所有的文章会迁移到微信公众号，如果对我的文章和分享感兴趣的可以关注一下我的公众号，后续的文章会同步在公众号中分享和发表。

再次感谢大家的关注，谢谢！

Coze基本介绍

扣子是新一代 AI Agent 开发平台。无论你是否有编程基础，都可以在扣子上快速搭建基于大模型的各类 AI 应用，并将 AI 应用发布到各个社交平台、通讯软件，也可以通过 API 或 SDK 将 AI 应用集成到你的业务系统中。

ORM概述

ORM = Object Relational Mapping（对象关系映射）。它是一种 让你用面向对象的方式操作数据库 的技术。

一句话解释：
ORM = 把 Python（或其他语言）里的对象 ↔ 数据库里的表记录 互相转换的工具。

举个最直观的例子：

不用 ORM（纯 SQL）

1
2
3

cursor.execute("SELECT id, name, age FROM users WHERE id = 1")
row = cursor.fetchone()
user = {"id": row[0], "name": row[1], "age": row[2]}

1

user = session.query(User).filter_by(id=1).first()

数据库里的users表，就像程序里的一个User类；每个数据行就是类的实例。

也就是说：

数据库表 → 类（Class）

数据行 → 对象（Object）

表字段 → 类属性（Attribute）

一、创建大模型请求函数

由于后续的课程中会使用到大模型去做相关的实验，所以需要提前准备一个大模型API，用于后续调用。

可以直接使用Ollama，也可以使用其他厂商的API【例如：deepseek，qwen，豆包等等】。

或者参考我的博客教程

1

from utils.llms import OllamaChat

1
2
3
4
5

chat_model = OllamaChat(
    system_message="nothink",
    url='http://localhost:6008/api/chat',
    model_name='qwen3:8b'
)

1
2
3

responses = chat_model.chat("你好，你是谁？", stream=True)
for response in responses:
    print(response, end="", flush=True)

<think>

</think>

你好！我是Qwen，是阿里巴巴集团旗下的通义实验室自主研发的超大规模语言模型。我能够进行多轮对话、回答问题、创作文字，比如写故事、写邮件、写剧本等，还能进行逻辑推理、多语言翻译、代码生成等任务。我的目标是让每个人都能更轻松地获取信息、表达想法和创造内容。有什么我可以帮助你的吗？

PostgreSQL简介

PostgreSQL（简称 Postgres）是一款开源、企业级、稳定且功能非常强大的关系型数据库系统。

它始于 1986 年加州大学伯克利分校的 POSTGRES 项目，至今已经发展为：

最先进、最强大的开源关系数据库。

和 MySQL、SQLite 是同等级别的数据库产品，但定位更偏向企业级和高端应用。

与Mysql不同的是，Postgre在database和table之间还有一个schema层。默认的情况下，创建好database后会自动创建并应用一个public schema。

coze 工作流的原理与发展趋势

Coze 工作流：概念与原理

概念定位

• Coze 是一个 AI 智能体 / Agent 开发平台，将大语言模型、插件、记忆、知识库、代码节点等能力整合起来。
• 在该平台中，“工作流”（workflow）是用于把多个能力模块（如插件、LLM、代码、判断条件、知识库等）以可视化的节点方式组合起来，形成一个有控制逻辑、有数据流转、可执行的业务流程。
• 工作流可以看作是“业务逻辑编排层”，在 Bot / Agent 接收输入之后，根据需要调用工作流来完成具体的功能。Chatflow（聊天流程）可以被视为一种有专门交互流程的工作流。

Mysql8.0介绍

MySQL 8.0 是 Oracle 公司在 2018 年正式发布的主流开源关系型数据库版本，相比 5.7 有 跨时代的改进。它在性能、可扩展性、安全性、JSON 处理、事务特性以及可观测性等方面都做了很大升级，目前已成为互联网、金融、电商等领域最常用的数据库之一。

大模型私有化部署的意义、场景与整体流程

为什么要进行大模型私有化部署？

当前大语言模型（LLMs）如 ChatGPT、DeepSeek、Qwen、Claude 等迅速发展，在自然语言处理、知识问答、代码生成、办公助手等方面展现出强大能力。然而，很多企业、高校和组织在应用这些模型时，会面临以下问题：

1. 数据隐私与安全
   • 对话内容、业务数据传输至公有云存在泄密风险。
   • 合规要求限制外部数据传输（如《数据安全法》《个人信息保护法》）。
2. 稳定性与成本控制
   • 公有 API 的调用成本昂贵，且调用次数或速率受限。
   • 外部模型可能因网络波动、访问限制而无法使用。
3. 对边缘计算和本地部署的需求
   • 一些工业、政务、医疗等场景下只能部署在本地或内网。

因此，大模型私有化部署应运而生：将开源模型部署在本地服务器、GPU 算力平台、云原生平台或边缘设备中，构建独立的智能服务系统。

项目介绍

本项目旨在构建一个“语音驱动的数字人”，通过语音识别、自然语言理解与语音合成，实现与用户的自然对话交互。用户只需对着麦克风说话，系统即可自动识别语音内容，通过大语言模型生成回答，并将结果实时语音播放，提供类人对话体验。

核心流程如下：

1. 用户说话
2. Whisper 识别语音转文本（ASR）
3. 使用 Ollama 本地大模型理解/回答问题（LLM）
4. 使用 EdgeTTS 语音合成回答内容（TTS）
5. 播放生成的语音回应

该系统适用于智能助手、教育机器人、客户服务等场景，支持本地部署，保障数据安全与响应速度。

随着人工智能（AI）技术的迅猛发展，AI助手与应用程序之间的高效通信变得尤为重要。模型上下文协议（Model Context Protocol，简称MCP）应运而生，旨在为大型语言模型（LLMs）与外部数据源和工具之间提供标准化的接口。在MCP的众多特性中，Streamable HTTP传输机制作为一种现代化的通信方式，正在逐渐取代传统的Server-Sent Events（SSE）传输方式，成为AI通信的新标准。