登录社区云，与社区用户共同成长
邀请您加入社区
我是根据b站上的视频进行学习，并且总结写下笔记，然后做此分享。笔记非常详细以至于你可以通过查看文章进行快速学习并且制作出游戏出来。当然视频学习的链接我也放在下面了：视频学习：https://www.bilibili.com/video/BV1Nd25BNEA6?音频/美术资源包下载： https://pan.baidu.com/s/1mY05SbG3XFUpn-qiKxDRhw?pwd=b6bg。
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应
仿真技术，特别是使用GPU加速的框架，对于将机器人学习扩展到超越真实世界数据收集的限制和风险至关重要，它能够在数千个多样化的并行环境中进行训练。NVIDIA Isaac Lab在一个模块化、开源的架构中统一了物理、渲染、感知和学习，支持具有同步、高保真数据流、程序化场景生成以及开箱即用的强化和模仿学习工作流的多模态机器人学习。
《用R探索医药数据科学》专栏深度解析医药数据科学全流程，提供190万字、300+篇系统性实战教程，涵盖试验统计、预测模型、机器学习等热点领域。相比市面上高度同质化的入门资料，本专栏以399元亲民价格提供持续更新的知识库，尤其突出公共数据库挖掘（如NHANES、GBD等）的深度应用，从数据获取到论文撰写完整覆盖，单篇内容价值即远超数千元培训班。专栏强调实操性，每周更新前沿技术，构建医药数据科学&qu
大模型不是洪水猛兽，而是IT人提升效率、实现转型的“超级杠杆”。你的IT经验，不是转型的负担，而是你撬动未来的支点——不用焦虑自己“跟不上”，不用彷徨“从何入手”，从今天开始，迈出第一步：注册一个大模型API账号，写一个简单的Prompt，运行一个基础Demo。你会发现，所谓的“高门槛”，不过是自己给自己的心理障碍。真正的挑战，从来不是“学不会”，而是“不敢试”和“不坚持”。对于小白来说，大模型是
每个节点需要什么？产出什么？数据节点：从外部获取信息。如同步 Strava 活动，它需要 API 密钥，产出近期活动列表。LLM 节点：进行分析、推理和生成。如评估进度 vs 目标，它需要活动汇总和目标，产出状态评估和风险提示。行动节点：与外部世界交互。如发送邮件，它需要邮件内容和地址，完成发送动作。这个教程的目的，不是构建最复杂的训练系统，而是展示LangGraph 如何让复杂智能体的构建变得清
本文探讨了AI技术在制造业全流程中的应用及其意义。从研发设计、生产制造、运营管理到产品服务，AI技术通过优化流程、提高效率、降低成本，助力制造业实现绿色生产。文章还分析了制造业AI应用的关键技术、当前应用情况及面临的挑战，并展望了未来发展趋势，强调AI技术将成为推动制造业转型升级的重要引擎。摘要。
本文深入探讨了AI Agent的自主性对软件开发带来的新期待与可能性，提出了从面向step到面向goal的范式转变。AI Agent的自主性体现在模块间编排的planning自主性和模块内的自主性，如动态任务拆分和AI现场编码，这些特性能显著降低软件开发成本，为用户提供定制化软件。文章还分析了如何穿越「中间地带」，并提出了混合面向step和面向goal模式以及human-in-the-loop机制
智扫通Agent是一个面向消费者的扫地机器人智能客服系统，提供全周期智能问答服务。系统基于RAG技术实现精准回复，采用ReAct框架进行智能决策，并配备Streamlit现代化UI界面。项目已完成核心功能开发，包括RAG引擎、智能体逻辑和交互优化。技术架构涵盖向量检索、模型调用和工具集成，后续计划增加用户分析等高级功能。通过streamlit run命令即可启动服务，为消费者提供专业的购前咨询、使
本文记录了黑马程序员大模型RAG与Agent实战课程的学习笔记，包含三个主要项目：1）30+个LangChain基础到进阶的实验脚本，涵盖API调用、向量化、Prompt工程等核心内容；2）基于RAG的服装电商智能客服系统，实现尺码推荐等功能；3）采用ReAct架构的扫地机器人智能客服系统。项目使用阿里云DashScope API和通义千问模型，提供完整的环境配置指南和运行说明。所有代码开源，仅供
