尧图网页设计 
InnoCore AI 模型选择与配置实战指南OpenAI、DashScope 与本地部署多方案详解【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents本文是 InnoCore AI研创·智核一个基于 HelloAgent 框架构建的多智能体科研助手系统的模型接入实战指南。文章以项目文档 MODEL_GUIDE.md 为主体骨架结合仓库源码与配置实现完整讲解三种 LLM 接入方案OpenAI、阿里云灵积 DashScope、ModelScope 本地部署的.env配置、模型选型依据与场景化推荐。读者读完将掌握如何在 InnoCore AI 中切换不同模型提供商、如何为快速开发/生产环境/隐私敏感/图表理解等场景选择合适模型以及配置项在源码层core/config.py、core/llm_adapter.py是如何被读取与生效的。一、为什么 InnoCore AI 需要一份模型选择指南InnoCore AI 是一个基于 HelloAgent 框架构建的智能科研创新助手通过四个智能体Hunter 论文搜索、Miner 深度分析、Coach 写作辅助、Validator 引用校验协作完成科研全流程自动化详见 README.md。系统运行时每一个智能体的思考与输出都依赖底层 LLM 的推理能力例如Miner 的对比分析与报告生成见 agents/miner.py 中_perform_comparison_analysis、_create_analysis_reportCoach 的学术润色、风格模仿与改进建议见 agents/coach.pyValidator 的引用解析与元数据校验。因此选择哪种模型、如何配置 API Key、如何接入本地模型直接决定了系统的响应速度、分析质量与运行成本。这正是 MODEL_GUIDE.md 要解决的问题给出从云端 API 到本地私有化部署的完整模型接入路线。从源码看InnoCore AI 的 LLM 接入是高度抽象的所有模型调用统一经过 core/llm_adapter.py 中的LLMAdapter它把model、api_key、base_url、temperature、max_tokens、timeout参数透传给 HelloAgent 框架的HelloAgentsLLM。这意味着只要底层暴露 OpenAI 兼容接口上层代码无需任何改动即可切换模型——这也是本指南中三套方案可以一套代码、三套配置的根本原因。二、推荐模型配置三套接入方案详解方案 1OpenAI国际用户推荐优点稳定、API 简单、效果好缺点需要国际网络、按 token 计费在项目根目录创建/编辑.env文件# .env 配置 OPENAI_API_KEYsk-your-key-here OPENAI_BASE_URLhttps://api.openai.com/v1 LLM_PROVIDERopenai LLM_MODELgpt-3.5-turbo # 或 gpt-4模型选择gpt-3.5-turbo- 快速、便宜适合日常使用gpt-4- 更强大适合复杂分析gpt-4-turbo-preview- 最新版本上下文更长方案 2阿里云灵积 DashScope国内用户推荐⭐优点国内访问快、中文理解好、价格实惠缺点需要阿里云账号# .env 配置 DASHSCOPE_API_KEYsk-your-dashscope-key LLM_PROVIDERdashscope LLM_MODELqwen-turbo模型选择qwen-turbo- 快速响应适合实时交互推荐qwen-plus- 平衡性能和成本qwen-max- 最强性能适合复杂任务获取 API Key登录阿里云灵积DashScope控制台并注册/登录阿里云账号开通灵积百炼服务创建 API Key 并复制到.env源码侧的重要说明来自 core/config.py 第 120-139 行__post_init__当前仓库的配置加载逻辑统一从OPENAI_API_KEY、OPENAI_BASE_URL、OPENAI_MODEL/LLM_MODEL三个环境变量读取 LLM 配置并没有针对LLM_PROVIDER或DASHSCOPE_API_KEY做额外分支。也就是说接入 DashScope 时只需把 DashScope 的 API Key 填入OPENAI_API_KEY、把 DashScope 的 OpenAI 兼容网关地址填入OPENAI_BASE_URL即可LLM_PROVIDERdashscope与LLM_MODELqwen-turbo作为可读性标记与模型名配置保留。配置完成后通过LLMAdapter以 OpenAI 兼容协议调用 Qwen 系列模型。