本文介绍科研助手的产品特性。 开发环境 云原生的资源使用和开发工具链的集成，为不同类型的开发、探索、教学的科研用户，提供更好云化开发体验。 并行计算 平台一键下发并行计算任务，用户无需关心底层资源部署和配置，为高校科学计算提供了全新体验。 存储管理 支持对接多种类型存储源，兼容性强，提供了更灵活丰富的选择。 数据集管理 丰富的数据集来源，包括不限于本地数据集、网盘数据集和共享数据集，提供可视化交互操作。

本文为您介绍什么是CLI工具 天翼云CLI工具是一款运行在终端中的交互式 / 脚本化软件客户端。通过使用天翼云CLI工具，您可以在终端中轻松管理您的天翼云资源。此外，您还可将其作为 AI 智能体的调用工具入口，通过指令对接天翼云 API，轻松实现资源全生命周期管理、批量配置调整与自动化运维。 为什么使用CLI 日常管理云资源时，相较于网页控制台、SDK、原生 OpenAPI ，天翼云 CLI 能很好平衡易用性与扩展性，是更适配多场景的选择。 网页控制台在批量运维场景下操作繁琐、效率低下；SDK 需要搭建开发环境、调试与上手成本偏高；直接调用 OpenAPI 还需自行处理鉴权签名、请求封装、异常兼容等底层逻辑。 天翼云 CLI 原生运行于终端环境，交互式调试、批量脚本运维均可一键实现，无需复杂开发成本。同时它具备独特的 AI 集成能力，可作为标准化 Tools 对接 AI 智能体框架，大模型能直接下发命令调用天翼云 API，无需额外封装接口逻辑。 CLI支持多系统调用 各系统执行命令无明显差异。 Windows（PowerShell下要注意引号转义） Linux Mac OS CLI功能概览 基础命令 命令 说明 ctyuncli configure 交互式配置 ctyuncli version 查看版本信息 ctyuncli completion 生成 Shell 自动补全脚本

本文为您介绍什么是CLI工具 天翼云CLI工具是一款运行在终端中的交互式 / 脚本化软件客户端。通过使用天翼云CLI工具，您可以在终端中轻松管理您的天翼云资源。此外，您还可将其作为 AI 智能体的调用工具入口，通过指令对接天翼云 API，轻松实现资源全生命周期管理、批量配置调整与自动化运维。 为什么使用CLI 日常管理云资源时，相较于网页控制台、SDK、原生 OpenAPI ，天翼云 CLI 能很好平衡易用性与扩展性，是更适配多场景的选择。 网页控制台在批量运维场景下操作繁琐、效率低下；SDK 需要搭建开发环境、调试与上手成本偏高；直接调用 OpenAPI 还需自行处理鉴权签名、请求封装、异常兼容等底层逻辑。 天翼云 CLI 原生运行于终端环境，交互式调试、批量脚本运维均可一键实现，无需复杂开发成本。同时它具备独特的 AI 集成能力，可作为标准化 Tools 对接 AI 智能体框架，大模型能直接下发命令调用天翼云 API，无需额外封装接口逻辑。 CLI支持多系统调用 各系统执行命令无明显差异。 Windows（PowerShell下要注意引号转义） Linux Mac OS CLI功能概览 基础命令 命令 说明 ctyuncli configure 交互式配置 ctyuncli version 查看版本信息 ctyuncli completion 生成 Shell 自动补全脚本

本文带您了解星辰TokenHub运营服务平台的功能特性。 极致推理加速 平台内置自研推理框架，集成模型量化、TP&EP混合并行、Cache感知调度、融合算子优化等先进技术，实现对Qwen、Deepseek等主流大模型的深度加速。通过对推理链路的精细化重构，显著降低推理延迟，优化资源占用，保障在复杂业务场景下的高性能响应，突破推理链路繁琐与性能瓶颈的行业限制。 灵活高效的推理网关 内置智能推理网关，基于用户行为、流量特征与集群负载状态，动态调度请求流向，提升服务稳定性与可用性。网关全面支持OAI标准接口协议，便于模型服务与各类应用系统快速集成，解决推理工具链拼接难题，提升部署效率。 智能推理调度 通过动态负载均衡自动分配流量，结合优先级调度确保关键任务资源优先，并支持按需弹性扩展资源池，从而全面提升服务处理效率与稳定性，有效应对高峰需求。

训推用一体 内置端到端大模型“训推用”全链路工具平台，深度融合DeepSeekR1/V3/蒸馏版系列大模型，为用户提供模型训练、推理、应用全套工具，实现大模型从训练到应用的一体化解决方案。 算力多样化 采用先进的硬件架构，集成高性能计算服务器，支持多种AI芯片，如NVIDIA、昇腾等主流品牌，为DeepSeek系列大模型提供强大的算力支持，满足不同用户对算力的多样化需求。 高效能 裸金属直接部署容器运行环境，无虚拟化开销，释放硬件最大效能，提高DeepSeek系列大模型的训练和推理效率，降低能耗和成本。 极简运维 提供7×24小时在线运维服务，一二三线运维服务全覆盖，全面监控实例、任务、资源的使用情况和调度情况，及时发现异常，降低运维难度和成本。

