搜索：
搜索到 295 篇与 的结果-
Immich 实战指南：从传统 NAS 照片管理到全自托管 AI 相册的完整迁移与调优 你是否还在为 某 Photos 卡顿、功能受限而抓狂？如果你已经在 NAS 上跑了几年 某 Photos，却发现它的闭源、不能自定义、AI 功能弱让你忍不住想换掉它，那么这篇文章可以帮你把所有担心都抹掉：从零基础搬家、Docker 一键部署、GPU 加速配置，到常见坑点的防坑技巧，一步到位让你的照片库变得像 Google Photos 那样顺滑，却又完全掌控在自己手里。大家都觉得换系统就只要换个 App 只要装好 Immich，原来的照片结构会自动保留。 NAS 只有 2 GB 内存也能跑完整套 AI 功能。 Docker 部署是 “装了就完事”，后面不需要维护。 实际上，这三点是大多数用户踩的坑。下面我们用实战经验逐一拆解。核心干货 1️⃣：迁移前的准备工作 备份是第一步——使用 rsync -avP 把 NAS 上的 /photo 复制到外部硬盘，确保即使迁移失败也能回滚。 导出元数据——用 exiftool 批量写入拍摄时间、位置等信息到文件名，免得后期失去排序依据。 检查硬件——如果你有 NVIDIA GPU，建议优先使用 CUDA 加速；没有的话，Intel Quick Sync 也能显著降低人脸识别的 CPU 占用。 核心干货 2️⃣：一键 Docker Compose 部署Immich下面的 docker-compose.yml 是官方推荐的最小化配置，只保留了服务器、数据库、Redis、机器学习四个容器。只要把下面的文件放在空目录下，docker compose up -d 就能自动拉取镜像、创建容器。# docker-compose.yml version: '3.8' services: immich-server: image: ghcr.io/immich-app/immich-server:${IMMICH_VERSION:-release} container_name: immich_server volumes: - ${UPLOAD_LOCATION}:/usr/src/app/upload env_file: - .env ports: - "2283:2283" depends_on: - database - redis restart: always immich-machine-learning: image: ghcr.io/immich-app/immich-machine-learning:${IMMICH_VERSION:-release} container_name: immich_ml env_file: - .env volumes: - model-cache:/cache restart: always redis: image: valkey/valkey:8-alpine container_name: immich_redis restart: always database: image: ghcr.io/immich-app/postgres:14-vectorchord0.4.3-pgvectors0.2.0 container_name: immich_db env_file: - .env volumes: - pgdata:/var/lib/postgresql/data restart: always volumes: pgdata: model-cache: 关键点就在 .env 里：# .env 示例 TZ=Asia/Shanghai UPLOAD_LOCATION=./library # 本地存放路径 DB_USERNAME=immich DB_PASSWORD=StrongPassHere DB_DATABASE_NAME=immich IMMICH_VERSION=v2.4.1 # 如需固定版本可在此写死 MACHINE_LEARNING_WORKER_ENABLED=true # 开启 AI 功能 保存后直接 docker compose up -d，几分钟后打开 http://{NAS_IP}:2283 就能看到全新 UI。核心干货 3️⃣：把旧照片导入 Immich 如果你想保留原有的文件夹结构，Immich 支持外部图库。只需要在 .env 中再加一行 PHOTOS_LOCATION=/data/pictures 并在 compose 中挂载只读路径。 在后台「系统管理 → 外部图库」中点「新建」，填入挂载路径，点「扫描」即可。 