方案 3ModelScope本地部署优点完全免费、数据隐私、可定制缺点需要 GPU、部署复杂推荐模型文本分析当前需求Qwen2.5-7B-Instruct- 7B 参数需要 16GB 显存Qwen2.5-14B-Instruct- 14B 参数需要 32GB 显存GLM-4-9B- 9B 参数中文理解好多模态图表理解Qwen2-VL-7B-Instruct- 能理解论文图表InternVL2-8B- 学术场景表现好本地部署步骤# 1. 安装依赖 pip install modelscope transformers torch # 2. 下载模型 from modelscope import snapshot_download model_dir snapshot_download(qwen/Qwen2.5-7B-Instruct) # 3. 启动推理服务使用 vLLM 或 FastChat python -m vllm.entrypoints.openai.api_server \ --model qwen/Qwen2.5-7B-Instruct \ --host 0.0.0.0 \ --port 8001 # 4. 配置 .env OPENAI_BASE_URLhttp://localhost:8001/v1 OPENAI_API_KEYdummy # 本地部署不需要真实 key LLM_MODELqwen/Qwen2.5-7B-Instruct这里的关键是第 4 步vLLM 启动后暴露的是OpenAI 兼容的/v1接口因此 InnoCore AI 侧只需把OPENAI_BASE_URL指向本地服务即可无缝接入OPENAI_API_KEY填任意占位值如dummy。这与 core/llm_adapter.py 中HelloAgentsLLM(model..., api_key..., base_url...)的统一初始化方式完全对应——本地部署本质上是把云端 API换成了本机 API。与源码配置默认值的对照core/config.py 中LLMConfig的默认值如下供不设置环境变量时参考配置项默认值说明provideropenai枚举定义见LLMProvideropenai/claude/modelscope/ollama/dashscopemodel_namegpt-3.5-turbo支持 gpt-4、qwen-turbo、qwen/Qwen2.5-7B-Instruct 等temperature0.7生成随机性科研分析可适当调低max_tokens4000单次生成最大 token 数timeout60单次调用超时秒此外InnoCoreConfig中agent_max_steps5、agent_timeout300、retrieval_top_k5等 Agent 级参数也会影响整体调用体验复杂分析任务建议优先保证模型输出的稳定性。三、针对不同场景的模型推荐场景 1快速开发测试推荐OpenAI gpt-3.5-turbo最简单开箱即用适合原型开发场景 2生产环境国内推荐DashScope qwen-turbo ⭐⭐⭐访问速度快中文理解好成本可控场景 3数据隐私要求高推荐本地部署 Qwen2.5-7B数据不出本地完全可控场景 4需要理解论文图表推荐Qwen2-VL-7B-Instruct多模态能力能理解公式和图表补充说明从源码结构看Miner Agent 的 PDF 解析管线agents/miner.py 中_parse_paper_content/_extract_structured_content当前以元数据解析为主若需要真正理解论文中的公式、图表与版面结构可在本地接入上述多模态模型把解析后的结构化文本继续交给 Miner 做创新点提取与对比分析形成多模态解析 LLM 深度分析的完整链路。四、模型性能对比总览以下对比表来自 MODEL_GUIDE.md用于在不同预算与质量需求间做快速权衡星级为文档给出的主观定性评价实际效果请以真实评测为准模型中文能力英文能力速度成本推荐度GPT-3.5-turbo⭐⭐⭐⭐⭐⭐⭐⭐快中⭐⭐⭐⭐GPT-4⭐⭐⭐⭐⭐⭐⭐⭐⭐慢高⭐⭐⭐⭐Qwen-turbo⭐⭐⭐⭐⭐⭐⭐⭐⭐快低⭐⭐⭐⭐⭐Qwen-max⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐中中⭐⭐⭐⭐⭐Qwen2.5-7B (本地)⭐⭐⭐⭐⭐⭐⭐⭐中免费⭐⭐⭐⭐从科研分析任务论文搜索、深度分析、写作润色、引用校验的实际负载看云端 API 方案GPT/Qwen适合追求开箱即用与最高质量本地部署方案适合数据敏感场景代价是需要 16GB 及以上显存的 GPU。