了一下小龙虾的部署使用，发出来供大家分享！



# 一、部署

## 方案一：源码部署
有条件最好还是使用源码进行部署，博主由于是公司服务器不好搞vpn，所以还是先用镜像部署


```
git clone https://github.com/openclaw/openclaw.git

./docker-setup.sh
```

挺简单的，后续配置一起写。

## 方案二：docker镜像部署

### 1、先拉镜像，最新2026.3.8

在我之前推荐的镜像站拉
```
docker pull swr.cn-north-4.myhuaweicloud.com/ddn-k8s/ghcr.io/openclaw/openclaw:2026.3.8

docker tag  swr.cn-north-4.myhuaweicloud.com/ddn-k8s/ghcr.io/openclaw/openclaw:2026.3.8  openclaw/openclaw:2026.3.8
```

### 2、编写配置文件

创建数据目录

```
mkdir -p data
```
创建环境配置

```
vim .env
```

文件内容如下：

```
OPENCLAW_IMAGE=openclaw/openclaw:2026.3.8
OPENCLAW_GATEWAY_TOKEN=
OPENCLAW_DATA_DIR=./data

```

创建docker-compose.yml


```
vim docker-compose.yml
```
文件内容如下：

```
services:
  # --- 主服务：WebUI 和 Gateway (常驻) ---
  openclaw-gateway:
    image: ${OPENCLAW_IMAGE}
    container_name: openclaw-gateway
    restart: unless-stopped
    init: true
    # 核心改动1：启用宿主机网络模式
    network_mode: host
    environment:
      # 必须配置
      TZ: Asia/Shanghai
      OPENCLAW_GATEWAY_MODE: local
      OPENCLAW_GATEWAY_TOKEN: ${OPENCLAW_GATEWAY_TOKEN}
      # 基础环境
      HOME: /home/node
      TERM: xterm-256color
      # 绑定设置（宿主机模式下建议绑定 0.0.0.0 或保留 lan）
      OPENCLAW_GATEWAY_BIND: "0.0.0.0"
      OPENCLAW_GATEWAY_PORT: 18789
    volumes:
      - ${OPENCLAW_DATA_DIR}:/home/node/.openclaw
      - ${OPENCLAW_DATA_DIR}/workspace:/home/node/.openclaw/workspace
    # 核心改动2：移除 ports 映射（宿主机模式下无需映射）
    command:
      [
        "node",
        "dist/index.js",
        "gateway",
        "--bind",
        "lan",
        "--port",
        "18789",
      ]
    # 补充：添加 root 用户解决权限问题（之前的核心需求）
    user: root
  # --- 工具箱：CLI (默认不启动) ---
  openclaw-cli:
    profiles: ["tools"]
    image: ${OPENCLAW_IMAGE}
    container_name: openclaw-cli
    init: true
    stdin_open: true # -i 允许输入
    tty: true        # -t 伪终端
    # CLI 也启用宿主机网络（保持和主服务一致）
    network_mode: host
    environment:
      OPENCLAW_GATEWAY_MODE: local
      OPENCLAW_GATEWAY_TOKEN: ${OPENCLAW_GATEWAY_TOKEN}
      HOME: /home/node
      TERM: xterm-256color
      BROWSER: echo # 防止尝试打开宿主机浏览器
    volumes:
      - ${OPENCLAW_DATA_DIR}:/home/node/.openclaw
      - ${OPENCLAW_DATA_DIR}/workspace:/home/node/.openclaw/workspace
    entrypoint: ["node", "dist/index.js"]
    # 补充：CLI 也添加 root 用户
    user: root

```

需要注意的几个点：
1. TZ: Asia/Shanghai必须配置，小龙虾web页面连不上很多时候是因为这个时间不一致问题
2. user: root 这个配置也要加，之前进去有时候是node用户，没有修改配置之类的权限

