如何快速掌握python

以下是关于 Python 数据分析的相关内容： BORE 框架与数据分析： 自动驾驶产品经理的工作中会涉及大量数据分析，数据分析是一门独立完整的学科，包括数据清洗、预处理等。从工具和规模上，写 Excel 公式、用 Hadoop 写 Spark 算大数据等都属于数据分析；从方法上，算平均数、用机器学习方法做回归分类等也属于数据分析。 用 ChatGPT 做数据分析的工具： 1. Excel：是最熟悉和简单的工具，写公式、Excel 宏等都属于进阶用法，能满足产品的大部分需求。ChatGPT 可轻松写出可用的 Excel 宏。 2. Python：有很多强大的数据分析库，如 pandas、numpy 用于数据分析，seaborn、plotly、matplotlib 用于画图，产品日常工作学点 pandas 和绘图库就够用。一般数据分析的代码可用 Jupyter Notebook 运行，用 Anaconda 管理安装的各种包。 3. R 语言：专门用于搞统计，但 Python 通常已够用。 实践：用 Kaggle 的天气数据集绘制气温趋势折线图与月降雨天数柱状组合图： 1. 项目要求：绘制气温趋势折线图+月降雨天数柱状组合图，即双 y 轴的图形。 2. 打开数据集，分析数据：发现关键表头与数据可视化目的的关联。 3. 新建 Python 文件，开始编程：包括调用库、读取数据、数据处理、创建图表、添加标题与图例、保存并显示图形等步骤。 4. 试运行与 Debug：发现左纵坐标数据有误，重新分析数据集并修改代码，最终实现可视化目的。 关于 ChatGPT 的预设 prompt： 在特定的设置下，当发送包含 Python 代码的消息给 Python 时，它将在有状态的 Jupyter 笔记本环境中执行，有 60 秒的超时限制，'/mnt/data'驱动器可用于保存和持久化用户文件，本次会话禁用互联网访问，不能进行外部网络请求或 API 调用。

以下是从零开始学习 Python 的相关指导： 一、最少必要知识与学习途径 1. 掌握最少必要知识，尽快开始并度过学习过程。 2. 参考。 3. 结合 ChatGPT，不懂的地方随时提问。 二、Python 是什么 1. Python 是一种高级编程语言，具有简单易学、功能强大、库丰富等特点。 2. 可以把 Python 想象成一个拥有很多工具（功能）的工具箱，能帮助完成画画、计算、整理东西等各种任务。 三、为什么使用 Python 1. 环境部署简单，下载两个软件，然后点点点就安装好了。 2. 语法简单，可读性强，是最适合小白的编程语言。 3. 应用广泛，可用于做网站、开发游戏、分析数据、自动化任务等。 四、Python 的起源 1. 1989 年，Guido van Rossum 在荷兰的 Centrum Wiskunde&Informatica（CWI）开始开发 Python。 2. 1991 年，Python 的第一个公开发行版 Python 0.9.0 发布，标志着 Python 正式诞生。 3. 1994 年，Python 1.0 发布，这是 Python 语言第一个具有稳定 API 的版本。 4. 2000 年，Python 2.0 发布，引入了列表推导式、内存管理和垃圾回收等特性。 5. 2000 年代初，Python 社区开始迅速增长，Python 的流行度上升。 6. 2008 年，Python 3.0 发布，不完全向后兼容，引入新的语法特性和改进，以提高语言的可读性和性能。 7. 2020 年 1 月 1 日，Python 2 正式停止支持，社区鼓励用户迁移到 Python 3。 8. 2020 年，Python 3.9 发布，引入了许多新特性，包括字典合并和更新操作符。 五、深入学习的内容 1. Python 基础 基本语法：了解变量命名、缩进等规则。 数据类型：熟悉字符串、整数、浮点数、列表、元组、字典等。 控制流：学习使用条件语句、循环语句控制程序执行流程。 2. 函数 定义和调用函数，理解参数和返回值。 了解作用域和命名空间，包括局部变量和全局变量的概念。 3. 模块和包 导入模块，学习使用 Python 标准库中的模块或第三方库。 了解如何安装和使用 Python 包扩展程序功能。 4. 面向对象编程（OOP） 类和对象：了解类的定义和实例化。 属性和方法：学习为类定义属性和方法，并通过对象调用。 继承和多态：了解类之间的继承关系和实现多态。 5. 异常处理 理解异常及其工作原理。 学习使用 try 和 except 语句处理程序错误。 6. 文件操作 文件读写：学习打开文件、读取和写入文件内容。 文件与路径操作：处理文件路径，列举目录下的文件。