本章节主要介绍AI中台通过数据资产模块,管理平台的数据。 数据资产服务于数据集的存储、管理和共享，提供数据的导入、导出、存储和分析功能，确保数据的完整性和可用性。数据集管理中提供了数据预处理和解析工具（如视频抽帧），能够帮助用户建立高质量的数据集，为后续的数据标注、模型训练、模型评估等提供数据支持。 支持设置数据集信息，包括数据集名称、权限、数据集类型、数据导入选择、标签、标注信息、数据集描述等。 支持数据集搜索，可根据数据集是否标注、数据来源、应用领域、数据的创建时间和申请数量以及更新时间或者创建时间搜索数据集。 数据集的贡献榜单为数据集发布量最多的前六名，热门数据集为申请使用最多的前十个数据集 平台共享：平台预置的数据集，全平台用户可申请使用。 团队共享：团队内共享的数据集，仅本团队内用户可用。仅支持下载和使用，无编辑、删除等敏感权限。 私有数据：用户个人私有的数据集，仅个人可见。但可授权给其他团队/个人使用。 操作步骤 步骤一：点击进入数据资产页面，可查看的已标注的数据集，用户将已标注的内容点击发布时可将数据集展示在此处，支持申请使用，点击支持查看数据集详情；点击右上角支持数据的筛选； 步骤二：数据集详情支持查看数据集介绍，以及数据的预览，并支持查看数据的分布； 步骤三：点击数据概览展示数据集中的文件夹的内容，点击支持下钻，展示数据集中的数据内容和标注信息，点击数据集文件支持查看已标注信息，点击标注信息支持查看标注的文本内容； 步骤四：编辑数据集选中数据集，单击【编辑】按钮，系统弹出编辑数据集窗口。进行数据集信息编辑。支持名称，应用领域和描述的编辑； 步骤五：删除数据集，点击【删除】按钮，系统弹出删除数据确认集窗口。确认完成后删除该数据集。支持数据集批量删除及单个删除，目前仅支持用户删除自己上传的数据集； 步骤六：下载，点击【下载】按钮即可将数据集下载到本地； 步骤七：点击【归档】按钮，二次确认后即可将数据集从热存储池迁移至冷存储池，该数据集访问将变慢，但可节约存储成本； 步骤八：新增数据集，点击【新增】按钮，在【新增数据集】页面操作； 步骤九：点击【日志】按钮即可查看本数据集的日志； 步骤十：点击【合并】按钮呼出合并弹窗，可在弹窗中选择要合并的数据集，选择后为新数据集命名后，可生成一个新的数据集； 步骤十一：点击【授权】按钮呼出授权弹窗，可在弹窗中勾选要授权可用的团队/个人。勾选后然后关闭界面即可；

一、引言 1.1 工具概述 EvalScope是一款专为大模型部署后性能评估设计的压力测试工具，支持多并发场景下的吞吐量、延迟、稳定性等核心指标测试。通过配置输入/输出Token长度、并发数等参数，可模拟真实业务负载，验证模型服务在不同上下文场景下的性能表现。工具基于Apptainer容器化部署，确保环境一致性，降低依赖冲突风险。 注意：该工具只有x86架构适配版(适用于NVIDIA GPU)，无法直接在ARM架构（昇腾 910B）下使用，因此实际测试时需要在X86架构机器上通过ssh执行。 1.2 使用须知 环境依赖 ：需预先安装Apptainer（若物理机使用Galaxy镜像，默认已集成），如需安装，具体安装指南见Apptainer官方文档。 网络配置 ：被测模型服务需暴露HTTP接口（如 资源要求：测试过程可能产生高I/O和网络负载，建议在独立测试环境中执行，避免影响生产服务。 1.3 应用场景 模型部署验证：确认模型服务在指定并发和上下文长度下的响应能力。 性能瓶颈定位：通过多并发和Token配置组合，识别吞吐量下降或延迟突增的临界点。 服务稳定性测试：长时间高负载下验证服务是否存在内存泄漏、连接超时等异常。 二、测试过程

本节介绍工作流。 功能介绍 分布式容器云平台工作流是基于开源Argo Workflow构建的一款开箱即用的无服务器工作流引擎。它将开源 Argo Workflows 的强大编排能力与分布式容器云平台的调度相融合。无论是在数据处理、机器学习 Pipeline 还是 CI/CD 场景下，该集群都能提供高可用、低成本的自动化编排体验。 适用场景 Argo Workflows 是 CNCF 毕业项目（Argo 家族成员）中最核心的工作流引擎之一。它是一个Kubernetes 原生（Kubernetesnative） 的容器化工作流编排工具，使用 YAML 定义 的 Workflow CRD（自定义资源）来描述多步骤任务。 场景分类 典型例子 为什么适合 Argo Workflows CI/CD 流水线 构建 → 测试 → 镜像扫描 → 部署 → 通知 比 Jenkins/Tekton 更轻、更灵活；天然支持 GitOps + Argo CD 联动；每个步骤容器化隔离好 机器学习 / MLOps 数据预处理 → 特征工程 → 模型训练 → 评估 → 部署 支持 GPU/TPU 调度；DAG 完美表达训练依赖；artifact 轻松传递大模型文件/数据集 批处理 / ETL / 数据管道 日志聚合 → 数据清洗 → 聚合计算 → 入仓 处理海量数据时并行能力强；支持 artifact 从 S3/GCS/本地卷传递；易与 Spark/Flink 集成 基础设施自动化 集群升级 → 配置迁移 → 备份恢复 → 资源回收 复杂多步骤依赖 + 重试机制；可通过 CronWorkflow 定时执行；挂起等待人工审批 大规模并行任务 图像/视频批量处理、科学计算、A/B 测试 轻松扩展到数千 Pod 并行；Kubernetes 调度器天然支持资源分配 事件驱动任务 Webhook 触发 → 数据验证 → 处理 → 回调 与 Argo Events 结合，实现 GitHub push / S3 事件触发工作流