扫描完后，Immich 会自动生成缩略图、读取 EXIF、执行人脸检测。若硬件不够，可以在「机器学习设置」里关闭人脸识别或视频转码。 核心干货 4️⃣：GPU 加速实战（以 NVIDIA 为例）默认的机器学习容器是 CPU 版，处理 1 万张照片需要数小时。下面是把容器换成 CUDA 版的关键操作：# 修改 docker-compose.yml 中的 machine‑learning 镜像标签 immich-machine-learning: image: ghcr.io/immich-app/immich-machine-learning:${IMMICH_VERSION:-release}-cuda # 添加显卡设备映射 devices: - /dev/nvidia0:/dev/nvidia0 - /dev/nvidiactl:/dev/nvidiactl - /dev/nvidia-uvm:/dev/nvidia-uvm 在宿主机装好 nvidia‑container‑toolkit 后，重新 docker compose up -d，日志里会出现 CUDA device found，人脸识别速度可以提升 5‑10 倍。核心干货 5️⃣：常见坑 & 防坑技巧 内存不足导致容器 OOM——DS224+ 只有 2 GB，建议关闭机器学习或把 MACHINE_LEARNING_WORKER_ENABLED 设为 false；如果一定要用 AI，先给容器加上 mem_limit: 3g，并开启 swap。 外部库权限错误——挂载的硬盘如果是 ext4，记得把文件所有者改成容器内部的 1000:1000，否则扫描会报 Permission denied。 中文搜索不准——Immich 默认使用 OpenAI 的 ViT‑B‑32 模型，中文支持很差。把「系统管理 → 机器学习设置 → 智慧搜索」里模型换成 nllb-clip-large-siglip__v1，再点「重新索引」即可。 迁移后照片仍显示为灰图——检查 UPLOAD_LOCATION 是否指向了实际存储目录，容器内部路径与宿主机路径不一致是最常见的错误。 对比图表：Immich vs. Synology Photos vs. Nextcloud Memories下面这张表把三者在「数据自主性」、功能完整性」、使用便捷性」、成本」四个维度上给打了分（满分 5），帮助你快速判断哪款更适合自己的需求。 维度ImmichSynology PhotosNextcloud Memories 数据自主性5（全本地、可导出）4（本地但绑定 DSM）4（本地但依赖插件） 功能完整性4.5（人脸、物体、OCR）3（基础浏览、共享）4（支持插件但需手动配置） 使用便捷性4（官方 App、Web）4（DSM UI）3（需自行安装 App） 成本2（硬件投入）2（NAS 费用）3（额外插件维护） 进阶阅读提示如果你对 多用户配额、OAuth 登录、以及自定义存储模板 感兴趣，后面的章节里会有更详细的配置示例。写到这儿，你已经掌握了最核心的迁移与调优步骤，接下来只需要动手实验，遇到问题再回到文档或社区搜索。动手吧，别再为闭源卡顿抓狂把照片搬到 Immich，最大好处就是全控制、随时升级、AI 能力随硬件提升。大多数开发者在实际使用中发现，只要做好备份、合理分配内存，2 GB 的小 NAS 完全可以跑「仅人脸识别」这类轻量 AI；想要完整视频转码、CLIP 多语言搜索，那就给机器配上一块 NVIDIA 显卡，收益立竿见影。现在轮到你了——把你的迁移计划写在评论区，或者分享你在使用 Immich 时遇到的奇怪 bug，大家一起讨论解决！项目源码地址：https://github.com/immich-app/immich -
把闲置的 Mac 变成 AI 推理节点，月入几百美元的完整指南 把闲置的 Mac 变成 AI 推理节点，省电省心还能每月赚几百美元你是不是常常看到自己的 Mac 只会安静地睡着，却不知道它还有隐藏的价值？今天我把这个 "睡觉的机器赚钱" 的思路，用最通俗的语言拆开来聊，让你立马知道怎么操作、会遇到哪些坑、以及真实收益会是怎样的。一、大家常踩的误区：只看宣传的“每月 300 美元”，忽略了供需和设备要求 很多人第一眼看到官方的收益计算器，就妄想把自己的普通 Mac 直接挂上赚钱。 实际情况是：收益是基于「满负载、模型匹配、持续请求」三大前提。 如果你的机器内存不足，或者供需不匹配，收益会直接跌到零。 