以下是 Python 环境安装的步骤： 1. 点击电脑“系统”，直接输入“cmd”，点击回车，打开命令窗口。 2. 在命令窗口中，粘贴入以下代码，确认是否有 Python 和 pip。 3. 两步命令输入完，核对一下： 如果有的话，会分别显示出版本号。那么可以跳过“安装环境这一步，直接到“二、部署项目”。 如果没有的话，需要进行安装。 4. 安装 Python： 对于 Windows 系统，可以点击以下链接下载安装包： （有小伙伴说下载不了，可去公众号【Equity AI】回复“HOOK”获取下载地址：https://www.wenshushu.cn/f/ec5s5x1xo3c） 对于 Mac 系统，可以点击以下链接下载安装包： 5. 安装注意： 安装时务必勾选"Add Python to PATH"选项。 建议使用默认安装路径。 6. 安装完成后，关闭窗口，再次运行之前的两行命令确认是否安装成功。

学习 Python 安装 pandas 和 Jupyter 的原因如下： 数据处理基础：pandas 是 Python 的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。在数据处理中，如读取数据（pd.read_csv）等操作都依赖于 pandas 库。 开发环境：Jupyter Notebook 是一种交互式的编程环境，非常适合进行数据分析和探索性编程。它可以让您逐段运行代码，方便查看中间结果，并且能够将代码、文本和图像等内容整合在一个文档中，有助于更好地理解和展示数据分析的过程和结果。代码也适合在其他 IDE（如 PyCharm、VS Code）中运行。 在一些实践项目中，如基于泰坦尼克号数据集绘制堆叠柱状图及搭建预测模型、用 Kaggle 的天气数据集绘制气温趋势折线图与月降雨天数柱状组合图、鸢尾花数据多维分布探索与交互可视化实践等，都需要 Python 基础与环境配置，包括通过 pip 安装 pandas 库，以及在 Jupyter Notebook 或其他 IDE 中运行代码。

很抱歉，目前知识库中没有关于基于 Python 的新能源充电桩管理平台的相关内容。但我可以为您提供一个大致的框架和思路，您可以根据实际需求进一步完善和开发。 首先，您需要确定管理平台的功能需求，例如用户注册与登录、充电桩信息管理（包括位置、状态、充电功率等）、充电订单管理、计费系统、数据分析与报表等。 在技术实现方面，您可以使用 Python 的 Web 框架，如 Django 或 Flask 来构建 Web 应用。数据库可以选择 MySQL 或 PostgreSQL 来存储相关数据。 对于充电桩的状态监测和控制，可以考虑使用物联网技术，通过传感器获取充电桩的实时状态，并通过网络将数据传输到管理平台。 在计费系统方面，需要设计合理的计费规则和算法，并确保数据的准确性和安全性。 希望以上内容能为您提供一些帮助，祝您开发顺利！

以下是计算两个指定格式时间差的绝对值并输出相差完整天数的 Python 代码： ```python import datetime def calculate_days_difference: 解析时间字符串 time1 = datetime.datetime.strptime time2 = datetime.datetime.strptime 计算时间差 time_difference = abs 转换为天数并返回 return time_difference.days 示例用法 time1_str = "2023年08月01日17点21分21秒" time2_str = "2023年08月10日17点21分21秒" print ```