星辰MaaS模型服务平台集成了模型体验、模型服务、数据管理、模型调优、模型管理、服务部署、模型量化等核心功能，为用户提供功能全面、安全可靠且具有价格优势的模型调用服务以及从数据准备、模型训练到服务上线的全流程支持。平台致力于降低AI开发门槛，使不具备深厚技术背景的用户也能快速完成模型的调优、部署与应用。 模型体验 提供多场景模型展示与试用，支持开发者在模型广场快速体验主流AI模型，体验中心可零门槛测试基础推理能力。 模型服务 主流大模型提供标准化API接口，支持高并发在线推理服务，内置调用量监控与延迟分析功能，保障企业级应用稳定高效运行。 数据管理 平台包括公共数据集和个人数据集模块，可以实现共享和私有数据集，支持数据集的检索、预览与创建，为用户提供便捷的数据资源，支撑模型训练与调优。 模型调优 提供零门槛调优功能，用户无需编写代码，仅需选择或上传数据集，即可自动完成模型微调，快速定制出贴合特定场景的专业模型。 我的模型 为用户提供个人模型管理空间，支持对自建模型进行增、删、改、查操作，实现模型的集中纳管与版本控制。 服务部署 支持模型一键部署为在线推理服务，提供服务地址供外部调用，并支持服务上下线和管理等功能。 模型量化 支持常见的量化工具，可对模型进行压缩优化，减小模型体积与显存占用，提升推理性能，满足低成本、高吞吐的部署需求。

本节将介绍如何将集成的日志数据投递至LTS。 操作场景 态势感知（专业版）支持集成WAF、HSS、CFW等其他云产品日志，具体集成操作及支持集成的云服务请参见云服务接入。 集成后的日志还支持投递至云日志服务（Log Tank Service，简称LTS），方便用户快速高效地进行实时决策分析、设备运维管理、用户业务趋势分析等。 前提条件 已完成需投递日志的数据集成至态势感知（专业版）操作，详细操作请参见云服务接入。 投递到LTS中，需要已有可用的日志组和日志流。 步骤一：创建数据投递任务 1. 登录管理控制台。 2. 单击页面左上方的，选择“安全 > 态势感知（专业版）”，进入态势感知（专业版）管理页面。 3. 在左侧导航栏选择“工作空间 > 空间管理”，并在工作空间列表中，单击目标工作空间名称，进入目标工作空间管理页面。 4. 在左侧导航栏选择“日志审计 > 安全数据”，进入安全分析页面。 5. 在左侧数据空间导航栏中，单击数据空间名称，展开数据管道后，单击目标管道名称后的“更多 > 投递”，右侧弹出现在数据投递设置页面。 6. （可选）在弹出的授权提示中，确认无误后，单击“确认”，完成授权。 首次投递到目的投递类型需要进行授权，如果已经授权，请跳过该步骤。 7. 在新增投递配置页面中，配置数据投递相关参数。 投递名称：自定义数据投递名称。 账号类型：此处请选择“本账号”。投递到LTS服务仅支持投递本账号内的日志数据。 投递类型：此处请选择“LTS”。 日志组：选择LTS日志组。 日志流：选择目的LTS日志流。 其他配置参数，系统默认生成，无需配置。 8. 单击“确定”。

训推服务广泛应用于多种场景,本文带您更快了解训推服务经典应用场景。 模型训练 向下纳管智算硬件资源，提供技术运维及训练加速。向上通过模型开发平台提供大模型训练全链路功能，简化操作，提升效率。封装训练所需的底层技术，缩小训练者所需掌握的技术范围，降低大模型开发技术门槛。 主要用户包括各基础大模型厂商，各种拥有行业和场景专业知识与数据的行业客户，如科研院所、大专院校和教育机构、政府、金融机构、工业企业、科技单位、医院等。 模型推理 向下纳管智算硬件资源，提供技术运维服务及推理加速。向上通过模型服务平台提供部署好的模型服务，并集成丰富配套工具，提供模型推理一站式部署服务。 主要用户包括各种软件开发商，特别是行业软件开发商，以及科研院所、大专院校和教育机构、政府、金融机构、工业企业、科技单位、医院等行业客户。 算力运营 智算平台可部署在客户的智算资源上，对算力资源进行统一管理、统一调度，赋能客户算力运营能力，帮助客户通过算力运营和销售取得收益。 主要客户包括各种算力运营商，如各行业大型企业集团、政府旗下的基建投资公司等。

SQL Server Management Studio (SSMS) 是一种集成环境，汇集了许多图形工具和丰富的脚本编辑器，本章节主要说明如何通过SSMS访问购买的SQL Server实例。 前提条件 已创建SQL Server数据库实例； 已创建登录账号并分配相关数据库权限； 操作步骤 1. 打开SQL Server Management Studio (SSMS) 客户端； 2. 首次运行 SSMS 时，系统将打开连接到服务器 窗口。 如未打开，可以选择对象资源管理器 > 连接 > 数据库引擎，将其手动打开； 3. 此时在连接到服务器对话框中填入以下参数： 参数 说明 服务器类型 选择数据库引擎（通常的默认选项）。 服务器名称 SQLServer实例的连接地址及端口号，连接地址与端口号间用半角逗号（,）隔开。获取公网连接地址可以参考申请或释放外网地址。 身份验证 选择登录的身份验证类型，选择SQL Server身份验证。 登录名 登录账号名。 密码 登录账户密码。 4. 完成所有字段后，单击连接按钮。