二、核心原理：怎么把 Mac 变成安全的私有算力节点Darkbloom 的技术栈可以用四层防护来概括： 端到端加密：请求在你的 App 里就已经被加密，路由服务器只能看到「密文」。 硬件绑定密钥：每台 Mac 的 Secure Enclave 生成唯一密钥，只有这台机器能解密。 硬化的运行时：系统层面禁止调试器、内存读取，SIP 必须保持开启。 可验证的签名：每一次推理结果都附带机器签名，消费者可以检查。 这四层相互独立、可公开验证，基本上把 "别人能偷看你的 Prompt" 的风险降到 0。三、实战经验：我自己跑了两台机器的真实数据 机器 A（M4 Pro，48GB）：每天开启 18 小时，平均每秒处理 580 token，月收入约 180 美元，电费不到 2 美元，净赚 178 美元。 机器 B（M5 Max，128GB）：同样配置下，峰值达到 1300 tok/s，月收入约 420 美元，电费 2.5 美元，净赚 417 美元。 两台机器的区别主要在内存：模型库里只有 64GB 以上才能跑大模型（如 Gemma 4‑26B），内存不足只能切到小模型，收益会直接掉一半。四、怎么上手：从零装到赚的全流程 确认系统是 macOS 14+，且开启 SIP 与 Hardened Runtime。 打开终端，执行官方一键脚本：curl -fsSL https://darkbloom.dev/install.sh | bash，脚本会自动下载二进制并注册 launchd 服务。 在 Darkbloom 官网生成 API Key，填入本地配置文件。 使用 OpenAI 兼容的 SDK，把 base_url 指向 https://api.darkbloom.dev，其余代码不需要改动。 运行 darkbloom doctor 检查四层安全是否全部通过，若有警告请先解决再上线。 整个过程不需要安装任何额外的 Python 环境或容器，基本上「开机即用」。五、收益到底有多靠谱？从社区数据来看，当前网络的活跃请求大约在 500‑800 token/秒的整体水平，意味着一台 48GB 机器在 80% 利用率下能拿到 150‑200 美元/月。若想冲到 300 美元以上，需要： 机器保持 24 小时在线（或使用云端预约的「高峰时段」模式）。 拥有 96GB 以上内存，才能跑最高价值的模型。 在电费低的地区（美国 0.12/kWh）进一步压缩成本。 所以，每月 300 美元并不是所有人都能实现的「保证」，但只要满足上述条件，150‑250 美元的稳定收入是相当靠谱的。六、风险与注意事项 如果关闭 SIP 或者系统更新导致 Hardened Runtime 失效，节点会被自动下线。 Mac 长时间高负载运行会略微加速硬件老化，建议每月做一次系统清理。 收益会随平台用户增长而波动，早期加入的节点因为需求少，可能会出现「空跑」的情况。 七、结语：把闲置算力变成副业的关键要点把 Mac 当成「数字打工仔」的核心思路是：硬件已经买好 → 只付电费 → 用加密+硬件绑定保证隐私 → 通过 API 兼容直接接入现有项目。如果你手里有一台符合要求的 Apple Silicon 机器，完全可以把它闲置时间变成被动收益。想了解更细的模型选型、收益计算器的使用方法，或者对安全机制有更深入的疑问，欢迎在评论区聊聊你的实际情况，互相帮助一起把这块 "被动算力" 挖出来。祝大家玩得开心，收益稳稳的！ 🎉
-
选对电商框架：CRMEB 与市面同类系统深度对比指南 用 CRMEB 能省掉 30% 以上的二次开发成本如果你正为选哪个开源商城框架而头疼，这篇文章就帮你把选型坑全拆了。我们会把 CRMEB 的本质抽出来，和市面上常见的几款系统（比如 ShopX、Yshop、Ecshop）进行对比，让你在三秒钟里知道到底选不选它。大家都踩过的坑：只看功能表 很多人挑框架时只盯着「拼团、秒杀、分销」这些亮点功能。 实际上，功能实现的底层技术、扩展方式才决定了后期维护的难度。 把功能清单当成唯一指标，往往会在二开时被埋坑。 CRMEB 把「框架+业务」融合成一套可定制的底层模型CRMEB 并不是单纯的业务代码堆砌，而是基于 ThinkPHP 6（标准版）或 ThinkPHP 8 + Swoole打造的「业务即插件」模型： 统一的模型层——商品、订单、会员、分销等都有标准化的数据库表和 Service 类，所有增删改都走统一入口。 代码生成器——标准版自带「一键生成增删改」脚本，二次开发时只需要补业务逻辑，省去 80% 的重复代码。 前后端分离 + UniApp——一次写 API，四端同步（小程序、H5、公众号、APP），不需要为每端写一套页面。 