登录社区云,与社区用户共同成长
邀请您加入社区
发现和探索最受欢迎的社区&标签
公交线路可以通过连接网络中的节点来定义。在AnyLogic中,可以使用Path元素来表示公交线路。// 定义公交线路// 设置线路的属性// 线路速度(单位:km/h)// 线路容量(单位:乘客数)首先,需要定义一个表示公交车的Agent。车辆代理可以包含车辆的状态、位置、速度等属性。// 定义车辆代理// 车辆位置// 车辆速度// 当前站点// 下一站点// 获取下一站点// 假设线路为 st
通过本节的学习,您已经掌握了AnyLogic的基本界面和功能,学会了如何创建和管理Agent、Block、事件和数据集,以及如何进行模型的可视化和结果分析。接下来,我们将深入探讨AnyLogic的高级功能和应用案例,帮助您进一步提升仿真建模的技能。
《AI时代大数据基础设施的挑战与阿里云解决方案》摘要:随着AI技术发展,企业面临数据孤岛、运维复杂、开发效率低等挑战。阿里云MaxCompute平台通过存算分离架构、多模态数据统一管理和Data+AI一体化开发,提供弹性Serverless计算、异构算力支持及智能开发工具链(如DataWorks Copilot)。该方案能实现10秒内调度10万计算单元,支持LLM预处理等AI算子,使企业数据价值最
维度定位“AI 工具包”“AI 原生应用操作系统”开发体验“缝合 + 魔改”“开箱即用,连扳手都给你拧好了”存储依赖“向量库?自己选,自己搭”“Redis:我全都要!模型支持“能跑就行”“Claude 给你标参考文献,Gemini 给你调思考深度”Java 要求“Java 17 也行”“Java 21,不接受讨价还价”💪Spring AI 2.0 的野心,从来不是“让 Java 能调大模型”,而
说实话,有时候我真觉得AI像是个调皮的室友。它会在我加班时自动调节灯光,会在我熬夜时提醒我喝水,但也会在我想安静工作时突然放起《最炫民族风》。但不可否认,正是这些小插曲让我们的生活充满了乐趣。最后分享个冷笑话收尾:为什么AI不会迷路?因为它们自带GPS,而且永远相信Google地图。不过我上次让它导航去咖啡店,它说"最优路径是穿越次元壁",好吧,我承认这次AI赢了。
本文介绍了如何利用Spring AI Alibaba Graph将多智能体订单助手重构为图工作流形态。传统基于if-else的编排方式存在维护困难、扩展性差等问题,而Graph方案通过StateGraph、Node、Edge和OverAllState四个核心概念,将复杂业务逻辑转化为清晰的可视化流程图。 文章详细说明了项目采用的多模块架构设计,包括ai-starter、ai-graph-order
当AI在30分钟内将你团队头脑风暴出的47个功能需求,按照六个战略维度评估并生成清晰的产品演进路线时,你意识到——路线图规划终于从“政治妥协艺术”变成了“科学战略决策”。季度规划会议刚刚结束。白板上贴满了五颜六色的便签:47个功能想法,从“实时语音协作”到“AI自动生成会议纪要”,从“多显示器优化”到“企业单点登录集成”。作为PC端产品负责人,你需要在两周内将这些想法转化为清晰的季度路线图。传统方
AI Agent通过Tool Calling赋予大语言模型(LLM)连接外部世界的能力。本文解析了两种实现方式:早期不稳定的Prompt Engineering和现代标准化的Function Calling。后者通过JSON Schema定义工具,LLM生成结构化指令,由外部程序执行具体操作。文章详细展示了工作流程、数据结构,并提供了LangChain实现的代码示例,说明如何让LLM识别数学计算需
