登录社区云，与社区用户共同成长
邀请您加入社区
离散化的时间复杂度为 $O(n \log n)$，线段树构建为 $O(n)$。二分查找的验证阶段每次查询线段树的时间为 $O(\log n)$，总复杂度为 $O(n \log n)$。整体算法的时间复杂度为 $O(n \log n)$。构建线段树时，叶子节点对应离散化后的墙壁位置。初始化时，每个叶子节点的值为对应位置的墙壁强度。非叶子节点的值为子节点值的最大值。对于墙壁位置数据，需要将所有可能的位
重新排列范围，使得指定位置的元素等于排序后的元素，并且左边的元素都不大于它，右边的元素都不小于它。算法的原理是 “覆盖” 要删除的元素，将保留的元素移到前面，返回新的逻辑尾迭代器，但。对范围内的每个元素应用一个函数，并将结果存储在另一个范围内。移除范围内连续的重复元素，返回新的逻辑结尾迭代器。旋转范围内的元素，使中间元素成为新的第一个元素。这些算法不会改变它们所操作的容器中的元素。这些算法会修改它
摘要：本文提出基于超网(SuperNet)的神经架构搜索方法，实现大模型自动化压缩。通过在LLaMA-2-13B上构建权重共享的动态通道超网，结合进化算法与贝叶斯优化搜索硬件感知最优子网。实验表明，搜索的7B子网性能超越人工设计的LLaMA-7B达4.2个点，推理速度提升2.3倍。该方法突破传统压缩依赖人工调优的局限，将13B模型压缩效率提升10倍，提供从超网训练到子网部署的完整解决方案，已成功应
Flutter 框架跨平台鸿蒙开发 —— Container 控件之万能包装美学
本文深入解析Flutter的Image控件在HarmonyOS NEXT开发中的应用，涵盖图像加载、排版优化和视觉特效三大核心内容。文章详细介绍了四种图像来源（网络/本地/文件/内存）、BoxFit排版属性（cover/contain/fill等）、加载状态处理以及高级视觉效果实现（滤镜/裁剪/混合）。特别针对鸿蒙设备优化，提供了网络图片缓存方案和内存管理技巧，通过控制解码尺寸提升性能。最后指出图
LeetCode 471《编码最短长度的字符串》是一道非常典型但也非常容易被低估的动态规划题。表面上看，它只是把字符串压缩成类似 k[substring] 的形式；但真正难的地方在于——什么时候该压缩，什么时候不该压缩，以及如何保证整体长度是最短的。这道题和真实业务里很多“字符串优化”“配置压缩”“协议编码”问题的思路是高度相通的。本文会从直觉思路开始，逐步推到 DP 解法，并给出一个 Swift
本文是2025年睿抗机器人开发者大赛CAIP编程技能赛本科组（国赛）解题报告，包含5道题目的题解和代码实现。 RC-u1题（15分）：使用哈希表处理投票数据，考虑减半影响操作的特殊情况。 RC-u2题（20分）：模拟包裹填充过程，通过相对偏移向量匹配物品坐标与包裹空间。 RC-u3题（25分）：利用栈结构处理字符串删除操作，统计特定模式串的删除次数。 RC-u4题（30分）：采用二分查找结合Dij
本文深入解析Dart语言中函数的特性与应用。作为一等公民，Dart函数支持变量赋值、参数传递和返回值等功能。重点探讨了命名参数与可选位置参数的灵活用法，以及匿名函数和闭包在内存管理中的独特表现。通过函数调用流程图和参数对比表，直观展示了不同参数类型的适用场景。最后结合鸿蒙开发实例，演示了函数式编程在分布式系统中的实践应用。文章强调掌握这些特性对提升Flutter鸿蒙应用的代码质量和性能至关重要，为
本文介绍了Dart语言中三种变量交换的方法：中间变量法（推荐）、Dart特有的记录交换法（优雅）和算术预算法（面试常客）。中间变量法逻辑清晰，记录交换法语法高级，而算术法虽巧妙但存在数值溢出风险。文章通过流程图和代码示例详细说明每种方法的实现，并给出适用场景建议，强调在实际开发中应优先考虑代码可读性和健壮性。掌握这些基础交换技巧对后续算法学习和鸿蒙应用开发具有重要意义。