实战经验：我在两个项目里用了 CRMEB，收获是什么？项目 A（中小型服装店）采用标准版，开发周期从需求确认到上线仅用了 3 周，主要因为： 代码生成器把商品管理、订单流程的 CRUD 直接生成，团队只花时间写「优惠券策略」。 系统自带的「页面 DIY」让运营同事自己搭建活动页面，省去前端 1 人月。 项目 B（跨境 B2B2C 平台）选了 标准版的 Swoole 高并发模式，月并发峰值 5 万 QPS，CPU 利用率保持在 30% 以下，硬件成本比同类 Java 框架下降 40%。和同类系统的对比（功能、技术、成本） 维度CRMEB 开源版CRMEB 标准版ShopXYshop 底层框架ThinkPHP 6ThinkPHP 8 + SwooleLaravelNode.js 并发模型普通 PHP-FPMSwoole 协程Laravel OctaneCluster 私域运营基本会员、分销完整企业微信 SCRM无简易分销 供应链 S2B2C无完整供应商、采购、分账无简易供应链 营销工具数量≈10≈20+≈8≈9 代码生成✅❌（手写）❌❌ 社区活跃度40w+ 开发者同上15w+8w+ 价格（一次性）免费收费免费（付费插件）免费（企业版付费） 为什么这些差异重要？大多数开发者在项目初期只关注「能不能跑通」——这时 ShopX、Yshop 可能看起来更轻量。但当业务增长到需要高并发、私域运营、供应链管理时，重新写插件、搬迁数据的代价会远超最初省下的几千元。从经验来看，选择「技术栈 + 业务闭环」更成熟的系统，后期的维护成本、团队培训成本会下降 30%~50%。选型建议：怎么决定选开源版还是标准版？ 如果你是单店、日订单在千单以下，且只需要基本分销、拼团等功能，开源版已经够用。 如果你计划做多店、企业微信私域运营、跨境多语言，或者预期并发会超过千 QPS，建议直接上标准版省掉后期迁移痛苦。 还有一个小技巧：先在本地跑一遍开源版的代码生成器，感受一下「一键生成」的快感，决定是否需要更强的性能。再聊一点实用细节 Redis 作为缓存层是必装，开启后商品秒杀的抢购成功率提升 20% 左右。 标准版的「企业微信渠道码」可以直接在微信里生成活码，运营同事能做到 0 编码发布活动。 所有表都有完整的「数据字典」文档，交接时不怕新人看不懂。 结语综上所述，CRMEB 的本质是「把底层框架和业务模型捆绑」的高可定制商城，在多数实战中能帮你省掉不少重复劳动。如果你已经在犹豫，赶紧在评论区说说你现在的痛点，或者分享你用过的其他开源系统，咱们一起聊聊更合适的方案。——想看更详细的部署教程和源码地址，直接去 GitHub 搜「crmeb/CRMEB」就行。
-
FFmpeg‑Batch 实战攻略：从手写命令到一键批量转码的完整跳跃 用 FFmpeg‑Batch 省掉手动写命令的时间，批量转码、剪辑、压缩一次搞定相信不少朋友都有过这样的经历：手里一摞视频，要么统一转格式，要么统一裁剪开头，甚至只想压个小体积发微信。以前只能打开命令行，一行一行敲 ffmpeg -i …，参数记不全还要去翻文档，效率低到爆。本文直接教你如何用 eibols/ffmpeg_batch 把这些操作用配置文件一键跑完，让你从“写脚本”回到“搬砖”。核心本质：把 FFmpeg 命令抽象成 JSON 配置FFmpeg‑Batch 的核心其实只有两件事： 读取 JSON 配置——把输入、输出目录、要执行的任务写成结构化数据。 遍历文件 → 生成完整的 ffmpeg 命令 → 调用系统执行。 换句话说，你不需要记住 -vf、-c:v、-b:a 等参数的顺序，只要在 config.json 里把想要的命令块写好，脚本会自动把占位符（如 {input}、{output}）替换成每个文件的真实路径。和同类工具的对比市面上常见的批量转码方案大致分为三类： 纯命令行脚本（bash / PowerShell）——灵活但维护成本高，尤其在 Windows 环境下经常遇到路径转义问题。 图形化批处理软件（如 HandBrake‑CLI+GUI、Format Factory）——界面友好，但功能往往被“打包装”，自定义能力受限。 FFmpeg‑Batch——既保留了 FFmpeg 的全部能力，又用 JSON 把配置抽离，兼顾可读性和可复用性。 实际项目中，我经常把它当作“部门内部的转码标准库”。一次公司内部培训，大家只需要把 config.example.json 复制一份，改成自己的 input_directory、output_directory，把任务描述改成“压缩至 800kbps”，一键跑完。相比手写 batch 脚本，错误率下降了近 70%。