之前通过一系列文章分析了 HAMI vGPU 部署使用以及背后的实现原理，本文则是分析海光 DCU 设备如何通过 HAMi 完成虚拟化，实现统一纳管与调度。

本文将从基础概念出发，逐步解析Agent（智能体）、Function Calling（函数调用）、MCP（模型上下文协议）及A2A（智能体协作协议），帮助读者理解 LLM 应用知识体系。

上一篇分享了 LabelStudio 的智能标注(预标注)，通过对接 ML 后端实现自动标注，解放双手。本文主要记录如何使用 LabelStudio 标注数据、导出数据集并用于训练模型，通过本教程，您将学习如何将 LabelStudio 标注的数据转换为 YOLO 格式，并用作模型训练。

上一篇分享了 LabelStudio 的部署以及手动标注流程，本文分享另一个功能：智能标注(预标注)，通过对接 ML 后端实现自动标注，解放双手。

本文详细介绍了开源多模态数据标注平台 LabelStudio，分享了使用helm在集群中部署的方法，并通过文本分类和图片对象识别案例展示了创建项目、导入数据、配置模板、标注及导出结果的完整使用流程，下一篇将聚焦结合模型的AI 智能标注。

上一篇我们简单分析一下 HAMi-Core(libvgpu.so) vCUDA 的工作原理，包括怎么生效的，CUDA API 怎么拦截的，以及是怎么实现的对 GPU 的 core、memory 资源的 limit 的。

这一篇我们分析一下 HAMi 的调度特性：根据 GPU 类型甚至 UUID 实现精细调度。