五、快速开始两种方案任选方案 A使用 OpenAI最简单获取 API KeyOpenAI 官方 API Keys 页面编辑.env文件OPENAI_API_KEYsk-your-key-here重启服务器方案 B使用阿里云灵积推荐国内用户⭐获取 API Key阿里云灵积控制台编辑.env文件DASHSCOPE_API_KEYsk-your-key-here LLM_PROVIDERdashscope LLM_MODELqwen-turbo安装依赖pip install dashscope重启服务器启动与验证完成配置后按项目标准流程启动参考 QUICKSTART.md 与 run.py# 首次安装依赖核心依赖 python install.py # 或手动安装 pip install fastapi uvicorn python-multipart python-dotenv pydantic httpx requests # 启动应用run.py 中 reloadTrue配置修改后会自动重载 python run.py主界面http://localhost:8000API 文档http://localhost:8000/docs健康检查http://localhost:8000/health启动后在 API 文档中调用任一智能体端点如POST /api/v1/analysis/analyze即可验证模型配置是否生效。若遇到密钥或连通性问题可运行仓库自带的诊断脚本 diagnose.py它会检查OPENAI_API_KEY、OPENAI_BASE_URL、OPENAI_MODEL等必需环境变量是否就绪。六、配置在源码中的加载链路为了帮你更自信地调整配置这里梳理一下.env→ 配置对象 → LLM 调用的完整链路加载环境变量core/config.py 第 9-11 行调用load_dotenv()读取项目根目录的.env文件。注入配置对象第 120-139 行__post_init__依次从OPENAI_API_KEY、OPENAI_BASE_URL、OPENAI_MODEL或LLM_MODEL、DATABASE_PASSWORD、REDIS_PASSWORD、CROSSREF_API_KEY、GOOGLE_SCHOLAR_API_KEY、SERPAPI_KEY、DEBUG、LOG_LEVEL读取配置。初始化 LLMcore/llm_adapter.py 的LLMAdapter._initialize_llm用上述配置构造HelloAgentsLLM并通过invoke同步/ainvoke异步对外提供统一接口若未安装hello-agents会提示pip install hello-agents[all]0.2.7。智能体消费agents/base.py 的BaseAgent在__init__中通过get_llm_adapter()获得全局 LLM 适配器think()方法将上下文 任务提示词 最近 10 条历史拼接后调用llm.ainvoke所有 AgentHunter/Miner/Coach/Validator共享同一套模型配置。因此更换模型只需修改.env并重启或依赖run.py的自动重载无需改动任何业务代码——这也是三套方案可以并存、按需切换的架构基础。七、常见问题FAQQ: 哪个模型最适合科研论文分析A: 推荐 Qwen-maxDashScope或 GPT-4它们对学术文本理解最好。Q: 如何降低成本A: 使用 qwen-turbo 或本地部署 Qwen2.5-7B。Q: 需要处理论文中的图表怎么办A: 使用多模态模型如 Qwen2-VL-7B-Instruct。Q: 本地部署需要什么配置A: 最低 16GB 显存的 GPU如 RTX 4090、A100 等消费级/专业级显卡均在其列。Q: 配置完成后没生效怎么办A: 按以下顺序排查确认.env位于项目根目录且键名拼写正确源码只读取OPENAI_API_KEY/OPENAI_BASE_URL/OPENAI_MODEL/LLM_MODEL运行 diagnose.py 检查环境变量是否加载确认 API Key 有效且有余额或本地 vLLM 服务端口可访问curl http://localhost:8001/v1/models重启服务python run.py观察启动日志中HelloAgent LLM 初始化成功: model的输出来自 core/llm_adapter.py 第 34 行。八、小结InnoCore AI 通过统一的环境变量加载与LLMAdapter抽象让模型接入变成纯粹的.env配置工作国际用户可选 OpenAI 三档模型国内用户推荐 DashScope 的 qwen 系列隐私敏感场景可基于 ModelScope vLLM 本地部署。结合 MODEL_GUIDE.md、core/config.py 与 core/llm_adapter.py你可以按质量优先 / 成本优先 / 隐私优先三个维度快速锁定方案并在数分钟内完成切换。【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 InnoCore AI 模型选择与配置实战指南：OpenAI、DashScope 与本地部署多方案详解
