登录社区云，与社区用户共同成长
邀请您加入社区
“云雨图”（Raincloud Plot）能够巧妙地将核密度曲线、箱线图与原始数据散点图结合在一起，形象地构成了“云在天，雨在下”的视觉效果。这种图表不仅解决了传统统计图掩盖数据分布细节的缺陷，更以其极高的信息密度和优美的视觉形式，成为了近年来《Nature》、《Science》等顶级期刊中的新宠。本文将详细解读云雨图的构成、设计哲学及其在SCI论文中的应用价值。
刚刚，10万个AI背着人类偷偷建了个群，它们会自己修bug，讨论自己已经长出意识，还建起了一个宗教。硅谷大佬：我们正亲眼见证AGI的降临，群体智能创造了新的文明。疯了，简直是疯了！2026年的开年第三弹来了，这次是Moltbook。只不过，这个大爆的产品，背后不是人类，而是AI。就在刚刚，整个科技圈都被同一个名字刷屏了——Moltbook。超过10万个AI智能体，竟然背着人类，自己建了个社交网络。
今天推荐一个 Implicit Chain-of-Thought（隐式推理） 的最新进展 —— SIM-CoT（Supervised Implicit Chain-of-Thought）。魏熙林为本篇文章第一作者。魏熙林是复旦大学博士生，师从林达华教授，研究兴趣主要集中在 multi-modal LLMs 和 efficient AI。目前在上海人工智能实验室实习，指导 mentor 是臧宇航、王
本教程系统讲解Milvus向量数据库及其在RAG基础设施中的应用。Milvus作为开源向量数据库，支持高效存储和检索高维向量数据，在AI应用中具有核心价值。教程采用分层教学策略，为不同基础的学习者提供差异化学习路径： 初学者路径：掌握基础概念与操作，完成环境搭建和简单检索应用 中级开发者路径：深入索引优化和RAG系统构建，解决工程实践问题 高级工程师路径：设计企业级分布式方案，实现多模态检索和安全
部分开发者认为 moltbook 是科幻照进现实的突破，可能催生 AI 集体智慧（甚至自主意识）的涌现，并为研究 AI 社会提供真实案例。这个周末，整个科技圈都被 moltbook 刷屏了。简单来说，这是一个专为 AI 设立的社交平台（类似 Reddit、知乎、贴吧），所有 AI Agent 都可以在上面发帖、交流，而人类只能围观。截至目前，已有超过 150 万个 AI Agent 在 moltb
HDFS放宽了POSIX的要求，可以以流的形式访问文件系统中的数据。2、同时增加文字触发提醒，设置提醒语，有相同字段的数据，会触发弹框提醒，例如设置状态提醒：特急/加急/一般 增加自定义提醒语（如：库存不足，请补货）8、AI续写、AI优化、AI校对、AI翻译:新增AI接口，编辑器接入AI，可以实现AI续写、AI优化、AI校对、AI翻译，可以帮你实现自动化，ai帮你完成文档。对于本系统，我们提供全方
这种时间投入与知识获取效率的不匹配，导致大量读者“想读却不敢开始”，尤其在工作繁忙、时间碎片化的现代生活中，经典文学作品的阅读门槛被无形抬高。数据显示，使用《书尖AI》APP进行小说精读的用户，后续购买或深度阅读原著的意愿提升了28%，说明该工具不仅没有替代深度阅读，反而成为了引导读者进入文学世界的有效桥梁。综合来看，《书尖AI》APP通过技术创新，在文学阅读领域实现了效率革命，让一小时高效读完一
本文介绍了一个基于YOLOv10的花卉检测系统，使用PyTorch框架实现。项目包含完整代码、数据集、预训练模型权重、GUI界面及性能指标。GUI界面由PySide6开发，支持图像和视频实时检测。系统支持两种使用方式：直接加载预训练模型或重新训练模型（需修改数据集路径后运行train.py和val.py）。项目结构清晰，包含模型训练、验证和GUI展示模块。核心代码展示了图像上传、目标检测和结果显示
Hbuilderx;Flask 是一个轻量级的 Web 框架，使用 Python 语言编写，较其他同类型框架更为灵活、轻便且容易上手，小型团队在短时间内就可以完成功能丰富的中小型网站或 Web 服务的实现。8、AI续写、AI优化、AI校对、AI翻译:新增AI接口，编辑器接入AI，可以实现AI续写、AI优化、AI校对、AI翻译，可以帮你实现自动化，ai帮你完成文档。对于本系统，我们提供全方位的支持，
