主要功能：群组聊天，直接通信，私聊群，桌面通知，媒体嵌入，链接预览，文件上传，语音/视频 聊天，截图等等。
https://www.cyberciti.biz/howto/how-to-skip-chatgpt-from-wireguard-or-openvpn-on-linux/
TL;DR: talkGPT4All 是一个在PC本地运行的基于talkGPT和GPT4All的语音聊天程序，通过OpenAI Whisper将输入语音转文本，再将输入文本传给GPT4All获取回答文本，最后利用发音程序将文本读出来，构建了完整的语音交互聊天过程。
有时候我们需要在多台服务器上执行相同的命令，比如安装软件，复制，粘贴，删除等等，但一台一台的去操作工作量就太大了，我们可以借助SecureCRT这款客户端远程连接工具实现这样的要求!
v4.3+版本请移步到：https://doc.crmeb.com/single/crmeb_v4/6931
本文分成两部分，包括【国内服务器上搭建chat GPT】和【后端Spring Boot集成chat GPT】。
最近花了一周的时间，复习了HTML、CSS、原生JS，并学习了Node.js、CoffeeScript.js、MongoDB，入了下门。 因为准备在Rocket.chat 上做二次开发，所以先下载和安装了Rochet.chat 的环境。由于Rocket.chat在Mac环境下下载和运行非常简单，所以相关的文章非常少，但是还是有一些坑，会让我们怀疑是不是没这么简单，这里记录下Rocket.chat 的下载和运行过程。
OpenIM包含多个关键组件，每个都是系统功能必不可少的一部分。具体来说，MongoDB 用于持久化存储；Redis 用作缓存；Kafka 用于消息队列；Zookeeper 用于服务发现；Minio 用于对象存储。这些组件的众多可能会增加部署的复杂性。此外，系统包含多个微服务模块，这要求有效管理进程的启动、停止和监控。为了简化这一过程，我们放弃了传统脚本，转而采用了 mage 这一跨平台方案，兼容所有主流平台和 CPU 架构。本文将详细介绍整个源码部署过程。
Chat2DB 是一款有开源免费的多数据库客户端工具，支持windows、mac本地安装，也支持服务器端部署，web网页访问。和传统的数据库客户端软件Navicat、DBeaver 相比Chat2DB集成了AIGC的能力，能够将自然语言转换为SQL，也可以将SQL转换为自然语言，可以给出研发人员SQL的优化建议，极大的提升人员的效率，是AI时代数据库研发人员的利器，未来即使不懂SQL的运营业务也可以使用快速查询业务数据、生成报表能力。
Chat2DB 是一款有开源免费的多数据库客户端工具，支持windows、mac本地安装，也支持服务器端部署，web网页访问。
官方文档不支持在windows上搭建rocket chat的开发环境，我自己也尝试过，最后放弃了,选择了linux环境。
Rocket.Chat是一个完整的团队沟通平台，是一个自我托管的Slack替代品。 它由Meteor构建，提供各种功能，包括帮助台聊天，视频会议，文件共享，语音消息，API等。 在本教程中，我们将向您展示如何在CentOS 7服务器上部署Rocket.Chat并将Nginx配置为SSL反向代理。
随着移动通信技术的快速发展，由几年前的2G模块，到现在广泛使用的4G模块，5G虽然很火热，但是5G模组还不是很成熟，另外据说专家们已经在研究6G了，移动通信真是发展迅速啊。随着它们速率的不断提供，模块的接口形式也在不断的变化，2G模块只要串口就可以了，4G模块一般用的USB接口，当然串口也可以，只不过速率慢些。由于4G模块的驱动较为复杂，所以如果是USB接口，在普通MCU上做就会比较困难，这时Linux系统的优势就体现出来了，Linux由于其完备的驱动支持，在上面做4G就会容易很多。
最近chatGPT可谓是火的一发不可收拾，从圈内火到圈外。在人工智能领域，Ai已经是一个屡见不鲜的东西了，为什么这次openAi推出的chatGPT却异常的受人欢迎？其实这还得益于GPT模型。
使用涉交网络作为C2 Server有两个好处，一方面是因为社交网络的服务器稳定，另一个方面是因为在于其通信的数据可以隐藏在正常的流量中，不容易被发现，本节主要是"站在巨人的肩膀"上来介绍通过Telegram的Bots功能结合Python来对API的调用来实现C2。
