1. 项目概述：当AI助手开始“说”一种精确的语言

如果你和我一样，长期使用Claude Code、Cursor或者GitHub Copilot这类AI编程助手，你一定经历过这种挫败感：你精心编写了系统提示词，告诉它“代码要整洁”、“确保充分测试”，但每次执行的结果都像开盲盒。有时候它确实加了测试，有时候又忘了；你说“整洁”，它可能理解为格式化代码，也可能理解为删除多余注释，甚至可能什么都不做。这种基于自然语言的模糊指令，让AI的“理解”充满了随机性，也让代码生成的质量变得不可预测。

这正是TRUGS Agent要解决的核心痛点。它不是一个传统的SDK，也不是一个运行时框架，而是一个 形式化指令语言 。你可以把它理解为一套给AI编程助手使用的“机器语言”或“协议”。这套语言只有190个单词，但每个单词都有且仅有一个明确的含义，每一条指令都可以编译成一个可验证的图结构。它的目标很简单：让你的AI助手停止“解读”模糊的英文，开始“执行”精确的指令。

想象一下，你不再需要写“请确保代码质量”，而是写“AGENT SHALL VALIDATE ALL CODE SUBJECT_TO INTERFACE schema”。前者是建议，后者是命令。前者可能被忽略，后者则可以被一个独立的验证器（ tools/validate.py ）检查是否被正确执行。这就是从“概率性遵从”到“确定性执行”的转变。对于追求工程确定性和可重复性的开发者来说，这无疑是一个极具吸引力的思路。接下来，我将带你深入拆解TRUGS Agent，看看它如何工作，以及如何将它集成到你的日常开发流程中。

2. 核心设计思路：从模糊提示到可验证指令图

2.1 问题的本质：自然语言的“歧义税”

我们与AI助手交互的现状，本质上是在支付一笔高昂的“歧义税”。自然语言是人类交流的瑰宝，但它充满了上下文依赖、隐喻和未言明的假设。当我们将它用于给机器（即便是大语言模型这样的高级机器）下达精确指令时，问题就暴露无遗。

以一个常见的 .cursorrules 文件内容为例：

- 编写易于维护的代码。
- 为公共函数添加详细的文档字符串。
- 进行充分的单元测试。

这三条指令每一条都存在问题。“易于维护”的标准是什么？是代码行数、圈复杂度，还是模块化程度？“详细的文档字符串”要详细到什么程度？参数、返回值、异常，还是也要包含示例？“充分的单元测试”的覆盖率目标是多少？需要模拟哪些外部依赖？

AI模型会基于其训练数据中的统计模式来“猜测”你的意图。不同的模型、甚至同一模型的不同调用，都可能产生不同的解读。这导致开发过程充满了不确定性，你无法在代码生成前就确信AI会产出符合你所有隐含标准的结果，更无法在事后进行自动化的合规性审计。

2.2 TRUG/L的解决方案：定义一门极简的领域特定语言

TRUGS Agent的创造者选择了一条截然不同的路径：与其让AI去费力理解模糊的自然语言，不如我们人类稍微“屈尊”，使用一门为指令清晰性而设计的语言——TRUG/L。

这门语言的设计哲学深受形式化方法和法律文书的影响：

  1. 词汇封闭 ：整个语言只有190个单词。这强制了概念的精确性和一致性。例如，“VALIDATE”这个词在TRUG/L中有其特定的操作语义，不会与“CHECK”或“VERIFY”混淆。
  2. 语法确定 ：句子结构简单、固定，旨在消除解析歧义。典型的指令遵循“主体 + 操作 + 对象 + 约束”的结构。
  3. 语义可编译 ：每一条TRUG/L语句都可以被无损地编译成一个图数据结构（TRUG Graph）。这个图由节点（实体，如AGENT, CODE, TEST）和边（关系，如SHALL, SUBJECT_TO）组成。

这种设计带来了几个关键优势：

  • 无歧义 ：每个句子只有一种解释。
  • 可验证 ：因为指令被编译成了结构化的图，我们可以编写程序（如 validate.py ）来检查生成的代码或开发行为是否满足了图中定义的所有约束。
  • 可组合 ：简单的指令图可以组合成复杂的开发工作流。
  • 与工具无关 ：TRUG/L是纯文本，可以被任何能读取文本的LLM工具（Claude Code, Cursor, Copilot）使用，不绑定任何特定运行时。

