آموزش اتصال API هوش مصنوعی Mindbase به FastGPT
اتصال FastGPT به مایندبیس: کانال OpenAI با Base url، مدل MindBase و تست دستهای.
مقالات و مطالب آموزشی
اتصال FastGPT به مایندبیس: کانال OpenAI با Base url، مدل MindBase و تست دستهای.
اتصال Khoj به مایندبیس: AiModelApi در ادمن سلفهاست با Api base url، مدل OpenAI و پیشفرض چت.
اتصال Void به مایندبیس: OpenAI-Compatible با baseURL و کلید mb_ و مدل MindBase در ادیتور متنباز.
اتصال Neovim (CodeCompanion openai_compatible) و Emacs (gptel) به مایندبیس؛ دامنه بدون /v1، مدل MindBase، ابزارها با capabilities.
Sider با BYOK OpenAI-compatible (Base URL + کلید mb_) مایندبیس را میگیرد؛ Monica رسماً هاب ثابت است و وصل نمیشود.
اتصال VS Code Copilot به مایندبیس با Custom Endpoint (جانشین OpenAI Compatible)؛ Manage Models، chatLanguageModels.json، Tool Calling برای Agent و انتخاب مدل MindBase.
افزودن مایندبیس به LiteLLM با config.yaml: model_name MindBase، api_base با /v1، اجرای پروکسی روی :4000 و اتصال همه ابزارها به یک گتوی.
ثبت مایندبیس در New API: کانال OpenAI با Base URL و کلید mb_*، تست کانال، صدور کلید مجازی و اتصال ابزارها به گیتوی خودمیزبان.
اتصال OpenHands به مایندبیس: Settings→LLM→Advanced، Base URL و کلید mb_، مدل openai/MindBase و سوییچ با /model.
ثبت مایندبیس در goose: Custom Provider نوع OpenAI Compatible، مدل MindBase، کلید در env و سوئیچ استریم — دسکتاپ و CLI.
ثبت مایندبیس در Crush با provider add نوع completions، مدل MindBase در اسکیمای رسمی و انتخاب با ctrl+l.
اتصال AnythingLLM به مایندبیس: AI Providers→Generic OpenAI، Base URL با /v1، کلید mb_، مدل MindBase و envهای نسخه Docker.
اتصال Jan به مایندبیس: Add Custom Provider با OpenAI-compatible، Base URL با /v1، مدل دستی MindBase و فعالسازی Tools.
اتصال Flowise به مایندبیس: credential با کلید mb_، Base Path با /v1 در ChatOpenAI و مدل MindBase در بیلدر بصری.
اتصال RAGFlow به مایندبیس: OpenAI-API-Compatible با Base URL، کلید mb_، مدل سفارشی MindBase و Verify.
اتصال مایندبیس به Open WebUI از پنل مدیریت و با متغیرهای محیطی Docker؛ با مدلهای MindBase چت کنید و RAG را با اندپوینت Embeddings مایندبیس فعال کنید.
اتصال مایندبیس به دو ایجنت متنباز؛ Provider با @ai-sdk/openai-compatible در opencode.json و models.providers با openai-completions در openclaw.json.
اتصال ایجنت کدنویسی Pi به مایندبیس با models.json؛ Provider با api: openai-completions، baseUrl با v1 و کلید امن در متغیر محیطی.
اتصال PyCharm به مایندبیس با BYOK رسمی AI Assistant ۲۰۲۵.۳؛ Provider سازگار-OpenAI، URL و کلید mb_، Test Connection و تخصیص دستی مدل در Models Assignment.
بررسی صادقانه از منابع رسمی: چرا Windsurf (Devin Desktop فعلی) از Endpoint سفارشی OpenAI پشتیبانی نمیکند و چطور با Continue، Zed یا AI Assistant مدلهای مایندبیس را داشته باشید.
اتصال Zed به مایندبیس با Provider باز-سازگار در settings.json؛ api_url با v1، available_models با capabilities و کلید در متغیر محیطی MINDBASE_API_KEY.