「许可说明」: Chat2DB开源内容仅供个人免费使用，如想将该项目用于商业用途，请先联系该项目作者。
Github 地址:https://github.com/zhayujie/chatgpt-on-wechat
近期 Meta 发布了最新的 Llama3 模型，并开源了开源代码。Meta Llama 3 现已推出 8B 和 70B 预训练和指令调整版本，可支持广泛的应用程序。
Qt 里的 Qt Network 模块，提供了一些类，让网络编程变得更容易，且支持跨平台。
春节过后，大家又忙起来了。不过腾讯云的轻量免费升级活动后，得益于升级后的大空间。现在又有新的玩法 --- 那就是搭建一个在线聊天室，使用的是一个叫做Fiora的开源在线聊天室。
在AI浪潮风起云涌的当下，AI正在不断地重塑着每一个行业。在各大厂先后争先恐后地推出一系列大模型的同时，也不断出现了很多开源的大模型。今天介绍的这个出现在GitHub热榜上的项目是MLC LLM。它是一种通用解决方案，可以在各种硬件后端和本地应用程序上原生部署任何语言模型，同时为所有人提供一个高效的框架，以进一步优化模型性能以适应其自身的用例。 一切都在本地运行，无需服务器支持，并且可以在手机和笔记本电脑上通过本地GPU加速。
我把 ChatGPT 接入到了自己的微信上，让朋友们帮我做了测试。大家的问题千奇百怪，不得不说它的泛化能力是真的强大。
talkGPT4All是基于GPT4All的一个语音聊天程序，运行在本地CPU上，支持Linux，Mac和Windows。它利用OpenAI的Whisper模型将用户输入的语音转换为文本，再调用GPT4All的语言模型得到回答文本，最后利用文本转语音(TTS)的程序将回答文本朗读出来。
SIM868模块具有GPRS数据传输功能（2G网络)，但是模块是通过AT指令控制的，在树莓派上用AT指令控制会非常不方便，如果可以像wifi一样操作就很方便了。通过ppp拨号上网就可以实现这个功能。
TelegramRAT是一款功能强大的基于Telegram的远程通信访问控制工具，该工具具备跨平台特性，可以通过Telegram来实现控制端与目标设备之间的远程通信，并实现远程访问控制功能。
整个maven系列的内容前后是有依赖的，如果之前没有接触过maven，建议从第一篇看起，本文尾部有maven完整系列的连接。
大模型具有庞大的参数量，内存开销大，7B模型仅权重就需要14+G内存，采用自回归生成token，需要缓存Attention 的k/v带来巨大的内存开销；动态shape，请求参数不固定，Token逐个生成，且数量不定，因此在部署上都存在一些挑战。
这里首先介绍的是大模型侧的工具安装部署实践，至于为什么先提大模型侧后提知识库侧呢？这是因为大模型通常是知识库操作和应用的基础与核心，是提供智能决策的引擎。它们构建了理解和生成文本、图像、语音等多模态反应的基础能力，是整个智能应用的心脏，同时，由于这次主题是本地大模型个人知识库，所以大模型的安装、配置、优化和部署是首要步骤，也是确保知识库工具能够顺畅运行的基石。
还可以解答各种各样的问题，而且显然不只 10 岁小孩子的智商，感觉它已经把互联网上所有的公开资料都吸收并消化了。
也ok，且比codegolf在python运行速度更快。作者表示，自己在本地运行上述计算需要30s，ChatGPT只需10s。
早在去年年底，LMDeploy 已经悄悄地支持了多模态（视觉）模型（下文简称 VLM）推理，只不过它静静地躺在仓库的 examples/vl 角落里，未曾与大家正式照面。
面对每天海量的arxiv论文，以及AI极速的进化，我们人类必须也要一起进化才能不被淘汰。ChatPaper是一款论文总结工具。AI用一分钟总结论文，用户用一分钟阅读AI总结的论文。
chat.gptmini.ai 第一批独立付费用户的服务期已经终止，这一年 AIGC 变化太快，在与客户商量以后我决定把代码开源出来，今天先介绍下 Linux 服务器环境准备，所需要的所有依赖都打包在网盘了，如果你需要最新版本的，自行在官网下载即可。