2.3 核心架构：文件、模型与验证器的三方协作

TRUGS Agent的架构非常简洁，体现了“Unix哲学”——每个工具只做好一件事，并通过文本进行协作。

[你的LLM工具] --读取--> [AGENT.md (TRUG/L指令集)]
[你的LLM工具] --生成--> [TRUG/L语句]
[TRUG/L语句] <--编译/反编译--> [TRUG图 (JSON)]
[TRUG图] --被检查--> [validate.py (验证器)]
[验证器] --通过/失败--> [反馈给开发者]
  1. 指令源 ( AGENT.md ) ：这是你项目的“宪法”。你在这里用TRUG/L语言定义所有AI助手必须遵守的规则。这个文件通常被重命名为或链接到你的AI工具能识别的配置文件，如 CLAUDE.md 或 .cursor/rules/ 下的文件。
  2. LLM工具 ：Claude Code、Cursor等工具在分析你的代码库和请求时，会读取 AGENT.md 。它们被“训练”或提示去理解TRUG/L，并在其思考过程中应用这些规则，最终在输出代码或建议时，也可能生成结构化的TRUG/L语句作为其决策的“理由”。
  3. 验证器 ( tools/validate.py ) ：这是一个独立的Python脚本。它的作用是充当“最高法院”。它可以解析AI工具生成的TRUG图（或直接分析代码库），并依据 AGENT.md 中定义的规则（以及TRUG/L语言内置的16条CORE规则）进行校验。例如，如果规则要求“每个函数必须有测试记录”，验证器就会扫描代码，检查是否每个函数都有对应的测试文件或测试用例标记。

这个三角关系构成了一个闭环：人类用精确语言定义规则，AI在规则内创作，机器自动校验AI的产出是否符合规则。这极大地提升了AI辅助开发的可控性和可靠性。

3. 快速上手指南：零依赖集成到现有项目

TRUGS Agent号称“零安装”，这并不是营销话术，而是由其设计模式决定的。它不提供需要 pip install 的库来劫持你的运行时，而是提供内容文件供你复制。这是最轻量、侵入性最小的集成方式。

3.1 基础集成：只需一个文件

对于大多数想尝鲜的开发者，从单个文件开始就够了。

操作步骤：

  1. 获取核心指令文件 ：你有两种方式。

    • 克隆整个仓库（推荐，便于后续探索其他组件） ： 
      git clone https://github.com/TRUGS-LLC/TRUGS-AGENT.git
cp TRUGS-AGENT/AGENT.md /your/project/path/CLAUDE.md
    • 仅下载核心文件（最快捷） ： 
      # 使用curl直接下载
curl -o CLAUDE.md https://raw.githubusercontent.com/TRUGS-LLC/TRUGS-AGENT/main/AGENT.md
# 或者使用wget
wget -O CLAUDE.md https://raw.githubusercontent.com/TRUGS-LLC/TRUGS-AGENT/main/AGENT.md

  2. 重命名与放置 ：将 AGENT.md 复制到你的项目根目录，并重命名为你的AI工具所识别的文件名。常见的有：

    • CLAUDE.md (适用于Claude Code)
    • .cursorrules (适用于Cursor)
    • 对于GitHub Copilot，你可能需要将其内容融入仓库根目录的 .github/copilot-instructions.md 或类似的提示文件中。

  3. 初步验证 ：现在，当你用AI工具打开这个项目时，它就会读取这些TRUG/L规则。你可以尝试让它生成一个函数，观察其行为是否开始遵循更严格的模式（比如主动询问接口规范或生成测试桩）。

注意 ：仅仅复制 AGENT.md 文件，AI工具可能不会立即“理解”TRUG/L。你通常需要给AI一个初始提示，例如在对话开始时说：“请参考项目根目录下的 CLAUDE.md 文件中的TRUG/L规则来指导所有代码生成任务。” 对于Cursor，其规则文件是自动加载的。

3.2 为Cursor用户定制的集成

Cursor对TRUGS Agent有原生支持，集成体验更流畅。

操作步骤：

  1. 克隆仓库后，你会发现一个 .cursor 目录。
  2. 将这个 .cursor 目录整个复制到你的项目根目录。 
    cp -r TRUGS-AGENT/.cursor /your/project/path/
  3. 这样，Cursor会自动加载 .cursor/rules/trugs-agent.mdc 文件中的规则。你无需再做任何配置，Cursor在分析你的项目时就会应用TRUG/L的约束。