部署rook operator Rook是一个开源的云原生存储编排工具，提供平台、框架和对各种存储解决方案的支持，以和云原生环境进行本地集成。 Rook 利用扩展功能将其深度地集成到云原生环境中，并为调度、生命周期管理、资源管理、安全性、监控等提供了无缝的体验。Rook 目前支持 Ceph、NFS、Minio Object Store 和 CockroachDB。 plaintext 部署rook operator cd rook/deploy/charts/rookceph/ helm install createnamespace namespace rookceph rookceph . 创建rook ceph集群 plaintext 创建rook ceph集群 cd rook/deploy/examples kubectl apply f cluster.yaml 镜像列表 registry.k8s.io/sigstorage/csiattacher:v4.8.1 registry.k8s.io/sigstorage/csinodedriverregistrar:v2.13.0 registry.k8s.io/sigstorage/csiprovisioner:v5.2.0 registry.k8s.io/sigstorage/csiresizer:v1.13.2 registry.k8s.io/sigstorage/csisnapshotter:v8.2.1 quay.io/ceph/ceph:v19.2.2 quay.io/cephcsi/cephcsi:v3.14.0 rook/ceph:v1.17.2 kubectl get cephcluster A NAMESPACE NAME DATADIRHOSTPATH MONCOUNT AGE PHASE MESSAGE HEALTH EXTERNAL FSID rookceph rookceph /var/lib/rook 3 136m Ready Cluster created successfully HEALTHWARN 40a66dd669ed4401b97fef1edaae17b2 部署rook ceph工具 plaintext cd rook/deploy/examples kubectl apply f toolbox.yaml 通过cephtool工具查看ceph集群状态，正常需要3个OSD（准备三个节点，每个节点至少有一块盘） kubectl exec it kubectl get pods n rookcephgrep rookcephtoolsawk '{print $1}' n rookceph bash bash5.1$ ceph s cluster: id: e7abf175ad9c420a92051328f8097a75 health: HEALTHWARN mon b is low on available space services: mon: 3 daemons, quorum a,b,c (age 12h) mgr: a(active, since 12h), standbys: b mds: 1/1 daemons up, 1 hot standby osd: 3 osds: 3 up (since 12h), 3 in (since 13h) data: volumes: 1/1 healthy pools: 4 pools, 81 pgs objects: 34 objects, 639 KiB usage: 203 MiB used, 120 GiB / 120 GiB avail pgs: 81 active+clean io: client: 1.2 KiB/s rd, 2 op/s rd, 0 op/s wr OSD 可用存储设备满足条件： 设备必须没有分区。 设备不得具有任何 LVM 状态。 不得安装设备。 该设备不得包含文件系统。 该设备不得包含 Ceph BlueStore OSD。 设备必须大于 5 GB。 使用Ceph

本节介绍如何查看探测状态。 “探测状态”是指安全产品数据上报到SA的状态。通过查看探测状态，您可以判断是否正常上报当前产品数据。 探测状态说明 状态 说明 探测正常 表示一个小时内，数据接口被调用次数大于等于8次，接口连通性正常，“探测状态”检测正常，正常上报当前产品数据。 启用产品集成后一个小时内，默认探测状态为正常。 探测异常 表示一个小时内，数据接口被调用次数大于0次小于8次，接口连通性异常，“探测状态”检测异常，不能正常上报当前产品数据。 停止探测 表示已停止上报当前产品数据。 从未探测 表示从未上报当前产品数据。 说明 探测正常状态判断原则：启用产品集成上报数据后，产品可每5分钟调用一次探测接口确认连通性。通过记录产品调用数据接口次数，判断探测健康状态。 操作步骤 1. 登录管理控制台。 2. 在页面左上角单击，选择“安全 > 态势感知（专业版） > 安全产品集成”，进入产品集成管理页面。 3. 在探测状态中，选择目标状态，即可呈现该状态的全部产品。 4. 在产品介绍栏，即可查看从该产品接收的数据量，以及该产品探测状态。

一站式智算服务平台广泛应用于多种场景,本文带您更快了解一站式智算服务平台经典应用场景。 模型训练 向下纳管智算硬件资源，提供技术运维及训练加速。向上通过模型开发平台提供大模型训练全链路功能，简化操作，提升效率。封装训练所需的底层技术，缩小训练者所需掌握的技术范围，降低大模型开发技术门槛。 主要用户包括各基础大模型厂商，各种拥有行业和场景专业知识与数据的行业客户，如科研院所、大专院校和教育机构、政府、金融机构、工业企业、科技单位、医院等。 模型推理 向下纳管智算硬件资源，提供技术运维服务及推理加速。向上通过模型服务平台提供部署好的模型服务，并集成丰富配套工具，提供模型推理一站式部署服务。 主要用户包括各种软件开发商，特别是行业软件开发商，以及科研院所、大专院校和教育机构、政府、金融机构、工业企业、科技单位、医院等行业客户。 算力运营 智算平台可部署在客户的智算资源上，对算力资源进行统一管理、统一调度，赋能客户算力运营能力，帮助客户通过算力运营和销售取得收益。 主要客户包括各种算力运营商，如各行业大型企业集团、政府旗下的基建投资公司等。

本节介绍云安全中心配置类常见问题。 为什么要进行数据接入？ 云安全中心（CTCSC，Cloud Security Center，简称CSC）作为用户侧的安全中心，其核心数据来源是用户的各种安全设备。 云安全中心数据接入要如何配置？ 打开云安全中心的“设置 > 集成配置”，在集成配置页面选择需要接入的日志类型即可。 云安全中心告警需要如何配置？ 1. 打开云安全中心的“设置 > 集成配置”，在集成配置页面选择需要接入的日志类型。 2. 部分日志支持直接转告警，可以直接打开转告警开关，云安全中心会根据内置转告警规则进行转告警配置。 同时云安全中心还支持自定义转告警配置，即通过云安全中心的“威胁运营 > 威胁检测 > 威胁建模”功能实现自定义告警配置。