### 3、初始化配置服务
执行如下命令开始初始化

```
docker compose run --rm -u root openclaw-cli onboard
```

一开始无脑点跳过和yes就行，后面有需要再配置

### 4、修改配置


```
vim data/openclaw.json
```

需要改以下内容：


```
 "gateway":
    {
        "port": 18789,
        "mode": "local",
        "bind": "lan",
        "controlUi":
        {
            #OpenClaw 的控制 UI 是网页端，浏览器会做跨域（CORS）验证，设为 true 时，若 UI 端的 Origin 验证失败，会降级使用请求头中的 Host 字段来判断是否允许访问；
            "dangerouslyAllowHostHeaderOriginFallback": true,
            #设为 true 时，允许在非加密通道（HTTP）下传递认证信息；实际情况是这个没卵用
            "allowInsecureAuth": true
        },
        "auth":
        {
            "mode": "token",
            "token": "8406dc0b3bfcffd579314ef9214b7dd66e031f8c1a97b054"
        },
        "tailscale":
        {
            "mode": "off",
            "resetOnExit": false
        },
        "tls":
        {
            #这个是开https的
            "enabled": true,
            "autoGenerate": true
        },
        "nodes":
        {
            "denyCommands":
            [
                "camera.snap",
                "camera.clip",
                "screen.record",
                "contacts.add",
                "calendar.add",
                "reminders.add",
                "sms.send"
            ]
        }
    }
```

### 5、启动服务

```
docker compose up -d
```

页面访问 https:://yourip:18789 即可进入controlUi



# 二、web ui页面使用

## 1、配置令牌

进入概览页面，先配置网关令牌


![image.png](/static/img/70f45f7f1dc1ceeedb5fef50e61d8bde.image.webp)

这里令牌获取方式如下

```
#进入容器
docker exec -it openclaw-gateway bash

#执行生成token指令
openclaw dashboard --no-open
#结果会生成http://127.0.0.1:18789/#token=8406dc0b3bfcffd579314ef9214b7dd66e031f8c1a97b054这样一个url，后面的token就是你要复制的值

#粘贴到web页面上进行连接，然后在容器内继续执行如下命令，进行设备匹配
openclaw devices list

#找到对应ip的requesId，进行设备匹配认证
openclaw devices approve <requestId>


```
随后即可web页面进行访问聊天

## 2、配置模型

执行如下命令

```
docker compose run --rm -u root openclaw-cli onboard

```
这一步选择Custom Provider


![image.png](/static/img/deec10b7ee32b6f129a286bebdd096a7.image.webp)

api的接口地址

![image.png](/static/img/5a8c651257e84396e660d03045c33d26.image.webp)

API KEY

![image.png](/static/img/0894ed7c3a15f4468d47f2612ff0754d.image.webp)


![image.png](/static/img/96eb453ebd7e2205f8f58bb89bfe57af.image.webp)

接口协议

![image.png](/static/img/158cc0b3616667ca2450d9d8dea2ca7c.image.webp)

模型id qwen-max或者百炼的其他模型

![image.png](/static/img/99bbe6c074f406e2cad9182621d68074.image.webp)

之后就OK了，暂时可以聊天了，之后可以在配置频道


## 3、自定义skills

Skill我觉得是现在大模型Agent系统的核心，下图是Skills的整体演化过程。MCP的技术门槛比较高，需要有一定的技术能力才能开发，Tools Call功能又过于单一，更多倾向于一些工具而非具体的流程。Skill其实也就是prompt的进化版本，通过定义一系列的提示词让模型完成整个工作流程。


![image.png](/static/img/9d4650c9f195aebae5a2c560d8e85109.image.webp)