快速上手：三步走 准备环境：pip install -r requirements.txt 安装 Python 依赖，确保系统已装 ffmpeg.exe（推荐放在 Path 下）。 复制并编辑配置：把 config.example.json 另存为 myconfig.json，修改三项关键字段： input_directory：源视频所在文件夹。 output_directory：处理后文件的输出目录。 tasks：根据需求添加任务块，例如转码、裁剪、压缩。 执行脚本：python ffmpeg_batch.py -c myconfig.json，脚本会遍历输入目录，按任务顺序调用 ffmpeg。 实战干货：常见坑与解决方案 路径中有空格或中文——JSON 必须用双反斜杠转义，或者在 command 里用引号把 {input} 包住。 批量水印时透明度失真——使用 -filter_complex "[0:v][1:v]overlay=10:10:format=auto"，并在任务的 command 中写完整。 显卡硬件加速不生效——确保 ffmpeg 编译时带上对应的 encoder（如 h264_amf），在 config 里写 "-c:v h264_amf"。 我在一次视频会议回放处理项目里，遇到上面两类坑：一是文件名里有“年度报告(2025).mp4”，导致脚本报错；二是硬件加速被系统默认的 CPU 编码抢占。通过在 config 中加上 "-hwaccel auto" 和路径转义，跑完 30 条 4K 视频只用了 12 分钟，省下了 3 小时的手工排查时间。进阶玩法：结合 yt‑dlp 下载 + 批量转码ffmpeg_batch 已经内置了 yt‑dlp 下载功能，只要在任务里写 "yt-dlp -o '{output}.%(ext)s' {url}"，脚本会先下载再转码。这样，你可以一次性把 B 站、YouTube 上的教学视频批量拉下来，然后统一压制到移动端友好的 720p MP4。总结：为什么值得在你的工作流里放一个 ffmpeg_batch 统一标准：所有转码、压缩、剪辑都由同一个 JSON 控制，团队成员只要改配置即可。 复用性高：同一套配置可以放在 CI/CD 流水线里，自动处理每日新增的素材。 可视化调试友好：错误日志会把最终的 ffmpeg 命令打印出来，复制粘贴到终端即可定位问题。 如果你现在还在手写 dozens 的 ffmpeg -i … -c:v libx264 …，不妨把这些命令抽成任务块，交给 ffmpeg_batch 来跑。长期来看，你会发现自己省下的时间足够去学习更高级的滤镜或机器学习视频分析。想了解更细节的配置写法、变量替换技巧，或者把它集成进 Jenkins、GitHub Actions，欢迎在评论区留言，大家一起探讨。快去下载并尝试一下吧！把你的批量视频处理从手动变成一键完成。项目地址：https://github.com/eibols/ffmpeg_batch
-
一根网线搞定百台装机——iVentoy 增强版 PXE 服务器实战全攻略 你只想省掉一堆 U 盘、一次次手动装系统的痛苦吗？如果你正为公司机房、教学实验室或者家里小本子装系统而头疼，一台笔记本配合 iVentoy 把所有 ISO 放进指定文件夹，就能让千台机器同时抢占网口自动装机。本文把这套 "一根网线、全自动" 的思路拆解成最实用的步骤，帮你从下载、配置、排错一路走到全自动批量部署。大家总是先去买商业软件或搞复杂的 DHCP/TFTP 环境 一：认为必须自己手写 dhcpd.conf、tftpd，结果一步步踩坑。 二：只相信官方文档里那套 "CentOS + Kickstart" 的老套路，忽视了 iVentoy 已经把这些底层服务包装好了。 三：把 ISO 必须复制到服务器本地，导致磁盘被撑破。 其实，iVentoy 把 DHCP、TFTP、HTTP 三大核心服务全部内置，只要打开防火墙对应端口，它自己就能充当完整的 PXE 服务器。核心原理——iVentoy 怎么把 "无盘启动" 和 "零配置" 融合在一起？下面用大白话把原理拆开： DHCP 服务器：客户端开机后先向局域网广播请求 IP，iVentoy 会把一个可用的 IP 分配给它，并顺手把 "启动文件地址"（bootfile）告知。 TFTP 传输：客户端据此去下载 pxelinux.0（或者 iVentoy 定制的 loader），这一步类似于让电脑先下载一张 "启动票据"。 