最近半年，不少深耕 AI Agent 开发和落地的工程师都有一个共同的体会：大模型的能力早已不是项目的瓶颈，反而当系统真正开始 “动手” 执行工具、处理并发、管理状态时，工程层面的问题会集中爆发。
你一定用过 ChatGPT、Copilot 或者 Stable Diffusion。它们能写论文、补代码、画插图，看起来无所不能。但如果你问 GPT 一个上周刚发布的 API 接口叫什么，它大概率会一本正经地编一个不存在的名字——这就是所谓的"幻觉"（hallucination）。
当下大模型技术飞速普及，很多程序员、技术小白都想入局，但面对繁杂的方向常常无从下手——到底该学什么、做什么，才能快速落地、实现成长？
对于想入门大模型、想拿到相关Offer的小白和程序员来说，最有效的路径其实很简单：先搞定2-3个完整的开源项目，作为自己的“敲门砖”，不用追求完美，能跑通、能讲清就好；然后立刻投入市场，投递简历、参加面试，用真实的面试反馈，反向打磨自己的知识体系、补全自己的短板。焦虑的根源，从来不是“准备不足”，而是“迟迟不行动”。行动，才是治愈焦虑的唯一解药。就像SOTA模型，再完美的构想，也必须走出实验室的温
本文回顾了LLM（大型语言模型）工具的发展历程，重点探讨了MCP和Skills两种工具机制的联系与区别。MCP作为早期AI智能体连接外部工具的标准协议，存在跨厂商标准化缺失、执行安全隔离不足、上下文同步复杂等问题。而Skills机制通过文件系统组织专业知识和工作流，以代码动态调用外部工具，解决了MCP的扩展性难题。Skills更适合单机、简单环境，而MCP仍是商业环境中交换服务的必要协议。两者并非
基于GitHub构建和运营Agent系统的经验，这些原则可以帮助多Agent工作流规模化运行：原则说明优先考虑失败假设会失败，设计恢复机制验证每个边界Agent之间的每次数据传递都要校验先约束动作在添加更多Agent之前，先约束允许的动作记录中间状态便于调试和回溯预期重试把重试和部分失败当作常态当作分布式系统Agent不是聊天，是分布式系统把结构显性化。当你添加了类型化Schema、约束动作、以及
入参维度：纯文本往往只接收一个字符串（或者 JSON 中的某个字段）；多模态由于涉及二进制文件上传，通常需要结合和来接收多媒体流。构建维度：Spring AI 的ChatClient中，纯文本直接即可；而多模态需要通过 Lambda 表达式将文本和媒体对象（ResourceMimeType。
未来的智能工厂不是“无人”的，而是深度“人机共生”的。AI Agent的规模化落地，必然要求企业重构组织架构与工作流程。企业需要建立新的人才培训体系，让一线工人学会如何与Agent高效协作，如何下达清晰的指令，如何审核与确认Agent的输出结果，成为“数字员工”的管理者和教练。同时，必须在制度层面清晰界定人机协作的权责边界，建立“人类监督下的自动化”治理框架，明确在关键决策节点上人类的最终审核权和
文本基于分形几何的自相似性原理：在宏观、中观、微观不同层级下，遵循统一的四大资源优化逻辑，化解 DeepSeek等大模型推理优化的复杂性。6.1 优化闭环大自然有分形之美，我们的优化工作其实也有异曲同工之处，可以从宏观到微观螺旋式深入。大模型的推理性能优化，本质上是对硬件物理极限的逼近过程，本文沉淀的分形思考框架，有助于驾驭大模型推理过程以及优化方向，且不受限于具体模型和硬件。找到当前各大资源的瓶
工业智能体是以大模型､具身智能等新一代人工智能技术驱动的, 服务于工业产品全生命周期应用的新型智能体系统, 包括具身智能体和非具身(软件系统)形态, 具备面向工业场景的感知理解､知识记忆､规划决策､通信交互､自主执行､演化学习等核心能力, 为工业制造业研发设计､生产制造､试验测试､经营管理､运维服务等全业务链条提供智能化服务. 工业智能体的关键特征如图1所示.图1 工业智能体核心能力演化趋势2.1
本文聚焦于实战应用，整理了高频代码、经典开源项目架构设计案例以及常见的编程陷阱与疑难杂症，旨在巩固理论知识并提升解决实际问题的能力。
