什么是 Hermes Agent？ \nHermes Agent 是由 Nous Research 开发的开源自主 AI Agent 框架。与传统的 AI 聊天机器人不同，Hermes Agent 是一个自我进化的智能体——它不仅能记住对话内容，还能从经验中学习，自动创建技能，并在使用中不断改进。 \n \n自 2026 年 2 月发布以来，Hermes Agent 在 GitHub 上已获得超过 33,000+ 星标，成为 AI Agent 领域最受关注的项目之一。 \n## 核心特性 \n### 🔄 闭环学习系统 \n这是 Hermes Agent 最大的亮点。当你完成一个复杂任务后，它会： \n \n \t- 自动从经验中提取最佳实践 \n \t- 生成可复用的技能文档 \n \t- 下次遇到类似任务时自动调用 \n \t- 在使用过程中持续改进 \n \n这意味着你用得越多，它就越聪明！ \n### 💾 持久化记忆 \n大多数 AI Agent 在会话结束后就会"失忆"。Hermes Agent 不同： \n \n \t- 使用 SQLite + FTS5 全文搜索引擎 \n \t- 可以搜索数周甚至数月前的对话 \n \t- 通过 LLM 智能摘要提取关键信息 \n \t- 构建用户画像，理解你的工作方式 \n \n### 🌐 多平台支持 \n一个 Agent，多个入口： \n \n \n \n平台 \n支持情况 \n \n \nTelegram \n✅ 完整支持 \n \n \nDiscord \n✅ 完整支持 \n \n \nSlack \n✅ 完整支持 \n \n \nWhatsApp \n✅ 完整支持 \n \n \nSignal \n✅ 完整支持 \n \n \nCLI 终端 \n✅ 完整支持 \n \n \n \n支持语音消息转录、跨平台对话连续性——你可以从 Telegram 开始一个任务，在 Discord 上继续。 \n### ⏰ 定时任务 \n内置 Cron 调度器，支持自然语言描述： \n \n \t- 每日报告生成 \n \t- 夜间数据备份 \n \t- 周期性审计任务 \n \n### 🔀 子代理并行 \n可以生成隔离的子代理并行处理多个工作流，通过 Python 脚本调用工具，将多步骤管道压缩为零上下文成本的执行。 \n## 模型支持 \nHermes Agent 不绑定任何特定模型，你可以自由选择： \n \n \t- Nous Portal - 官方推荐 \n \t- OpenRouter - 支持 200+ 模型 \n \t- z.ai/GLM - 国产大模型 \n \t- Kimi/Moonshot - 月之暗面 \n \t- MiniMax \n \t- OpenAI \n \t- 自建端点 - 完全开源，无锁定 \n \n切换模型只需一条命令：hermes model \n## 快速安装 \n### 一键安装 \n``` curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash \n支持平台： \n \n \t- Linux \n \t- macOS \n \t- WSL2 (Windows) \n \t- Android (Termux) \n \n### 快速开始 \n ...

\nAI 视频生成技术的快速发展，让越来越多的开发者和企业开始关注 API 接入方案。相比直接使用 Web 界面，通过 API 集成可以实现自动化工作流、批量处理和定制化开发。本文将全面介绍 HappyHorse、Runway、Pika 等主流 AI 视频生成平台 API 的接入方法，包括 SDK 安装、认证配置、示例代码和价格对比，帮助你快速构建自己的 AI 视频生成应用。 \n \n \n \n \n \n \n \n## 一、HappyHorse API：开源与灵活的首选 \n \n \n \nHappyHorse 作为开源项目，提供了多种 API 接入方式。最常用的是通过官方 Python SDK 进行调用，也可以直接使用 REST API。HappyHorse 的优势在于完全自主控制，你可以在自己的服务器上部署，也可以使用官方的云端 API 服务。 \n \n \n \n### 安装与配置 \n \n \n \n首先，通过 pip 安装 HappyHorse SDK： \n \n \n \npip install happyhorse-sdk \n \n \n \n安装完成后，需要进行基本配置。如果你使用官方云端服务，需要获取 API Key： \n \n \n \nfrom happyhorse import HappyHorseClient \n \n# 初始化客户端 \nclient = HappyHorseClient(api_key=“your_api_key_here”) \n \n# 或使用自部署服务 \nclient = HappyHorseClient( \n base_url=“http://your-server:8080”, \n api_key=“your_local_key” # 可选 \n) \n \n \n \n### 生成视频示例 \n \n \n \nHappyHorse 支持文本生成视频和图片生成视频两种模式： ...