不同能力的 AI 从业者所需掌握的 AI 能力如下： AI 技术与产品创新者： 具备扎实的技术背景，包括编程、算法工程、AI 应用开发、后端开发等，许多是行业内的技术专家或初学者。 拥有产品开发与管理经验，尤其在互联网和 AI 产品开发方面，具备丰富的项目管理与执行能力。 熟悉多元化的应用场景，包括 AIGC 内容创作、自动驾驶、金融数据分析、教育、医疗健康、影视创作、营销等。 AI 爱好者与学习者： 处于 AI 技术的初学阶段，渴望通过学习提升技能，并将 AI 技术应用到实际工作和生活中。 广泛使用生成式 AI 工具，如 Midjourney、Stable Diffusion（SD）、Coze、GPT 等，展示出对 AI 工具的强烈兴趣。 活跃在各种 AI 学习社群和线上线下的活动中，热衷于共学与交流，进一步提升自己的技能与认知。 AI 内容创作与营销者： 具有内容创作经验，如自媒体运营者、视频博主、内容创作者，具备强大的文案策划、视频剪辑、图文制作等创意能力。 熟练掌握营销策划与品牌运营，能够将 AI 技术与商业化需求结合，提供完整的解决方案。 拥有丰富的活动策划和运营经验，涉及线下工作坊、社群活动、比赛等，展示了较强的资源整合和组织协调能力。 AI PM（产品经理）： 理解产品核心技术，了解基本的机器学习算法原理，以便做出更合理的产品决策。 掌握一定的算法知识，与技术团队进行更有效的沟通，减少信息不对称带来的误解。 在产品规划阶段，能够评估某些功能的技术可行性。 把握 AI 技术发展迅速的趋势，更好地把握产品的未来发展方向。 发现产品的独特优势，提出创新的产品特性，提升产品的竞争力。 提升数据分析能力，因为很多 AI 算法都涉及到数据处理和分析。

大模型应用开发岗位通常需要掌握以下内容： 1. 编程思维和 Python 基础。 2. 认识大模型 Embedding 技术，包括理论知识和代码实战。 3. 在构建模型应用方面： 根据项目需求选择合适的开发框架。 了解业务背后的深层次需求，设定流程环节以确保模型能解决实际问题。 在每个环节精心设计提示词，引导模型提供准确有用的回复。 确保应用在提供服务时遵守安全和伦理标准。 通过不断测试和迭代优化模型性能和用户体验。 成功部署应用后持续维护和更新以适应需求变化。 4. 提示词的精细设计和调试，因为其直接影响模型的输出质量和应用效果。 5. 对于智能体构建，了解动态推理智能体情感设定，以制作更有情商的智能体。

DeepSeek 的使用对于小白来说可能有点复杂，但我尽量用大白话给您解释清楚。 比如说，您想让 DeepSeek 帮您生成“玄武门之变结束的当天，李世民在深夜写下一段独白，你觉得他会写什么？”这样的内容。 DeepSeek 会这样来处理： 1. 先回顾玄武门之变的历史背景，比如这场政变发生在 626 年，李世民杀了兄弟，逼父亲退位等。 2. 思考李世民当晚的心理，可能有释然、愧疚、恐惧、自责等多种复杂情绪，还要考虑他是被迫还是早有预谋。 3. 要让生成的独白不仅符合历史事实，还要有文学性，体现人性的复杂。比如要平衡他的野心与自责，对未来的抱负与对过去的悔恨。 4. 考虑当时的文化背景，像儒家思想对孝悌的重视，李世民的行为违背了这些伦理，他可能会内心挣扎，还可能为自己的行为找正当理由。 5. 按照您的需求，给独白加上一些文学修辞，像比喻、对仗、意象等，增强画面感。 另外，DeepSeek 还有个很厉害的地方，就是它能在独白文本中“自作主张”地加入括号里的场景描述，让整个输出更有画面感。比如“（夜风掀动案头《韩非子》，停在‘夫妻者，非有骨肉之恩也’那页）”、“（墨迹在‘弑’字上晕开一团）”、“（忽然扔笔，抓起铜镜）”这些句子，很难相信是 AI 写的。 总之，使用 DeepSeek 时要考虑很多方面的因素，它能根据您的提示词和需求，生成很精彩的内容。