本文对比了Encoder-Decoder架构在训练和推理阶段的核心差异。训练阶段采用TeacherForcing机制，解码器可并行获取真实输出序列，利用标准答案辅助学习，提升训练效率和稳定性。推理阶段则转为自回归生成模式，解码器需串行工作，逐步生成输出。文章还分析了该架构与Decoder-only模型的区别，指出Encoder-Decoder通过独立编码器和交叉注意力机制，更适合输入输出差异大的任
要理解 RAG，首先得理解它要解决的痛点。大语言模型的知识来源于预训练阶段吃过的语料，这套"参数化知识"有三个致命的缺陷。
摘要：本文提供开源AI项目本地部署的完整指南，以DecoTV/Decohererk为例，详解环境搭建的"经典四步曲"：1)克隆代码；2)创建conda虚拟环境；3)安装匹配的PyTorch与CUDA版本；4)安装项目依赖。重点解决三大常见问题：显存不足、模块缺失和模型下载超时，并推荐使用Notion建立技术知识库管理部署经验。文章强调环境隔离的重要性，帮助开发者规避依赖冲突，为
大模型微调是预训练大模型落地到具体场景的核心环节，从全量调参到以LoRA为代表的参数高效微调，技术的发展大幅降低了大模型定制化的门槛。对于资源充足的机构，全量调参可在大数据场景下实现最优的任务适配；对于中小团队与个人开发者，以LoRA、QLoRA为核心的PEFT方案，是落地大模型定制化的首选，在极低的资源成本下，即可实现媲美全量调参的效果；而SFT微调的效果上限，始终由数据质量决定，标准化的样本设
这一讲主要介绍现在。
12345678910111213141516@ComponentpublicclassUserTools@Tool(description = "根据用户ID查询用户信息")publicUser// 实际项目中这里查数据库returnnewUser(userId,"张三"@Tool(description = "获取当前时间")publicString()returnrecordUser{}
如果只用一句话概括 OpenClaw 的 skills 机制，那就是：skill 不是“一个统一目录里的插件列表”，而是一套分层发现、按 workspace 和共享范围组织起来的工作流系统。• tool 是能力• skill 是方法• skill 可以来自全局安装层、共享层、以及各 agent 自己的 workspace 层• main agent、agency-agents、sub-agent
*10年前，互联网做基建的时候，**需要大量程序员做底层架构，因为每个公司都需要做网站、开发小程序、开发软件。10年后的今天，现在IT行业大基建已经基本完成了，大基建过后，就不需要那么多程序员了，就像农民工那样。现在的程序岗位目前很尴尬，小公司用不起，大公司用不上，所以这个职业逐渐也被淘汰了，就算你技术狠牛逼，也快被淘汰了。不过相比其他职业，程序员还是要有不少需求的，只是没那么大了，也没那么热了。
今天我就只学了视频，第1个视频的前21分钟，网络问题加上不熟练，耽误了很长时间.核心定义新一代极速全场景MPP分析型数据库，开源（Apache 2.0）、Linux基金会项目，高性能数据仓库。关键特性极速：全面向量化引擎+CBO优化器，亚秒/毫秒级查询全场景：覆盖实时数仓、湖仓一体、多模态分析、Ad-hoc、高并发报表兼容：支持MySQL协议，对接BI工具与Hive/Iceberg/Paimon数
学习从噪声到数据分布的连续演化过程Diffusion 通过学习一个连续的去噪过程，将随机噪声逐步转化为符合数据分布的图像，并通过条件在每一步调控生成方向，实现稳定且可控的生成能力。
大家好～我是一名硬件设计工程师，日常主要做原理图设计， PCB 设计、性能测试，项目把控这些工作。前面 10 天我们已经把 Markdown 基础语法全部学完：标题、列表、加粗、表格、代码块、链接、目录、流程图、文档结构。今天进入。
大语言模型（LLM）的名称包含丰富信息，本文系统拆解其命名规则与关键参数。模型名称通常包括厂商标识（如Qwen、Gemini）、版本号（如Qwen3）、发布日期（如2507表示2025年7月）等身份信息。参数信息反映模型规模，包括绝对参数量（如4B表示40亿）、相对参数量（如mini/medium/large）和激活参数量。性能分级通过后缀（如pro、flash）体现响应速度与能力层级。量化部署信