云通信 一键登录产品服务协议 大数据/AI 天翼云超融合服务产品服务协议 翼MapReduce(MRS) 产品服务协议 天翼云人脸识别公测产品服务协议 数据湖探索（DLI）产品服务协议 天翼云数据集成工具产品服务协议 数据仓库服务产品服务协议 云数据库Cassandra版产品服务协议 大数据开发套件（DAYU）服务产品服务协议 天翼云可视化大屏开发工具产品服务协议 AI开发平台（AI创作间）产品服务协议 数据治理中心 DataArts Studio服务产品服务协议 实时计算翼Flink产品服务协议 天翼云AI创作间服务协议 天翼云安全生产服务协议 天翼云内容审核服务协议 天翼云人脸识别服务协议 天翼云印刷文字识别服务协议 天翼云智能视觉生产服务协议 天翼云自然语言处理服务协议 天翼云慧聚一站式智算服务平台模型服务协议 天翼云慧聚一站式智算服务平台用户信息处理规则 大数据管理平台DataWings服务协议

测试准备 生成数据 通过集成TPCDS官网测试工具TPCDSToolsv3.2.0的程序来生成数据。通过调整数据生成程序中相关Hadoop参数，优化后续数据导入的时间。 生成SQL 从官方提供的99条SQL模板生成Power Test和Throughput Test 所需SQL，从官方提供的mtsqls模板中生成Maintenance Test所需SQL。 利用工具用以下两种命令生成本次测试使用的SQL。由于生成数据的命令中含有随机数，所以生成的SQL在过滤条件上有所不同。 ./dsqgen directory ../querytemplates input ../querytemplates/templates.lst scale $SCALE streams 9 outputdir ${QUERYDIR} dialect sparksql rngseed date +%m%d%H%M%S%1N sed i "s/XXXXX1/$date11/g" ${MTQUERYDIR}/mtqueries$id/.sql 导入数据Load Test（ Tld ）并验证数据量 将生成的数据以Parquet格式导入到Hive的库中。测试库中有表24张，包括维度表datedim、timedim、item、customer、customerdemographics、householddemographics、customeraddress、store、promotion、warehouse、shipmode、reason、incomeband、callcenter、webpage、catalogpage、website共17张和事实表storesales、storereturns、websales、webreturns、catalogsales、catalogreturns、inventory共7张。 验证表的数据量结果见下表，10T的数据行数与官网材料参考值会有少许偏差，TPC官网的TPCDS榜上公司报告中也有同样的情况。 10T表行数统计 表名 翼MR Spark/开源Spark3.3.3 官方参考值 callcenter 54 54 catalogpage 40000 40000 catalogreturns 1440033112 1440033112 catalogsales 14399964710 14399964710 customer 65000000 65000000 customeraddress 32500000 32500000 customerdemographics 1920800 1920800 datedim 73049 73049 householddemographics 7200 7200 incomeband 20 20 inventory 1311525000 1311525000 item 402000 402000 promotion 2000 2000 reason 70 70 shipmode 20 20 store 1500 1500 storereturns 2879544257 2879970104 storesales 28800104574 28799983563 timedim 86400 86400 warehouse 25 25 webpage 4002 4002 webreturns 720020485 720020485 websales 7199963324 7199963324 website 78 78

流式调用 ruby import OpenAI from 'openai'; const baseUrl" //api前缀地址 //从环境变量获取API密钥，如果没有设置，也可以直接终端执行export XIRANGappkey"xxx" const appkey process.env.XIRANGappkey const modelId"xxxxx" //模型id const prompt"你好啊,给一篇100字左右的作文" //对话问题 const client new OpenAI({ apiKey: appkey, baseURL:baseUrl }); async function streamchatCompletion() { const stream await client.chat.completions.create({ model: modelId, messages: [{ role: 'user', content: prompt }], stream: true, }); for await (const chunk of stream) { process.stdout.write(chunk.choices[0]?.delta?.content ''); } } streamchatCompletion(); 开源框架集成 说明 部分第三方工具调用可能存在接口不适配问题，如涉及工具调用时，建议优先使用下文提及的工具。 涉及第三方工具配置时，API key等同于上文中创建的服务组APP key。 Langchain调用 参考langchain的自定义模型文档通过OpenAI协议调用即可。 python from langchain.chatmodels import ChatOpenAI from langchain.schema import HumanMessage def main(): 初始化LangChain模型，配置自定义API端点 llm ChatOpenAI( modelname"9dc913a037774fc0b248376905c85da5", 自定义模型名称 从环境变量获取API密钥，如果没有设置，也可以直接终端执行export XIRANGappkey"xxx" openaiapikeyos.getenv("XIRANGappkey) openaiapibase" API基础URL temperature0.7 ) 创建一个聊天消息 message HumanMessage(content"你是谁") 使用LangChain进行对话 response llm([message]) print(response.content) if name "main": main()