欢迎使用 wechat-chatgpt 在微信上迅速接入 ChatGPT，让它成为你最好的助手！ English | 中文文档 功能点 使用 WeChat 和 ChatGPT 进行互动： 基于 wechaty 和 Official API 在微信中使用 ChatGPT 支持多轮对话 支持命令设置 部署和配置选项： 提供 Dockerfile，可以通过 docker 进行部署 支持使用 docker compose 进行部署 支持在 Railway 和 Fly.io 上部署 其他功能： 支持 Da
Clone-Wars 是真的强，能细数 70+ 知名应用网站的源码，即便你不看代码，也可以了解下各大网站的所用技术栈。同样很强的是用 OpenCV 实现的图片转 csv 文件的 image2csv。而作为开源的认证和授权服务器的 authelia 也很强，和反向代理们搭档，拦截不可靠的 Query 查询，保证数据安全。
使用docker可以轻松构建一个项目并运行，然而在真实的使用场景中，我们的项目并非是单一的，而是多个项目相互依赖组成一个web应用。
Cobalt Strike应该是大家耳熟能详的工具了，它支持在客户端添加自定义的cna脚本来扩展功能。
如 Facebook的llama3, 谷歌的gemma, 微软的phi3，阿里的qwen2 等模型。
随着AI不断的发展，各大厂商都公开了很多模型，那么我们自己是否可以在本地运行起这些模型呢，答案是肯定的！今天带给大家3分钟使用Ollama快速搭建环境运行本地大模型，支持主流的Lama 3, Phi 3, Mistral, Gemma等等大模型，同时支持主流操作系统，不管你是Mac还是Linux更或者是Windows，哪怕你没有强大的GPU，也可以通过CPU进行体验学习。
我们将使用 InternStudio 中的 A100(1/4) 机器和 InternLM-Chat-7B 模型部署一个智能对话 Demo
给小白的《50讲Python自动化办公》，课程一直在更新中，昨晚12点多，有朋友在课程群里问能不能支持Mac？
在命令下还有一些关于通讯的命令。有些还允许实时的通信，提供功能性的chat，当其他人允许你给他发送邮件。
一、概述 MySQL Fabric这一新的架构为MySQL提供了高可用和向外扩展的特性。本实验专注于使用Fabric对多个MySQL服务器进行读写实现向外扩展。当单个MySQL服务器（或HA组）的写性能达到极限时，可以使用Fabric把数据分布到多个MySQL服务器组。注意这里说的组可以是单一服务器，也可以是HA组。管理员通过建立一个分片映射定义数据如何在多个服务中分片。一个分片映射作用于一个或多个表，由管理员指定每个表上的哪些列作为分片键，MySQL Fabric使用分片键计算一个表的特定行应该存在于哪个分片上。当多个表使用相同的映射和分片键时，这些表上包含相同列值（用于分片的列）的数据行将存在于同一个分片。单一事务可以访问一个分片中的所有数据。目前Fabric提供两种用分片键计算分片号的方法： HASH：在分片键上执行一个哈希函数生成分片号。如果作为分片键的列只有很少的重复值，那么哈希函数的结果会平均分布在多个分片上。 RANGE：管理员显式定义分片键的取值范围和分片之间的映射关系。这可以尽可能让用户控制数据分片，并确定哪一行被分配到哪一个分片。 应用程序访问分片的数据库时，它设置一个连接属性指定分片键。Fabric连接器会应用正确的范围或哈希映射，并将事务路由到正确的分片。当需要更多的分片时，MySQL Fabric可以把现有的一个分片分成两个，同时修改状态存储和连接器中缓存的路由数据。类似地，一个分片可以从一个HA组迁移到另一个。 注意单一的事务或查询只能访问一个单一的分片，所以基于对数据的理解和应用的访问模式选择一个分片键是非常重要的。并不是对所有表分片都有意义。对于当前不能交叉分片查询的限制，将某些小表的全部数据存储到每一个组中可能会更好。这些全局表被写入到‘全局组’，表中数据的任何改变都会自动复制到所有其它非全局组中。全局组中模式（结构）的改变也会复制到其它非全局组中以保证一致性。为了得到做好的映射，在没有‘自然选择’的分片键时可能需要修改模式。 二、安装与配置
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