3.3 安装验证工具链（可选但推荐）

虽然核心是零依赖的，但如果你想使用更强大的验证、图操作等功能，可以安装官方的工具包 trugs-tools 。

操作步骤： 

pip install trugs-tools

安装后，你会获得一个统一的 tg 命令行工具。它功能非常丰富：

tg --help  # 查看所有命令，包含36个操作，归在21个顶级命令和3个子命名空间下

常用命令示例：

  • tg validate my_graph.trug.json ：验证一个TRUG图文件。
  • tg ls folder.trug.json ：列出图文件中的所有节点。
  • tg check . ：检查当前目录的文件系统与TRUG图是否一致。

关于旧版包的说明 ：请注意，PyPI上存在的 trugs-agent 包（版本1.2.0）已被冻结，它包含的是1.0版之前的旧模板，且不再更新。 要获取最新内容，唯一推荐的方式就是 git clone 本仓库。 这是一个重要的避坑点，避免使用了过时且不兼容的旧规范。

4. TRUG/L语言深度解析与实战编写

理解了理念和架构后，我们来深入看看TRUG/L这门语言本身。编写 AGENT.md 就是编写一份机器可读的“开发契约”。

4.1 语法与核心词汇示例

TRUG/L的语句通常包裹在 <trl> 标签内，以示其是正式指令。让我们拆解一个复杂点的例子：

<trl>
AGENT SHALL GENERATE FUNCTION IMPLEMENTATION SUBJECT_TO INTERFACE api_spec.
AGENT SHALL REQUIRE RECORD unit_test FOR EACH GENERATED FUNCTION.
AGENT SHALL_NOT COMMIT CODE CONTAINING PATTERN “TODO” OR “FIXME”.
AGENT MAY OPTIMIZE PERFORMANCE IF OPERATION latency EXCEEDS 100ms.
</trl>

词汇解析：

  • AGENT : 指代执行任务的AI助手。
  • SHALL : 必须 。这是最强的约束，意味着如果不满足就是违规。
  • SHALL_NOT : 禁止 。硬性禁令。
  • MAY : 可以 。表示允许但非必须。
  • GENERATE, REQUIRE, COMMIT, OPTIMIZE : 操作动词 。每个都在TRUG/L词汇表中有精确定义。例如， REQUIRE 意味着必须存在且可验证，而不仅仅是“建议有”。
  • SUBJECT_TO : 依赖于 。建立约束关系， IMPLEMENTATION 必须符合 api_spec 。
  • FOR EACH : 量化关系 。表示规则适用于集合中的每一个元素。
  • PATTERN “TODO” : 模式匹配 。检查代码中是否包含特定字符串模式。

从自然语言到TRUG/L的转换：

  • 模糊指令：“记得写测试。”
  • TRUG/L指令： AGENT SHALL REQUIRE RECORD test FOR EACH FUNCTION.
  • 模糊指令：“代码要符合PEP 8。”
  • TRUG/L指令： AGENT SHALL FORMAT ALL PYTHON_CODE SUBJECT_TO STANDARD pep8. (假设 pep8 被定义为一个标准节点)

4.2 编写你的第一个AGENT.md文件

你不必从零开始。最好的方式是复制官方的 AGENT.md ，然后根据你的项目需求进行裁剪和增补。下面是一个为Python后端API项目定制的简化示例：

# Project-Specific TRUG/L Directives

## Core Development Principles
<trl>
AGENT SHALL PRESERVE CONSISTENCY WITH EXISTING code_style.
AGENT SHALL_NOT INTRODUCE SECURITY vulnerability.
AGENT SHALL DOCUMENT ALL PUBLIC_API INTERFACE.
</trl>

## Code Generation Rules
<trl>
AGENT SHALL GENERATE FUNCTION IMPLEMENTATION SUBJECT_TO INTERFACE openapi_spec.
AGENT SHALL REQUIRE RECORD pytest FOR EACH GENERATED FUNCTION.
AGENT SHALL MOCK EXTERNAL SERVICE IN TEST.
AGENT SHALL_NOT DUPLICATE LOGIC WITH EXISTING FUNCTION.
</trl>