本文摘要: ROS1机器人控制专题深入探讨了机器人运动控制与路径跟踪技术。文章首先介绍了控制系统的分层架构(感知层、决策层、控制层)和理论基础,包括系统建模、控制目标及ROS控制框架。重点讲解了PID控制器的实现细节,包含比例、积分、微分三环节计算,抗积分饱和处理,微分项滤波等关键技术。通过Python代码示例展示了PID控制器节点的具体实现,包括参数配置、误差计算、控制输出计算和状态发布等功能。
【人工智能导论】11-学习-强化学习:用MDP建模环境,用奖励信号指导学习,用价值函数和策略函数学习最优行为
本文详细介绍了如何利用LangChain构建一个RAG系统,使用《爱比克泰德金言录》作为示例文本。文章分为两个主要部分:索引构建和检索生成。索引阶段包含数据准备(过滤无关内容)、文档加载(使用TextLoader)和文本切分(使用RecursiveCharacterTextSplitter)三个步骤,重点讲解了每个步骤的代码实现和关键参数设置。通过流程图展示了RAG系统的工作流程,包括向量存储构建
继续上周的调研,这篇出的是第一个版本的PRD,关于之前留下的问题2、3的缓解和后续的技术方案一起出,争取年底之前搞一个能跑的版本。
今天是 2025 年 12 月 22 日,周一。眼瞅着双旦将至,快过年了,咱们解读论文的节奏也得提提速!想象一下,有一位博览群书、才华横溢的思想家,但他的一生都只在纯文字的世界里度过,从未见过真实世界的色彩与形态。这就像是传统的大语言模型(LLM),它们在文本理解和生成上能力超群,却是一个“失明”的天才。现在,让我们给这位思想家安上一双锐利的眼睛,让他不仅能阅读万卷书,还能看见万物,理解图像中的信
摘要:本文在新机械主义框架下构建具身认知的机制模型,将认知视为身体-环境耦合生成的动态过程。模型提出认知由身体系统、感知-运动接口等7类机制单元构成,通过三层闭环(快速感知-行动、中程任务、慢速模型更新)和两条稳定化通道(技能化、外置化)实现。该模型强调行动是认知前提而非输出,能解释技能形成、工具使用等现象,并提供了可观测变量和干预路径,为理解智能体行为和人机协作提供了统一机制。
原文:towardsdatascience.com/how-to-create-powerful-embeddings-from-your-data-to-feed-into-your-ai-995d834479bb从你的数据中创建高质量的嵌入对于你的 AI 系统的有效性至关重要。本文将展示你可以使用的不同方法,将你的数据从图像、文本和音频等格式转换为强大的嵌入,这些嵌入可以用于你的机器学习任务。
不多赘述。
原文:towardsdatascience.com/how-to-create-a-powerful-ai-email-search-for-gmail-with-rag-88d2bdb1aedc在本文中,我将向您展示如何使用 RAG(关系抽取和问答)技术来开发应用程序以搜索 Gmail 电子邮件。首先,我会向您展示如何设置认证管道以访问用户的电子邮件(如果得到同意)。然后,使用 OpenAI 文
本文系统阐述了数字化部门从传统IT服务向战略赋能者的转型路径,提出一套涵盖战略定位、技术应用和组织协同的三年规划方案。方案聚焦AI赋能、数据治理和流程优化三大核心,通过七步规划法构建数字化中台能力,并给出分年度实施路径与关键绩效指标。文章特别强调业务与技术融合,避免常见误区,助力企业实现从"成本中心"到"价值引擎"的跃迁。适用于各类面临数字化转型挑战的企业管
【摘要】本文详细介绍了扣子平台中插件的功能与应用。插件作为智能体的工具箱,可扩展其联网、多模态理解等能力。文章阐述了两种主要使用方式:一是直接为智能体绑定插件(如通过"头条新闻"插件获取AI资讯),二是将插件节点嵌入工作流实现流程化控制。重点讲解了创建智能体、配置提示词、构建工作流及测试调用的完整流程,并强调通过清晰的设计精确控制插件调用时机。该功能突破了大模型自身限制,为开发
