这张图片展示了 Microsoft 托管密钥层次结构（Microsoft Managed Key Hierarchy），主要解释了 Microsoft 365 中的两项核心服务——Exchange Online（邮件服务）和 SharePoint Online/OneDrive/Teams（文件存储服务）——是如何通过多层加密来保护数据的。

核心思想是：分层加密（Key Hierarchy）。即用上层密钥保护下层密钥，最终用最底层的密钥加密用户数据。这样即使某一层密钥泄露，也不会直接导致数据被解密，提高了安全性。

以下是详细的图文讲解：

1. 左侧：Exchange Online（邮件服务）

这部分展示了电子邮件数据的加密流程。

• 最顶层（根密钥层 - RSA 密钥）：

  • 这里有两个并行的根密钥来源：
    • 两个 Microsoft 托管密钥：这些是受 Azure 密钥保管库（Azure Key Vault） 保护的根密钥。这是硬件安全模块（HSM）级别的保护。
    • 可用性密钥：受 Office 365 保护的根密钥。
  • 作用：这些根密钥使用 RSA 算法。
  • 向下作用：它们用来保护下一层的“数据加密策略密钥”。

• 中间层（数据加密策略密钥）：

  • 这里包含 数据加密策略密钥。
  • 特点：每个根密钥会保护三个副本（为了冗余和高可用性）。
  • 算法：这层使用 AES-256 加密。
  • 向下作用：用来保护最底层的“邮箱密钥”。

• 最底层（邮箱密钥）：

  • 这里包含 邮箱密钥。
  • 特点：受上层的数据加密策略密钥保护。
  • 向下作用：最终用来加密存储在后端数据库中的 邮箱（Mailbox） 数据。

2. 右侧：SharePoint Online、OneDrive for Business、Microsoft Teams 文件

这部分展示了文件存储数据的加密流程。

• 最顶层（SQL 透明数据加密 - TDE）：

  • 这一层使用 SQL 透明数据加密（TDE）。
  • 特点：使用的是 Azure SQL 加密的 SQL 数据库。
  • 作用：保护存储这些密钥的数据库本身。如果数据库文件被盗，没有 TDE 密钥也无法读取内容。

• 中间层（文件区块加密密钥）：

  • 这里包含 文件区块加密密钥。
  • 特点：
    • 1 文件 = N 个区块 = N 个密钥：这意味着每个文件都被切分成多个块，每个块都有自己独立的密钥。这种设计使得即使一个密钥泄露，也只能解密文件的一小部分，且能提高大文件的处理效率。
    • 存储位置：这些文件区块加密密钥存储在 SQL 数据库中（受 TDE 保护）。
  • 算法：这层使用 AES-256 加密。
  • 向下作用：用来加密实际的 数据块（Data Blocks）。

• 最底层（数据块）：

  • 这是实际存储文件内容的物理位置。
  • 它是通过上层的“文件区块加密密钥”进行加密的。

总结与核心要点

1. 分层保护：无论是邮件还是文件，都不是直接用一把钥匙锁死，而是层层嵌套。根密钥（RSA）保护策略密钥，策略密钥保护数据密钥，数据密钥保护实际数据。
2. 算法差异：
   • RSA：用于最顶层的根密钥（非对称加密，安全性极高，适合密钥交换和签名）。
   • AES-256：用于实际数据加密（对称加密，速度快，适合大量数据）。
3. 数据颗粒度：
   • 邮件系统：以“邮箱”为单位进行加密（每个邮箱有独立的密钥）。
   • 文件系统：以“文件区块”为单位进行加密（每个文件甚至文件的每一块都有独立密钥），颗粒度更细。
4. 信任根：左侧依赖 Azure Key Vault，右侧依赖 Azure SQL TDE，这些都是微软云基础设施中高度安全的组件。