以下是我掌握的 OCR 技术： OCR 识别：对图片进行 OCR 识别，获取图片中的文本信息，并对识别结果进行调整和优化。

以下是用 AI 快速掌握一个领域的方法： 1. 掌握最少必要知识，尽快开始并度过这个过程。您可以参考相关学习地图，例如。 2. 结合 ChatGPT 等工具，不懂的地方随时提问。 3. 对于新手学习 AI： 了解 AI 基本概念：阅读「」部分，熟悉术语和基础概念，包括主要分支及它们之间的联系，同时浏览入门文章。 开始学习之旅：在「」中找到为初学者设计的课程，推荐李宏毅老师的课程，也可通过在线教育平台按自己节奏学习。 选择感兴趣的模块深入学习：AI 领域广泛，可根据兴趣选择特定模块，例如图像、音乐、视频等，并掌握提示词技巧。 实践和尝试：理论学习后进行实践，巩固知识，尝试使用各种产品做出作品，在知识库分享实践成果。 体验 AI 产品：与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式。

以下是为您规划的快速掌握 AI 工具使用的学习路径： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的定义、主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，学习生成式 AI 等基础知识，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 通过与这些 AI 产品的对话，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 此外，还有以下几点建议： 1. 多看教程，多实践：通过学习教程和反复实践，可以快速掌握 AI 工具的使用方法。 2. 积极参与社群交流：加入相关社群，向有经验的朋友请教，可以获得很多宝贵的经验和建议。 3. 保持好奇心和探索精神：AI 技术发展迅速，不断学习和探索新技术，可以让您在这个领域中保持竞争力。 希望以上学习路径和建议对您有所帮助！

如果您想要一个能帮助快速计算式子的助手，可以通过以下步骤实现： 1. 搭建示例网站： 创建应用：点击打开提供的函数计算应用模板，参考相关图示选择直接部署，并填写获取到的百炼应用 ID 以及 APIKEY，其他表单项保持默认，点击页面左下角的创建并部署默认环境，等待项目部署完成（预计耗时 1 分钟）。 访问网站：应用部署完成后，在应用详情的环境信息中找到示例网站的访问域名，点击即可查看，确认示例网站已经部署成功。 2. 为网站增加 AI 助手： 增加 AI 助手相关代码：回到应用详情页，在环境详情的最底部找到函数资源，点击函数名称，进入函数详情页。在代码视图中找到 public/index.html 文件，然后取消相应位置的代码注释。最后点击部署代码，等待部署完成。 验证网站上的 AI 助手：重新访问示例网站页面以查看最新效果，此时网站的右下角会出现 AI 助手图标，点击即可唤起 AI 助手。 此外，零代码自建决策助手可以帮您解决生活中的决策问题，决策链设计包括： 1. 加权得分计算：将每个选项在各个标准上的得分与相应的权重相乘，然后求和，得出每个选项的总加权得分。 2. 机会成本分析：考虑选择每个选项时可能放弃的其他机会。 3. 简单情景分析：为每个选项构想最佳和最坏的情况。 4. 决策矩阵分析：将前面步骤的分析结果汇总到一个表格中，包括预期收益、机会成本、净收益、长期影响和风险评估。 决策阶段包括： 1. 敏感性分析：通过调整不同因素的权重，检验决策是否稳健。 2. 情感检验：反思个人对每个选项的情感反应，并考虑其与理性分析的一致性。 3. 提供最终决策建议：基于前面的所有分析，提出一个综合的建议。 案例——帮你选工作： 假设您是一名在职的产品经理，想跳槽并拿到两个不错的 offer，向决策助手求助。整个流程始于您向决策助手提出问题，决策助手随即要求您提供 offer 的基本信息。在您提供完信息后，决策助手开始定义基本的评估标准，并让您审核，还会根据您的喜好和目标给出权重分配的建议。在您认可权重分配后，决策助手对每个选项进行评分，评分采用 1 到 10 分的制度，涵盖所有评估标准。评分完成后，决策助手会整理出一个清晰的表格，包含各项评估标准的权重以及每个选项在各个标准下的得分。