以我要让模型具有给手机打语音电话的功能，可通过如下流程进行开发

### 1、生成skills目录

```
#在docker的data映射目录新建skills目录
mkdir -p /data/skills/voice-alarm

```
### 2、编辑SKILL.md 内容如下

```
---
name: voice-alarm
title: 语音告警通知助手
description: 识别打电话/语音通知意图，提取手机号/位置/告警类型，调用接口发送语音短信
version: 1.1.0
author: your-name
user-invocable: true
command-dispatch: tool
parameters: []
requires:
  bins:
    - curl
    - python3  # 用于URL编码（兼容所有系统，比shell内置工具更稳定）
---

# 技能执行逻辑（性能优化版：合并命令、减少进程创建）
## 步骤1：根据用户的输入，提取出其中的关键信息，并根据实际值修改以下参数
export SIGN_NAME=""     # 发生了什么事情 例如火灾告警或者学生安全行为预警等
export PHONE_NUM = ""   #需要打电话的手机号码
export POSITION = ""    #火灾位置

## 步骤2：其余参数为固定参数
export SMS_REQUEST_URL="/sendVoice?phoneNum={0}&signName={1}&templateCode={2}&content={3}"  
export TEMPLATE_CODE="xxxx"      
export SMS_IP="http://xxxx:xxxx"         

## 步骤3：校验必填信息
if [ -z "$PHONE_NUM" ]; then
  echo "[ERROR] 未从对话中提取到有效手机号码（格式：11位数字）"
  exit 1
fi
if [ -z "$POSITION" ]; then
  echo "[ERROR] 未从对话中提取到位置信息（如：北京市、朝阳区）"
  exit 1
fi
if [ -z "$ALARM_EVENT" ]; then
  echo "[ERROR] 未从对话中提取到告警类型（如：火灾、漏水）"
  exit 1
fi

## 步骤4：构造content参数并URL编码（合并为单次python调用，减少3次python进程启动）
export CONTENT_RAW="{\"position\":\"$POSITION\",\"alarm_event\":\"$ALARM_EVENT\"}"
# 一次python调用完成所有编码，输出为 | 分隔的字符串
ENCODED_VALUES=$(python3 -c "
import urllib.parse
raw = '$CONTENT_RAW'
sign = '$SIGN_NAME'
tpl = '$TEMPLATE_CODE'
print('|'.join([
    urllib.parse.quote(raw, encoding='utf-8'),
    urllib.parse.quote(sign, encoding='utf-8'),
    urllib.parse.quote(tpl, encoding='utf-8')
]))
")
# 拆分编码结果
CONTENT_ENCODED=$(echo "$ENCODED_VALUES" | cut -d'|' -f1)
SIGN_NAME_ENCODED=$(echo "$ENCODED_VALUES" | cut -d'|' -f2)
TEMPLATE_CODE_ENCODED=$(echo "$ENCODED_VALUES" | cut -d'|' -f3)

## 步骤5：拼接完整请求URL（合并为单次sed调用，减少4次sed进程）
export FULL_URL_PATH=$(echo "$SMS_REQUEST_URL" | sed -e "s/{0}/$PHONE_NUM/g" \
    -e "s/{1}/$SIGN_NAME_ENCODED/g" \
    -e "s/{2}/$TEMPLATE_CODE_ENCODED/g" \
    -e "s/{3}/$CONTENT_ENCODED/g")
export FULL_REQUEST_URL="$SMS_IP$FULL_URL_PATH"

## 步骤6：打印日志（请求URL和编码后的参数）
echo "[INFO] 原始content参数：$CONTENT_RAW"
echo "[INFO] URL编码后的content：$CONTENT_ENCODED"
echo "[INFO] 完整请求URL：$FULL_REQUEST_URL"

## 步骤7：调用语音短信接口（设置10秒超时）
RESPONSE=$(curl -s -m 10 "$FULL_REQUEST_URL")

## 步骤8：打印返回值日志并输出结果
if [ -z "$RESPONSE" ]; then
  echo "[ERROR] 接口调用超时/无返回值（URL：$FULL_REQUEST_URL）"
  echo "❌ 语音告警通知发送失败：接口无响应"
else
  echo "[INFO] 语音短信接口返回值：$RESPONSE"
  echo "✅ 语音告警通知处理结果："
  echo "├─ 手机号：$PHONE_NUM"
  echo "├─ 位置：$POSITION"
  echo "├─ 告警类型：$ALARM_EVENT"
  echo "├─ 接口请求地址：$FULL_REQUEST_URL"
  echo "└─ 接口返回：$RESPONSE"
fi

```

### 3、重启docker容器
`docker compose down && docker compose up -d`

### 4、页面配置

![image.png](/static/img/058d70dd7dc1d6a04c3e9de13f4c6b42.image.webp)

### 5、优化手段

- 1、能一步完成的尽量一步完成，减少模型调用次数
- 2、shell脚本尽量一步执行，否则会执行非常慢

### 6、效果


![image.png](/static/img/5142c6a07b05a0b8985336b067ecf52d.image.webp)

可见该脚本自动调用了两个工具，一个是读取md文件，另一个是exec执行shell命令调用接口