> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/zh/xin/studio/start.md).

# 开始使用 Unsloth Studio

Unsloth Studio 是一个本地、基于浏览器的 GUI，用于微调 LLM，无需编写任何代码。它将训练流程封装在一个简洁的界面中，负责模型加载、数据集格式化、超参数配置以及实时训练监控。

<a href="https://unsloth.ai/docs/new/studio/start#unsloth-quickstart" class="button secondary" data-icon="bolt">Unsloth</a><a href="/pages/12f6b822ad28322267b74accad74f665b341f5a4#data-recipes-quickstart" class="button secondary" data-icon="hat-chef">数据配方</a><a href="/pages/12f6b822ad28322267b74accad74f665b341f5a4#export-quickstart" class="button secondary" data-icon="box-isometric">导出</a><a href="/pages/12f6b822ad28322267b74accad74f665b341f5a4#chat-quickstart" class="button secondary" data-icon="comment-dots">聊天</a>

#### 设置 Unsloth Studio

首先，使用本地安装或云端选项启动 Unsloth Studio。请按照 [安装说明](/docs/zh/xin/studio/install.md) 来完成你的设置，或者使用我们的 [免费 Colab](/docs/zh/xin/studio.md#google-colab-notebook) 笔记本。对于本地设置，请运行：

```bash
unsloth studio -H 0.0.0.0 -p 8888
```

{% columns %}
{% column width="50%" %}
打开你偏好的浏览器并前往 `http://127.0.0.1:8888`。你需要创建一个新密码。

**使用 HTTPS 和 Cloudflare 安全启动 Unsloth。** Unsloth 现在提供了一种通过免费的 Cloudflare 隧道，以 HTTPS 安全启动 Unsloth 的方式。使用下面的方法（适用于 Windows、Mac 和 Linux）：

```bash
unsloth studio --secure
```

{% endcolumn %}

{% column width="50%" %}

<figure><img src="/files/5fbb030955cfa5eff9a52777cb0d6918db45590a" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

## <i class="fa-comment-dots">:comment-dots:</i> 聊天 - 快速开始

[Unsloth Studio 聊天](/docs/zh/xin/studio/chat.md) 让你在电脑上 100% 离线运行模型。可以运行 GGUF 和 safetensors 等模型格式，这些模型可来自 Hugging Face 或你的本地文件。

* **下载 + 运行** 任何模型，例如 GGUF、微调后的适配器、safetensors 等。
* [**并排** 不同模型](#model-arena) 并排输出
* **上传** 在你的提示中加入文档、图片和音频
* [**调节** 推理](#generation-settings) 设置，例如：temperature、top-p、top-k 和系统提示词

<figure><img src="/files/10d30a37e0716fb8e4650f8d453f6997d90b295b" alt="" width="563"><figcaption></figcaption></figure>

你可以在这里阅读我们关于使用 Unsloth Studio 运行模型的详细教程/指南：

{% content-ref url="/pages/5c2325084ff65c0303d8ec102b689868935855d3" %}
[Studio Chat](/docs/zh/xin/studio/chat.md)
{% endcontent-ref %}

### 模型加载指南

在使用 API 之前，你需要先 **加载模型** 你想在 **Unsloth.** 打开 **选择模型** 聊天页面左上角的下拉框中。

<figure><img src="/files/e7c1a267b0c4f58689066eddfc57a2c2211f1e13" alt=""><figcaption></figcaption></figure>

{% hint style="info" %}
在其他页面？使用左侧边栏并点击 `新建聊天` 返回聊天页面。
{% endhint %}

{% columns %}
{% column width="50%" %}

#### 选择模型

使用搜索栏查找你想加载到 Unsloth 中的模型。

浏览推荐模型、直接搜索 Hugging Face 模型，或设置自定义模型目录。

本地训练并导出的模型可以从 \`Fine-tuned\` 选项卡中加载。
{% endcolumn %}

{% column width="50%" %}

<figure><img src="/files/26d4fa903e5d4717c60e70b29ddc2d94710d3b65" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}