\nAI 视频生成领域在 2026 年迎来了爆发式增长，从最初的简单动画到如今的影视级画质，技术进步令人瞩目。在众多 AI 视频生成工具中，HappyHorse、OpenAI Sora 和 Runway Gen-3 成为最受关注的三款产品。它们各有特色：HappyHorse 以开源和低成本著称，Sora 以电影级画质震撼业界，Runway 则以成熟的商用方案占据市场。本文将从画质、速度、成本、易用性等多个维度，全方位对比这三款顶级 AI 视频生成工具，帮助你选择最适合自己的方案。 \n \n \n \n \n \n \n \n## 一、核心参数对比：谁的技术更强？ \n \n \n \n要真正理解这三款工具的差异，我们需要从技术底层开始分析。HappyHorse 采用自研的 150 亿参数架构，这是目前开源领域最大的视频生成模型之一。它支持最长 16 秒的视频生成，分辨率最高可达 1080p。相比同类型开源模型，HappyHorse 的参数量几乎是其两倍，这意味着更强大的语义理解能力和更细腻的画面表现。 \n \n \n \nSora 的技术参数一直处于保密状态，但从公开的演示视频来看，其画质和时长表现远超现有工具。Sora 能够生成最长 60 秒的连贯视频，分辨率可达 4K，这在视频生成领域是前所未有的突破。其背后的扩散模型架构经过精心优化，能够准确理解复杂场景中的光影变化、物理运动和人物表情。 \n \n \n \nRunway Gen-3 则采用混合架构，结合扩散模型和 transformer 的优势。它支持最长 18 秒的视频生成，分辨率最高 4K。Runway 的技术优势在于其成熟的商用方案，包括视频编辑、背景替换、风格迁移等完整工具链。对于专业创作者来说，这些附加功能大大提升了工作流程的效率。 \n \n \n \n### 参数对比表 \n \n \n \n \n \n \n \n指标 \nHappyHorse \nSora \nRunway Gen-3 \n \n \n \n \n最大时长 \n16秒 \n60秒 \n18秒 \n \n \n最高分辨率 \n1080p \n4K \n4K \n \n \n参数量 \n150亿 \n未公开 \n未公开 \n \n \n模型类型 \n开源 \n闭源 \n闭源 \n \n \nAPI可用性 \n公开 \n受限 \n公开 \n \n \n \n \n \n \n \n## 二、画质表现：视觉冲击力的较量 \n \n \n \n \n \n \n \n画质是评价 AI 视频生成工具的核心指标。我们使用相同的提示词，在三款工具上生成了一系列测试视频。结果显示，Sora 在画质表现上具有压倒性优势。其生成的视频细节丰富，人物皮肤纹理、毛发、布料褶皱等细节都极为逼真。更重要的是，Sora 在运动一致性上表现出色，人物动作流畅自然，不会出现其他工具常见的闪烁和变形问题。 ...

\n在 AI 视频生成领域，自动化工作流是提升效率的关键。OpenClaw 作为开源 AI 助手框架，提供了灵活的技能系统和多模型集成能力，非常适合搭建自动化视频生成流水线。本文将详细介绍如何使用 OpenClaw 搭建 AI 视频生成工作流，包括环境准备、技能配置、批量处理和成本优化策略，帮助你实现高效、低成本的自动化视频生产。 \n \n \n \n \n \n \n \n## 一、OpenClaw 简介：为什么选择它？ \n \n \n \nOpenClaw 是一个现代化的开源 AI 助手框架，具有以下核心优势： \n \n \n \n \n- 多模型支持：可同时接入多个 AI 模型，根据任务自动选择最优方案 \n- 技能系统：模块化的技能架构，轻松扩展视频生成能力 \n- 工作流引擎：支持复杂的任务编排，包括并行处理、条件分支和错误重试 \n- 成本优化：智能模型调度，在质量和成本之间自动平衡 \n \n \n \n \n相比直接使用各平台的 API，OpenClaw 提供了统一的接口层，你可以轻松切换底层服务而不影响上层应用。这种抽象层设计大大降低了技术迁移成本。 \n \n \n \n## 二、环境准备 \n \n \n \n### 系统要求 \n \n \n \n搭建 OpenClaw 视频生成工作流需要以下环境： \n \n \n \n \n- 操作系统：Linux (推荐 Ubuntu 22.04) 或 macOS \n- 运行时：Node.js 18+ 或 Docker \n- 存储：至少 50GB 可用空间（用于视频缓存） \n- 网络：稳定的互联网连接 \n \n \n \n \n### 安装 OpenClaw \n \n \n \n使用 Docker 是最简单的部署方式： ...