以下是一些可以快速绘制物质三态变化图的 AI 工具： 1. 麻省理工学院与瑞士巴塞尔大学合作开发的机器学习框架，利用生成式人工智能模型自动绘制物理系统的相图，几乎无需人类监督。 2. 在软件架构设计中，以下工具可用于绘制相关视图，包括物质三态变化图： Lucidchart：流行的在线绘图工具，支持多种图表创建，包括物质三态变化图。 Visual Paradigm：全面的 UML 工具，提供创建各种架构视图的功能。 ArchiMate：开源的建模语言，与 Archi 工具一起使用可创建相关视图。 Enterprise Architect：强大的建模、设计和生成代码的工具。 Microsoft Visio：广泛使用的图表和矢量图形应用程序。 draw.io（现在称为 diagrams.net）：免费的在线图表软件。 PlantUML：文本到 UML 的转换工具。 Gliffy：基于云的绘图工具。 Archi：免费的开源工具。 Rational Rose：IBM 的 UML 工具。 此外，Photoshop 2023 Beta 爱国版在某些图像处理和绘图方面也具有一定的能力，但可能不是专门针对物质三态变化图的绘制。

以下是关于快速上手 Cursor、Windsurf、V0.dev、bolt.new、Devin 等 AI 编程产品并转型为 AI 产品经理的一些经验： 1. 深入理解用户场景和 AI 能力边界：要构建差异化的 AI Native 体验，需要同时对 AI 能力边界和用户场景有深入洞察。 2. 持续迭代产品：在快速变化的模型能力下，避免在每次的基座模型迭代中掉队或被淘汰。 3. 构建良好的模型产品化能力和基础设施：使得应用可以持续收集用户数据以迭代模型。 对于具体的产品： Cursor： 允许用自然语言描述需求，对上下文有深度理解能力，能理解整个项目的结构和依赖关系，进行跨文件的语义分析。 提供智能的代码重构建议，自动诊断和修复常见错误，基于代码自动生成文档。 但要注意，即使有 AI 辅助，当好产品经理也不容易，需要反复沟通和调整。 Devin：作为 2024 年横空出世的产品，预示着软件开发范式的根本转变。 Windsurf、V0.dev、bolt.new 等： 可以使用如 Cursor Composer 构建产品、使用 Bolt.new 构建产品、使用 V0.dev 生成组件等。 此外，国内知名的 AI 全栈开发者 @idoubi 分享了相关使用经验，包括自动补全代码、Debug&&Fix Error、实时对话&&联网搜索、写提示词、写前端页面、截图生成组件、写常用的代码逻辑/函数、代码重构、多语言翻译等方面。同时，对于零代码基础的人员，也有使用相关工具实现想法的方法，如使用 Cursor Composer、Bolt.new、Claude 等构建不同类型的应用。还可以盘点常用的 AI 辅助编程工具和使用场景，如 AI 编辑器（Cursor、Windsurf、Pear Al 等）、编辑器 AI 扩展（Github Copilot、Continue、Cline 等）、UI 组件生成工具（Cursor、V0.dev、Claude、screenshottocode 等）、完整项目构建工具（Cursor、Bolt.new、Replit Agent、Wordware 等）。

要快速成为一名 AI 产品经理，可以参考以下步骤： 1. 入门级：通过 WaytoAGI 等开源网站或相关课程了解 AI 概念，使用 AI 产品并尝试动手实践应用搭建。 2. 研究级： 技术研究路径：对某一领域有认知，能根据需求场景选择解决方案，或利用 Hugging face 等工具手搓出一些 AI 应用来验证想法。 商业化研究路径：熟悉传统互联网中偏功能实现的产品经理和偏商业运营的产品经理的工作，最好能将两者结合。 3. 落地应用级：拥有成功落地应用的案例，产生商业化价值。 同时，对 AI 产品经理的要求是懂得技术框架，不一定要了解技术细节，而是对技术边界有认知，最好能知道一些优化手段和新技术的发展。AI 本质上是工具和手段，产品经理要关注的还是场景、痛点、价值。 此外，当 AI 与多维表格结合，为用户带来了更多可能性，任何人都能通过多维表格成为 AI 产品经理。例如在一些活动中，如多维表格 AI Maker Day，参与者来自不同领域和岗位，有着各自的优势和想法，包括产品落地服务、多 Agent 处理任务流、宠物与 AI 结合、AI 绘画精灵等方向。

