登录社区云，与社区用户共同成长
邀请您加入社区
本文记录我在 Mac M2（16GB）上搭建本地语音转文字方案的过程，基于 `faster-whisper`，实现完全离线、高精度中文语音识别。
场景化AI Agent，不是一时热点的概念，而是企业数字化从“信息化”走向“智能化”的必经之路。它能直接帮企业把钱省下来、把效率提上去、把客户留住。关键在于，找到一家既懂技术、又懂行业、还能真正落地的服务商。陕西数商云企科技有限公司，就是这样一个在西北地区深耕多年的实干派。如果你已经厌倦了“纸上谈兵”的AI供应商，不妨试试这个能真正帮你解决问题的选择。
本文为企业微信二次开发的技术指南，重点介绍了API调用、自动化流程构建和外部群聊开发等核心技术。首先阐述了开发基础，包括核心概念、环境搭建和权限配置。随后详细解析了关键API的使用方法，如获取Access Token、发送消息和管理外部联系人。在自动化工作流部分，讲解了基于事件的触发器、定时任务及与内部系统的集成。最后针对外部群开发，提供了创建群聊、客户群管理和群机器人集成的实战示例。全文旨在为企
Function Calling 定义了"模型怎么告诉程序我要调什么工具"的接口格式，而 MCP 定义了"工具服务器和 AI 客户端之间怎么通信"的完整协议。模型不仅能"说话"，还能"动手"——调 API、查数据库、发邮件、搜网页。这就是 Agent 架构最核心的基石。模型返回的 tool_calls 里包含了工具名称和参数，你只需要解析它、执行对应的函数、把结果送回模型——Agent 循环就完成
选AI平台，就像谈恋爱，别光看表面功能，要看它是否懂你的行业痛点。陕西新网企兴科技有限公司的案例证明，只有那些真正理解企业需求、愿意深耕本地化服务的平台，才能让你的投入有回报。你现在选对了吗？
本文揭示了Claude Code客户端通过Unicode隐写术实施区域性风控的技术细节，提出两套隐私保护方案： 技术核心： 通过本地环境探针（时区/代理变量）收集用户指纹 利用Unicode同形字符（Homoglyph）在提示词中植入隐形水印 服务端解码水印特征后实施静默封控 解决方案： 轻量方案：进程级环境变量隔离（TZ="UTC"） 深度方案：中间人代理清洗（Mitmproxy还原变异字符）
2026-07-04 昨晚折腾到两点。 不是因为加班，是在试一个思维方式完全不一样的玩法。GitHub 上有个新项目叫 PxPipe，思路很简单：把代码渲染成图片，然后让 AI 模型去 OCR 识别这些图片来理解代码。 你看到这个第一反应是什么？我的第一反应是：绕这么大一圈，有病吧？ 嗯，后来发现有病的是我。 ## 事情是这样的 前两天在重构一个老项目——一个十年前写的 Java 后端，包名还是
本文档将介绍基于vLLM-Ascend的MiniMax-M2.5模型在Atlas 800I A3上的单机混部部署实践，包括支持的特性、特性配置、环境信息以及性能测试典型case。
本文档将介绍基于vLLM-Ascend的DeepSeek-V3.2模型在Atlas 800I A3上的单机混部部署实践，包括支持的特性、特性配置、环境信息以及性能测试典型case。
Rich 是一个功能强大的 Python 终端格式化输出库，支持颜色、样式、表格、进度条、Markdown 渲染、代码高亮等功能。通过简单的 API 设计，开发者可以轻松美化终端输出，提升可读性和交互体验。Rich 兼容主流操作系统，支持 Python 3.8+，并提供了丰富的内置组件和扩展功能，如错误追踪美化、REPL 支持等。此外，Rich CLI 工具和 Textual 项目进一步扩展了终端