## Commit & Quality Gates
<trl>
AGENT SHALL VALIDATE CODE WITH TOOL black BEFORE COMMIT.
AGENT SHALL VALIDATE CODE WITH TOOL mypy BEFORE COMMIT.
AGENT SHALL_NOT COMMIT CODE IF ANY TEST FAILS.
AGENT SHALL_ENSURE COMMIT_MESSAGE REFERENCES issue_tracker ID.
</trl>

## Definitions (Optional but helpful for clarity)
<!-- 这里可以定义一些项目中特定的节点类型和关系 -->
- `openapi_spec`: The OpenAPI 3.0 specification file at `./api/openapi.yaml`.
- `code_style`: Follows the Black formatter and isort for imports.
- `security vulnerability`: Includes SQL injection, XSS, hard-coded secrets, etc.

编写心得：

  1. 由粗到细 ：先从最高层的原则开始（如安全、一致性），再深入到具体的生成规则和提交门禁。
  2. 定义术语 ：在 Definitions 部分或用注释定义自定义节点（如 openapi_spec ），这能极大提高指令的清晰度，也帮助AI理解上下文。
  3. 保持可验证性 ：每写一条规则，都思考一下“ validate.py 能否自动检查这条规则？” 例如，“禁止重复逻辑”可能难以自动化验证，但“每个函数必须有pytest记录”就很容易检查。
  4. 迭代优化 ：不要指望第一次就写出完美的 AGENT.md 。在实际使用中，观察AI在哪里“犯错”或产生歧义，然后补充或修正你的TRUG/L指令。

4.3 验证指令是否被遵循

编写完指令后，关键的一步是验证。TRUGS Agent仓库自带了一个简单的验证脚本。

基本验证： 

# 假设AI生成代码时也生成了一个描述其决策的TRUG图文件 decision.trug.json
python tools/validate.py decision.trug.json

# 或者，让验证器扫描整个项目，检查是否违反AGENT.md中的规则
python tools/validate.py --all /path/to/your/project

验证器会依据16条内置的CORE规则（如“SHALL指令必须被满足”）和你在 AGENT.md 中定义的规则进行检查，并输出通过或失败的报告。

集成到CI/CD： 为了真正发挥威力，你应该将TRUG验证集成到你的持续集成流水线中。例如，在GitHub Actions中：

- name: Validate TRUGS Compliance
  run: |
    python tools/validate.py --all .

这样，任何不符合TRUG/L规则的代码提交都会导致CI失败，从而在合并前阻止不合规的AI生成代码进入主分支。

5. 进阶组件：构建你的LLM增强开发环境

TRUGS Agent远不止一个 AGENT.md 文件。其仓库是一个模块化工具箱，其他组件可以像乐高一样与核心指令语言组合，解决更复杂的问题。理解这些组件能帮助你构建一个真正强大的、由AI辅助但由规则驱动的开发系统。

5.1 FOLDER/：机器可读的项目索引

是什么？ 一个将你的项目目录结构自动转换为TRUG图的工具/规范。生成的 folder.trug.json 文件用节点表示文件夹/文件，用边表示包含、引用等关系。

有什么用？ 让LLM真正“理解”你的项目结构，而不仅仅是看到一堆文件列表。LLM可以查询这个图，例如“找到所有依赖于 utils.py 的文件”，从而做出更准确的修改。

如何使用？

  1. 复制 FOLDER/ 目录下的工具或借鉴其思路。
  2. 运行脚本生成你项目的 folder.trug.json 。
  3. 将 AGENT.md 中的指令与文件夹节点关联。例如： AGENT SHALL PLACE NEW TEST_FILE UNDER node tests/ 。

5.2 AAA/：九阶段开发协议

是什么？ 一个结构化的开发工作流，将任务分解为Plan（计划）、Code（编码）、Audit（审计）三个高阶阶段，每个阶段再细分为三个子阶段，共九个阶段。每个阶段都有明确的输入、输出和验收标准。

有什么用？ 强制你和AI进行有纪律的、分阶段的开发，避免一蹴而就。特别适合复杂功能或重构任务。AI在每个阶段只关注该阶段的目标。

实战流程：

  1. A1 (Analyze) ：分析需求，输出功能规格TRUG图。
  2. A2 (Architect) ：设计架构，输出组件关系图。
  3. A3 (Accept) ：定义验收测试用例。
  4. C1 (Construct) ：实现核心逻辑。
  5. C2 (Connect) ：集成组件。
  6. C3 (Confirm) ：通过单元测试。
  7. D1 (Debug) ：系统测试与调试。
  8. D2 (Document) ：编写文档。
  9. D3 (Deliver) ：最终审查与提交。