这张图旨在向企业客户证明，微软在云端存储数据时采取了极其严密的加密措施，确保数据在静态存储时的机密性和完整性。

在众多标注工具中，Label Studio 凭借其开源、多模态、高度可定制的特点脱颖而出，成为研究人员、数据科学家和机器学习工程师的首选平台之一。本文将系统介绍 Label Studio 的定位、核心功能、系统架构、安装方法、使用流程、典型应用场景以及它的优势与局限。

一、Label Studio 是什么

Label Studio 是由 HumanSignal（原名 Heartex）开发并维护的开源数据标注与数据管理平台，采用 Apache 2.0 许可证，代码托管在 GitHub 上（https://github.com/HumanSignal/label-studio）。它是一个多类型数据标注工具，支持文本、图像、音频、视频、时间序列、HTML 等多种数据类型，并可以把标注结果导出为各种模型训练所需的标准格式。

与传统只面向单一数据类型的标注工具不同，Label Studio 的定位是一个统一的标注平台：支持多项目、多用户、多数据类型在一个平台上管理。它的官方口号已经演进为「Label any data, Evaluate any AI」——不仅用于传统机器学习的数据标注，也覆盖大语言模型（LLM）微调、RLHF、RAG 评估等生成式 AI 场景。

从商业模式上看，Label Studio 走的是典型的开源商业化路径：开源社区版免费使用，同时提供托管的 Label Studio Cloud 和包含 SSO、RBAC、审计日志等高级功能的企业版。对中小团队而言，开源版本的功能已经足够强大。

二、核心功能与技术亮点

1. 多模态数据标注全覆盖

Label Studio 最显著的特点是对多种数据类型的原生支持：

• 图像：支持 JPG、PNG、BMP、GIF、SVG、WEBP 等格式，可完成图像分类、目标检测（边界框）、语义分割（多边形/掩码）、关键点标注、OCR、图像描述等任务
• 文本：支持文本分类、命名实体识别（NER）、情感分析、关系抽取、问答标注、文本摘要、机器翻译等任务
• 音频：支持音频转录、说话人识别、声学事件检测、情绪识别、音频分类
• 视频：支持逐帧标注、目标跟踪、时间轴分割、行为识别
• 时间序列：支持传感器数据、金融数据等时间序列的分类与分段标注

这意味着一个做多模态模型的团队，不再需要同时维护三四个互不兼容的标注工具。

2. 基于 XML 的高度可定制界面

Label Studio 提供了一套基于 XML 的配置语言，用户无需修改代码即可自定义标注界面、标签体系和交互逻辑。平台内置了丰富的预置模板（如目标检测、NER、关键点标注、生成式 AI 模板等），既可以直接使用，也可以在模板基础上修改。下表展示了常见标注任务与对应能力的关系：

3. 机器学习辅助标注

这是 Label Studio 提升效率的杀手锏。通过独立的 ML Backend 服务，它可以对接 PyTorch、TensorFlow、Hugging Face、YOLO 等主流框架的模型，实现：

• 预标注（Pre-labeling）：模型先对数据做初步标注，人工只需审核和修正，而不是从零开始
• 主动学习（Active Learning）：模型对最不确定的样本优先推荐给人工标注，在有限预算下最大化数据价值

配合这套机制，团队可以建立「模型预测 → 人工修正 → 再训练 → 再预测」的数据飞轮，大幅缩短迭代周期。

4. 团队协作与质量控制

Label Studio 支持多用户协作，提供管理员、经理、标注员、查看者等角色权限分配，具备任务分配、进度监控、标注重叠（Overlap）冲突解决、质量审核、评论与 @提及 等功能。项目仪表盘可以实时查看任务完成进度、标注分布与效率统计，企业版还提供 LDAP/SSO 与审计日志。

5. 灵活的数据导入导出与 API

数据导入方面，支持本地文件上传、URL 导入以及云存储直连（AWS S3、Google Cloud Storage、Azure Blob、MinIO），云上数据可以不落地直接标注。导出方面，支持 JSON、CSV、JSON-MIN、COCO、Pascal VOC、YOLO 等多种标准格式，覆盖主流训练框架的需求。