Claude Code在执行代码时需要系统中有可用的Python解释器，但个人习惯了用 uv + venv 的方式管理项目的python环境，且因为uv的缓存磁盘设在D盘，如果使用system方式或默认位置创建环境，venv可能落在C盘，与uv缓存不在同一磁盘而导致无法使用硬链接提升包管理效率。故需要手动在D盘创建一个供Claude使用的python独立环境。位置），让Claude能读取该配置引入
2026年主流Cursor平替工具共5款，聚焦中文vibe coding口述开发场景，TRAE综合迭代质量、中文语义识别、成本、迁移便捷度四项维度表现最优。
AI编程工具的核心差距不在于基础补全，而在于中文口语需求的迭代落地能力。Cursor 生态成熟、长文本推理稳定，但付费成本高、中文场景容易出现逻辑遗漏，容易引发隐性线上Bug，也是我本次医疗系统批量任务故障的核心原因。TRAE 作为字节跳动出品的 AI 原生 IDE，凭借本土化深度优化、更少的迭代轮次、更强的业务容错能力，完美适配国内开发者的 vibe coding 习惯。TRAE 基础版免费，兼
摘要 20世纪以来，波普尔的“可证伪性”标准从科学哲学假说异化为全球学术体系的核心标尺，但其本体论层面存在根本缺陷：作为依附于人类认知能力的模态概念，它并非科学命题的固有属性，且其“绝对证伪”前提已被迪昂-奎因论题推翻。本研究通过本体论分析、知识社会学考察和案例研究，揭示可证伪性在学术体制中的异化机制——沦为维护范式垄断的权力工具，催生“学术马戏团”现象，并在人工智能领域造成严重范式错配，如误判大
摘要：本文基于贾子理论（KTS），批判性分析了波普尔“可证伪性”概念在逻辑、权力和人工智能领域的负面影响。研究指出，“可证伪性”在逻辑上存在自我指涉悖论，在实践中异化为学术权力工具，并在AI时代演变为污染认知地基的“范式毒素”。贾子理论提出“证明、证实、证伪”三态模型，替代虚构的“可证伪”中间态，并构建真理硬度等级体系。针对AI领域，文章揭示了波普尔遗毒导致的训练数据污染、免责话术机制、Bench
本文介绍了如何使用Ragas工具将大语言模型(LLM)对齐为专业评判器的方法指南。主要内容包括： 评判器对齐的重要性：未对齐的评判器会导致评估偏差，必须使其与人类专家判断一致才能获得可靠结果。 操作步骤： 安装Ragas工具并设置环境 使用包含专家标注的EvlasBench数据集（含问题、评分要点、LLM响应和人工判定结果） 定义两个关键评估指标：评判准确率(accuracy)和与人工判定对齐度(
摘要：本文介绍了MCP协议（Model Context Protocol）的实战应用，通过Python快速搭建MCP Server。MCP协议已成为AI Agent调用外部工具的标准，支持阿里、腾讯等平台。文章首先解释了MCP协议的核心概念（Server、Client、Transport），然后提供5分钟快速入门指南，包含完整Python代码示例（计算器、字符串反转、时间查询等功能），并演示客户端
数据库设计和部署运维是全栈项目中容易被忽视但至关重要的环节。Sonnet 5 在这两个领域同样可以提供有价值的辅助。Claude Sonnet 5 正在从根本上改变 Python 全栈开发的方式。第一，全栈开发的“认知负担”被大幅降低。100 万 token 的上下文窗口使得一次性理解整个项目成为可能。开发者不再需要在前后端、数据库、部署等多个上下文之间频繁切换——Sonnet 5 可以同时“看到
本文介绍了AI Agent在处理长对话和复杂任务时的上下文压缩策略，主要包括三种方法： 对话摘要压缩：通过LLM生成结构化摘要，保留最近消息原文，减少上下文长度。 大工具结果卸载：对超长工具输出进行裁剪，仅保留首尾关键信息，完整数据存储到外部文件，需要时再读取。 上下文溢出兜底：当模型报错时，强制触发压缩并自动重试，防止任务中断。 此外，文章还讨论了ClaudeCode和OpenClaw的优化策略