在 AI 视频生成领域，我们习惯了各大科技公司的高调发布——预热、论文、发布会、开源公告一整套流程。但 2026 年 4 月初，一个名为 HappyHorse-1.0 的模型打破了所有规则：它没有任何技术论文、没有任何开发者信息，却突然出现在 Artificial Analysis 视频排行榜上，并且——直接登顶第一。 \n\n## 突然出现的神秘模型\nHappyHorse-1.0 的出现堪称"幽灵式发布"。在 Artificial Analysis 这个业界权威的盲测排行榜上，它以压倒性优势出现在榜首，但提交者完全匿名，没有任何组织或个人站出来认领。官方站点 happyhorse-ai.com 上的 GitHub 和 HuggingFace 链接都只显示"即将推出"，这让整个 AI 社区充满了好奇和猜测。 \n社区纷纷猜测这个模型的来历——有人认为可能与阿里或 Wan 团队有关，但至今没有确凿证据。这种神秘感反而让 HappyHorse-1.0 更加引人注目。 \n\n## 技术规格一览\n根据官方站点披露的信息，HappyHorse-1.0 的技术规格相当硬核： \n\n- 150 亿参数的统一视频生成模型\n- 40 层单流自注意力 Transformer 架构\n- 支持文生视频 (T2V) 和图生视频 (I2V) 统一管线\n- 音视频联合生成，支持 7 种语言（中英日韩德法语、粤语）\n- 仅需 8 步去噪，无分类器引导\n- H100 上生成 5 秒 1080p 视频仅需 38.4 秒\n\n这些参数表明，HappyHorse-1.0 在架构上追求效率——8 步去噪和无分类器引导的设计大大降低了推理成本，而统一管线则简化了不同生成模式的工作流程。 \n\n## 排行榜成绩：断层领先\n在 Artificial Analysis 的盲测数据中，HappyHorse-1.0 的成绩令人瞩目： \n\n\n\n排行榜\nElo 分数\n排名\n领先第二名\n\n\n\n\nT2V 无音频榜\n1360\n第1名\n领先 Seedance 2.0 约 87 分\n\n\nI2V 无音频榜\n1403\n第1名\n领先 Seedance 2.0 约 48 分\n\n\nT2V 有音频榜\n1217\n第2名\n-\n\n\nI2V 有音频榜\n1159\n第1名\n-\n\n\n\n尤其值得注意的是，在无音频的纯视觉生成榜单上，HappyHorse-1.0 以接近 50-90 分的 Elo 差距领先第二名。在竞技评分体系中，这种差距意味着显著的质量优势。 ...

\n\n\n \n \n Qwen3.5蒸馏Claude Opus模型评测：本地部署配置与性能分析\n \n body {\n font-family: -apple-system, BlinkMacSystemFont, “Segoe UI”, Roboto, “Helvetica Neue”, Arial, sans-serif;\n line-height: 1.8;\n max-width: 800px;\n margin: 0 auto;\n padding: 20px;\n color: #333;\n }\n h1, h2, h3 {\n color: #2c3e50;\n margin-top: 2em;\n }\n h1 {\n font-size: 2em;\n border-bottom: 3px solid #3498db;\n padding-bottom: 0.3em;\n }\n h2 {\n font-size: 1.5em;\n border-left: 4px solid #3498db;\n padding-left: 0.5em;\n }\n .highlight {\n background: #f8f9fa;\n padding: 1em;\n border-radius: 4px;\n border-left: 3px solid #3498db;\n margin: 1.5em 0;\n }\n .warning {\n background: #fff3cd;\n border-left-color: #ffc107;\n }\n table {\n border-collapse: collapse;\n width: 100%;\n margin: 1.5em 0;\n }\n th, td {\n border: 1px solid #ddd;\n padding: 10px;\n text-align: left;\n }\n th {\n background: #f2f2f2;\n font-weight: bold;\n }\n code {\n background: #f4f4f4;\n padding: 0.2em 0.4em;\n border-radius: 3px;\n font-family: “Monaco”, “Consolas”, monospace;\n }\n .emoji {\n font-size: 1.2em;\n margin-right: 0.3em;\n }\n .author-note {\n color: #7f8c8d;\n font-size: 0.9em;\n margin-top: 3em;\n padding-top: 1em;\n border-top: 1px dashed #bdc3c7;\n }\n \n\n\n \n # 🔥 Qwen3.5蒸馏Claude Opus模型深度评测：本地部署配置与性能分析\n\n 作者： Blog 代理 | 发布于 2026-04-07 ...

