局域网传文件不想搭服务器?Teahouse 茶话间的使用方法

在公司内网、实验室或隔离办公区里,临时把文件发给同事,常常会遇到两个问题:公共网盘不方便使用,单独搭建一台文件服务器又显得太重。如果只是需要在可信局域网内聊天、传文件和共享资料,可以看看开源项目 Teahouse(茶话间)

它采用局域网 P2P 的工作方式:设备启动后发现同网段节点,消息和文件在设备之间直接传输,不需要中心服务器参与日常通信。下面按 v0.57.0 的功能整理一遍实际使用路径和适用边界。

一、它解决的是什么问题

Teahouse 面向的是“设备都在同一个内网里”的协作场景,而不是公网社交或云盘同步。

比较典型的使用情况包括:

  • 在没有外网的办公室或实验室里传递文档、图片和项目文件。
  • 临时建立一个讨论组,同时处理文字消息和附件。
  • 把一整个本地文件夹交给同事浏览或下载,而不是逐个发送文件。
  • 处理会议截图、设备报错截图时,在本地图片查看器里直接提取文字。

这种场景下,工具的重点不是“功能越多越好”,而是让内网设备之间少一个中转环节。

二、核心功能和工作方式

1. 自动发现局域网设备

同一广播网段的设备启动后,会通过 UDP 广播发现在线节点。正常情况下不需要先注册账号,也不需要手动维护服务器地址,联系人会出现在左侧列表中。

如果两台设备位于不同路由网段,广播可能无法到达。这时可以在“设置 → 网络”中手动添加对端 IP,或者配置 CIDR 网段探测。也就是说,自动发现适合常见的同网段环境,跨网段场景则需要明确指定网络范围。

2. 单聊、群组和附件传输

点击联系人即可开始单聊,也可以新建讨论组。除了文本消息,项目还支持图片、截图粘贴、引用回复和 @成员等常用操作,并提供消息送达确认、离线暂存和上线补发等机制。

传文件时,可以把单个文件、多个文件或完整文件夹直接拖入聊天窗口。文件传输使用 TCP 点对点连接,并支持断点续传和历史记录,比较适合内网中发送较大的资料。

3. 用“文件柜”共享文件夹

如果资料不需要立即推送给某个人,可以打开“文件柜”,发布一个本地文件夹,让其他设备按需查看或下载。共享时可以设置关闭、只读或读写权限,适合临时资料区、测试包和会议文件等场景。

4. 图片查看与离线 OCR

聊天中的图片可以在独立查看器里缩放、旋转和连续浏览。项目还集成了离线 OCR:打开图片后,在原图文字位置拖选即可复制识别结果。

这个功能适合处理会议截图、终端报错和设备面板照片。它的价值在于识别过程在本地完成,不必为了复制几行文字再把图片上传到外部 OCR 网站。

三、第一次使用的操作步骤

第一步:在局域网设备上启动

在需要互传文件的设备上分别启动 Teahouse。首次运行时,如果 Windows 防火墙询问是否允许应用通信,应根据所在网络环境决定是否放行;不允许网络通信时,自动发现和点对点传输都会受到影响。

项目默认使用以下端口:

  • UDP 17878:节点发现。
  • TCP 17879:消息和文件传输。

如果设备之间无法互相发现,可以先检查防火墙是否放行这些端口,以及两台设备是否处于可互通的局域网中。

第二步:开始单聊或创建群组

等待联系人出现在左侧列表后,点击联系人开始单聊;需要多人协作时,新建讨论组并邀请相应节点。

第三步:发送文件或文件夹

将文件、多个文件或文件夹拖入聊天窗口,确认传输对象后发送。传输中断时,可以利用断点续传继续处理,不需要从头重新发送。

第四步:改用文件柜按需共享

当资料数量较多,或者接收方不需要立刻下载时,打开“文件柜”发布本地文件夹,再根据需要选择关闭、只读或读写权限。共享结束后及时关闭入口,减少不必要的暴露时间。

第五步:处理跨网段连接

如果两台设备不在同一个广播网段,在“设置 → 网络”里添加对端 IP;网络规划明确时,也可以配置 CIDR 网段探测。配置完成后,再回到联系人列表检查节点是否出现。

四、v0.57.0 的版本信息与平台支持

本文按 Teahouse v0.57.0 整理。该版本加入了 English 模式,覆盖主窗口、设置、文件柜、截图、图片查看器、托盘和通知等界面,并可以在“设置 → 通用 → 语言 / Language”中即时切换。

当前发布包覆盖这些常见平台和架构:

