腾讯 Cloud Studio 使用指南 | 我心永恒的小站

type

status

date

slug

summary

1. 平台介绍

最近一段时间 DeepSeek 特别火，互联网上兴起了本地部署大语言模型的浪潮，各大厂商都退出自家的云端 ide，其中腾讯这个 Cloud Studio 给的资源不错，大概是这样的

进入 https://ide.cloud.tencent.com/ 进行登录注册就行了

服务器说明

参数	说明
CPU	8核 Intel® Xeon® Platinum 8255C
GPU	NVIDIA Tesla T4 16GB
内存	32GB
硬盘	200GB 左右
时长限制	10000 分钟，大概不间断使用一个星期，不关浏览器标签不会关机

CPU 水平（采用量子化学软件 Gaussian16C.01 做计算）

计算平台	核数	计算任务	系统	原子数	计算任务	计算时间/s	每 8 核心时间	价格/w
EPYC 7k62	48	s0.gjf	Ubuntu 22.04	113	Opt Freq	7600	45600	0.2
Apple M1 ultra	20	s0.gjf	Mac OS 13.7.3	113	Opt Freq	9660	24150	1.3~1.5
Intel Xeon Platinum 8255C	8	s0.gjf	Ubuntu 20.04	113	Opt Freq	40587	40587	0

让我们比较三款处理器在 8 核心条件下的性能：

Intel Xeon 8255C：40587秒

Apple M1 Ultra：24150秒（换算后）

EPYC 7k62：45600秒（换算后）

性能排序：M1 Ultra > Xeon 8255C > EPYC 7k62

作为免费资源，这个 CPU 性能已经相当不错了，跑一些小任务，或者作为量子化学入门计算是绝对足够的。

显卡水平：

https://technical.city/zh/video/GeForce-GTX-1060-6-GB-vs-Tesla-T4

可以看到大概和 1060 一个水平，但是 T4 的优点在于有 16G 的显存

如何正确使用？

网上很多教程让你本地部署 DeepSeek，部署个人知识库什么，在我来看纯属浪费时间，原因如下：

给的 GPU 显存太小，干不了什么事情

一个月就只能连续运行 7 天，很显然搭建在线服务是不太好的，没办法一个月一直运行

现在几乎所有的个人知识库都是用的 RAG 技术，各种软件的工程化非常不成熟，搞这些就是浪费时间，不如直接用 Notion AI

那么我们就从另一个角度来思考腾讯 Cloud Studio 的用途。虽然不适合部署个人知识库和在线服务，但它仍然有一些很好的应用场景：

临时测试和实验：可以用来测试一些需要 GPU 的深度学习模型或进行短期的技术验证

数据处理和分析：利用其强大的计算资源进行数据预处理、特征工程等任务

代码开发和调试：作为一个临时的开发环境，特别是需要 GPU 资源的项目

总的来说，我们需要的是白嫖他这个显卡（这个显卡价格大概 4000 左右）

接下来，我就来具体介绍如何充分利用这些资源，让 Cloud Studio 发挥最大价值。

2. 基础设置

2.1 一些常用的包安装

tmux 安装

安装 tmux 可以让我的一些程序在后台运行

htop

然后输入

就能监控服务器的状态了

notion client

安装这个的目的在于后期可以把计算结果传送到 notion 里面去

2.2 白嫖华为云服务器

进入 https://developer.huaweicloud.com/programs/dev-program.html

领完卷之后，这里购买服务器 ‣

建议买这个 2H 2G 的，这样的话，我们后续搭建 Docker，就能保活我们的 Cloud Studio 了

2.3 npc 内网穿透搭建

为了远程使用 ssh 登录我们的服务器，我们最好用 ssh 来登录，用 ssh 的好处在于很多东西比较好操作

可以看我文章，需要客户端和服务端同时设置

https://wxyhgk.com/article/linux-nps

服务器端用上面我们白嫖的华为云来部署

客户端部分用我们的 Cloud Studio 就行了

安装好之后，使用

就行了

然后可以使用密钥/来登录就行了。

生成密钥

公钥会保存到 ~/.ssh/id_rsa.pub，私钥保存到 ~/.ssh/id_rsa

3. 一些项目推荐

3.1 marker

marker

VikParuchuri • Updated Apr 1, 2025

Marker 能够快速、准确地将 PDF 和图片转换为 Markdown、JSON 和 HTML 格式。

对于学术研究来说，它特别适合将英文 PDF 转换成 Markdown 文档，再通过 AI 翻译成中文，从而高效地整理和阅读文献或书籍，于此同时配合 Notion 可以搭建专属自己的本地知识库

