新闻详情

新闻详情

首页 / 资讯中心 / 详情

HarmonyOS7之鸿蒙AI Agent 工具DevEco Code中如何配置和使用模型

发布时间:2026/10/30 16:44:10来源:尧图网络
HarmonyOS7之鸿蒙AI Agent 工具DevEco Code中如何配置和使用模型
前言本文指导大家如何在DevEco Code 中配置 LLM 提供商和模型它使用 AI SDK 和 Models.dev 支持75 LLM 提供商并支持运行本地模型。提供商大多数热门提供商已默认预加载。如果你通过/connect命令添加了提供商的凭据它们将在你启动 DevEco Code 时自动可用。了解更多关于提供商的信息。选择模型配置好提供商后你可以通过输入以下命令来选择想要使用的模型/models设置默认模型要将某个模型设为默认模型可以在 DevEco Code 配置中设置model字段。{ $schema: https://opencode.ai/config.json, model: deveco/glm-5.1 }这里完整的 ID 格式为provider_id/model_id。例如deveco/glm-5.1。如果你配置了自定义提供商provider_id是配置中provider部分的键名model_id是provider.models中的键名。配置模型你可以通过配置文件全局配置模型的选项。{ $schema: https://opencode.ai/config.json, provider: { openai: { models: { gpt-5: { options: { reasoningEffort: high, textVerbosity: low, reasoningSummary: auto, include: [reasoning.encrypted_content], }, }, }, }, anthropic: { models: { claude-sonnet-4-5-20250929: { options: { thinking: { type: enabled, budgetTokens: 16000, }, }, }, }, }, }, }这里我们为两个内置模型配置了全局设置通过openai提供商访问的gpt-5以及通过anthropic提供商访问的claude-sonnet-4-5-20250929。内置的提供商和模型名称可以在 Models.dev 上查阅。你还可以为使用中的任何代理配置这些选项。代理配置会覆盖此处的全局选项。了解更多。你也可以定义扩展内置变体的自定义变体。变体允许你为同一个模型配置不同的设置而无需创建重复的条目{ $schema: https://opencode.ai/config.json, provider: { deveco: { models: { gpt-5: { variants: { high: { reasoningEffort: high, textVerbosity: low, reasoningSummary: auto, }, low: { reasoningEffort: low, textVerbosity: low, reasoningSummary: auto, }, }, }, }, }, }, }变体许多模型支持具有不同配置的多种变体。DevEco Code 为热门提供商内置了默认变体。内置变体DevEco Code 为许多提供商提供了默认变体Anthropichigh- 高思考预算默认max- 最大思考预算OpenAI因模型而异但大致如下none- 无推理minimal- 极少推理low- 低推理medium- 中等推理high- 高推理xhigh- 超高推理Googlelow- 较低推理/Token 预算high- 较高推理/Token 预算Tip此列表并不全面许多其他提供商也有内置的默认变体。自定义变体你可以覆盖现有变体或添加自己的变体{ $schema: https://opencode.ai/config.json, provider: { openai: { models: { gpt-5: { variants: { thinking: { reasoningEffort: high, textVerbosity: low, }, fast: { disabled: true, }, }, }, }, }, }, }切换变体使用快捷键variant_cycle可以快速在变体之间切换。了解更多。加载模型DevEco Code 启动时会按以下优先顺序加载模型--model或-m命令行标志。格式与配置文件中相同provider_id/model_id。DevEco Code 配置中的 model 字段。{ $schema: https://opencode.ai/config.json, model: deveco/glm-5.1 }格式为provider/model。上次使用的模型。按内部优先级排列的第一个可用模型。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/30 4:02:09

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/29 23:30:48

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/30 14:30:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/29 19:55:35

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/29 13:36:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/30 5:26:05

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