InnoCore AI 模型选择与配置实战指南OpenAI、DashScope 与本地部署多方案详解【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents本文是 InnoCore AI研创·智核一个基于 HelloAgent 框架构建的多智能体科研助手系统的模型接入实战指南。文章以项目文档 MODEL_GUIDE.md 为主体骨架结合仓库源码与配置实现完整讲解三种 LLM 接入方案OpenAI、阿里云灵积 DashScope、ModelScope 本地部署的.env配置、模型选型依据与场景化推荐。读者读完将掌握如何在 InnoCore AI 中切换不同模型提供商、如何为快速开发/生产环境/隐私敏感/图表理解等场景选择合适模型以及配置项在源码层core/config.py、core/llm_adapter.py是如何被读取与生效的。一、为什么 InnoCore AI 需要一份模型选择指南InnoCore AI 是一个基于 HelloAgent 框架构建的智能科研创新助手通过四个智能体Hunter 论文搜索、Miner 深度分析、Coach 写作辅助、Validator 引用校验协作完成科研全流程自动化详见 README.md。系统运行时每一个智能体的思考与输出都依赖底层 LLM 的推理能力例如Miner 的对比分析与报告生成见 agents/miner.py 中_perform_comparison_analysis、_create_analysis_reportCoach 的学术润色、风格模仿与改进建议见 agents/coach.pyValidator 的引用解析与元数据校验。因此选择哪种模型、如何配置 API Key、如何接入本地模型直接决定了系统的响应速度、分析质量与运行成本。这正是 MODEL_GUIDE.md 要解决的问题给出从云端 API 到本地私有化部署的完整模型接入路线。从源码看InnoCore AI 的 LLM 接入是高度抽象的所有模型调用统一经过 core/llm_adapter.py 中的LLMAdapter它把model、api_key、base_url、temperature、max_tokens、timeout参数透传给 HelloAgent 框架的HelloAgentsLLM。这意味着只要底层暴露 OpenAI 兼容接口上层代码无需任何改动即可切换模型——这也是本指南中三套方案可以一套代码、三套配置的根本原因。二、推荐模型配置三套接入方案详解方案 1OpenAI国际用户推荐优点稳定、API 简单、效果好缺点需要国际网络、按 token 计费在项目根目录创建/编辑.env文件# .env 配置 OPENAI_API_KEYsk-your-key-here OPENAI_BASE_URLhttps://api.openai.com/v1 LLM_PROVIDERopenai LLM_MODELgpt-3.5-turbo # 或 gpt-4模型选择gpt-3.5-turbo- 快速、便宜适合日常使用gpt-4- 更强大适合复杂分析gpt-4-turbo-preview- 最新版本上下文更长方案 2阿里云灵积 DashScope国内用户推荐⭐优点国内访问快、中文理解好、价格实惠缺点需要阿里云账号# .env 配置 DASHSCOPE_API_KEYsk-your-dashscope-key LLM_PROVIDERdashscope LLM_MODELqwen-turbo模型选择qwen-turbo- 快速响应适合实时交互推荐qwen-plus- 平衡性能和成本qwen-max- 最强性能适合复杂任务获取 API Key登录阿里云灵积DashScope控制台并注册/登录阿里云账号开通灵积百炼服务创建 API Key 并复制到.env源码侧的重要说明来自 core/config.py 第 120-139 行__post_init__当前仓库的配置加载逻辑统一从OPENAI_API_KEY、OPENAI_BASE_URL、OPENAI_MODEL/LLM_MODEL三个环境变量读取 LLM 配置并没有针对LLM_PROVIDER或DASHSCOPE_API_KEY做额外分支。也就是说接入 DashScope 时只需把 DashScope 的 API Key 填入OPENAI_API_KEY、把 DashScope 的 OpenAI 兼容网关地址填入OPENAI_BASE_URL即可LLM_PROVIDERdashscope与LLM_MODELqwen-turbo作为可读性标记与模型名配置保留。配置完成后通过LLMAdapter以 OpenAI 兼容协议调用 Qwen 系列模型。