本文主要介绍了如何在科研助手上使用OWL智能助手。 概述 OWL CAMELAI‌的 OWL 是开源多智能体协作系统，通过逆向工程复刻并超越 Manus 的通用 Agent 功能，其核心采用六步工作流（Ubuntu 容器部署、数据挂载、动态生成 todo.md 等）实现任务自动化，并集成CRAB 技术‌支持跨平台多设备操作‌。项目以 ‌57.7% 的 GAIA 基准测试成绩‌超越主流开源框架，提供 ‌Ubuntu Toolkit‌ 和 ‌Memory Toolkit‌ 工具链，支持开发者快速定制智能体行为与集成第三方服务‌。目前完全开源，适用于企业自动化、科研辅助等场景，鼓励社区共同构建全能型 Agent 生态‌。 科研助手新增 OWL 能力概述 科研助手平台在 OWL 开源的基础上，为方便您的使用，增加了如下能力： 支持使用本地 QWQ32B 大模型，无需 API Key 外连其他大模型 支持 bing search toolkit，无需代理，在国内就可以进行问题搜索 修复了 OWL Web UI 回答框，只支持展示单行结果的问题 前置说明 1. 该文档为在科研助手上使用OWL快速代码生成的说明。OWL目前为开源测试版本，仍处于开发与优化阶段，可能存在功能不稳定或未完善的情况。用户在使用过程中需自行甄别潜在问题，并承担可能产生的风险。我们建议用户在关键任务中谨慎使用。感谢您的理解与支持！ 2. OWL目前支持的Search API只有Google和duckduckgo，因网络等原因限制，暂不可用；科研助手已内置了 bing search toolkit，可以访问国内必应网站进行内容搜索。 3. 本产品中的模型由第三方主体提供，尽管天翼云已尽最大努力进行识别和维护，但仍无法保证模型的可用性。请客户按照该产品的服务协议使用该产品，做好甄别并对自行选择的服务负责。 4. 如您在使用过程中遇到了问题或需要反馈的内容，可通过客服工单的方式，向我们进行咨询和反馈，我们将及时进行回复和处理。

parted l /dev/xvda Model: Xen Virtual Block Device (xvd) Disk /dev/xvda: 107GB Sector size (logical/physical): 512B/512B Partition Table: msdos Disk Flags: Number Start End Size Type File system Flags 1 1049kB 41.0GB 40.9GB primary ext4 boot 6. 执行以下命令，安装growpart工具。 工具growpart可能集成在cloudutilsgrowpart/cloudutils/cloudinitramfstools/cloudinit包里，可以直接执行命令yum install cloud确保growpart命令可用即可。 yum install cloudutilsgrowpart 7. 执行以下命令，使用工具growpart将第一分区的root分区进行扩容。 growpart /dev/xvda 1 [root@sluoecsa611 ~] growpart /dev/xvda 1 CHANGED: partition1 start2048 old: size79978496 end79980544 new: size209710462,end209712510 8. 执行以下命令，检查在线扩容是否成功。 [root@sluoecsa611 ~] parted l /dev/xvda Model: Xen Virtual Block Device (xvd) Disk /dev/xvda: 107GB Sector size (logical/physical): 512B/512B Partition Table: msdos Disk Flags: Number Start End Size Type File system Flags 1 1049kB 107GB 107GB primary ext4 boot 9. 执行以下命令，扩容文件系统。 resize2fs f $分区名 假设分区名为/dev/xvda1，则命令如下： [root@sluoecsa611 ~] resize2fs f /dev/xvda1 resize2fs 1.42.9 (28Dec2013) Filesystem at /dev/xvda1 is mounted on /; online resizing required olddescblocks 3, newdescblocks 3 .... [root@sluoecsa611 ~] df hT //检查文件系统扩容情况

云安全中心没有收到告警，可能的原因是什么？ 若已在日志发送端配置好日志转发，但在云安全中心反复刷新仍未收到日志，请先检查网络是否可达，网络不可达将导致日志接收失败。 建议您依次检查： 1. IP端口配置是否无误。 2. 是否在云安全中心“设置 > 集成配置”页面打开了日志接入与自动转告警开关。 3. 使用运维工具检测到端口网络是否通畅。 4. 若需要接入云等保v1.0的安全原子能力，请确认是否升级了proxy组件。 若以上检查确认无误，请您通过官网工单系统或联系工程师排查问题并解决。

托管检测与响应服务（原生版）服务能力、计费方式、核心能力等相关问题描述。 托管检测与响应服务是什么？ MDR，Managed Detection and Response Service，也称为安全检测与响应服务，在云计算中，安全托管检测与响应服务（MDR）是指用户外包给云提供商的网络安全服务。根据最近的行业研究，大多数组织（74％）有内部管理IT安全，但82％的IT专业人员表示他们已经与托管安全服务提供商建立了伙伴关系，或计划与之合作。企业转向安全托管检测与响应服务提供商可以减轻他们每天面临的与信息安全有关的压力，例如针对性云安全攻击事件，云安全运营经验不足，客户数据窃取，技能短缺和资源限制。 托管检测与响应服务能提供哪些能力？ 借助于用户在公有云多种环境中的网络安全设备与系统的日志数据和托管检测与响应服务平台能力，实现对用户在公有云中的网络安全运营工作的托管运营，减轻用户安全运营负担，提升用户公有云中业务系统的网络安全风险事件的响应与处置能力。 针对公有云提供丰富的网络安全运营服务，包括安全咨询、安全运营到应急响应等服务，充分满足用户在公有云上的合规与安全运营需求。 提供从云端EDR、合规处置工具到集成了SOAR能力的云端托管安全运营服务平台，满足公有云环境中的安全产品使用需求。 基于云上安全服务的最佳配置实践，为用户提供全面的安全评估服务，提供安全加固建议，并协助用户完成加固操作。

本章节主要介绍功能特性 您可以使用数据库管理服务控制台为您提供的Web界面完成数据管理服务的相关操作。 数据管理服务的主要使用对象分为：开发人员、数据库管理员（DBA）。 开发工具 主要面向开发人员，提供易用的数据库客户端。 使用数据管理服务时，无需安装本地客户端，提供所见即所得的可视化操作体验。提供数据和表结构的同步、在线编辑，SQL输入智能提示等丰富的数据库开发功能。