你可以要求AI：“我们现在处于AAA协议的A1阶段，请根据需求文档生成分析图。” 这比单纯说“分析一下这个需求”要清晰得多。

5.3 MEMORY/：跨会话持久化上下文

是什么？ 解决LLM“金鱼记忆”问题的方案。它将重要的决策、设计理由、待解决的问题以TRUG图的形式持久化到磁盘（ memory.trug.json ）。

有什么用？ 在新的对话会话中，AI可以“加载记忆”，回忆起之前为什么选择某个库、某个接口设计是如何达成的，从而保持决策的一致性。

操作示例：

  • 在解决一个复杂bug后，你可以让AI执行： AGENT SHALL RECORD DECISION reason IN MEMORY FOR issue_#123.
  • 下次会话开始时，你的提示词可以包含： LOAD MEMORY FROM ./memory.trug.json AND CONTEXTUALIZE CURRENT TASK.

5.4 其他组件速览

  • EPIC/ ：用于管理多项目或大型特性的组合看板，同样用TRUG图表示，可以追踪特性之间的依赖和状态。
  • TRUGGING/ ：鼓励你用TRUG图来描述代码库的架构（微服务、数据流等），创建活的、可验证的架构文档。
  • WEB_HUB/ ：一个将网络资源（工具文档、论文、库）索引为TRUG图的知识库，方便AI检索参考。
  • SKILLS/ ：提供了19个可组合的“技能”原语（如 SEARCH_CODE , REFACTOR ），可以用来构建更复杂的AI工作流指令。

组合使用建议 ：不要试图一次性全部用上。从 AGENT.md 开始，当你遇到“项目结构复杂AI难以理解”时，引入 FOLDER ；当遇到“复杂任务需要分步指导”时，引入 AAA ；当遇到“AI总忘记之前约定”时，引入 MEMORY 。让需求驱动你的工具链演进。

6. 常见问题、排查技巧与生态对比

6.1 实战中可能遇到的问题与解决方案

Q1：我复制了 AGENT.md ，但AI好像完全无视它？ A1 ：这通常是因为AI工具没有正确加载该文件。

  • 对于Cursor ：确保 .cursor/rules/trugs-agent.mdc 文件被正确放置在项目根目录的 .cursor/rules/ 下。重启Cursor IDE有时是必要的。
  • 对于Claude Code ：确保文件被命名为 CLAUDE.md 并位于项目根目录。在对话中，你可以显式地提示：“请严格遵守 CLAUDE.md 中的TRUG/L规则。”
  • 通用检查 ：尝试在对话中问AI：“你能看到我项目根目录下的 CLAUDE.md 文件吗？请简述里面的核心规则。” 这可以测试文件是否被成功加载。

Q2：TRUG/L规则写得太严格，限制了AI的创造性怎么办？ A2 ：TRUG/L的设计初衷是消除有害的歧义，而非扼杀所有灵活性。合理使用 MAY （可以）和 SHOULD （应该）而非 SHALL （必须）。将规则分层：

  • 核心层（SHALL） ：涉及安全、基础架构、团队规范的原则性问题（如“禁止硬编码密码”、“必须通过类型检查”）。
  • 推荐层（SHOULD） ：关于代码风格、最佳实践的指导（如“函数长度应该控制在50行以内”）。
  • 允许层（MAY） ：给予AI发挥空间（如“在性能关键处，可以选择使用缓存”）。

Q3： validate.py 检查失败，但我看不懂错误信息。 A3 ：验证器的错误信息通常指向TRUG图中的特定节点和边。

  • 步骤1 ：找到报错的节点ID或关系类型。
  • 步骤2 ：查看生成的TRUG图文件（通常是JSON），定位到出错的部分。
  • 步骤3 ：对照 AGENT.md 中的原始指令，检查图结构是否正确地表达了你的意图。常见错误包括节点类型未定义、关系不符合语法、或 SHALL 指令的预期结果节点缺失。
  • 技巧 ：使用 trugs-tools 中的 tg visualize decision.trug.json --output graph.png 命令（如果支持）将图可视化，能更直观地发现问题。

Q4：如何为我的技术栈（如Go、Rust、Java）定制TRUG/L词汇？ A4 ：TRUG/L的190个核心词汇是领域无关的。定制化主要通过“定义”来实现。

  1. 在 AGENT.md 中创建一个 ## Definitions 部分。
  2. 为你技术栈特有的概念定义节点。例如： 
    - `go_mod_file`: REFERS TO FILE “go.mod”.
- `rust_crate`: A COMPILATION UNIT IN RUST.
- `java_spring_annotation`: PATTERN “@SpringBootApplication”, “@RestController”.
  3. 在规则中引用这些自定义节点。例如： AGENT SHALL UPDATE go_mod_file WHEN ADDING NEW_DEPENDENCY.