方案 3ModelScope本地部署优点完全免费、数据隐私、可定制缺点需要 GPU、部署复杂推荐模型文本分析当前需求Qwen2.5-7B-Instruct- 7B 参数需要 16GB 显存Qwen2.5-14B-Instruct- 14B 参数需要 32GB 显存GLM-4-9B- 9B 参数中文理解好多模态图表理解Qwen2-VL-7B-Instruct- 能理解论文图表InternVL2-8B- 学术场景表现好本地部署步骤# 1. 安装依赖 pip install modelscope transformers torch # 2. 下载模型 from modelscope import snapshot_download model_dir snapshot_download(qwen/Qwen2.5-7B-Instruct) # 3. 启动推理服务使用 vLLM 或 FastChat python -m vllm.entrypoints.openai.api_server \ --model qwen/Qwen2.5-7B-Instruct \ --host 0.0.0.0 \ --port 8001 # 4. 配置 .env OPENAI_BASE_URLhttp://localhost:8001/v1 OPENAI_API_KEYdummy # 本地部署不需要真实 key LLM_MODELqwen/Qwen2.5-7B-Instruct这里的关键是第 4 步vLLM 启动后暴露的是OpenAI 兼容的/v1接口因此 InnoCore AI 侧只需把OPENAI_BASE_URL指向本地服务即可无缝接入OPENAI_API_KEY填任意占位值如dummy。这与 core/llm_adapter.py 中HelloAgentsLLM(model..., api_key..., base_url...)的统一初始化方式完全对应——本地部署本质上是把云端 API换成了本机 API。与源码配置默认值的对照core/config.py 中LLMConfig的默认值如下供不设置环境变量时参考配置项默认值说明provideropenai枚举定义见LLMProvideropenai/claude/modelscope/ollama/dashscopemodel_namegpt-3.5-turbo支持 gpt-4、qwen-turbo、qwen/Qwen2.5-7B-Instruct 等temperature0.7生成随机性科研分析可适当调低max_tokens4000单次生成最大 token 数timeout60单次调用超时秒此外InnoCoreConfig中agent_max_steps5、agent_timeout300、retrieval_top_k5等 Agent 级参数也会影响整体调用体验复杂分析任务建议优先保证模型输出的稳定性。三、针对不同场景的模型推荐场景 1快速开发测试推荐OpenAI gpt-3.5-turbo最简单开箱即用适合原型开发场景 2生产环境国内推荐DashScope qwen-turbo ⭐⭐⭐访问速度快中文理解好成本可控场景 3数据隐私要求高推荐本地部署 Qwen2.5-7B数据不出本地完全可控场景 4需要理解论文图表推荐Qwen2-VL-7B-Instruct多模态能力能理解公式和图表补充说明从源码结构看Miner Agent 的 PDF 解析管线agents/miner.py 中_parse_paper_content/_extract_structured_content当前以元数据解析为主若需要真正理解论文中的公式、图表与版面结构可在本地接入上述多模态模型把解析后的结构化文本继续交给 Miner 做创新点提取与对比分析形成多模态解析 LLM 深度分析的完整链路。四、模型性能对比总览以下对比表来自 MODEL_GUIDE.md用于在不同预算与质量需求间做快速权衡星级为文档给出的主观定性评价实际效果请以真实评测为准模型中文能力英文能力速度成本推荐度GPT-3.5-turbo⭐⭐⭐⭐⭐⭐⭐⭐快中⭐⭐⭐⭐GPT-4⭐⭐⭐⭐⭐⭐⭐⭐⭐慢高⭐⭐⭐⭐Qwen-turbo⭐⭐⭐⭐⭐⭐⭐⭐⭐快低⭐⭐⭐⭐⭐Qwen-max⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐中中⭐⭐⭐⭐⭐Qwen2.5-7B (本地)⭐⭐⭐⭐⭐⭐⭐⭐中免费⭐⭐⭐⭐从科研分析任务论文搜索、深度分析、写作润色、引用校验的实际负载看云端 API 方案GPT/Qwen适合追求开箱即用与最高质量本地部署方案适合数据敏感场景代价是需要 16GB 及以上显存的 GPU。