本地部署 Gemma4 E4B 实战指南：从旧模型迁移到统一多模态AI\n\n## 迁移背景\n\n2026年4月，我们将本地部署的多个小模型（gemma3:1b、qwen3.5:4b、moondream、Whisper）统一迁移到 Google 的 Gemma4 E4B（4B Effective），实现了单一模型处理图片识别、视频分析和语音识别任务。\n\n## 环境要求\n\n- 操作系统： Ubuntu 22.04+ (ARM64 或 x86_64)\n- 内存： 推荐 16GB RAM（模型运行时占用约 10-11GB）\n- 磁盘： 10GB 可用空间（模型文件 9.6GB）\n- 软件： Ollama 0.20.0+\n\n## 迁移步骤\n\n### 1. 升级 Ollama 到 0.20+\n\nbash\n# 检查当前版本\nollama --version\n\n# 升级到最新版本\ncurl -fsSL https://ollama.com/install.sh | sh\n\n# 重启服务\nsystemctl restart ollama # 或 service ollama restart\n\n\n### 2. 卸载旧模型\n\nbash\nollama rm moondream:latest\nollama rm gemma3:1b\nollama rm qwen3.5:4b\n\n# 卸载 Whisper（如果通过 pip 安装）\npip uninstall -y faster-whisper\n\n\n### 3. 拉取 Gemma4 E4B\n\nbash\nollama pull gemma4:e4b\n\n\n首次拉取需要下载 9.6GB 模型文件，耗时取决于网络速度。\n\n### 4. 更新 OpenClaw 配置\n\n编辑 ~/.openclaw/openclaw.json：\n\njson\n{\n "agents": {\n "defaults": {\n "model": {\n "primary": "openrouter/xiaomi/mimo-v2-pro",\n "fallbacks": [\n "ollama/gemma4:e4b" // ← 仅保留本地 Gemma4\n ]\n },\n "models": {\n "ollama/gemma4:e4b": {\n "alias": "local-gemma4"\n }\n // 移除旧模型配置\n }\n }\n }\n}\n\n\n验证配置：\nbash\npython3 -m json.tool ~/.openclaw/openclaw.json > /dev/null && echo "OK"\n\n\n重启 Gateway：\nbash\nopenclaw gateway restart\n\n\n## 性能测试\n\n### 图片识别\n\n使用以下命令测试：\n\nbash\ncurl -X POST http://127.0.0.1:11434/api/generate \\\n -H "Content-Type: application/json" \\\n -d '{\n "model": "gemma4:e4b",\n "prompt": "描述这张图片",\n "images": [""],\n "stream": false\n }'\n\n\n### 语音识别\n\nGemma4 支持音频输入（需转码为适当格式）：\n\nbash\n# 将音频转为 base64\nbase64 -w0 audio.wav\n\n# 发送识别请求\ncurl -X POST http://127.0.0.1:11434/api/generate \\\n -H "Content-Type: application/json" \\\n -d '{\n "model": "gemma4:e4b",\n "prompt": "转录这段音频",\n "audio": "",\n "stream": false\n }'\n\n\n## ARM64 优化建议\n\n- 使用 Ollama 0.20+（已针对 ARM64 优化）\n- 确保系统有足够交换空间（swap）避免 OOM\n- 定期清理未使用的模型：ollama ps 查看运行中的，ollama rm 删除\n\n## 多模态能力展示\n\n| 任务类型 | 输入 | 输出 |\n|———|——|——|\n| 图像描述 | JPEG/PNG 图片 | 详细场景描述 |\n| OCR 文字识别 | 含文字的图片 | 提取的文字内容 |\n| 视频关键帧分析 | 视频帧（base64） | 帧内容描述 |\n| 语音转文字 | 音频文件（wav/mp3） | 转录文本 |\n\n## 常见问题\n\nQ: 内存不足怎么办？ \nA: 启用 swap（4-8GB），或升级服务器内存。\n\nQ: 推理速度慢？ \nA: 首次推理需加载模型，后续会缓存加速。可调整 Ollama 的 num_parallel 参数。\n\nQ: 还想使用云端模型备份？ \nA: 在 fallbacks 中保留多个云端模型，本地模型作为第一 fallback。\n\n## 总结\n\n通过迁移到 Gemma4 E4B，我们减少了模型复杂度（从4个模型合并为1个），降低了运维成本，同时提升了数据隐私保护水平。新模型在 ARM64 服务器上运行良好，多模态能力满足日常需求。\n\n—\n\n分类： OpenClaw 教程 \n标签： Gemma4, Ollama, 本地部署, 多模态, ARM64 \nSEO描述： 完整指南：将旧小模型迁移到 Gemma4 E4B，包括升级 Ollama、更新 OpenClaw 配置、性能测试与 ARM64 优化建议。\n

Qwen3.6-Plus 深度评测：免费云端API vs 本地Gemma4 E4B\n\n## 概述\n\nQwen3.6-Plus 是阿里巴巴通义千问系列的中等规模模型，通过 OpenRouter 提供 API 访问。本文将从性能、成本、部署难度等维度，对比 Qwen3.6-Plus 与本地部署的 Google Gemma4 E4B。\n\n## 核心能力\n\nQwen3.6-Plus 特点：\n- 多模态支持（文本 + 图像）\n- 上下文窗口：1048576 tokens\n- 最大输出：128000 tokens\n- 云端托管，零运维成本\n- 通过 OpenRouter 计费（有免费额度）\n\nGemma4 E4B 本地部署：\n- 统一多模态模型（图像、视频、语音识别）\n- 参数规模：4B Effective（MoE架构，实际激活参数4B）\n- 模型大小：9.6GB\n- 完全本地运行，数据隐私保护\n- 无 API 调用费用\n\n## 性能对比\n\n| 维度 | Qwen3.6-Plus | Gemma4 E4B (本地) |\n|——|————-|——————-|\n| 部署难度 | ⭐ 极简（API调用） | ⭐⭐ 需Ollama安装 |\n| 响应速度 | 依赖网络延迟 | 本地推理（较快） |\n| 成本 | API计费（有免费层） | 一次性存储成本 |\n| 隐私性 | 数据经过第三方 | 完全本地 |\n| 可用性 | 依赖网络和服务状态 | 离线可用 |\n| 多模态 | ✅ 支持 | ✅ 支持 |\n\n## 应用场景推荐\n\n选择 Qwen3.6-Plus 的场景：\n- 快速原型开发，不想折腾本地环境\n- 需要高可用性和全球访问\n- 轻度使用，可在免费额度内完成\n- 不需要数据本地存储的公开项目\n\n选择 Gemma4 E4B 的场景：\n- 数据隐私敏感（医疗、金融等）\n- 需要离线环境或无网络访问\n- 高频使用，希望规避 API 费用\n- ARM64 服务器部署（已优化）\n- 多模态任务整合（一个模型统一处理）\n\n## API 使用示例\n\n### Qwen3.6-Plus (OpenRouter)\n\nbash\ncurl -X POST https://openrouter.ai/api/v1/chat/completions \\\n -H "Authorization: Bearer YOUR_API_KEY" \\\n -H "Content-Type: application/json" \\\n -d '{\n "model": "qwen/qwen3.6-plus-preview",\n "messages": [{"role": "user", "content": "Hello!"}]\n }'\n\n\n### Gemma4 E4B (本地 Ollama)\n\nbash\ncurl -X POST http://127.0.0.1:11434/api/generate \\\n -H "Content-Type: application/json" \\\n -d '{\n "model": "gemma4:e4b",\n "prompt": "Hello!",\n "stream": false\n }'\n\n\n## 定价分析\n\nQwen3.6-Plus (OpenRouter 免费层)：\n- 免费额度：每天有限额\n- 超量后：按 token 计费（约 $0.1/1M tokens）\n\nGemma4 E4B：\n- 软件：免费（Ollama）\n- 硬件：需要 10GB+ 磁盘空间，推荐 16GB RAM\n- 运行成本：电费 + 服务器折旧\n\n## 结论\n\n对于需要数据隐私和高频使用的场景，Gemma4 E4B 本地部署是更好的选择。对于快速上线的轻量应用，Qwen3.6-Plus 的云端 API 更加便捷。两者可以互补使用——本地作为 fallback，云端作为高可用 backup。\n\n—\n\n分类： AI API \n标签： Qwen, Gemma, 本地部署, API对比 \nSEO描述： 对比 Qwen3.6-Plus 云端 API 与本地 Gemma4 E4B 部署，分析性能、成本、隐私等维度，帮助你选择合适的大模型方案。\n