#### GGUF 选择

模型仓库包含多个量化版本。请选择最适合你可用 RAM / VRAM 的量化。\
\
在本指南中我们将使用 `unsloth/gemma-4-26B-A4B-it-GGUF` 并选择推荐的 `UD-Q4_K_XL` 变体
{% endcolumn %}

{% column %}

<figure><img src="/files/06455ac4cfca4a5bb39a17cdee347e37affec31e" alt="" width="375"><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

#### 下载模型

{% columns %}
{% column %}
搜索你想使用的模型，然后 **点击它** 开始下载并加载。

选择模型变体后，Unsloth 将开始下载并将模型加载到内存中。

加载完成后你将看到以下确认信息：
{% endcolumn %}

{% column %}

<figure><img src="/files/5558ed2425642f88ed2224712f2dc6e89deb03c1" alt=""><figcaption></figcaption></figure>

<figure><img src="/files/c77ab9745dd7a92417e0be7fa7f47b06449b4d2a" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

模型已加载并可使用。你现在可以直接在 Unsloth 中与模型聊天，或将其连接到诸如 [Claude Code](/docs/zh/ji-chu/claude-code.md) 和 [Codex](/docs/zh/ji-chu/codex.md).

<figure><img src="/files/16cd5c624d215906fa9d68a69a32e3e5c28d1730" alt=""><figcaption></figcaption></figure>

## <i class="fa-bolt">:bolt:</i> Unsloth - 快速开始

Unsloth Studio 首页有 4 个主要区域： [模型](#id-1.-select-model-and-method), [数据集](#id-2.-dataset), [参数](#id-3.-hyperparameters)，以及 [训练/配置](#id-4.-training-and-config)

* **模型和数据的简易设置** 来自 Hugging Face 或本地文件
* **灵活的训练选项** 如 QLoRA、LoRA 或全量微调，并已填入默认值
* **实用的配置工具** 用于拆分、列映射、超参数和 YAML 配置
* **优秀的训练可视化** 具有实时进度、GPU 状态、图表、启动状态

<div data-with-frame="true"><figure><img src="/files/49659aafc9e7e375a6e4cb5de958fc9ef97c7811" alt="" width="563"><figcaption></figcaption></figure></div>

### 1. 选择模型和方法

#### **模型类型**

选择与你的使用场景相匹配的模态：

| 类型     | 使用场景         |
| ------ | ------------ |
| **文本** | 聊天、指令遵循、补全   |
| **视觉** | 图像 + 文本（VLM） |
| **音频** | 语音 / 音频理解    |
| **嵌入** | 句子嵌入、检索      |

#### **训练方法**

有三种方法可用，可通过胶囊式选择器切换：

| 方法        | 说明                   | VRAM |
| --------- | -------------------- | ---- |
| **QLoRA** | 4 位量化基础模型 + LoRA 适配器 | 最低   |
| **LoRA**  | 全精度基础模型 + LoRA 适配器   | 中    |
| **全量微调**  | 所有权重都会训练             | 最高   |

在组合框中输入任意 Hugging Face 模型名称，或直接搜索 Hub。存储在 `~/.unsloth/studio/models` 中的本地模型以及你的 Hugging Face 缓存也会出现在列表中。

{% hint style="warning" %}
GGUF 格式模型被排除在训练之外——它们仅用于推理。
{% endhint %}

当你选择一个模型时，Unsloth 会自动从后端获取其配置，并为所有超参数预先填入合理的默认值。

**HuggingFace 令牌**

如果模型受限制访问（例如 Llama、Gemma），请在此粘贴你的 Hugging Face 访问令牌。令牌会实时验证，如果无效会在此处显示错误。

### 2. 数据集

{% columns %}
{% column %}
在两个选项卡之间切换，选择你的数据来源：

* **HuggingFace Hub** - 针对 Hub 的实时搜索。每个结果都会显示最后更新日期。
* **本地** - 拖放或点击上传文件，支持非结构化或结构化文件，如： `PDF`, `DOCX`, `JSONL`, `JSON`, `CSV`，或 `Parquet` 格式。之前上传的数据集会显示在列表中，并自动刷新。

你可以在这里查看我们详细的 [数据集指南](/docs/zh/kai-shi-shi-yong/fine-tuning-llms-guide/datasets-guide.md).