同时，Label Studio 提供完整的 RESTful API、Python SDK 和 Webhooks，可以自动化完成项目创建、任务导入、预测管理和结果导出，轻松嵌入现有的 MLOps 管道。

三、系统架构

Label Studio 的架构设计非常模块化，主要包含四个部分：

1. Frontend（前端）：基于 React 构建的标注界面，提供图像框选、文本高亮、音频波形标注等丰富的交互式组件
2. Backend（后端）：基于 Python/Django 的核心服务，负责项目管理、用户管理与数据存储，对外提供 REST API 和 Webhook
3. Task（任务）：以 JSON 格式组织的任务数据，是标注工作的基本单位
4. ML Backend：基于 FastAPI 的独立服务，可挂载任意机器学习模型提供预测能力

这种松耦合设计带来极大的灵活性——你可以只用它的前端做标注界面，后端对接自己的系统；也可以完全使用官方栈。默认情况下数据存储在 SQLite 中，生产环境建议切换到 PostgreSQL。

四、安装与部署

Label Studio 支持 Windows、Linux、macOS，要求 Python 3.8 及以上版本（推荐 3.10+），内存最低 4GB（推荐 8GB+）。常见安装方式对比如下：

pip 安装（推荐新手）：

pip install -U label-studio
label-studio start

国内网络环境可使用清华镜像源加速：pip install -U label-studio -i https://pypi.tuna.tsinghua.edu.cn/simple。

Docker 部署（推荐生产环境）：

docker run -it -p 8080:8080 -v $(pwd)/mydata:/label-studio/data heartexlabs/label-studio:latest

其中 -v 参数将本地目录挂载为数据目录，保证标注数据持久化。

源码安装：

git clone https://github.com/HumanSignal/label-studio.git
cd label-studio
pip install -e .

启动后，浏览器访问 http://localhost:8080，首次使用需注册账号并登录。

五、基本使用流程

从安装到开始标注，整个流程可以在五分钟内跑通：

1. 创建项目：登录后点击 Create Project，填写项目名称、描述，选择颜色与标注模板
2. 导入数据：在 Data Import 页签上传本地文件（JSON、CSV、TXT、图片、音频、视频等），或通过 URL、云存储导入
3. 配置标注界面：在 Labeling Setup 中选择预置模板，或切到 Code 模式用 XML 自定义标签与布局
4. 开始标注：点击 Label All Tasks 进入标注工作台，支持鼠标拖拽与丰富的快捷键——数字键切换标签、Ctrl+Enter 提交、Ctrl+Space 跳过、Ctrl+Z 撤销
5. 导出结果：点击右上角 Export，选择 JSON、COCO、YOLO、Pascal VOC 等格式下载，或通过 API/SDK 批量导出

六、典型应用场景

计算机视觉

在自动驾驶、安防监控、工业质检等领域，用 Label Studio 标注车辆、行人、交通标志的边界框，或用多边形完成医学影像中病灶区域的语义分割。社区还提供了与 Segment Anything（SAM）模型的集成，可以显著加速图像分割标注。

自然语言处理

用于命名实体识别、情感分析、文本分类、关系抽取等任务，支撑信息抽取、知识图谱构建、舆情分析等业务。

语音与音频

为自动语音识别（ASR）模型标注语音转写文本，进行说话人分类、情绪识别和声学事件检测。

大模型与生成式 AI

这是 Label Studio 近年重点演进的方向：

• LLM 微调：为大模型的监督式微调（SFT）和 RLHF 准备高质量的指令数据与人类偏好数据
• LLM 评估：对模型响应进行审核、评分和并排比较
• RAG 评估：结合 Ragas 分数与人工反馈，评估检索增强生成系统的效果

随着 RAG 和模型微调成为企业落地 AI 的主流路径，这类「GenAI 数据工程」能力让 Label Studio 从传统标注工具升级为 AI 评估与人在回路（Human-in-the-loop）工作流平台。