问自己：生产计划的核心痛点是什么？（如“延期交货率高”“产能利用率低”）；问业务方：哪些约束条件是“必须满足”的？（如“客户交期不能延迟”“工人加班时间不能超过2小时/天”）；输出：明确的目标函数（如“最小化延期交货率”）和约束条件列表。不要抗拒AI：AI不是取代你，而是帮你从“重复劳动”中解放出来，专注于“更有价值的决策”（如判断异常情况、优化生产流程）；学习“算法思维”：不需要成为算法工程师，
音乐风格迁移技术通过AI算法实现音乐内容与风格的解耦重组，显著提升了创作效率和跨风格创作能力。该技术在专业创作、商业定制和个性化音乐服务中广泛应用，但引发了原创性界定、版权归属和侵权监测等核心问题。当前解决方案包括构建"AI+区块链"全链条保护体系，完善版权监管框架，以及推动行业自律。未来发展趋势将聚焦技术精度提升、应用场景拓展和全球监管协同，实现技术创新与版权保护的平衡发展。
本文介绍了C语言程序的基本结构和常用输入输出函数。程序从main函数开始执行，包含头文件stdio.h以调用库函数。详细讲解了putchar、getchar、printf和scanf等函数的用法：printf支持多种格式化输出（如%d、%f、%s等），scanf则用于格式化输入，需注意变量地址符号&的使用。文章还提供了基于Linux系统的函数实现示例，包括打印控制符、多参数输出和格式化输入
摘要： 2015–2019年，检索与生成技术相互独立，RAG概念尚未形成。2020年Facebook提出RAG框架，开启端到端融合时代，准确率达70–80%。2021–2022年，稠密检索和迭代优化推动准确率提升至90%，华为、阿里等中国企业加速布局。2023年后，多模态VLA（视觉语言意图）RAG崛起，量子鲁棒和自进化技术实现>99%准确率，华为、DeepSeek等引领全球创新。截至202
摘要： 2015-2025年，多模态大语言模型（MLLM）从单模态孤岛跃升至万亿级具身智能系统。2015-2018年以VQA手工对齐为主，参数规模百万级；2019-2022年CLIP革命推动对比学习与融合预训练，实现零样本分类；2023-2025年进入VLA端到端自进化时代，华为、阿里等中国厂商主导十万亿级模型研发，零样本泛化率超99%，赋能智驾、机器人等实时多模态交互。中国从技术跟随者发展为全球
摘要： 2015至2025年，Agent技术经历了从单一规则脚本到通用智能伙伴的跨越式发展。早期Agent（2015-2018）依赖固定脚本和简单规划，任务单一；2019-2022年强化学习和大模型驱动使其具备多任务能力；2023-2025年多模态VLA（视觉语言动作）Agent实现意图级自进化与量子鲁棒协作，渗透率突破70%。中国从跟随到领跑，小鹏、华为、阿里等推出领先Agent方案，推动人类与
在数字化转型的浪潮中，AI销冠系统成为提升数字员工工作效率的利器。通过先进的AI技术，该系统能够高效进行外呼、客户挖掘，并实现全天候自动操作。企业借助这一系统，不仅能够降低运营成本，还能快速识别和联系潜在客户，从而推动业务增长，实现更高的投资回报率。
摘要： ZeRO（零冗余优化器）从2019年微软开源的内存优化技术，到2025年已发展为支持十万亿参数大模型训练的量子混合框架。十年间，其内存节省从70%提升至99.9%，训练效率增长超1000倍，渗透率达85%以上。中国从初期跟随（华为、DeepSeek）到主导量子ZeRO创新，推动AI从千亿瓶颈迈向实时普惠训练。关键节点包括2020年ZeRO-3支持千亿模型、2023年MoE融合、2025年量