اتصال مایندبیس به Dify با پلاگین OpenAI-API-compatible؛ تعریف مدل MindBase با API Base URL، تنظیم مدل پیشفرض سیستم و فعالسازی RAG با Embeddings.
اتصال Hermes Agent به مایندبیس با Provider سفارشی در config.yaml؛ api_mode صریح chat_completions، کلید امن در .env و ویزارد hermes model custom-endpoint.
چرا LM Studio به API راه دور وصل نمیشود، قابلیت LM Link دقیقاً چیست و چطور با Base URL مایندبیس به همان نتیجه بدون دانلود و GPU برسید؟
اتصال مایندبیس به LobeChat با API Proxy URL؛ آموزش تنظیم از رابط کاربری و متغیرهای محیطی Docker، افزودن مدل MindBase و رفع مشکل پاسخ خالی.
اتصال مایندبیس به n8n با Credential نوع OpenAI و فیلد Base URL؛ خاموشکردن Use Responses API، انتخاب مدل MindBase و استفاده در AI Agent و Embeddings.
اتصال مایندبیس به NextChat با Custom Endpoint؛ نکته مهم: آدرس API بدون v1 وارد میشود. آموزش تنظیم دسکتاپ، متغیرهای محیطی سرور و Custom Models.
چرا Ollama به API راه دور وصل نمیشود، چرا LiteLLM جواب نمیدهد و مسیر درست استفاده از مدلهای مایندبیس در ابزارهای Ollama-محور چیست؟
اتصال Aider به مایندبیس با سه خط کانفیگ؛ OPENAI_API_BASE با v1، کلید mb_ و مدل openai/MindBase — با راهنمای .env، setx و_flags خط فرمان.
در این راهنما، اتصال API هوش مصنوعی Mindbase به Chatbox را مرحلهبهمرحله آموزش دادهایم؛ ساخت Provider سفارشی با نوع OpenAI API Compatible، تنظیم API Host و افزودن مدل MindBase.
ساخت Provider سفارشی در Cherry Studio برای اتصال به مایندبیس؛ تنظیم API Host، کلید mb_، واکشی مدلها با Sync models و تست اتصال با Model Check — قدمبهقدم.
اتصال Claude Code به مایندبیس با گیتوی claude-code-router؛ کانفیگ کامل Provider، اجرا با ccr code و راه جایگزین LiteLLM — قدمبهقدم.
اتصال Codex CLI به مایندبیس با پل LiteLLM؛ نسخههای جدید Codex فقط Responses API میفهمند — کانفیگ کامل YAML و TOML قدمبهقدم.
اتصال افزونه Continue به مایندبیس با config.yaml؛ مدل provider: openai با apiBase مایندبیس، نقشهای chat/edit/apply و ایندکس کد با Embeddings.
RAG ساده — جستجوی برداری و ریختن نتایج در پرامپت — روی سؤالهای ساده جواب میدهد و روی سؤالهای واقعی میشکند. در این مرور سه لایهی ارتقا را میبینیم: آمادهسازی پرسش، بازیابی ترکیبی و بازمرتبسازی؛ هرکدام با هزینه و بازده مشخص.
انتخاب مدل متنباز با نگاه به جدول بنچمارکهای عمومی، بیشترین راه را گم میکند. در این مطلب یک روش مقایسهی منصفانه برای خانوادهی Gemma و رقبا میسازیم: مقایسهی هماندازه، سه محور آزمون و ساخت بنچمارک اختصاصی روی کار خودتان.
بدترین پاسخ، پاسخی است که غلط است اما محکم و مطمئن به نظر میرسد. توهمزایی مشکل شماره یک اعتماد به LLMهاست. در این مطلب میبینیم توهم از کجا میآید، سه لایهی دفاع در برابرش کداماند و چطور میزانش را سنجید.
وسوسهی همیشگی: هرچه داده بیشتر، مدل بهتر. تجربه برعکس میگوید — دهها هزار نمونهی تمیز و متنوع اغلب از صدها هزار نمونهی شلوغ بهتر جواب میدهد. در این مطلب خط لولهی پالایش دادهی تنظیم دستورالعملی را میسازیم.