提示 Unsloth 如何解释并格式化你的数据：
{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/7966f91485eded252bb438a391dc727b5828a20c" alt=""><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

| 格式         | 何时使用                 |
| ---------- | -------------------- |
| `自动`       | 让 Unsloth 自动检测格式     |
| `alpaca`   | `指令` / `输入` / `输出` 列 |
| `chatml`   | OpenAI 风格 `消息` 数组    |
| `sharegpt` | ShareGPT 风格对话        |

**拆分与切片**

* **子集** - 自动从数据集卡中填充。
* **训练集拆分 / 验证集拆分** - 选择要使用的拆分。设置验证拆分会启用 **验证损失** 训练期间的图表。
* **数据集切片** - 可选地将训练限制在某个行范围内（起始索引 / 结束索引），便于快速实验。

**列映射**

如果 Unsloth 无法自动将你的数据集列映射到正确角色，则会打开一个 **数据集预览对话框** 。它会显示样本行，并允许你将每一列分配给 `指令`, `输入`, `输出`, `图像`等。尽可能会预填建议的映射。

### 3. 超参数

参数被分组到可折叠的部分中。你可以在这里查看我们详细的 [LoRA 超参数指南](/docs/zh/kai-shi-shi-yong/fine-tuning-llms-guide/lora-hyperparameters-guide.md) ：

{% content-ref url="/pages/0c67f9d3a44c115b4fda319de5774cc3513ea3a3" %}
[Hyperparameters Guide](/docs/zh/kai-shi-shi-yong/fine-tuning-llms-guide/lora-hyperparameters-guide.md)
{% endcontent-ref %}

| 参数        | 默认值    | 注释             |
| --------- | ------ | -------------- |
| **最大步数**  | `0`    | `0` 表示改用 Epoch |
| **上下文长度** | `2048` | 选项：512 → 32768 |
| **学习率**   | `2e-4` |                |

**LoRA 设置**

*（选择全量微调时隐藏）*

| 参数          | 默认值    | 注释                                                                          |
| ----------- | ------ | --------------------------------------------------------------------------- |
| **秩**       | `16`   | 滑块 4–128                                                                    |
| **Alpha**   | `32`   | 滑块 4–256                                                                    |
| **Dropout** | `0.05` |                                                                             |
| **LoRA 变体** | `LoRA` | `LoRA` / `RS-LoRA` / `LoftQ`                                                |
| **目标模块**    | 全部开启   | `q_proj`, `k_proj`, `v_proj`, `o_proj`, `gate_proj`, `up_proj`, `down_proj` |

对于 **视觉** 对于带有图像数据集的模型，会出现四个额外的复选框。微调：

| 视觉层 | 语言层 | 注意力模块 | MLP 模块 |
| --- | --- | ----- | ------ |

**训练超参数**

分为三个选项卡：

{% tabs %}
{% tab title="优化" %}

| 参数     | 默认值         |
| ------ | ----------- |
| Epochs | 3           |
| 批大小    | 4           |
| 梯度累积   | 8           |
| 权重衰减   | 0.01        |
| 优化器    | AdamW 8-bit |

{% endtab %}

{% tab title="计划" %}

| 参数           | 默认值     |
| ------------ | ------- |
| 学习率调度器       | 线性      |
| 预热步数         | 5       |
| 梯度检查点        | unsloth |
| 随机种子         | 3407    |
| 保存步数         | 0       |
| 验证步数         | 0       |
| 打包           | false   |
| 在补全上训练       | false   |
| {% endtab %} |         |

{% tab title="日志记录" %}

| 参数             | 默认值            |
| -------------- | -------------- |
| 启用 W\&B        | false          |
| W\&B 项目        | llm-finetuning |
| 启用 TensorBoard | false          |
| TensorBoard 目录 | runs           |
| 日志频率           | 10             |
| {% endtab %}   |                |
| {% endtabs %}  |                |