【人工智能导论】10-学习-生成式模型:学习概率分布,用不同方法生成样本
科研 大模型 LLM API
本文系统阐述了智能Agent工作流(AgentWorkflow)的设计框架与实践方法。首先定义了AgentWorkflow作为AI自主决策与业务流程规范化的结合体,强调其动态适应性特征。继而提出四大核心设计原则:目标导向、动态自适应、模块化解耦及可观测性,并详细拆解任务解析、规划、资源调度、执行和反馈优化五大核心组件的功能定位。文章还提供了从需求定义到部署运维的实施路径,以及常见问题的避坑指南。最
在不牺牲推理能力的前提下,大幅提升长上下文与 Agent 场景下的计算效率与泛化能力。:一种可训练、硬件友好的稀疏注意力机制;可扩展的强化学习(RL)后训练框架:以 GRPO 为核心,支持大规模推理能力放大;面向工具调用的 Agentic 任务合成与思考管理机制:将“思考(thinking)”稳定地嵌入工具使用流程。这些设计共同使 DeepSeek-V3.2 在多个推理与 Agent 基准上达到或
摘要:大规模多智能体强化学习(MARL)面临状态和动作空间爆炸问题。传统方法(如QMIX)在智能体数量N超过1000时失效。本文介绍两种解决方案:1)平均场强化学习(MFRL),将N个智能体简化为“平均作用”,复杂度降至O(1);2)基于图神经网络的MARL,利用GNN捕捉局部拓扑关系,实现高效邻居建模。参数共享是关键技术,使显存占用与N无关。选型指南建议:小规模用传统方法,超大规模用MFRL,中
摘要:多智能体强化学习(MARL)中,对手建模(Agent Modeling)和心智理论(ToM)是提升智能体认知能力的关键。显式建模通过监督学习预测对手动作,适合固定策略场景;隐式表征学习提取对手潜在特征(如风格或意图),支持零样本泛化;而ToM通过递归推理模拟对手思维层级,适用于复杂心理博弈。本文系统梳理了三种方法的原理、实现及适用场景,为MARL从感知智能迈向认知智能提供技术路线。
【人工智能导论】09-学习-注意力机制与Transformer:用注意力机制动态关注,用Transformer并行计算,用GPT理解生成语言
摘要:多智能体强化学习(MARL)中,局部视野下的智能体协作效率低下,通信机制成为关键。本文系统解析了三种通信流派:1)CommNet采用消息平均化,简单但信息易丢失;2)DIAL创新性地通过梯度反向传播实现训练时连续消息传递,执行时离散化;3)基于注意力机制的现代方法(如TarMAC)实现定向通信。研究还发现智能体会涌现出人类无法理解的"Vector-ese"语言。不同算法各
本文深入剖析多智能体强化学习中的信用分配问题。在多智能体合作任务中,团队共享奖励但行动是个体的,导致"搭便车"现象和策略退化。文章分析了全局奖励与局部奖励的困境,提出两种解决方案:价值分解(如VDN/QMIX)通过神经网络架构隐式分配信用;差分奖励和COMA算法则显式计算个体贡献,利用反事实推断精准分配奖励。COMA通过中心化Critic评估各智能体动作的相对优势,有效解决了信
摘要: 独立学习(IQL)是一种简单的多智能体强化学习方法,每个智能体独立训练自己的策略,忽略其他智能体的存在。其核心问题是环境非平稳性——由于其他智能体也在学习,导致环境动态持续变化,可能引发训练震荡与协作失效。尽管存在理论缺陷,IQL在工程中表现优异,尤其适用于弱耦合或大规模场景(如100+智能体),因其实现简单、扩展性强。代码实现仅需将单智能体DQN扩展为多实例。建议优先尝试IQL作为基线,
思考行动观察。
联系我们(工作时间:8:30-22:00)
400-660-0108 kefu@csdn.net