以下为您推荐能快速读懂视频并总结成为知识架构的应用或网站： 百炼大模型平台：其影视传媒视频理解能力可对视频进行语音转写、视觉语言分析等处理并总结成文，有清晰使用步骤，可生成爆款文案，还能根据偏好调试提示词。2025 年 1 月 9 号更新的模型可通过 API 调用纹身 AI 等，Windows 用户可在左下角开始运行输入命令提示符进行本地调用，但生成过程较缓慢。 应用场景：包括商品信息图片生成淘宝上架规格参数、智能手表文案生成、社交媒体内容生成、合同提取、拍照搜题、图片转换、模特换装等。 提供 AI 硬件底层能力，AI 拍立得相机拍照可快速成诗并打印，其对接多模态能力可通过智能体应用或工作流形式的 API 调用。 开源使用：有开源地址，可下载到本地，配置阿里云百炼平台的 API key 及 appid 实现场景，运行项目需特定 Python 包和依赖，可新建应用获取 appid，拍照时需设置 API key。 此外，关于 AI 技术原理与框架的相关知识： 生成式 AI 生成的内容称为 AIGC。 相关技术名词： AI 即人工智能。 机器学习包括监督学习、无监督学习、强化学习，电脑通过找规律进行学习。 监督学习使用有标签的训练数据，目标是学习输入和输出之间的映射关系，包括分类和回归。 无监督学习的数据没有标签，算法自主发现规律，经典任务如聚类。 强化学习从反馈里学习，最大化奖励或最小化损失，类似训小狗。 深度学习参照人脑有神经网络和神经元，因层数多称为深度，神经网络可用于监督学习、无监督学习、强化学习。 生成式 AI 可以生成文本、图片、音频、视频等内容形式。 LLM 即大语言模型，生成图像的扩散模型不属于大语言模型，对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型可用于语义理解（不擅长文本生成），如上下文理解、情感分析、文本分类。 技术里程碑：2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制处理序列数据，无需依赖循环神经网络或卷积神经网络。

以下是关于开源 Flux 模型快速使用的方法： 1. 模型的下载： 如果因为环境问题，可以在网盘中下载。 siglipso400mpatch14384（视觉模型）：siglip 由 Google 开发的视觉特征提取模型，负责理解和编码图像内容。工作流程包括接收输入图像、分析图像的视觉内容并将这些视觉信息编码成一组特征向量。打开 ComfyUI\models\clip，在地址栏输入 CMD 回车，打开命令行，输入下面的命令拉取模型（也可以在网盘里下载）。 image_adapter.pt（适配器）：连接视觉模型和语言模型，优化数据转换。工作流程包括接收来自视觉模型的特征向量、转换和调整这些特征，使其适合语言模型处理。通过 https://huggingface.co/spaces/fancyfeast/joycaptionprealpha/tree/main/wpkklhc6 下载，放到 models 的 Joy_caption 文件夹里，如果该文件夹不存在，就新建一个。 MetaLlama3.18Bbnb4bit（语言模型）：大型语言模型，负责生成文本描述。工作流程包括接收经过适配器处理的特征、基于这些特征生成相应的文本描述、应用语言知识来确保描述的连贯性和准确性。打开 ComfyUI\models\LLM，地址栏输入 CMD 回车，在命令行里面输入下面命令。 2. 下载地址： ae.safetensors 和 flux1dev.safetensors 下载地址：https://huggingface.co/blackforestlabs/FLUX.1dev/tree/main 。 准备了夸克和百度的网盘链接，方便部分同学下载： flux 相关模型（体积较大）的夸克网盘链接：https://pan.quark.cn/s/b5e01255608b 。 flux 相关模型（体积较大）的百度网盘链接：https://pan.baidu.com/s/1mCucHrsfRo5SttW03ei0g?pwd=ub9h 提取码：ub9h 。 如果 GPU 性能不足、显存不够，底模可以使用 fp8 的量化版模型，速度会快很多，下载地址：https://huggingface.co/Kijai/fluxfp8/tree/main 。 3. 工作流下载： 最后我们再下载 dev 的工作流： 。或者下面官方原版的图片链接，图片导入 comfyUI 就是工作流：https://comfyanonymous.github.io/ComfyUI_examples/flux/flux_dev_example.png 。我们打开 ComfyUI，把工作流或图片拖拽到 ComfyUI 里。