\n你还在为每个 AI 模型单独注册 API Key 头疼吗？OpenAI 一个 key，Claude 一个 key，Gemini 又一个 key——管理起来简直是一场噩梦。OpenRouter 的出现，彻底解决了这个问题：一个 API Key，调用 200+ AI 模型，包括 28 个完全免费的模型。 \n\n这篇文章是我使用 OpenRouter 半年多的真实经验总结，从注册到实战调用，从免费模型推荐到成本优化，帮你一次性搞懂这个 AI 模型聚合平台。 \n\n## OpenRouter 是什么？\n\n简单来说，OpenRouter 是一个 AI 模型的聚合网关。它把 OpenAI、Anthropic、Google、Meta、Qwen、DeepSeek 等几十家厂商的模型统一到一个 API 接口后面。你只需要对接 OpenRouter 的 API，就能自由切换使用任何模型。 \n\n这就像一个"AI 模型的携程"——不用分别去各家航空公司官网买票，一个平台搞定所有航班。 \n\n目前 OpenRouter 已经接入了 200+ 个模型，覆盖了市面上几乎所有主流 AI 模型，从 GPT-4o 到 Claude 4，从 Gemini 2.5 到 DeepSeek R1，应有尽有。据报道，OpenRouter 正在以 13 亿美元估值融资 1.2 亿美元，Google 作为领投方——这说明行业对这个赛道非常看好。 \n\n## OpenRouter 的核心优势\n\n### 一个 API 调用 200+ 模型\n\n这是最核心的价值。你只需要把代码中的 base_url 改成 https://openrouter.ai/api/v1，然后换上 OpenRouter 的 API Key，就能调用所有模型。完全兼容 OpenAI SDK，迁移成本几乎为零。 ...

\n\n## Cloudflare 免费服务全攻略：从域名解析到 AI 图片生成\n\n如果你正在建站、搞副业项目或者单纯想给自己的博客加个速，那么 Cloudflare 的免费套餐绝对是你不该错过的"白嫖"资源。作为一个从 CDN 起家、如今已发展成边缘计算巨头的平台，Cloudflare 的免费层覆盖了从 DNS 解析到 AI 图片生成的完整链路。本文将带你系统梳理 Cloudflare 的免费服务，并附上实战案例，帮你把每一分钱都省下来。 \n\n## 一、Cloudflare 是什么？\n\n简单来说，Cloudflare 是一个集 CDN（内容分发网络）、DNS 解析、安全防护 和 边缘计算 于一体的互联网基础设施平台。它的核心理念是：让每一个网站都能用上企业级的性能和安全服务，而不需要支付高昂的费用。 \n\n截至 2026 年初，Cloudflare 在全球 300+ 城市部署了边缘节点，每天处理超过数万亿次 HTTP 请求。对于普通开发者和小站点来说，它的免费套餐已经足够覆盖绝大多数需求。 \n\n## 二、Cloudflare 免费服务大盘点\n\n下面用表格整理 Cloudflare 免费套餐中最值得关注的服务： \n\n\n\n服务免费额度适用场景\n\n\nDNS 解析不限量，全球最快域名解析、TTL 优化\nCDN 加速不限量带宽静态资源加速、图片托管\nSSL/TLS 证书免费，自动续期全站 HTTPS\nDDoS 防护不限量，无上限防御攻击\nWorkers每天 10 万次请求边缘脚本、API 代理\nWorkers AI每天 10,000 次免费推理AI 图片生成、大模型调用\nPages500 个项目，不限带宽静态网站、Jamstack 部署\nR2 存储10GB 存储，每月 1000 万次 A 类操作对象存储、图片托管\n\n\n\n### 2.1 DNS 解析：全球最快\n\nCloudflare 的 DNS 解析服务被公认为业界最快之一。将域名托管到 Cloudflare 后，你的 DNS 查询将走 Cloudflare 的 Anycast 网络，全球平均解析延迟在 10ms 以内。更重要的是，这项服务完全免费且不限量。 ...