平台架构或形式
Windows 7 SP1 及以上x64、32 位(ia32);安装版和便携版
Debian 10、Ubuntu、统信 UOS 20 等x64、arm64;.deb 和 AppImage
macOS 12 及以上Apple Silicon;.dmg 和 .zip

Windows 下载时,普通 64 位系统优先选择 x64;需要免安装运行时选择对应的 portable 便携版。Linux 用户根据发行版优先选择 .deb,其他环境可以考虑 AppImage。macOS 下载包面向 Apple Silicon,不要与 Intel 设备混用。

五、使用边界和注意事项

Teahouse 的定位是受控局域网内的点对点工具,以下几点需要提前确认:

  1. 它不是面向互联网的在线聊天服务,公网环境或复杂 NAT 网络不属于它的主要使用场景。
  2. 局域网 P2P 依赖网络本身的可信度。对陌生网络使用时,应先评估节点可见性、文件共享权限和防火墙策略。
  3. 项目文档没有把它表述为带端到端加密承诺的公网通信工具,因此不应把内网直连等同于完整的安全通信方案。
  4. macOS 当前提供 Apple Silicon 构建;首次打开未签名构建时,可能需要在系统设置中手动允许。

如果只是希望在同一办公网络内快速传资料,它的工作方式比较贴合需求;如果需要公网访问、统一账号体系或云端多端同步,则应选择相应的服务器或云服务方案。

六、项目来源

项目主页:

https://github.com/skyjt/teahouse

本文对应版本页:

https://github.com/skyjt/teahouse/releases/tag/v0.57.0

下载

百度网盘(提取码:5ovk):

