比如这个 js 库的 demo
https://fingerprint.com/demo/

既然都是浏览器访问，考虑一下浏览器指纹，使用一些成熟的浏览器指纹库，基本不管你 IP 和 浏览器头部做一些变化都能独立识别用户。

前面的多数人的回答基本都是答复所问， 有能力开发的用 cogagent ， 没能力的问问 glm-pc 合作。

你这个属于多模态大模型交互，不存在直接就能用的模型，一定是要和你的系统本身写好的 API 接口交互的，
你的想法错误，那么现在有没有类似的交互模型例子，是有的，比如 openai 出的 operator, 国内智谱的 glm-pc, 你训练就不要想了，你自己做不到的，基于国内 cogagent 的几个小模型 做一些 GUI 界面交互 是可行的，不过你先多研究研究吧。

上面我把 大模型应用开发， 大模型微调和基座混在一起了谈了，

普通人使用 Python 搞搞大模型应用开发，现在这个技术栈迭代还在不断变化，最近都是知识图谱配合大模型，

咱们智商不够上 C9 的就不想什么大模型基座了。

必须是 Python, 先看看其他语言的库都是把 python 库转译一下，根本没有什么创新，这两年，光大模型的 python agent, 工作流都不知道迭代了多少轮了，还看什么其他语言，看其他实现只会阻碍灵感。

训练和推理计算引擎的底层如 pytorch, tensorflow 都是 c++, 但是那也不是做业务研究干的事情， 最出名的比如 llama.cpp 也是。

搞大模型都是最聪明的一些人，写代码对于他们小意思了，v2ex 上基本都没几个人能进入的。DeepSeek 技术团队中这些信奥赛金牌得主或国家级竞赛选手，有几个不是从初高中就接触编程的。

协程这个东西，要理解其实最好还是用 c 语言实现实现比较好， 我提供一个 github 链接参考
https://github.com/theanarkh/read-libtask-code

先不要把进程和协程 和 IO 放在一起谈，另外像 cas 指令不同 cpu 架构 x86, arm 下实现是不一样的。

难道不都是看 *_test.go 和 examples 吗， 不要太指望开源项目的文档。

大家都在谈技术，我还忘了另外一点，那就是这种音视频服务如果是公开对外的是需要牌照的
首先是第一点，企业做在线教育业务的目的肯定是为了营利，会涉及到经营性的活动，所以 ICP 许可证是肯定要有的。第二类增值电信业务--信息服务业务 简称 ICP ，主要是用于有偿信息服务的.经营性网站必须办理 ICP 证，否则就属于非法经营。因此，办理 ICP 证是企业网站合法经营的刚需.

其次就是要看在线教育业务，是用何种方式开展的，不同的开展方式，所需要的证书也是不同的.

公司经过选择、编辑、加工自己或他人创作的作品,并在互联网上发布供公众浏览、阅读、使用或下载的在线沟通行为,应当申请《互联网出版许可证》;

如果公司独立制作在线教育课程,学生可以在线点播动画视频内容,该模式可能包含以计算机为接收终端,通过移动信息网络、广播(包括点播、广播)、集成、传输、下载视听节目服务等活动,应申请《广播电视节目制作许可证》。

在线教育属于互联网生产、传播和流通文化产品,还会涉及到在线一对一,或者一对多视频传输课程知识点,一般是直播为主。所以就需要办理《网络文化经营许可证》(网络表演)范围的“直播文网文许可证”。

综上所述，开展在线教育业务，根据业务的开展方式不同，所需要的证书也是不同的.

如果你们找第三方专门做音视频会议和直播视频流的厂商来通过 SDK 做二次开发,可以看看声网。
https://www.shengwang.cn/

openmeetings 是最贴近在线教育的功能的，不过二次开发不太好弄。音视频的带宽和 CDN 是一定要花钱买的，除非你们做的是那种没几个人用的产品。

我觉得你们做不到这种需要专门音视频知识的开发，最简单的做法还是用别人的音视频会议服务器项目做二次开发，
这方面有 openmeetings,jitsi desktop, bigbluebutton.

openmeetins 是在 kurento 之上开发的，用到的音视频处理服务器比如 kurento, janus 也可以了解了解。

此外音视频最大的开支是 CDN 和 服务器带宽，这点你得多问问云厂商和不同的 ISP, 否则效果很差。

番茄小说 这种不好说，如果你重新自己开发一个类似的，并没有太多用户数量，可以考虑 postgresql, (配合一些插件比如 pgvector) 很不错。

CDN 服务商要注意，其他并没有什么特殊。

相关论文可以参考一下这篇，https://arxiv.org/pdf/2304.03442v2
v2ex 上的人对 AI 偏见不少啊。

其实是 Multi-agent 这种， 之前斯坦福的 AI 小镇还进化出了很多社会行为,可以看看
https://github.com/a16z-infra/ai-town
https://github.com/joonspk-research/generative_agents

如果摄像头视频流和展示网页在同一个局域网里面，可以写个 opencv 的后端处理直接一帧一帧展示就好了，这个我以前写过，用 opencv videocapture 读取出来，然后 imencode 成图像格式，发给前端，前端不断接受就可以了。
https://pyimagesearch.com/2019/09/02/opencv-stream-video-to-web-browser-html-page/

opencv 官方支持四种语言，c/c++/python/java, opencv.js 我没怎么尝试过，可以试试

https://medium.com/@amit25173/opencv-with-javascript-ff14a93296ff

我之前关注过，大佬很不错额，我还在内部项目中借鉴过你的项目