本文以 up 主 CodeSheep 的 从零开始搭建自己的个人博客 视频为框架，记录我从零搭建个人博客的过程（原创），重点表述搭建过程中遇到 bug 如何解决，以及补充视频没有的细节，文章以图文形式呈现，希望帮你在第一次搭建过程中排坑，一步到位。

本文是我设计「金融 AI 科研助手平台（FinSci AI）」的完整工程复盘。不是教程，而是对核心架构决策、踩坑经验和量化评测结果的系统性整理，希望对同样在探索大模型落地的同学有所参考。量化评测部分使用了中国人民大学官方发布的金融 RAG 评测基准 OmniEval（含 HAL/UTL/REL 等维度）。

本文档记录了在 Windows 服务器上部署 FinSciAI 前端以支持局域网访问的完整流程，包括环境准备、构建发布、网络放行、服务常驻及账号准备。

本项目实现了一个基于 本地大语言模型（Ollama） 的智能问答后端系统，采用 FastAPI + AsyncClient + StreamingResponse 构建模块化服务框架，支持与本地模型（如 deepseek-r1:7b）进行 流式对话交互。系统已完成前后端联调，并具备良好的 异步处理能力、模型切换拓展性与接口可复用性，为金融 AI 助手平台打下稳固基础。

本项目实现了一个基于本地大模型的智能教案生成系统，整合 LangChain、Ollama、FAISS 与向量库语义搜索功能，实现了自动匹配教学风格并生成结构化教案内容的完整流程。

本文将手把手带你从零搭建一个支持中文简历优化、流式生成、Markdown 渲染的大模型应用。我们使用Next.js 14 作为前端框架，调用本地部署的 DeepSeek-R1 大模型，通过流式响应实时生成高质量简历内容，适合用于求职平台、教学场景、AIGC 简历应用等。

我在做一个乳腺癌预测全栈项目，前后端完全分离，使用机器学习模型（Random Forest）进行预测。原始功能仅返回结果，无数据持久化，无法记录用户、无法查看历史。于是我决定为项目接入 MySQL 数据库，记录每一次预测的特征值与结果，并能在前端用户中心页面回显。

这篇博客详细介绍了如何在 Mac上从零开始本地部署 LLaMA2大语言模型，结合 Ollama工具实现本地 API 服务，并通过 Next.js前端完成模型调用、结果渲染和接口切换，为乳腺癌预测系统构建了完整的本地智能问答能力，支持后续实现 RAG。

本教程将详细说明如何在一个基于 Next.js + Flask的全栈乳腺癌预测项目中接入 DeepSeek API 实现 AI 解析功能。该方案强调安全性、可维护性和用户体验。

✨ 想快速搭建 Spring Boot 后端，却不知从何入手？✨ 本篇博客将手把手教你搭建一个完整的 Spring Boot 3.x 后端！从 项目初始化 到 数据库配置，再到 Spring Security + JWT认证，循序渐进，适合新手入门。还包含 项目结构解析 和 核心代码示例，助你轻松上手，快速构建安全高效的后端服务！🚀