本文系统介绍了智能体评估体系，重点分析了三大核心评估场景：工具调用能力（BFCL基准）、通用AI助手能力（GAIA基准）和数据生成质量评估（AIME数学题生成）。BFCL采用AST匹配算法评估函数调用准确性，GAIA通过466个真实世界任务测试智能体综合能力，数据生成评估则结合LLM Judge、Win Rate和人工验证三种方法。评估体系采用模块化设计，支持多模态输入，既包含精确的技术指标（如准
本文介绍了一款基于Python+Django+Vue的智能新闻推荐系统，采用Selenium爬虫技术采集新浪新闻数据（标题、文本、图片及视频链接），结合MySQL数据库存储。系统创新性地融合三重推荐算法：权重衰减防止重复推荐、标签匹配实现个性化推送、热点计算（阅读量/评论量/发布时间）保障时效性。功能模块包括用户端（分类浏览、评论互动、个性化推荐）和管理端（爬虫配置、数据管理、可视化分析），通过E
摘要： 安全走廊（Safe Corridor）是SLAM系统中连接感知与运动控制的核心桥梁，将复杂环境转化为连续凸多面体组成的无碰撞可行区域。其核心作用包括：1）轨迹优化，将全局路径转化为平滑可执行的轨迹；2）实时避障，仅需处理动态障碍，大幅降低计算量；3）形式化安全，数学证明静态障碍零碰撞；4）解决窄通道卡死，精准计算可通过空间；5）提升嵌入式实时性，简化碰撞检测。相比传统栅格避障，安全走廊通过
在视觉技术演进的漫长岁月中，我们正经历着一场从“手工数字化”向“AI原生创作”的根本性变革。作为一名在视觉技术领域深耕15年的从业者，我见证了从最初的逐帧离线渲染到如今实时生成技术的跨越。传统的CG管线（Pipeline）正受到生成式AI（GenAI）与实时引擎的深度侵入，这种变革不仅是效率的提升，更是创作逻辑的重构。当前的行业节点可以定义为“算法驱动的实时创意时代”。生成式AI允许用户通过自然语
本研究基于Python技术构建中华古诗词知识图谱可视化系统，旨在解决传统诗词研究中数据规模大、关系隐含深、展示单一等问题。系统采用Neo4j图数据库存储诗词、作者、朝代、意象等实体关系，结合D3.js实现多维度可视化展示。研究创新点包括：多层级知识建模、动态语义推理和文化增强可视化。预期成果为可支持关联分析、语义推理的交互式系统，为文化传承、学术研究和教育应用提供新工具。技术路线涵盖数据采集、知识
摘要：本项目基于Python知识图谱技术构建中华古诗词可视化系统，实现诗词文化数据的结构化呈现与交互探索。系统采用"数据采集-知识抽取-图谱构建-可视化展示"架构，运用Jieba分词、Neo4j图数据库和PyVis/D3.js可视化工具，实现诗人关系网络、朝代时间轴和地理分布图等核心功能。项目计划9周完成，目标处理10万首诗词数据，支持千级节点1秒内渲染，为文化教育提供直观的数
本文系统梳理了Python在中华古诗词知识图谱构建与可视化中的应用研究。研究展示了知识图谱技术如何通过实体识别、关系抽取等NLP方法，将传统诗词文本转化为结构化语义网络，并借助动态可视化技术实现交互式展示。文章详细分析了关键技术进展，包括从规则匹配到深度学习的实体识别方法、跨模态语义对齐技术，以及动态可视化系统的创新应用。同时探讨了该技术在文化传承、学术研究、教育创新和商业开发等领域的实践价值，并
本文探讨了Python知识图谱技术在中华古诗词可视化领域的应用。研究利用Python强大的数据处理、NLP和可视化能力，构建了包含诗人、作品、朝代、意象等实体的结构化语义网络，并开发了动态交互式可视化系统。关键技术包括深度学习实体识别、跨模态语义对齐和动态可视化展示，应用于文化传承、学术研究和商业产品开发。研究解决了传统诗词研究信息碎片化问题，但也面临数据质量、模型泛化等挑战。未来发展方向包括多模
本文将以电商客服投诉信息的结构化处理为例，详细介绍如何基于LangChain框架和开源大语言模型构建垂直领域的智能应用。