本节介绍了如何将扩容系统盘的空白分区在线扩容到末尾的root分区的操作场景、操作步骤。 操作场景 弹性云主机创建成功后，如果发现系统盘分区的容量大小和实际创建的系统盘大小不一致，可以将空白分区扩容到根分区，扩容系统盘的空白空间。 本节介绍了怎样将空白分区在线扩容到末尾的root分区。 操作步骤 以CentOS 6.5 64bit 50GB系统盘为例，root分区在最末尾分区(e.g: /dev/xvda1: swap,/dev/xvda2: root)的扩容场景。 1. 执行以下命令，查询当前弹性云主机的分区情况。 parted l /dev/xvda [root@sluoecs5e7d ~] parted l /dev/xvda Model: Xen Virtual Block Device (xvd) Disk /dev/xvda: 53.7GB Sector size (logical/physical): 512B/512B Partition Table: msdos Number Start End Size Type File system Flags 1 1049kB 4296MB 4295MB primary linuxswap(v1) 2 4296MB 42.9GB 38.7GB primary ext4 boot 2. 执行以下命令，获取文件系统类型、UUID。 blkid /dev/xvda1: UUID"25ec3bdbba244561bcdc802edf42b85f" TYPE"swap"​/dev/xvda2: UUID"1a1ce4dee56a4e1f864d31b7d9dfb547" TYPE"ext4" 3. 执行以下命令，安装growpart工具。 工具growpart可能集成在cloudutilsgrowpart/cloudutils/cloudinitramfstools/cloudinit包里，可以直接执行命令yum install cloud确保growpart命令可用即可。 yum install cloudutilsgrowpart 4. 执行以下命令，使用工具growpart将第二分区的根分区进行扩容。 growpart /dev/xvda 2 [root@sluoecs5e7d ~]

Nodejs 注意 测试用的node版本>v17.9.1,npm版本>8.11.0； 运行前需执行一下命令： npm init y npm install openai 在生成的package.json文件中添加"type":"module"； 替换baseUrl,appkey,modelId,prompt等字段的值。 同步调用 ruby import OpenAI from 'openai'; const baseUrl" //api前缀地址 //从环境变量获取API密钥，如果没有设置，也可以直接终端执行export XIRANGappkey"xxx" const appkey process.env.XIRANGappkey const modelId"xxxxx" //模型id const prompt"你好啊,给一篇100字左右的作文" //对话问题 const client new OpenAI({ apiKey: appkey, baseURL:baseUrl }); async function chatCompletion() { const completion await client.chat.completions.create({ model: modelId, messages: [{ role: 'user', content: prompt }], }); console.log(completion.choices[0]?.message?.content); } chatCompletion(); 流式调用 ruby import OpenAI from 'openai'; const baseUrl" //api前缀地址 //从环境变量获取API密钥，如果没有设置，也可以直接终端执行export XIRANGappkey"xxx" const appkey process.env.XIRANGappkey const modelId"xxxxx" //模型id const prompt"你好啊,给一篇100字左右的作文" //对话问题 const client new OpenAI({ apiKey: appkey, baseURL:baseUrl }); async function streamchatCompletion() { const stream await client.chat.completions.create({ model: modelId, messages: [{ role: 'user', content: prompt }], stream: true, }); for await (const chunk of stream) { process.stdout.write(chunk.choices[0]?.delta?.content ''); } } streamchatCompletion(); 开源框架集成 说明 部分第三方工具调用可能存在接口不适配问题，如涉及工具调用时，建议优先使用下文提及的工具。 涉及第三方工具配置时，API key等同于上文中创建的服务组APP key。

本节介绍集群联邦概述。 集群联邦 集群联邦基于多云容器编排能力，旨在管理跨云、跨地域场景下的多集群应用，为您提供多集群统一管理、应用部署、服务发现、弹性伸缩、故障迁移等能力。 功能优势 完全兼容Kubernetes原生API，支持从单集群到多集群零改造升级，无缝集成现有Kubernetes工具链生态。 丰富的多集群调度策略：集群亲和性调度、多集群拆分/再平衡调度，多维度的高可用部署，包括多Region、多AZ、多集群、多云供应商 。提供自动化的多集群故障优雅迁移能力，对故障集群实例进行集中式或分散式的迁移，保证服务实例不跌零 多集群流量分发：多集群Service实现跨集群的服务发现和访问。多集群Ingress提供跨集群的负载均衡和流量路由机制，支持自动切流，可自动摘除故障集群上的流量，保障服务的可用性 。 多集群弹性伸缩：基于工作负载的系统指标变动、自定义指标变动或固定的时间周期，实行多集群统一的负载伸缩策略，提升工作负载的可用性和稳定性 。 全域容器智能分析：实时监控应用及资源，采集各项指标及事件等数据以分析应用健康状态，提供多集群统一的全栈监控视图，对业务提供端到端追踪和可视化，提供集群健康诊断能力，缩短问题分析定位时间 。

本文主要介绍可信数据空间的产品优势。 功能模块解耦 1.统一标准接口：提供统一标准化交互接口协议，可集成集成自研和外部厂商数据开发平台、隐私计算框架平台； 2.独立插拔部署：数据要素交易、可信流通计算与共享、运营管理支撑等能力解耦，可独立插拔部署的SaaS应用产品。 轻量化设计 1.轻量化功能：采用最小功能集原则设计，覆盖数据要素生产、加工、审核、上架、订购、交易合约、产品交付、结算支付等全流程； 2.轻量化交付：面向不同流通场景，按需提供场景化模板，轻量化交付，降低数据流通参与门槛，实现开箱即用。 二次开发 1.源码开放：建立开源代码仓库和开发者生态社区； 2.API开放：通过搭建开发者社区模式，提供开发规范和 API 开发文档； 3.门户集成：使用标准的OAuth2.0协议，支持外部页面的单点登录接入； 4.插件开发：提供大量标准的数据采集、数据加工和算法算子插件，可以自由拖拽组合形成完整的数据流通和共享开发体系。

