当前位置: 首页 > article >正文

lovelyAIMaster - 在windows任何地方调用AI进行输入

lovelyAImamaster

文章目录

    • 一、关于 lovelyAIMaster
    • 二、😆使用
      • 快捷键
    • 🐲本地大模型对接
    • 三、📎划词插件开发
    • 四、🐔使用截图
    • 五、🔩其他


一、关于 lovelyAIMaster

✨ 纯AI开发的AI工具,可以在windows任何地方调用AI进行输入 ✨

  • github : https://github.com/Tokeii0/LovelyAIMaster
  • QQGroup : 555741990

二、😆使用

自己pip一下缺少的库,然后使用 python main.py 就可以啦

运行之后在托盘找到图标,右键设置里面配置baseurl apikey 以及对应的模型名称 代理配置

推荐几家:

  • 零一万物: https://platform.lingyiwanwu.com/details
  • deepbricks: https://deepbricks.ai/
  • 智谱: https://open.bigmodel.cn/
  • openai代理: https://ai.ctf.dog

快捷键

默认情况下

  • ALT+1 任意输入框调起AI写作
  • ALT+2 划词后菜单选择可询问划词内容
  • ALT+3 进行截图,并调起AI提问,需单独配置API
  • ALT+4 进行多轮对话

🐲本地大模型对接

  • 下载 https://lmstudio.ai/
  • 下载模型(无法连接就开启TUN模式)
  • 按照下面如图配置

在这里插入图片描述


软件设置如图配置,主要的就是apikey随便填,baseurl 填你 lmstudio 中设置的,模型为你加载的,就OK了

在这里插入图片描述

笔记本4060、4070推荐llama-3-8b模型


三、📎划词插件开发

  • 可以通过源码进行开发
  • 或者在软件目录下 _internal\plugins查看插件的代码详情
    比如下面的base64解码
import base64
from .base_plugin import BasePlugin

class Base64DecoderPlugin(BasePlugin):
    @property
    def name(self) -> str:
        return "Base64解码"
    
    @property
    def description(self) -> str:
        return "将Base64编码的文本解码为普通文本"
    
    def process(self, text: str) -> str:
        try:
            decoded = base64.b64decode(text.encode()).decode()
            return f"解码结果:\n{decoded}"
        except:
            return "无法解码:输入的不是有效的Base64文本" 

四、🐔使用截图

在这里插入图片描述


在这里插入图片描述


在这里插入图片描述


在这里插入图片描述


五、🔩其他

使用过程中如果无法正常调用流模式,就取消流模式的勾勾,比如wps,等等


伊织 2024-01-03(五)


http://www.kler.cn/a/467077.html

相关文章:

  • 【Uniapp-Vue3】swiper滑块视图容器的用法
  • 场馆预定平台高并发时间段预定实现V1
  • rk3568 上Qt5.12.12迁移问题解决
  • 云打印之菜鸟打印组件交互协议
  • unity学习6:unity的3D项目的基本界面和菜单
  • spring mvc源码学习笔记之五
  • 如何批量注册Outlook邮箱账号并防止关联?
  • MySQL(五)MySQL图形化工具-Navicat
  • Oracle 多租户架构简介
  • 深入浅出 Pytest:自动化测试的最佳实践 pytest教程 程序测试 单元化测试
  • 面向对象分析和设计OOA/D,UML,GRASP
  • vue代理问题
  • 对计网大题的一些指正(中间介绍一下CDM的原理和应用)
  • 51单片机——按键实验
  • YOLOv10-1.1部分代码阅读笔记-autobackend.py
  • python3GUI--智慧交通监控与管理系统 By:PyQt5
  • Chromebook 的 4 个最佳变声器
  • Dart语言的软件工程
  • 回调机制实现观察者模式
  • 什么是索引
  • PyTorch FlexAttention技术实践:基于BlockMask实现因果注意力与变长序列处理
  • SMMU软件指南之系统架构考虑
  • 【玩转全栈】----Django连接MySQL
  • Verilog语法之generate与genvar用法
  • maven 打包时优先选择本地仓库
  • 小程序学习06——uniapp组件常规引入和easycom引入语法