最近我把本地高性能主机上的 CLIProxyAPI 通过一台有公网 IP 的阿里云 ECS 暴露到了公网，整体方案比“直接开放本地端口”稳妥很多，也更适合长期维护。 这篇文章就按实际落地过程，完整记录一下 Caddy + FRP + CLIProxyAPI 的部署思路和操作步骤。 一、整体目标 我当前有两台机器： A：阿里云 ECS 有公网 IP 负责域名入口、HTTPS 证书、反向代理 B：本地高性能主机 没有公网 IP 负责真正运行 CLIProxyAPI 最终链路如下： 12345用户 / Claude Code / 浏览器 ↓ HTTPS阿里云 ECS A（Caddy + frps） ↓ FRP 隧道本地服务器 B（frpc + CLIProxyAPI） 最终对外访问地址： 1https://ai.YOUR_DOMAIN 二、为什么不用直接暴露本地服务 如果把本地服务器直接发布到公网，通常会遇到几个问题： 本地机器没有公网 IP 家宽、校园网、办公网往往都在 NAT 后面 HTTPS 证书、域名解析和端口映射维护麻烦 直接暴露本地服 ...
最近为了让 Linux 主机能够更稳定地访问 GitHub 和部分外部服务，我重新整理了一套 Mihomo + pon / poff 的本机代理方案。 这套方案的重点不是“给全局网络开代理”，而是：只让 Linux 主机自己按需走代理，并且尽量不影响其他本地服务。 一、这篇文章要解决什么问题 我的目标比较明确： Mihomo 常驻运行 只监听本机回环地址 不对局域网其他设备开放代理 需要时一键打开当前 shell 代理 不需要时一键关闭代理 最终效果如下： 1234命令行程序（git / curl / apt 等） -> 127.0.0.1:7890 -> Mihomo -> 代理节点 也就是说，这套方案主要服务于： git curl apt 终端里的其他联网程序 而不会主动影响： 局域网其他设备 本机对内服务 不需要走代理的日常网络访问 二、准备条件 开始之前，需要具备这些前提： Linux 主机已经可以正常执行 Linux 命令 已经拿到一份可用的 Clash / Mihomo 配置 已经下载好 Mihomo 二进制，或者准备上传到 ...
最近为了让远程控制链路更稳定，也为了摆脱对公共中继服务的依赖，我把 RustDesk Server OSS 单独部署到了自己的阿里云 ECS 上。 这篇文章按实际操作过程，完整记录一下 RustDesk 服务端手动部署 的步骤。整套方案不依赖 Docker，也不使用 Pro 安装脚本，更适合自己长期维护和排查问题。 一、这篇文章适合什么场景 如果你符合下面这些情况，这篇文章应该会比较有参考价值： 手里有一台公网 Linux 服务器 想搭建自己的 RustDesk 服务端 不想依赖官方公共服务器 希望通过自己的域名接入客户端 更偏好“原生二进制 + systemd”的部署方式 本文采用的是 RustDesk Server OSS 原生二进制手动部署。 二、整体架构 最终架构比较简单： 1234RustDesk 客户端 -> rustdesk.YOUR_DOMAIN -> 阿里云服务器 -> hbbs + hbbr 其中： hbbs：负责 ID / rendezvous hbbr：负责 relay 三、为什么选择手动部署 我一开始尝试过其他方式，比如： ...
大模型研习
未读随着2022年底 ChatGPT 刷新 NLP 的能力上限，大语言模型开始接替传统的预训练语言模型（Pre-trained Language Model，PLM） 成为 NLP 的主流方向，基于 LLM 的全新研究范式正刷新被 BERT 发扬光大的预训练-微调范式，NLP 迎来又一次翻天覆地的变化。 究竟什么是 LLM，LLM 和传统的 PLM 的核心差异在哪里，又是什么令研究者对 LLM 抱有如此高的热情与期待呢？ 在本文中，将深入分析 LLM 的定义、特点及其能力，揭示 LLM 与传统深度学习模型的核心差异，展示LLM 的实际三阶段训练过程。 LLM的定义 LLM（Large Language Model，大语言模型），是一种相较传统语言模型参数量更多、在更大规模语料上进行预训练的语言模型。 LLM 使用与传统预训练语言模型相似的架构与预训练任务（如 Decoder-Only 架构与 CLM 预训练任务），但拥有更庞大的参数、在更海量的语料上进行预训练，从而展现出与传统预训练语言模型截然不同的能力。 随着 LLM 研究的不断深入，多参数尺寸的 LLM 逐渐丰富，广义 LLM 一 ...
大模型研习
未读预训练语言模型 Encoder-only PLM Transformer 结构主要由 Encoder、Decoder 两个部分组成，两个部分分别有不一样的结构和输入输出。 针对 Encoder、Decoder 的特点，引入 ELMo 的预训练思路，开始出现不同的、对 Transformer 进行优化的思路。例如： Google 选择了 Encoder 层，通过将 Encoder 层进行堆叠，提出不同的预训练任务-掩码语言模型（Masked Language Model，MLM），打造了自然语言理解（Natural Language Understanding，NLU）任务的代表模型——BERT。 OpenAI 则选择了 Decoder 层，使用原有的语言模型（Language Model，LM）任务，通过不断增加模型参数和预训练语料，打造了在自然语言生成（Natural Language Generation，NLG）任务上的 GPT 系列模型。 Google 发布的 T5 模型同时保留 Encoder 与 Decoder，打造预训练的 Transformer 模型。 在本小节 ...