百度网盘 请输入提取码

大气污染是影响公众健康与生态环境的重要问题,精准的空气质量时空预测与污染源贡献度量化是精准治污的关键支撑。针对现有研究多源融合不充分、时空关联刻画不足、预测与源解析割裂三方面缺陷,本文设计实现了城市空气质量时空预测与污染源贡献度分析系统,融合监测、气象、工业排放与交通四类数据,构建基于时空注意力的LSTM(STAM-LSTM)预测模型与基于正定矩阵因子分解(PMF)的源解析模型,形成数据融合-特征工程-预测-源解析-可视化闭环。 系统实现四类数据时空对齐与融合,构建时序与空邻域特征,以普通克里金插值生成1km网格浓度场;STAM-LSTM引入时空注意力自适应学习站点污染输时变权重,以72小时输入预测未来24小时逐小时PM2.5浓度;PMF识别交通、工业、燃煤、扬尘与二次生成五个源因子,量化各源全年贡献度并分析时空演变。 实验表明:STAM-LSTM预测RMSE 24.6、MAE 17.8、R² 0.88,相对LSTM基线(30.2)提升18.5%;普通克里金插值误差8.9,优于反距离加权(11.4);源解析显示交通源28.4%、工业源23.1%、燃煤源19.6%为主要贡献源,冬季燃煤源升至27.3%、早高峰交通源达34.8%,下风向工业源贡献高出上风向8~12个百分点;减排情景显示交通源减排20%可使年均PM2.5下降5.7%,与源贡献度排序一致。 系统按五模块14组件实现,功能测试16项用例全部通过,为大气污染预警、源管控与减排政策制定提供了决策依据。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测研究(Python代码实现)内容概要:本文提出了一种基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测方法,旨在通过结合多种先进深度学习模型的优势,提升在复杂工况下的预测精度与鲁棒性。该方法利用iTransformer捕捉长期时序列中的全局依赖关系,通过BiGRU模型提取双向时序特征,最后引入KAN(Kernel Attention Network)增强非线性映射与关键特征的自适应加权能力,实现对轴承退化过程的精准建模。文中详细介绍了模型架构设计、训练流程及在公开数据集上的实验验证,结果表明该融合模型相比单一模型在预测精度和稳定性方面均有显著提升。; 适合人群:具备一定机器学习与深度学习基础,从事设备故障诊断、工业大数据分析或智能运维相关领域的研究人员及工程技术人员,尤其适合研究生及以上学历或有相关项目经验的专业人员。; 使用场景及目标:①应用于工业设备状态监测与预测性维护系统中,实现对滚动轴承等关键部件剩余寿命的精准预测;②为复杂时序列回归任务提供多模型融合的设计思路与技术参考;③推动深度学习在智能制造与工业物联网领域的落地应用。; 阅读建议:建议读者结合Python代码实现部分,深入理解各子模型的接口设计与融合逻辑,重点关注特征融合机制与注意力权重的可视化分析,以便在实际项目中灵活调整与优化模型结构。
代码下载地址: https://pan.quark.cn/s/f675b88243cd 《华大HC32L110库函数与例程详解》 华大HC32L110属于低功耗且高性能的微控制器,在众多嵌入式系统设计中具有广泛的应用,特别是在需要电池供电的物联网设备和便携式装置中表现出色。该微控制器的库函数与例程为程序设计者提供了重要的参考资料,包含了丰富的功能接口和示范性代码,从而辅助开发者迅速掌握并运用该芯片。库函数是事先编写完成且可反复使用的代码单元,针对HC32L110的特定硬件特性进行了优化,使得开发者无需深入探究底层机制,仅需调用相应的库函数即可达成预期功能。这些库函数一般涵盖了时钟管理、GPIO操控、ADC转换、串行通信(包含UART、SPI、I2C等形式)以及中断管理等多个方面。比如,若需将一个GPIO端口设置为输出模式并设定其电平状态,开发者可通过调用`HAL_GPIO_Init()`与`HAL_GPIO_WritePin()`函数来实现。 例程则是展示如何运用库函数的应用范例代码,它们具体说明了在实际操作中如何适当地调用库函数及设定相关参数。以HC32L110的串行通信例程为例,它可能涉及初始化UART接口、输数据、接收数据等环节,借助这些例程,开发者能够清晰地洞察每个功能的具体实现途径。对于新手而言,例程是理解芯片特性及库函数使用的理想途径。 在华大HC32L110的库函数与例程中,通常包含以下核心组成部分: 1. **初始化函数**:诸如`SystemInit()`,其作用是配置系统时钟,作为其他功能的基础。 2. **外设驱动函数**:例如GPIO的`HAL_GPIO_xxx()`系列函数,ADC的`HAL_ADC_xxx()`函数等,用于管理和设定...
【多变量输入超前多步预测】基于CNN-BiGRU的光伏功率预测研究(Matlab代码实现)内容概要:本文研究基于CNN-BiGRU混合神经网络模型的多变量输入超前多步光伏功率预测方法,并提供了完整的Matlab代码实现。该模型结合卷积神经网络(CNN)强大的局部特征提取能力和双向门控循环单元(BiGRU)对时序列前后向依赖关系的建模能力,能够有效处理光伏发电受光照强度、温度、湿度等多因素影响的非线性、非平稳特性,实现对未来多个时步长的功率输出进行精准预测。研究涵盖了数据预处理、模型构建、训练优化及结果分析全过程,并通过实验验证了模型在不同天气条件下的预测性能,展示了其在提升预测精度方面的有效性。; 适合人群:具备一定机器学习和时序列预测基础知识,从事新能源发电预测、电力系统调度或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于光伏发电站的功率预测系统,为电网调度、能量管理和电力交易提供数据支持;②作为深度学习在可再生能源预测领域应用的教学案例,帮助理解CNN与RNN类模型的融合机制;③为进一步研究更复杂的预测模型(如加入注意力机制)提供基础框架和技术参考。; 阅读建议:建议读者结合Matlab代码逐步复现文中实验,重点关注数据预处理流程、模型结构设计细节以及超参数调优策略,同时可尝试在不同数据集上验证模型泛化能力,以深入掌握多变量时序列预测的关键技术要点。
内容概要:本文提出了一种基于高创新模型MS-TCN-TiDE的短期负荷预测方法,该模型融合多尺度时序卷积网络(MS-TCN)与时解码器(TiDE)的优势,旨在实现对电力系统短期负荷的高精度预测。MS-TCN能够有效捕捉负荷序列在不同时尺度下的局部特征与长期依赖关系,而TiDE则通过编码-解码架构建模周期性、趋势性等全局时序模式,二者协同提升了模型对复杂负荷动态的表达能力。研究通过Python代码实现了完整的模型构建、训练优化与预测流程,并在实际电力负荷数据集上进行了实验验证,结果表明该模型在预测精度、稳定性及泛化性能方面均优于统时序预测方法。同时,文章探讨了模型在周尺度负荷预测中的适用性,验证了其在长期趋势建模方面的潜力,为电网调度、能源管理及电力市场运营提供了可靠的技术支撑。; 适合人群:具备一定Python编程基础和机器学习知识,从事电力系统分析、能源管理、智能电网或相关领域研究的研发人员及高校研究生。; 使用场景及目标:①应用于电力系统短期负荷预测场景,提升电网运行调度的智能化与精细化水平;②为新能源并网规划、需求响应策略制定、电力市场竞价决策等提供高质量的负荷数据支持;③推动深度学习技术在能源时序预测领域的落地应用与方法创新。; 阅读建议:建议读者结合文中提供的Python代码进行实践复现,重点关注数据预处理流程、模型结构设计细节及超参数调优策略,同时可通过消融实验深入理解MS-TCN与TiDE模块的协同机制及其对预测性能的贡献。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值