生产力工具集成:Ollama + VS Code + Claude Code,效果不太行...
最近一直在捣鼓 AI 工具,想着说给我的开发工作提供强有力的帮助,但在使用的过程中,token 成本太高是我急需解决的一个问题。
这让我想起了 Ollama,网上也查了相关资料,Claude Code 通过配置是可以和本地的大模型进行通信的,所以有了这篇文章。
最近一直在捣鼓 AI 工具,想着说给我的开发工作提供强有力的帮助,但在使用的过程中,token 成本太高是我急需解决的一个问题。
这让我想起了 Ollama,网上也查了相关资料,Claude Code 通过配置是可以和本地的大模型进行通信的,所以有了这篇文章。
昨天在本地搭建了 Agent 协作平台 Multica,并且我目前也在开发一款生信可视化桌面应用 BioScope,正好可以试试 Multica,看看实际效果。
经同事介绍,了解到 Multica 平台,故希望在本地部署并对接已知大模型,看看具体的效果,并希望在未来的工作中能派上用场。
本地化部署的教程详见 https://github.com/multica-ai/multica/blob/main/SELF_HOSTING.md ,在部署中的过程,我也会详细介绍其中的一些具体工作。
Connectivity-based Outlier Factor,连通离群因子算法是 2002 年提出的改进 LOF 算法的无监督异常检测算法。LOF 算法的局限在于:它是基于“球形局部密度”假设,对带状、曲线、链式、流形连续分布的数据缺陷极大,会把长条簇两端的正常样本误判为离群点。
局部变量优化,是指将全局变量 / 函数的地址赋值给局部变量,从而减少内存寻址的开销。
我自己的一个观点,大多数应用的瓶颈在于数据库、磁盘 I/O,所以一般不会用这一优化技术。但我今天在项目代码中看到类似的代码, 又问了豆包,豆包说有场景有必要,所以写一个测试验证一下。