{% hint style="info" %}
[**Unsloth 梯度检查点**](/docs/zh/bo-ke/500k-context-length-fine-tuning.md#unsloth-gradient-checkpointing-enhancements)**: `unsloth`** 使用 Unsloth 的自定义内存高效实现，与标准 PyTorch 选项相比，可以显著降低 VRAM 使用量。它是推荐的默认设置。
{% endhint %}

### 4. 训练与配置

右下角卡片有三个配置管理按钮和 **开始训练** 按钮。

| 按钮     | 操作                   |
| ------ | -------------------- |
| **上传** | 加载之前保存的 `.yaml` 配置文件 |
| **保存** | 将当前配置导出为 YAML        |
| **重置** | 将所有参数恢复为模型默认值        |

在模型和数据集都配置好之前，“开始训练”按钮一直处于禁用状态。验证错误会以内联方式显示——例如，在没有选择验证拆分的情况下设置验证步数，或将仅文本模型与视觉数据集配对。

#### 加载界面

{% columns %}
{% column %}
当你点击 **开始训练**时，在后端准备所有内容期间会出现一个全页遮罩层。

<div data-with-frame="true"><figure><img src="/files/662fbde8a37616f18fc3b384a00b71f8ec9f788e" alt="" width="375"><figcaption></figcaption></figure></div>
{% endcolumn %}

{% column %}
该遮罩层会显示一个带实时阶段更新的动画终端：

* 蓝色：正在下载模型 / 数据集
* 琥珀色：正在加载模型 / 数据集
* 蓝色：正在配置
* 绿色：正在训练

你可以随时使用 **×** 角落里的按钮取消。在停止任何内容之前会先显示确认对话框。
{% endcolumn %}
{% endcolumns %}

### 训练进度与可观测性

当第一个训练步骤开始后，遮罩层会关闭，实时训练视图会显示出来。当进度条上的步骤达到 100% 时，微调过程即完成。你可以查看已用时间和 token 数。&#x20;

<div data-with-frame="true"><figure><img src="/files/a5d5ea5de1655458b8dbb88c678615bd6a74c414" alt="" width="563"><figcaption></figcaption></figure></div>

{% columns %}
{% column %}

#### 状态面板

左侧栏显示：

* **Epoch** - 当前小数形式的 epoch（例如 `Epoch 1.23`)
* **进度条** - 基于步骤，显示百分比
* **关键指标**:
  * **损失** - 训练损失，保留 4 位小数
  * **LR** - 以科学计数法显示的当前学习率
  * **梯度范数** - 梯度范数
  * **模型** - 正在训练的模型
  * **方法** - `QLoRA` / `LoRA` / `完整`
* **时间行** - 已用时间、ETA、每秒步数以及处理的总 token 数
  {% endcolumn %}

{% column %}

#### GPU 监视器

右侧栏每隔几秒显示一次实时 GPU 状态：

* **利用率** - 百分比条
* **温度** - 摄氏度条
* **VRAM** - 已用 / 总计 GB
* **功率** - 瓦数消耗 / 限制

#### 停止训练

使用 **停止训练** 进度卡右上角的按钮。对话框会提供两个选项：

* **停止并保存** - 在停止前保存检查点
* **取消** - 立即停止，不保存检查点
  {% endcolumn %}
  {% endcolumns %}

{% columns %}
{% column %}

#### 图表

随着训练进行，四个实时图表会更新：

1. **训练损失** - 原始值加上一条 EMA 平滑线和一条运行平均参考线
2. **学习率** - 学习率调度曲线
3. **梯度范数** - 随步骤变化的梯度范数
4. **验证损失** - 仅在你配置了验证拆分时显示
   {% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/309a791280976cf0ee6c326686d5ef489031a089" alt="" width="278"><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

{% columns %}
{% column %}
每个图表都有设置（齿轮图标），包括：

| 选项              | 默认值             |
| --------------- | --------------- |
| 查看窗口            | 最近 N 步滑块        |
| EMA 平滑          | `0.6`           |
| 显示原始值           | 在               |
| 显示平滑值           | 在               |
| 显示平均线           | 在               |
| 比例尺（按系列）        | 线性 / 对数         |
| 异常值裁剪           | 不裁剪 / p99 / p95 |
| {% endcolumn %} |                 |