算法学习
未读字符串 字符串刷题记录，基于代码随想录整理。 快速索引方法分组 344 反转字符串（双指针） 541 反转字符串 II（分段处理） 模拟 替换数字（遍历构造） 151 反转字符串中的单词（去空格 + 整体反转 + 单词反转） 右旋 右旋字符串（整体反转） 28 找出字符串中第一个匹配项的下标（KMP） 459 重复的子字符串（KMP） 双指针：344、151 模拟分段处理：541、替换数字、右旋字符串 KMP：28、459 344. 反转字符串 问题描述 编写一个函数，其作用是将输入的字符串反转过来。输入字符串以字符数组 s 的形式给出。 不要给另外的数组分配额外的空间，你必须原地修改输入数组、使用 O(1) 的额外空间解决这一问题。 示例 1： 12输入：s = ["h","e","l","l","o"]输出：["o","l","l","e","h"] 示例 2： ...
算法学习
未读哈希表 242. 有效的字母异位词 问题描述 给定两个字符串 s 和 t ，编写一个函数来判断 t 是否是 s 的 字母异位词。 示例 1: 12输入: s = "anagram", t = "nagaram"输出: true 示例 2: 12输入: s = "rat", t = "car"输出: false 提示: 1 <= s.length, t.length <= 5 * 104 s 和 t 仅包含小写字母 进阶: 如果输入字符串包含 unicode 字符怎么办？你能否调整你的解法来应对这种情况？ 思路 数组其实就是一个简单哈希表，且这道题目中字符串只有小写字符，那么就可以定义一个大小为 26 的数组（字符a到字符z的ASCII是26个连续的数值），记录字符串s里字符出现的次数。 遍历字符串 s 时，将 s[i] - ‘a’ 所在的元素做+1 操作即可； 同样遍历字符串 t 时，将 t[i] - ‘a’ 所在的元素做-1 操作即可； 数组若存在元素不为0，说明字符串s和 ...
解决 vscode 连接服务器无法正常使用代理（codex插件） 起因：在服务器配置了代理，但是无法正常使用codex,一致显示连接超时 本地终端配置 在本地终端中输入 1ssh -R 9999:localhost:7890 用户名@主机IP 输入密码后实现与服务器的连接 服务器端配置 vscode 连接服务器后，在 /home/username/.bashrc 最后添加： 12345678910111213cat >> ~/.bashrc <<'EOF'vpn() { export http_proxy=http://192.168.1.23:9999 export https_proxy=http://192.168.1.23:9999 echo "Proxy has been set to 192.168.1.23:9999"}unvpn() { unset http_proxy https_proxy echo "Proxy has been disabled& ...
Encoder-Decoder Seq2Seq模型 Seq2Seq 模型输入的是一个自然语言序列 input=(x1,x2,x3...xn)input = (x_1, x_2, x_3...x_n)input=(x1,x2,x3...xn) ，输出的是一个可能不等长的自然语言序列 output=(y1,y2,y3...ym)output = (y_1, y_2, y_3...y_m)output=(y1,y2,y3...ym), Transformer 是一个典型的 Seq2Seq 模型，序列进入 Encoder 进行编码，到 Encoder Layer 的最顶层再将编码结果输出给 Decoder Layer 的每一层，通过 Decoder 解码后就可以得到输出目标序列了。 编码：将输入的自然语言序列通过隐藏层编码成复杂的词向量表示。 解码：对输入的自然语言序列编码得到的向量通过隐藏层输出，再解码成对应的自然语言目标序列。 几乎所有的 NLP 任务都可以视为 Seq2Seq 任务。例如文本分类任务，可以视为输出长度为 1 的目标序列（如在上式中 mmm ...
生活札记
未读“export http_proxy=http://127.0.0.1:xxx” 是什么意思？ **事情起因：**今天给学校集群服务器配置代理的时候，发现总是要输入这些命令，但是平时都是只知道敲命令而不懂原理，就很好奇这些究竟是什么意思❓ export 是什么？ 在 Linux 系统里，export 的意思是**“声明/导出环境变量”**。 可以把它想象成在当前的终端里贴了一张 “全局通告”。只要是在这个终端里运行的任何程序（不管是 curl、pip、git 还是 Python 脚本），在启动时都会先抬头看一眼这些通告。 http_proxy 和 https_proxy 是什么？ 这两个是 Linux 软件世界里约定俗成的两个**“路标变量名”**。 http_proxy 管的是普通的、不加密的网页请求。 当你访问一个以 http:// 开头的网址时，你发出的请求和收到的数据都是明文的。 举例：这就好比你写了一张没有任何遮挡的明信片寄出去。邮递员、转运中心的大爷、甚至是你学校机房的网络管理员，只要他们愿意，低头就能把你明信片上写的字（比如你的账号、密码、你在看什么网页）看得一清 ...