در پزشکی و حقوق، جوابِ بدون دلیل نهتنها بیارزش بلکه خطرناک است. معماری درست، تقسیم کار است: LLM زبان را میفهمد و حقایق را استخراج میکند، موتور قواعد تصمیم میگیرد، و انسان امضا میزند. در این مطلب این معماری را میسازیم.
مدل بزرگ دقیق اما گران است، مدل کوچک ارزان اما در استدلال دامنهای لیز میخورد. تقطیر دانش پل وسط است: معلم داده و «شکل فکر کردن» را به شاگرد کوچک منتقل میکند. در این مطلب سه مرحلهی عملی تقطیر و دامهای رایجش را میبینیم.
همهی پرسشها سخت نیستند؛ پرداخت قیمت مدل بزرگ برای «سلام، حالت چطوره؟» اسراف است. آبشار و مسیریاب یعنی یک لایهی تصمیمگیر که هر پرسش را به ارزانترین مدلِ کافی میفرستد. در این مطلب ساختارها، روشهای سنجش اعتماد و حساب اقتصادیاش را میبینیم.
مدلهای ترکیب متخصصها بزرگاند اما هر توکن فقط بخش کوچکی از آنها را فعال میکند — یعنی میشود روی سختافزار معمولی اجرایشان کرد، اگر مدیریت حافظه درست باشد. در این مطلب تکنیکهای انتقال متخصصها، کشِ متخصصهای داغ و مسیریابی پویا را مرور میکنیم.
نصف حقیقت یک مقالهی علمی در جدولها و نمودارهایش است و RAG کلاسیک آنها را نمیبیند. در این مطلب یک چارچوب چهارمرحلهای برای بازیابی و فهم جدول، نمودار و شکل در PDFهای علمی میسازیم.
مدلهای کوچک دیگر نسخهی ضعیفِ LLMها نیستند؛ با کوانتیزاسیون درست، تقطیر و موتور استنتاج بهینه، همین امروز روی گوشی و لپتاپ کارهای جدی انجام میدهند. در این مرور میبینیم هر تکنیک چه میکند، چه هزینهای دارد و کجا انتخاب درست است.
وقتی از مدل بخواهید قدمبهقدم فکر کند، پاسخهایش در مسائل سخت دقیقتر میشود. در این مطلب میبینیم زنجیره تفکر چیست، چرا کار میکند، چطور از یک ترفند پرامپت به معماری نسل جدید مدلهای استدلالگر رسید و کجا باید از آن استفاده کرد.
پرامپت خوب فقط یک لایه از ماجراست؛ آنچه واقعاً مدل میبیند — دستور سیستم، دادهی بازیابیشده، تاریخچهی گفتگو و تعریف ابزارها — باید مهندسی شود. در این مطلب میبینیم مهندسی زمینه چیست، چه لایههایی دارد و چطور بودجهی پنجرهی زمینه را مدیریت کنیم.
وقتی دستور و داده هر دو به یک زبان نوشته میشوند، هر متن غیرقابلاعتمادی میتواند خودش را «دستور» جا بزند. در این مطلب میبینیم تزریق پرامپت چگونه کار میکند، چرا راهحل قطعی ندارد و کدام دفاعها واقعاً عملیاند.
مدل پایه فقط ادامهی متن میدهد؛ رفتار مفید و مؤدبانهای که در ChatGPT میبینید محصول یادگیری تقویتی با بازخورد انسانی است. در این مطلب میبینیم RLHF چگونه کار میکند، همترازی چه معنایی دارد و چه ردپایی در رفتار روزمرهی مدلها گذاشته است.
یکپارچهسازی مدل با نرمافزار یعنی خروجی باید قابلپارس باشد. در این مطلب میبینیم JSON Mode و Structured Output چطور کار میکنند، نقش JSON Schema و decoding محدودشده چیست و خطا را چگونه مدیریت کنیم.
پروژه را توصیف میکنید، عامل کد را مینویسد، اجرا میکنید و خطا را همانجا دیکته میکنید — این Vibe Coding است. در این مطلب میبینیم این سبک چیست، کجا معجزه میکند، کجا خطرناک است و قواعد طلایی کار با آن.