七、优势与局限

优势方面，Label Studio 开源免费、可本地化部署，敏感数据不出内网，对医疗、金融等场景尤为重要；多模态一站式支持降低了工具管理成本；XML 配置与 ML Backend 提供了极强的扩展性；活跃的社区（GitHub 高星项目）保证了持续迭代。

局限同样需要了解：

• 复杂标注场景（如高度专业化的医学标注）的 XML 配置学习成本不低
• 百万级数据或几十人以上的团队，社区版可能遇到性能瓶颈，需要企业版优化
• ML 辅助标注需要自行搭建 ML Backend 服务，对纯业务团队有一定工程门槛
• 版本迭代频繁，大版本升级偶有配置兼容问题，长周期项目建议锁定稳定版本

八、总结

Label Studio 用一套开源、灵活、可扩展的平台，覆盖了从数据导入、标注配置、团队协作、ML 辅助到多格式导出的完整标注工作流，并顺势扩展到了 LLM 微调与 AI 评估这一新战场。无论你是做计算机视觉、NLP 还是大模型应用，它都值得作为数据标注方案的首选来评估。

上手也很简单：pip install label-studio，五分钟之后，你就可以开始标注自己的第一批数据了。

参考资料

• Label Studio 官网：https://labelstud.io/
• Label Studio GitHub 仓库：https://github.com/HumanSignal/label-studio
• Label Studio 官方文档（Get Started）：https://labelstud.io/guide/get_started
• Label Studio 安装指南：https://labelstud.io/guide/install
• Label Studio 社区版与企业版功能对比：https://labelstud.io/guide/label_studio_compare

#!/bin/bash

# ================== 请修改以下配置 ==================
API_URL="http://api.example.com/v1/embeddings"
API_KEY="sk-5566"
MODEL_NAME="bge-m3"
# ==================================================

echo "正在向 $API_URL 发送请求以查询模型 '$MODEL_NAME' 的维度..."

# 发送请求并获取响应
response=$(curl -s -X POST "$API_URL" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $API_KEY" \
  -d "{
    \"model\": \"$MODEL_NAME\",
    \"input\": [\"test_dimension\"]
  }")

# 使用 Python 解析并计算 embedding 数组的长度
dimension=$(echo "$response" | python3 -c "import sys, json; print(len(json.load(sys.stdin)['data'][0]['embedding']))" 2>/dev/null)

# 检查是否成功获取到维度
if [[ "$dimension" =~ ^[0-9]+$ ]]; then
  echo "✅ 查询成功！"
  echo "模型 '$MODEL_NAME' 的向量维度是: $dimension"
else
  echo "❌ 查询失败。请检查 API 地址、密钥或模型名称是否正确。"
  echo "服务器返回的原始信息："
  echo "$response"
fi

Copyright © 2023-2026 有亦科技, All rights reserved.

Powered by 林亦 LYi

你好，我是 Yoci。喜欢文字，也喜欢代码。喜欢用思考去理解世界，也喜欢用记录去留住那些平凡而温暖的瞬间。今天，我终于有了一个属于自己的小角落——我的博客。这里，不只是写作的空间，更是整理思绪、分享想法、记录生活和技术的地方。

猿的胜利—— 当知识不再随生命熄灭

从章鱼的短暂智慧，到海龟的漫长生命，再到人类文明的跃迁，本文追问一个更深的问题：知识如何越过个体生命的边界，在传承、校正与叠加中沉淀为文明，并最终推动人类不断向前。