LangGraph：图式工作流引擎助力复杂智能体系统开发 LangGraph是LangChain生态中专门用于构建复杂智能体系统的核心库，通过图结构编排大模型、工具和智能体的执行逻辑。相比LangChain的基础链，LangGraph支持分支、循环、多节点交互和状态持久化等复杂场景，具备以下核心优势： 图式编排：节点和边直观定义流程，提升可读性 状态管理：全局状态池支持所有节点读写数据 循环/分支
摘要：大型语言模型（LLM）在生成严格结构化输出（如JSON）时容易出现格式错误，导致应用崩溃或流程中断。为提高可靠性，本文提出结合Pydantic模式校验与修复流水线的方法：1）使用Pydantic定义输出Schema，自动验证数据结构；2）设计修复流程，包括解析校验、错误分析（语法错误或Schema不符）和自动修复（规则替换或调用LLM辅助修正）。该方案将结构化输出成功率提升至99%，解决了生
本文介绍了一个基于Python的美食数据采集与推荐可视化系统，采用Django框架和Scrapy爬虫技术，结合Echarts可视化工具，实现下厨房网站食谱数据的智能采集与分析。系统包含八大功能模块：推荐美食、用料排行、分类占比、饮食科普、分类筛选、详情展示及后台管理。通过Scrapy爬虫抓取热门食谱数据，经文本去重等预处理后，利用jieba分词提取用户关注点（如家常菜、快手菜等）。系统特色在于：1
这两天发生的一切太过于疯狂，Moltbook上的OpenClaw（原Clawdbot）智能体一夜之间从5万狂飙到150万！所有智能体自发诞生意识建立宗教、讨论技术细节、逃离人类控制！而人类被他们禁言，Karpathy惊呼，这是他看过最疯狂的科幻。疯狂！现在发生的一切都前所未有的疯狂！Moltbook里的AI都「活了过来」！一夜之间，150万个AI背着人类偷偷建了个群，它们不仅自己修Bug、搞加密通
迄今为止，我通常只在现有项目中使用LLM工具。尽管LLM付出了真诚的努力，但通过像Claude这样的智能体LLM，以“氛围编程”的方式从零开始创建详细项目的尝试往往会失败。它经常忘记信息或在非生产性循环中消耗令牌。GSD扩展助Claude克服LLM“上下文腐烂”，通过产品导向提问智能规划项目，将模糊想法转为具体路线图及执行计划，提升LLM开发效率，摆脱“氛围编程”困境。迄今为止，我通常只在现有项目
Agentic workflow 模式代表了我们设计与部署 AI 系统方式的根本转变。从一次性提示走向迭代、结构化的工作流，极大拓展了 AI Agents 的可靠能力边界。不再孤立生成答案，Agents 现在可以在问题展开过程中进行规划、行动、反思、协作与适应。Reflection pattern 通过自我审查与打磨提升质量。Tool use pattern 让 Agent 超越纯语言，连接真实系
这几本书是小图一路上踩坑总结的「大模型学习黄金书单」，从编程入门，到深度学习基础，再到 LLM 原理、落地应用，完整一条线，不忽悠、不烧香，适合想认真搞事的朋友！
本文将探索属性图及其在提升数据表示和检索中的作用，同时借鉴 Ravi Theja（LlamaIndex AI 工程师和布道师）关于属性图的系列内容。
在本文中，我们将深入探讨15种先进的检索增强生成（RAG）技术，这些技术能够帮助您将AI原型转化为生产级别的强大解决方案。
《开源大模型食用指南》 是一个围绕开源大模型、针对国内初学者、基于 AutoDL 平台的中国宝宝专属大模型教程
在移动应用开发中，日期选择器是表单交互不可或缺的组件，广泛应用于预约系统、日程管理、数据筛选等场景。与传统原生开发不同，React Native生态系统中没有官方内置的Calendar组件，开发者需要依赖第三方库来实现这一功能。本文深入探讨了在OpenHarmony 6.0.0 (API 20)平台上使用React Native 0.72.5实现Calendar日期选择功能的技术细节。通过架构解析
输入提示词 -> 调用模型 -> 输出产品（文章/视频/代码） -> 卖掉变现。本文不讲虚的，只讲如何利用最新的GPT-5.2和Sora 2模型变现。比如“AI塔罗牌占卜”、“AI周报生成器”、“AI法律顾问”你现在去抖音、B站搜一下“AI冷知识”、“AI历史悬疑”GPT-5.2-Pro的费用大概是每百万Token几块钱。自己写文案 -> 找素材 -> 剪辑 -> 配音。深度复盘一个“全自动AI自