6.2 与主流AI代理框架的深度对比

在决定是否采用TRUGS Agent时，明确其定位至关重要。它并非要取代LangChain、CrewAI等框架，而是解决一个不同维度的问题。

维度 TRUGS Agent LangChain / CrewAI / Pydantic AI
核心定位 指令语言与协议 。定义AI 应该做什么 的 规范 。 编排框架与运行时 。实现AI 如何去做 的 执行引擎 。
交互模式 声明式 。你写下“目标状态”（规则），AI负责达成。 命令式/过程式 。你编写代码来调用AI函数、控制流程。
集成复杂度 极低 。复制文本文件即可。无依赖冲突。 中到高 。需要安装Python包，可能引入依赖冲突，需要学习框架API。
可验证性 核心特性 。指令可编译为图，支持静态和动态验证。 较弱 。通常依赖测试和人工审查，提示词本身的符合性难以自动化验证。
供应商锁定 无 。纯文本协议，任何能读文本的LLM工具都可使用。 有 。代码绑定特定框架（LangChain链、CrewAI Agent类）。迁移成本高。
适用场景 增强现有AI编码助手 （Cursor, Claude Code），使其行为更确定、可审计。在 严格合规 （如安全、金融）或 大型团队 需要统一AI行为标准时优势明显。 构建复杂的多步骤AI应用 ，如自动化客服、数据分析流水线、研究代理。需要编程来粘合多个模型、工具和逻辑。
心智模型 给AI一本 不可违背的《操作手册》 。 编写一个 驱动AI的软件程序 。

简单来说：如果你在用Cursor写代码，但受够了它时好时坏的理解能力，TRUGS Agent是你的解药。如果你在构建一个自动化的内容生成流水线或客服机器人，你需要的是LangChain这类框架。两者甚至可以结合：用TRUG/L来严格规范框架中每个AI节点的行为准则。

6.3 性能与成本考量

  • 性能 ：TRUGS Agent本身几乎没有性能开销。主要的开销在于LLM处理稍长的、包含TRUG/L规则的上下文。但这通常可以忽略不计，且换来了输出质量的确定性提升。
  • 成本 ：没有直接货币成本。潜在的“成本”是学习和编写TRUG/L规则的时间投入。然而，这项投入会在减少代码返工、提高审查效率、降低缺陷率上获得回报。
  • 学习曲线 ：对于开发者，学习190个单词的基础语法很快。真正的挑战在于思维转变——从写模糊提示到写精确指令。这类似于从写注释到写单元测试的转变，初期需要适应，但长期来看能形成更严谨的开发习惯。

TRUGS Agent代表了一种务实而深刻的思想：与其等待AI完全理解人类模糊的意图，不如我们主动迈出一步，使用一种更适合机器处理的精确语言来沟通。它可能不是所有问题的答案，但对于任何受困于AI助手输出不稳定、渴望在AI辅助开发中引入工程纪律的团队和个人来说，它提供了一个极具启发性且立即可用的解决方案。从我个人的试用经验来看，最初编写规则需要一些思考，但一旦规则集稳定下来，它就像给AI戴上了“缰绳”，让天马行空的创造力沿着你设定的高质量轨道奔跑，那种可控感和效率提升是非常显著的。

Logo
亚马逊云科技技术品牌专区

更多推荐

cover

大 硬 仗14小时：用2009年的上古亮机卡跑完深度学习，CPU满载但代码没崩

avatar 亚马逊云科技技术品牌专区
cover

原来AI、画图、导航都在用向量！

avatar 亚马逊云科技技术品牌专区
cover

害虫检测和识别3：基于深度学习YOLO26神经网络实现害虫检测和识别(含训练代码、数据集和GUI交互界面）

avatar 亚马逊云科技技术品牌专区