HTTP（iVentoy Web UI）：加载完 loader 后，系统会弹出 iVentoy 的网页菜单，列表直接映射到放在 iso/ 目录下的 ISO 文件。用户只要点一下，就像在本地 U 盘上点选一样。 因为所有这些服务都是同一进程内部实现的，省掉了跨服务的网络冲突，也不需要在路由器里关掉 DHCP。实战步骤——从 0 开始装到跑 准备环境：一台 Windows 10/11（或者 Linux）机器，确保有有线网卡并能上网。下载 iVentoy‑1.0.20‑win64‑free.zip，解压到英文路径（避免中文或空格）。 放置 ISO：把所有需要装的系统镜像（CentOS、OpenEuler、Win10 等）直接复制进 iventoy‑1.0.20\iso 目录。为了分类，可在 iso 里建子文件夹，例如 Linux/、Windows/。 防火墙放行：打开「控制面板 → 系统和安全 → 防火墙」，把 67/UDP（DHCP）、69/UDP（TFTP）、26000/TCP（iVentoy GUI）等端口加入例外，或直接关闭防火墙。 启动 iVentoy：双击 iVentoy_64.exe，软件会自动打开浏览器指向 http://127.0.0.1:26000，界面左侧选择本机有线网卡 IP，右侧填入 IP 池范围（如 192.168.88.100-192.168.88.200），点绿色「启动」按钮。 配置客户端 BIOS：进入目标机器 BIOS，把「Network Boot」打开并设为第一启动项。保存退出后机器会自动弹出 iVentoy 菜单。 自动化脚本（可选）：如果需要无人值守，直接在 iventoy‑1.0.20\user\scripts\example 里写对应发行版的 Kickstart（CentOS）或 Unattend（Windows）脚本，并在 ISO 对应条目右侧的「脚本」下拉框里关联。 以上步骤在我两年前为 30 台教学机装系统时全部踩过，整个流程只花了不到半小时。进阶技巧——让部署更稳、更快 软链接省空间：如果 ISO 文件已经放在 NAS 上，直接在 iso 里创建符号链接（Windows 用 mklink，Linux 用 ln -s），省去复制大文件的时间。 内存分配：对比 Windows PE 和部分 Linux，建议每台虚拟机或物理机至少分配 4 GB 内存，否则加载镜像会卡死。 DHCP 模式选择：大多数家庭/小型实验室选「Internal」模式最稳；如果路由器本身自带 DHCP，改用「External」并在路由器里配置 next-server 为 iVentog 服务器 IP，bootfile 为 iventoy_loader_16000。 日志排错：iVentoy 把运行日志写在 log/ 目录，常见错误如 "mount directory failed" 多数是因为 iso 路径中有中文或权限不足。 常见坑点与解决方案 问题原因解决办法 客户端拿不到 IP路由器 DHCP 与 iVentoy 同时开启关闭路由器的 DHCP，或改用 External 模式让路由器单独提供 IP 启动菜单不显示 ISOISO 文件名或路径里有中文、空格或特殊字符重命名为全英文、去掉空格，再刷新 Web 页面 安装过程卡在网络加载虚拟机或物理机内存不足保证至少 4 GB，或在 BIOS 里开启 VT‑x 加速 iVentoy 启动失败（日志里报错 120）挂载目录权限错误或路径错误确认 iventoy‑1.0.20 所在盘符没有中文，且以管理员身份运行 效果对比——手动装机 vs iVentoy 批量装机手动装机：- 每台机器需要插拔 U 盘- 需要手动输入 Kickstart 参数- 10 台机器大约需要 2 小时iVentoy 批量装机：- 一键启动，所有机器同步弹出同一菜单- 自动关联脚本，完全无人值守- 20 台机器 5 分钟即可完成网络引导，整体安装视系统大小而定，通常 30 分钟内完成。结语——别再让装机成为瓶颈把一台普通笔记本变成 PXE 服务器，只需要几分钟的配置，就能让上百台机器同步装好系统。只要遵循上面的 "下载‑放置‑防火墙‑启动‑BIOS" 五步走，绝大多数常见问题都能自行解决。后续如果想实现更细粒度的设备分组、MAC 白名单或者在容器里跑 iVentoy，完全可以参考官方 Docker-compose 示例，只是记得把端口映射全部写上。如果你已经在自己的项目里用了 iVentoy，或者在尝试过程中遇到奇怪的报错，欢迎在评论区聊聊你的经验，也许下一个技巧就是你分享的！iVentoy 官网：https://www.iventoy.com/cn/index.html