{% column %}

<div data-with-frame="true"><figure><img src="/files/8f02564c6d6a03400d2a750da2bc62686bfefaf5" alt="" width="276"><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

#### 配置文件

{% columns %}
{% column %}
所有训练配置都可以保存并重新加载为 YAML 文件。文件会自动命名为：

```
{model}_{method}_{dataset}_{timestamp}.yaml
```

{% endcolumn %}

{% column %}

<div data-with-frame="true"><figure><img src="/files/2bafa366e1da360c94defd755cf6b9b12ea30644" alt="" width="178"><figcaption></figcaption></figure></div>
{% endcolumn %}
{% endcolumns %}

YAML 结构分为三个部分：

{% code expandable="true" %}

```yaml
training:
  max_steps: 0
  num_train_epochs: 3
  per_device_train_batch_size: 4
  ...

lora:
  r: 16
  lora_alpha: 32
  ...

logging:
  report_to: none
  ...
```

{% endcode %}

这使得复现运行、共享配置或对实验进行版本控制变得很容易。

## <i class="fa-hat-chef">:hat-chef:</i> 数据配方 - 快速开始

[Unsloth 数据配方](/docs/zh/xin/studio/data-recipe.md) 让你上传 PDF 或 CSV 等文档并将其转换为可用的数据集。通过图节点工作流以可视化方式创建和编辑数据集。

recipes 页面是主要入口。Recipes 会本地存储在浏览器中，因此你之后可以返回并继续已保存的工作。从这里，你可以创建一个空白 recipe，或者打开一个引导式学习 recipe。

<div data-with-frame="true"><figure><img src="/files/d7a623c1009dd96e330afd7e279e05a2e03ae91b" alt="" width="563"><figcaption></figcaption></figure></div>

数据配方遵循相同的基本流程。你打开配方页面，创建或选择一个配方，在编辑器中构建工作流，验证并运行预览，然后在输出看起来正确后运行完整数据集。添加种子数据和生成块，验证工作流，预览样本输出，然后运行完整数据集构建。Unsloth 数据配方由 NVIDIA 的 [DataDesigner](https://github.com/NVIDIA-NeMo/DataDesigner).

一眼看去，常见的工作流应如下所示：

1. 打开 recipes 页面。
2. 创建一个新 recipe 或打开一个已有 recipe。
3. 添加块来定义你的数据集工作流。
4. 点击 **验证** 以便尽早发现配置问题。
5. 运行预览以快速检查示例行。
6. 当 recipe 准备好后，运行完整的数据集构建。
7. 在图中或在 **执行记录** 视图中查看更多详细信息。
8. 在 **Unsloth** 中选择生成的数据集并微调模型。

## <i class="fa-box-isometric">:box-isometric:</i> 导出 - 快速开始

使用 Unsloth Studio 的“导出”可将模型导出、保存或转换为 GGUF、Safetensors 或 LoRA，以便在 Unsloth、llama.cpp、Ollama、vLLM 等中进行部署、共享或本地推理。可以导出已训练的检查点，或转换任何现有模型。

<div data-with-frame="true"><figure><img src="/files/fd56198d7b81c8cae1273c224ce7afa25b077dde" alt="" width="563"><figcaption></figcaption></figure></div>

你可以在这里阅读我们关于使用 Unsloth Studio 导出模型的详细教程/指南：

{% content-ref url="/pages/f7c3389bdba9af3050e66a941596d827cdb11e0b" %}
[Model Export](/docs/zh/xin/studio/export.md)
{% endcontent-ref %}

## <i class="fa-video">:video:</i> 视频教程

{% hint style="warning" %}
视频中展示的 Unsloth Studio 版本较旧，不能反映当前版本。
{% endhint %}

{% columns %}
{% column %}
{% embed url="<https://www.youtube.com/watch?v=mmbkP8NARH4>" %}

这是由 NVIDIA 制作的一段视频教程，帮助你开始使用 Unsloth：
{% endcolumn %}

{% column %}
{% embed url="<https://youtu.be/1lEDuRJWHh4?si=GHaS77ZZPOGjn3GJ>" %}