本文系统梳理了大语言模型的基础知识。语言模型从N-gram的简单统计发展到基于深度学习的语义理解，Transformer架构通过自注意力机制实现了并行处理和全局上下文理解。Decoder-Only架构专注于"预测下一个词"的核心任务，成为主流大模型的基础。文章详细介绍了提示工程和分词技术等关键应用方法，并指出模型存在幻觉和知识过时等局限性。通过习题解答，进一步巩固了N-gram
摘要：文章系统梳理了8类数据投毒攻击方式及其防御思路。包括标签反转、干净标签投毒、特征投毒、后门投毒、语义后门、虚假样本注入、重复样本放大和优化过程投毒。这些攻击通过污染训练数据影响模型行为，具有隐蔽性强、修复难度大的特点。防御需从数据分布、特征空间和行为审计等多维度入手，尤其在大模型时代更需重视训练数据的质量管控。数据投毒已成为AI安全领域的关键挑战，需要在模型训练全流程建立防护机制。
摘要： 大语言模型（LLM）缺乏实时感知与执行能力，需通过构建 Agent（智能体） 系统突破局限。Agent 由四大核心模块构成： 思考与规划（LLM拆解任务） 感知（接收输入/环境信息） 执行（调用API/工具） 记忆（存储经验） 通过 ReAct范式（思考-行动-观察闭环），Agent能自主完成任务并优化行为。实现中需解决工具调用问题： 硬编码方案简单但缺乏灵活性； 意图识别通过LLM动态选
本文介绍了鸿蒙项目Git仓库规范管理和ArkTS逻辑控制的核心要点。在Git管理方面，重点讲解了如何通过.gitignore排除依赖包和构建缓存，并提供完整的清理步骤（包括移除已提交文件、重新提交源码等）。在ArkTS编程部分，详细解析了if-else分支语句的用法，通过成绩评级等案例展示条件判断逻辑，并介绍了更简洁的三元运算符语法及其在UI开发中的应用。最后总结了Git规范先行、逻辑清晰和类型安
大模型，通常指的是在人工智能领域中的大型预训练模型。你可以把它们想象成非常聪明的大脑，这些大脑通过阅读大量的文本、图片、声音等信息，学习到了世界的知识。这些大脑（模型）非常大，有的甚至有几千亿个参数，这些参数就像是大脑中的神经元，它们通过复杂的计算来理解和生成语言、图片等。
AI Agent正从实验室走向产业应用，成为下一代智能交互的核心。本文系统梳理了AI Agent的核心知识，包括基础概念、系统架构和关键技术模块。AI Agent区别于普通AI，能够自主规划、执行任务和持续学习。其系统架构分为工具层、行动层和推理层三大核心层，关键技术包括记忆系统和提示链等。文章还提供了从0到1打造商用AI Agent的实战全流程，涵盖需求分析、核心实现步骤和行业案例参考。最后推荐
针对医疗影像解读链路长、报告非结构化程度高的问题，基于Qwen3-VL-8B开发垂直领域多模态大模型。实现涵盖影像简述、结构化诊断记录及病灶区域定位等多任务辅助诊疗系统。
摘要：作者分享了大二时利用AI工具快速完成3D高斯泼溅项目的经历，这一高效却空洞的体验引发了对程序员价值的思考。文章提出两个核心问题：在AI时代，程序员的价值在于承担决策后果的能力（定义底线、模糊决策、反思成长）；学习方式应转向问题驱动，结合AI的个性化与传统资源的体系化，培养判断力和实践经验。最终结论是：程序员的核心价值不在于编码或决策本身，而在于定义标准、承担责任和持续反思的能力，这是AI无法
OpenAI在2026年披露了一项突破性实验：3名工程师在5个月内通过AI生成了100万行代码，完全无人手写。这标志着AI工程从Prompt Engineering（提示词优化）、Context Engineering（上下文管理）发展到Harness Engineering（智能体驾驭）的新阶段。Harness Engineering通过自动化验证、反馈回路和系统约束，使AI能可靠完成复杂任务。
学习
——学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
人工智能6S服务平台