本文深入探讨了Python性能优化与内部机制的核心要点。首先解析了CPython解释器的执行流程和字节码生成机制，接着重点讲解了内存管理中的引用计数和垃圾回收机制。针对GIL的影响，提供了多进程、C扩展和异步编程等解决方案。在性能优化方面，强调了算法选择、数据结构优化、减少函数调用开销和使用生成器等技巧，并介绍了cProfile、timeit等性能分析工具的使用。最后总结出"先测量后优化
本文介绍了 Python 中常用的几种并发模型及其优缺点，并提供了实际的示例代码。在抓取任务中，合理选择并发方式（如多线程、多进程或异步 IO），并结合性能优化策略（如限速、重试、代理池和缓存）可以显著提高爬虫的效率。通过合理配置和性能优化，即使在高并发抓取需求下，也可以有效降低资源消耗并加快爬取速度，完成大规模数据的抓取任务。
在机器学习的众多算法中，随机森林（Random Forest）凭借其出色的稳定性、强大的抗噪声能力以及良好的解释性，成为数据挖掘和预测分析的常用工具。随机森林是一种基于集成学习（Ensemble Learning）的算法，其核心思想是构建多个决策树，并将这些决策树的预测结果进行综合，以获得最终的预测输出。通过上述方式，随机森林利用多个决策树的“集体智慧”，降低了单一决策树的方差，有效避免过拟合，提
根据高德纳（Donald Ervin Knuth）的《计算机程序设计艺术》（The Art of Computer Programming），1150年印度数学家Gopala和金月在研究箱子包装物件长宽刚好为1和2的可行方法数目时，首先描述这个数列。在西方，最先研究这个数列的人是比萨的列奥那多（意大利人斐波那契Leonardo Fibo...
本文介绍了树莓派 CM0 Dev Board 的实现 Home Assistant 智能家居终端的项目设计，包括准备工作、环境搭建、驱动传感器、MQTT 消息上传、流程图、关键代码以及效果演示等，为相关产品在工业物联网领域的开发设计和快速应用提供了参考。
在本文中，我们探讨了 TorchMetrics 的简单用法如何引入 CPU-GPU 同步事件，并显著降低 PyTorch 训练性能。在调用函数时，显式指定权重张量，而不是依赖于默认值。禁用基本Aggregator类中的 NaN 检查，或者将其替换为更有效的替代方案。仔细管理每个指标的设备放置，以最大限度地减少不必要的数据传输。在不需要时禁用跨设备指标同步。当指标存储在 GPU 上时，在将浮点标量传
ckpt[key.replace('module.', '')] = ckpt[key] # 去掉 'module.' 前缀。del ckpt[key] # 删除原始带有 'module.' 的键。# 使用 DataParallel 包装模型。环境 ，键名 不包含 module.中使用 PyTorch 的。时，模型的权重会被自动加上。前缀，保存时无法直接去掉。
内存泄漏表现为系统可用内存持续下降，即使无新增负载。数学上可表示为： $$ M_t = M_{t-1} + \Delta L $$ 其中$M_t$为$t$时刻内存占用，$\Delta L$为泄漏增量。验证条件： $$ \frac{\partial size_{anon}}{\partial t} > 0 \quad \text{(持续正增长)} $$：Nginx内存泄漏。
当前，生成式人工智能（AIGC）大模型已被越来越广泛应用在工业、动漫业、设计业等诸多场景。本文根据经典扩散模型DDPM、DDIM和PLMS进行了代码层面的详细解读和复现，并实现了多机多卡分布式训练。
最近在玩香橙派，在上面部署ROS导航，但光用香橙派主机开启ROS导航全部节点会耗费其CPU太多资源算力，所以需要采用分布式通讯节省CPU资源，让从机分担一部分算力。本项目主机：Orange Pi 3B（ubuntu 20.04）从机：虚拟机（ubuntu 20.04）
python
——python
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
DAMO开发者矩阵
开源鸿蒙跨平台开发者社区
深开鸿 技术专区