Unsloth Studio 安装视频教程
{% endcolumn %}
{% endcolumns %}

## 高级设置

### CLI 命令

Unsloth CLI（`cli.py`）提供以下命令：

```
用法：cli.py [COMMAND]

命令：
  train             微调模型
  inference         在已训练模型上运行推理
  export            导出已训练的适配器
  list-checkpoints  列出已保存的检查点
  ui                启动 Unsloth Studio 网页 UI
  studio            启动工作室（别名）
```

### 项目结构

{% code expandable="true" %}

```
new-ui-prototype/
├── cli.py                     # CLI 入口点
├── cli/                       # Typer CLI 命令
│   └── commands/
│       ├── train.py
│       ├── inference.py
│       ├── export.py
│       ├── ui.py
│       └── studio.py
├── setup.sh                   # 引导脚本（Linux / WSL / Colab）
├── setup.ps1                  # 引导脚本（原生 Windows）
├── setup.bat                  # 通过双击启动 setup.ps1 的包装器
├── install_python_stack.py    # 跨平台 Python 依赖安装器
└── studio/
    ├── backend/
    │   ├── main.py            # FastAPI 应用和中间件
    │   ├── run.py             # 服务器启动器（uvicorn）
    │   ├── auth/              # 认证存储与 JWT 逻辑
    │   ├── routes/            # API 路由处理器
    │   │   ├── training.py
    │   │   ├── models.py
    │   │   ├── inference.py
    │   │   ├── datasets.py
    │   │   └── auth.py
    │   ├── models/            # Pydantic 请求/响应模式
    │   ├── core/              # 训练引擎和配置
    │   ├── utils/             # 硬件检测、辅助工具
    │   └── requirements.txt
    ├── frontend/
    │   ├── src/
    │   │   ├── features/      # 功能模块
    │   │   │   ├── auth/      # 登录 / 注册流程
    │   │   │   ├── training/  # 训练配置和监控
    │   │   │   ├── studio/    # 主工作区
    │   │   │   ├── chat/      # 推理聊天 UI
    │   │   │   ├── export/    # 模型导出流程
    │   │   │   └── onboarding/# 引导向导
    │   │   ├── components/    # 共享 UI 组件（shadcn）
    │   │   ├── hooks/         # 自定义 React hooks
    │   │   ├── stores/        # Zustand 状态存储
    │   │   └── types/         # TypeScript 类型定义
    │   ├── package.json
    │   └── vite.config.ts
    └── tests/                 # 后端测试套件
```

{% endcode %}

### API 参考

所有端点都需要有效的 JWT `Authorization: Bearer <token>` 请求头（除 `/api/auth/*` 和 `/api/health`).

| 方法     | 端点                    | 说明                |
| ------ | --------------------- | ----------------- |
| `GET`  | `/api/health`         | 健康检查              |
| `GET`  | `/api/system`         | 系统信息（GPU、CPU、内存）  |
| `POST` | `/api/auth/signup`    | 创建账户（首次运行时需要设置令牌） |
| `POST` | `/api/auth/login`     | 登录并接收 JWT 令牌      |
| `POST` | `/api/auth/refresh`   | 刷新已过期的访问令牌        |
| `GET`  | `/api/auth/status`    | 检查认证是否已初始化        |
| `POST` | `/api/train/start`    | 开始训练任务            |
| `POST` | `/api/train/stop`     | 停止正在运行的训练任务       |
| `POST` | `/api/train/reset`    | 重置训练状态            |
| `GET`  | `/api/train/status`   | 获取当前训练状态          |
| `GET`  | `/api/train/metrics`  | 获取训练指标（损失、学习率、步数） |
| `GET`  | `/api/train/stream`   | 实时训练进度的 SSE 流     |
| `GET`  | `/api/models/`        | 列出可用模型            |
| `POST` | `/api/inference/chat` | 发送聊天消息进行推理        |
| `GET`  | `/api/datasets/`      | 列出 / 管理数据集        |


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://unsloth.ai/docs/zh/xin/studio/start.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.