下面这个截图就是我使用 Marker 识别某个文档，然后将文档翻译成中文，最后 Notion AI 给我的问答结果，所有的资料都来源于我收集到的资料。

实际的运行：

设备	处理页数	CUDA支持	处理时间
M1 Max	24	无	123s
Tesla T4	24	有	57s

可以看到识别 24 页 PDF 的速度是 M1 Max 的两倍的速度，非常快。

3.1.1 marker 安装

3.1.2 使用说明

转换单个文件

基本命令

此命令的意思是说将 pdf 以 markdown 的格式输出到当前目录下的文件夹

--output_format=markdown 输出为 markdown

--output_dir=./ 输出到当前目录下的文件夹

这三个是我常用的，因为很多情况下最好是输出到当前文件夹只产生 markdown，由于表格太过于太过于千变万化你，所以表格的识别不是很准，所以我们不开启的比较好

常用参

类别	参数	说明
输出设置	`--output_dir`	指定输出文件存放目录（默认为 `settings.OUTPUT_DIR`）
ㅤ	`--output_format`	可以选择 `markdown，json，html`，默认是输出为 Markdown 和 json，个人建议就输出 Markdown
ㅤ	`--paginate_output`	启用分页输出，格式为 `\n\n{PAGE_NUMBER}`，后跟 `- * 48`，然后 `\n\n`
文档处理选项	`--page_range`	指定处理的页面范围（如 `"0,5-10,20"` 处理第 0 页、第 5-10 页和第 20 页）
ㅤ	`--disable_image_extraction`	禁用从 PDF 中提取图片（若 `--use_llm` 启用，则图片将被替换为描述）
ㅤ	`--strip_existing_ocr`	删除文档中的所有 OCR 文本，并使用 `surya` 重新 OCR
ㅤ	`--force_ocr`	强制对整个文档进行 OCR，即使部分页面可提取文本
ㅤ	`--languages TEXT`	指定 OCR 语言，多个语言用逗号分隔（如 `"en,fr,de"` 代表英语、法语和德语）
高级功能	`--use_llm`	使用 LLM（大模型）提高文本提取准确性（需要 `GOOGLE_API_KEY` 作为 Gemini API 密钥）
ㅤ	`--debug`	启用调试模式，增加日志记录和诊断信息
ㅤ	`--processors TEXT`	覆盖默认处理器，提供完整模块路径，多个路径用逗号分隔（如 `"module1.processor1,module2.processor2"`）
ㅤ	`--config_json PATH`	指定额外的 JSON 配置文件路径
转换器选择	`--converter_cls=marker.converters.pdf.PdfConverter`	（默认）转换整个 PDF 文档
ㅤ	`--converter_cls=marker.converters.table.TableConverter`	仅提取并转换 PDF 内的表格
ㅤ	ㅤ	ㅤ
其他辅助选项	`config --help`	列出所有可用的构建器、处理器和转换器及其相关配置（可用于创建 JSON 配置文件）
ㅤ	`--help`	查看完整的参数列表，获取更多可用选项

转换多个文件

marker 支持以上 marker_single 中的所有相同选项。

-workers 是同时运行的转换工作线程数量。默认设置为 5，但你可以增加该值以提高吞吐量，代价是更高的 CPU/GPU 使用率。每个工作线程在峰值时会使用 5GB 的显存，平均使用 3.5GB，Cloud Studio 的显存是 15GB，所以我们这里设置成 3 比较保险

3.1.3 和 Notion 的集成

本质上是将 Markdwon 文档通过 Notion API 传送给 Notion

下载我的代码

https://1drv.ms/f/s!AoA_cFXK2r9En8ENKJ0PeLGiIiUyUQ?e=qWFyyD

用 vscode 打开

然后建立两个文件

config.py

# main.py

最后的文件夹大概是这样的

3.1.4 缺点

对于复杂的 PDF 文件效果不太好

对于表格的识别还是有问题

3.2 量子化学软件 Gaussian16/orca

安装好量子化学软件 Gaussian16,然后配置好环境变量之后就能开始计算了，然后用这个测试的 gjf 文件

这里的 %gpucpu=0=0 ：

第一个 0 表示 GPU （我们只有一个 GPU)

第二个 0 表示 CPU 的第一个核心

总的来说就是把 GPU 交给 CPU 的第一个核心去用，大概可以加速 20%

运行这个大概可以占用 12 G 左右的显卡内存，跑 100 以上的原子体系有些吃力，但是几十个原子，作为学习用肯定是没问题的

此外可以配置我的这个博客文章 https://wxyhgk.com/article/calc2Notion ，将计算结果都存到 Notion 里面去

orca 软件的安装和使用是一样的道理，这里不再阐述

3.3 n8n 自动化平台搭建

3.3.1 安装

node 版本检查

首先检查 node 版本

可以看到我这里的 node 版本是 12.22.9 这个是偏低的

从官方和社区的反馈来看，n8n 推荐使用 Node.js v18 作为主版本，其他的版本可能有 bug，所以我们需要安装

NVM 安装

为了适应不同的环境，我们使用 NVM（Node Version Manager）来安装，这样就能切换成不同的版本了

安装完成后，重新启动终端，或者执行以下命令来使 NVM 立即生效：

安装 node 18 版本

设置版本 18 为主要版本，下次打开终端还能保持版本 18

安装

3.3.2 搭建 webhook

搭建好 webhook 后，便可实现以下效果：通过手机快捷指令发送消息，直接调用部署在腾讯云上的 deepseek-R1。这种方式无需在手机上安装任何软件，系统会自动回复并将提问和回答记录到 Notion 中，形成 提问-回答-数据保存 的完整循环。

此外，借助 Notion AI 还能搜索历史回答记录。

4. 使用技巧

4.1 如何保活，让 Cloud Studio 一直运行呢

方法 1

自己本地有 winserver 服务器，一直运行

方法 2

在 vps 里面搭建在线的浏览器，然后在浏览器里面登录腾讯的 Cloud Studio

4.2 ssh 工具

在 Windows 上可以下载这个软件

https://terminal.icu/

左边是 sftp ，中间是 ssh，右边是查看服务器的设置，非常方便

右边可以看到显卡的具体情况，还是比较方便的

在 ios/mac/ipad 上可以下载 NeoServer 软件

NeoServer 软件可以展示服务器的运行情况