什么是数据仓库？ 随着数据库的大规模应用，使信息行业的数据爆炸式的增长。为了研究数据之间的关系，挖掘数据隐藏的价值，人们越来越多的需要使用联机分析处理OLAP（OnLine Analytical Processing）进行数据分析，探究一些深层次的关系和信息。但是不同的数据库之间很难做到数据共享，数据之间的集成与分析也存在非常大的挑战。 为解决企业的数据集成与分析问题，数据仓库之父比尔·恩门于1990年提出数据仓库（Data Warehouse）。数据仓库主要功能是将OLTP经年累月所累积的大量数据，通过数据仓库特有的数据储存架构进行OLAP，最终帮助决策者能快速有效地从大量数据中，分析出有价值的信息，提供决策支持。自从数据仓库出现之后，信息产业就开始从以关系型数据库为基础的运营式系统慢慢向决策支持系统发展。 数据仓库相比数据库，主要有以下两个特点： 数据仓库是面向主题集成的。数据仓库是为了支撑各种业务而建立的，数据来自于分散的操作型数据。因此需要将所需数据从多个异构的数据源中抽取出来，进行加工与集成，按照主题进行重组，最终进入数据仓库。 数据仓库主要用于支撑企业决策分析，所涉及的数据操作主要是数据查询。因此数据仓库通过表结构优化、存储方式优化等方式提高查询速度、降低开销。 数据仓库与数据库的对比 维度 数据仓库 数据库 应用场景 OLAP OLTP 数据来源 多数据源 单数据源 数据标准化 非标准化Schema 高度标准化的静态Schema 数据读取优势 针对读操作进行优化 针对写操作进行优化

核心功能 我们提供易上手的开发者工具，丰富的编程语言生态，符合W3C标准的Service Worker API、Streams API、Web Crypto。 从而帮助企业网站在边缘节点上完成自定义鉴权、访问控制、内容改写、内容生成以及AB测试。 对比传统CDN处理流程，开发者平台在边缘节点直接处理客户的动态请求，大大减少回源次数，分担中心源站的计算压力。 相关术语 无服务器 Serverless 无服务器是一种云原生开发模型，可使开发人员专注构建和运行应用，而无需管理服务器。无服务器方案中仍然有服务器，但它们已从应用开发中抽离出来。云提供商负责置备、维护和扩展服务器基础架构等例行工作。开发人员可以简单地将代码打包到容器中进行部署。部署之后，无服务器应用即可响应需求，并根据需要自动扩容。公共云提供商的无服务器产品通常通过一种事件驱动执行模型来按需计量。因此，当无服务器功能闲置时，不会产生费用。 函数即服务 FaaS 函数即服务（FaaS：Function as a service）是一种事件驱动计算执行模型。开发人员编写代码逻辑，部署到完全由平台管理的函数运行时中，然后按需执行。与BaaS不同，FaaS可让开发人员拥有更大的掌控权力，他们可以创建自定义应用，而不依赖于包含预编写服务的库。 代码则部署到CDN加速平台管理的容器运行时中。具体而言，这些函数运行时具有以下特点： 无状态 让数据集成变得更加简单。 运行周期短 可以只运行非常短的时间。 事件触发 可在需要时自动运行。 这样，您只用为所需的计算能力付费，而不必管"闲置"的应用和服务器。 使用FaaS时，开发人员可以通过触发器调用无服务器应用。 触发器 用户绑定触发器和对应函数，来实现多种调用效果。目前支持HTTP触发器。 HTTP 路由 用户绑定HTTP触发器和对应函数后，访问CDN加速服务中托管域名的特定路由，即可在边缘节点调用起对应函数计算逻辑。 运行时 用于在边缘节点运行用户自定义函数的安全隔离环境。函数运行时所支持的编程语言，目前支持JavaScript。 开发者工具 开发人员使用命令行工具，在本地完成函数编写，构建，灰度上线。

告警支持通过短信、邮箱、翼连等方式将告警信息通知给对应接收人,我们可以在通知组中设置接收人信息。 功能入口 选择目标资源池，并登录AI网关控制台。 在左侧导航栏AI网关菜单中选择 "告警管理" > "通知组" 。 功能说明 联系人（短信/邮箱） 如需要通过短信/邮箱进行告警，可在此处维护联系人信息。支持对联系人信息进行增删改查，需要录入基础信息 同时也支持对联系人进行分组，对联系人组进行增删改查。 钉钉/飞书/企微/云台 支持对这四种IM工具配置告警机器人通知。 WebHook集成 支持以WebHook的方式对第三方通知对象发送告警信息。支持增删改查WebHook信息。

客户端加密SDK是一个在应用侧集成的密码算法库，通过与密钥管理服务结合使用，提供数据加解密、文件加解密等功能，帮助在应用本地完成大型文件数据或高并发数据的加解密。 版本说明 基础版：免费使用。 企业版：需购买license使用，具备合规认证。 功能特性 采用信封加密技术，在客户端本地完成数据加解密过程。 集成KMS实现数据密钥的安全保护，满足安全与合规要求。 极简接口设计，支持加解密、签名验签、完整性校验等。 产品优势 封装多种密码运算能力，遵循密码设计的最佳实践，助力客户快速低代码集成。 丰富的业务兼容性，支持多种加密算法、工作模式、填充方式，满足各类数据的加密需求。 灵活的设计模式，支持一话一密、多话一密等定制化使用方式。