共 22 篇文章
在 Windows 上通过 VS Code 远程连接 Ubuntu 24.04 开发，需先在 Ubuntu 安装并启用 SSH 服务，获取其 IP 地址。在 Windows 端安装 VS Code 及 Remote-SSH 插件，配置 SSH 连接信息后即可建立连接。为提升效率，可生成密钥对并配置免密登录，实现一键连接。远程开发时，所有操作均在 Ubuntu 环境下执行，支持本地编辑、远程编译与插件管理，适用于 Linux 开发、深度学习等场景，兼具便捷性与环境一致性。
在 Ubuntu 24.04 上配置 Redis 允许外部访问时，需结合安全措施：首先设置强密码并绑定可信内网 IP，避免暴露于公网；通过 UFW 仅允许特定 IP 或子网访问端口 6379，遵循最小权限原则；禁用高危命令，推荐使用 VPC 内网隔离，必要时启用 TLS 加密。所有操作均以保障服务安全为前提。
在 Ubuntu 24.04 上安装 Redis 推荐使用官方 APT 仓库，确保获取最新稳定版本。通过添加官方 GPG 密钥和软件源，更新包索引后即可安装。相比系统默认仓库中较旧的版本，官方源提供更及时的更新与安全补丁。安装完成后启用服务并测试连接，确认运行正常。如需远程访问，应配置密码、防火墙规则并禁用高风险命令，提升安全性。相关配置文件与日志路径清晰，便于维护与排查问题。
在 Ubuntu 24.04 环境下，通过优化内核参数与 Vulkan 驱动，成功在 AMD Ryzen AI Max+ 395（128GB UMA）上运行 98GB 超大模型。关键步骤包括禁用 IOMMU、调整 TTM 与 GTT 内存上限、启用 zswap 压缩，并编译支持 Vulkan 的 llama.cpp 版本。结合 `--no-mmap`、`--ctx-size 81920` 及 `--n-gpu-layers -1` 等配置，实现全模型载入物理内存，突破传统显存限制，验证了 RDNA 3.5 架构在 Linux 下作为百 GB 级 AI 推理平台的潜力。
将 ComfyUI 用于局域网共享，需通过启动参数或配置文件绑定至 `0.0.0.0` 或指定内网 IP，并开放对应端口（如 8188）的防火墙访问。推荐绑定特定 IP 以增强安全性，避免暴露于未授权访问。其他设备可通过浏览器访问 `http://[内网IP]:8188` 进行连接。建议配合 Nginx 基础认证或临时关闭规则，防范潜在风险。
在 Ubuntu 24.04 上安装 MongoDB 6.0 需通过官方仓库获取最新版本，因系统默认源更新滞后。需添加 MongoDB 官方 GPG 密钥与基于 Ubuntu 22.04 的仓库配置，兼容 24.04 环境。安装后启动并启用服务，使用 mongosh 验证运行状态。注意 24.04 使用 libssl3，若遇依赖问题可补充安装 libssl1.1，远程访问时需开放 27017 端口。卸载时清除相关包及数据目录以彻底移除。
WSL 安装 Ubuntu 默认将系统文件存于 C 盘，对大模型训练等场景极不友好。通过先在 C 盘安装，再利用 `wsl --export` 和 `--import` 将系统迁移至 D 盘或其他大容量盘，可有效解决存储空间问题。迁移后需通过配置 `/etc/wsl.conf` 恢复初始用户名，确保后续操作便捷性。该方法为 WSL 无直接路径选择时的标准解决方案，保障开发环境稳定运行。
在 Ubuntu 22.04 上，可通过 `python3 -m venv myenv` 创建独立的 Python 虚拟环境。使用 `source myenv/bin/activate` 激活环境，命令行前将显示 `(myenv)`，此时执行的 Python 和 pip 均作用于该环境。完成操作后运行 `deactivate` 可退出。若未安装 `python3-venv`，需先通过 `sudo apt install python3-venv` 安装。也可直接调用虚拟环境中的解释器，如 `./myenv/bin/python script.py`，实现无需激活的运行方式。
在 Ubuntu 22.04 上部署 llama.cpp 时，推荐通过编译方式实现最佳性能。仅需三步：安装 git、build-essential 及 nvidia-cuda-toolkit；克隆源码并执行 make LLAMA_CUDA=1 编译；最后启动服务，指定模型路径与显卡参数。该方法能充分调用显卡加速，确保兼容性与运行效率，是 Linux 平台部署 AI 模型的可靠方案。
在 Ubuntu 22.04 上安装 Ollama 可通过一键脚本完成，支持 Llama 3、Qwen 等主流大模型本地运行。安装后可通过命令行下载并运行模型，亦可配置为局域网访问，配合 Docker 部署 Open WebUI 实现图形化交互。支持模型管理、服务自启与灵活卸载，兼顾性能与易用性，是本地部署大语言模型的高效方案。