五、快速开始两种方案任选方案 A使用 OpenAI最简单获取 API KeyOpenAI 官方 API Keys 页面编辑.env文件OPENAI_API_KEYsk-your-key-here重启服务器方案 B使用阿里云灵积推荐国内用户⭐获取 API Key阿里云灵积控制台编辑.env文件DASHSCOPE_API_KEYsk-your-key-here LLM_PROVIDERdashscope LLM_MODELqwen-turbo安装依赖pip install dashscope重启服务器启动与验证完成配置后按项目标准流程启动参考 QUICKSTART.md 与 run.py# 首次安装依赖核心依赖 python install.py # 或手动安装 pip install fastapi uvicorn python-multipart python-dotenv pydantic httpx requests # 启动应用run.py 中 reloadTrue配置修改后会自动重载 python run.py主界面http://localhost:8000API 文档http://localhost:8000/docs健康检查http://localhost:8000/health启动后在 API 文档中调用任一智能体端点如POST /api/v1/analysis/analyze即可验证模型配置是否生效。若遇到密钥或连通性问题可运行仓库自带的诊断脚本 diagnose.py它会检查OPENAI_API_KEY、OPENAI_BASE_URL、OPENAI_MODEL等必需环境变量是否就绪。六、配置在源码中的加载链路为了帮你更自信地调整配置这里梳理一下.env→ 配置对象 → LLM 调用的完整链路加载环境变量core/config.py 第 9-11 行调用load_dotenv()读取项目根目录的.env文件。注入配置对象第 120-139 行__post_init__依次从OPENAI_API_KEY、OPENAI_BASE_URL、OPENAI_MODEL或LLM_MODEL、DATABASE_PASSWORD、REDIS_PASSWORD、CROSSREF_API_KEY、GOOGLE_SCHOLAR_API_KEY、SERPAPI_KEY、DEBUG、LOG_LEVEL读取配置。初始化 LLMcore/llm_adapter.py 的LLMAdapter._initialize_llm用上述配置构造HelloAgentsLLM并通过invoke同步/ainvoke异步对外提供统一接口若未安装hello-agents会提示pip install hello-agents[all]0.2.7。智能体消费agents/base.py 的BaseAgent在__init__中通过get_llm_adapter()获得全局 LLM 适配器think()方法将上下文 任务提示词 最近 10 条历史拼接后调用llm.ainvoke所有 AgentHunter/Miner/Coach/Validator共享同一套模型配置。因此更换模型只需修改.env并重启或依赖run.py的自动重载无需改动任何业务代码——这也是三套方案可以并存、按需切换的架构基础。七、常见问题FAQQ: 哪个模型最适合科研论文分析A: 推荐 Qwen-maxDashScope或 GPT-4它们对学术文本理解最好。Q: 如何降低成本A: 使用 qwen-turbo 或本地部署 Qwen2.5-7B。Q: 需要处理论文中的图表怎么办A: 使用多模态模型如 Qwen2-VL-7B-Instruct。Q: 本地部署需要什么配置A: 最低 16GB 显存的 GPU如 RTX 4090、A100 等消费级/专业级显卡均在其列。Q: 配置完成后没生效怎么办A: 按以下顺序排查确认.env位于项目根目录且键名拼写正确源码只读取OPENAI_API_KEY/OPENAI_BASE_URL/OPENAI_MODEL/LLM_MODEL运行 diagnose.py 检查环境变量是否加载确认 API Key 有效且有余额或本地 vLLM 服务端口可访问curl http://localhost:8001/v1/models重启服务python run.py观察启动日志中HelloAgent LLM 初始化成功: model的输出来自 core/llm_adapter.py 第 34 行。八、小结InnoCore AI 通过统一的环境变量加载与LLMAdapter抽象让模型接入变成纯粹的.env配置工作国际用户可选 OpenAI 三档模型国内用户推荐 DashScope 的 qwen 系列隐私敏感场景可基于 ModelScope vLLM 本地部署。结合 MODEL_GUIDE.md、core/config.py 与 core/llm_adapter.py你可以按质量优先 / 成本优先 / 隐私优先三个维度快速锁定方案并在数分钟内完成切换。【免费下载链接】hello-agents 《从零开始构建智能体》——从零开始的智能体原理与实践教程项目地址: https://gitcode.com/GitHub_Trending/he/hello-agents创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考