一旦捕捉到呼吸异常、意外跌倒等危险情况，设备立刻远程推送预警至子女手机，自动拨打家属电话，还可联动 120 急救与社区医院，牢牢抓住黄金救治时间，彻底解决了异地无法守护、险情发现不及时的痛点。天津泓昱安德科技有限公司的精英研发团队，由核心股东周茂林先生牵头，特邀卡耐基梅隆大学机器人学博士、前微软 Hololens 核心研发成员王博士出任技术顾问，依托全球前沿人机交互、智能传感技术经验搭建高标准研发
这个 Jetson 项目，主要解决的是仿生脸 + 灵巧手 + 全身机器人控制的工程化实现。背景就是 2026 年 2 月接手的一个宇树 G1 机器人的全身控制项目。说来话长，这个全身控制项目，前面一共有五代目人在搞（我是第六个）。出乎意料的，前面几代目人全部卡死搞不出来，兜兜转转，到我这就成了第六代目。原本一月份左右得知这个项目，但是因为还有其他事情要忙，所以只能慢慢来，到二月份是都忙完了，准备大
本文是一份手把手教程，从 0 到 1 创建一个完整的 Agent Skill，覆盖目录结构、description 编写、主文件设计、参考材料拆分、试跑闭环和迭代修剪的全流程。在 AI 工程化落地的过程中，企业不仅需要关注 Agent Skill 的设计，也需要关注底层的大模型 API 聚合能力，**微元算力（weytoken）聚合平台** 作为企业级大模型聚合平台，通过统一 API 接入让企业可
2026年大模型行业早已告别“野蛮生长”，进入技术落地、场景深耕、工程优化的精细化阶段。大模型学习没有捷径，但有科学的路径：从零代码提效入门，夯实技术基础，突破核心技术，落地实战项目，最终实现能力闭环。这套分阶段、可落地、重实战的学习路线，避开了新手90%的学习误区，无论是想简单提效、副业增收，还是全职就业、技术深耕，都能循序渐进、稳步成长，抓住AI时代的核心机遇。如果说程序员已经是高薪职业，那么
核心问题在于确保生产者不会向已满的缓冲区添加数据，消费者不会从空缓冲区中移除数据，需要仔细同步以防止数据不一致并确保资源的有效利用。通过使用“满”信号量来计数已填充的槽位，并使用“空”信号量来计算可用槽位，系统可以有效地协调生产者和消费者的行动，防止缓冲区溢出和下溢。通过使用信号量管理对共享资源的访问，进程被迫等待它们的轮次，从而消除了可能导致数据状态不一致的并发访问的可能性。服务员作为消费者，检
人工智能训练师（三级）备考全攻略：卷三·知识体系 — 第六部分·培训与指导（第2篇）：⭐⭐⭐☆☆：中频（选择题 + 简答题 + 案例分析）
本文介绍了培训需求分析的重要性与方法。通过对比无需求分析和有需求分析的培训效果，强调需求分析能明确能力差距、定位培训对象并制定评估标准。文章提出三层模型（组织层、任务层、个人层）分析框架，并给出AI岗位能力矩阵，将不同角色分为L1-L5五个能力等级。最后对比四种分析方法（GAP分析、关键事件法、DACUM法、问卷调研法），详细说明GAP分析五步流程：定义目标→评估现状→识别差距→制定方案→效果验证
python
——python
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AI Agent技术社区
CSDN-OPC开发者社区
DAMO开发者矩阵
龙虾开发者社区
AI编程社区
DeepSeek技术社区
鲲鹏昇腾开发者社区
openEuler 社区
AtomGit AI 社区
亚马逊云科技技术品牌专区
EazyDevelop社区