一只猿弯着背，贴近大地。

它知道哪里有果实，哪里有水源，哪里潜伏着猛兽。自然界从不缺少聪明的生命：章鱼会解谜，乌鸦会用工具，象群有记忆，鲸类有歌声，黑猩猩也拥有自己的传统。

可是，当一个生命死去，它脑中的大部分经验也随之熄灭。下一代仍要重新摸索，重新试错，重新在黑暗里受伤。

一个生命看见的世界，能不能交给另一个生命继续看？

这或许才是文明真正的起点。

01 聪明，不等于文明

章鱼就是一个迷人的反例。它们拥有惊人的神经系统、灵活的身体和出色的问题解决能力，像是自然在海洋深处开辟出的另一条智能道路。

可章鱼没有发展出城市、文字、学校和历史。原因并不是它们不聪明，恰恰相反，章鱼提醒我们：聪明如果不能稳定传递，就很难变成文明。

一个物种可以代代都很聪明，却依然接不住上一代的思想。智慧会闪耀，但不一定会累积。

02 长寿，也不等于文明

海龟说明了另一件事。它们活得很久，跨越辽阔海洋，生命本身带着一种古老而庄严的秩序。但漫长的时间，并不会自动沉淀为知识。

如果一个生命缺少把经验组织成教学、协作、模仿和群体记忆的系统，那么长寿也只是漫长地活着。时间本身，并不会替文明完成传承。

文明真正需要的，是智慧与时间之间的第三种东西：知识沉淀。

03 猿的胜利

人类真正特殊的地方，正在这里。我们并不是唯一聪明、唯一长寿、唯一会使用工具的生命。人类的优势，不在单个大脑，而在无数大脑之间建立起了保存、传递、校正和叠加知识的系统。

一个人会用火，是技术。一群人都会用火，是传统。一代人改良了火种，下一代不再从零开始，而是在已有经验上继续推进，这才是文明。

人类的胜利，不是天才的孤峰，而是累积性文化的胜利：一点点改进被保存下来，一点点理解被继续推进。

文字让知识离开身体。

印刷让知识离开少数人。

教育让知识进入更多大脑。

科学共同体让知识接受公开校正。

互联网让知识突破地理边界。

AI 正在推动知识的检索、组织、理解与综合进入新的阶段。

人类近现代的快速崛起，本质上是一场知识沉淀速度的革命。后一代之所以能够走得更远，不是因为天然更聪明，而是因为不必永远从零开始。

04 新的黑暗

但知识的丰沛，也带来了新的危险。今天的问题不再只是“找不到答案”，而是“结构被淹没”；不再只是“没有资料”，而是“资料太多，以至于理解变薄”。

这是一种新的黑暗。并非没有光，而是光线太盛，反而淹没了道路。

真正的危险，不是机器变得太聪明。真正的危险，是人类停止成为知识的继承者。

05 一文亦传承

文明的未来，不能只依赖更快的机器。它还需要一代又一代仍愿意继承知识、校正知识，并继续追问世界的人。

当信息奔涌成海，真正稀缺的已不再是答案，而是理解；不再是内容，而是能够被追溯、被验证、被连接，并最终沉淀为判断的知识。AI 的意义，也不应止于生成更多文本。它更应帮助人类重新进入知识本身：进入证据，进入上下文，进入概念之间隐秘的关联，也进入一篇论文背后的问题、方法与思想史。

这正是 aPaper · 一文 所相信的方向。

一文，不只是打开一篇论文。它意味着从一篇文献出发，进入一个问题，进入一片领域，进入人类知识长期沉淀出的脉络。它让沉睡在文件夹里的论文被唤醒，让散落在学术世界中的思想重新可见，也让每一个求知者能够从一篇论文，看见它背后的整个领域。

aPaper · 一文 不替代人的思考，而是帮助人更快抵达思考；不把复杂知识压扁成轻薄摘要，而是让文献、证据、概念与领域脉络重新连接起来。

因为文明真正要延续的，从来不是信息流动的速度，而是知识能否在人的理解中沉淀，并继续照亮后来者。

当知识能够被保存、校正、连接与继承，它才不再随生命熄灭。它会穿过一代又一代人的意识，成为文明继续向前的火。

猿的胜利｜aPaper · 一文:https://apaper.ai/articles/ape-victory.zh

我的女友景甜｜一段虚构叙事:https://apaper.ai/my-girlfriend-jingtian/