user这套表结构的设计逻辑就是按照如下思路落地的，从基础字典→用户→知识点→试题→试卷→考试→答题→阅卷→统计，形成了完整的闭环业务链路，所有表之间的关联都是通过「主键ID」做精准关联，无任何数据孤岛，所有业务操作都有迹可循、有数据可查，是一套设计规范、贴合业务、具备企业级使用能力的考试系统表结构。
大模型时代，agent的使用已经常态化了，不管是AI coding，还是manus这种通用agent。有些场景，人们希望agent可以一直工作，不要经常停下来，直到完成目标，比较常见的是AI coding。而有些场景，人们希望大模型没有把握的时候，能够问一下人类，这种场景就属于human in the loop，今天介绍下。Human-in-the-Loop（HITL） 指的是一种混合的 AI 系
生成式AI的普及使生成式引擎优化(GEO)成为企业战略核心。GEO战略需从内容重构、技术建设、组织变革三方面布局：将内容重组为结构化数据、专业知识库等多层次认知资产；构建包含数据采集、语义分析等模块的技术栈；建立跨职能融合团队。实施路径包括生态测绘、知识图谱构建、平台差异化策略等五个步骤。不同行业需定制GEO方案，同时需防范过度优化、算法依赖等风险。未来GEO将向主动教育AI、生态共建方向演进，成
斯坦福大学与SambaNova联合推出的ACE框架解决了智能体开发中上下文坍缩和简洁性偏差两大痛点。该框架通过生成-反思-整理三大组件形成闭环，将静态提示词升级为动态演化式操作手册，实现增量更新避免信息丢失。测试显示，基于开源模型的ACE性能媲美GPT-4.1，适配延迟降低86.9%，令牌成本减少83.6%，为开发者提供了一种低成本、高效能的智能体自改进方案。
8、第8层：AI 智能体编排层使 AI 智能体能够执行工作流、与其他 AI 智能体交互，并在工具和环境中进行协调。包括 Spring AI Alibaba、LangGraph、Autogen、LlamaIndex、Swarm、Eino 等。9、第九层：AI 智能体认证层处理 AI 智能体在可信生态系统内的安全身份、访问控制和基于角色的权限。包括 AWS AgentCore Identity、Azu
本文揭示了大模型Agent落地的认知误区：过度堆砌信息、工具与流程反而会导致性能下滑。作者提出"减法艺术"理念，从信息、工具、流程三个维度优化，介绍了RAG精准检索、工具动态装载、上下文隔离等六大减法动作，并构建了最小可行架构。通过文件系统支撑外部存储，解决Token冗余、信息过载等痛点，实现"Less, but better"的Agent落地策略。
Mem0长期记忆系统解决大语言模型(LLM)的"记忆缺陷"问题，通过动态提取、整合和检索对话关键信息，赋予AI可靠长期记忆能力。Mem0基于向量数据库，Mem0-g基于知识图谱，两者在LOCOMO评测中表现出色，实现了效率与效果的最佳平衡，比传统RAG和全上下文方法更高效、成本更低，为构建更可靠、高效的AI智能体提供了新思路。
2026年企业级AI Agent将迎来规模化应用拐点，四大核心技术趋势包括：MCP构建统一连接层实现大模型与外部工具安全连接；GraphRAG融合知识图谱确保知识响应一致性；AgentDevOps保障AI Agent行为质量与可靠性；RaaS让客户为业务成果付费而非软件访问权限。企业需从连接协议、知识口径、观测治理、结算口径四大维度构建可落地AI Agent，实现从通用能力到岗位专家的跃迁。
文章解析了大型语言模型(LLM)的训练范式，对比了传统监督训练与GPT自监督预训练的区别，详细介绍了下一个词元预测、交叉熵损失等核心机制，以及人类在对齐阶段的关键作用。最后以DeepSeek R1为例，展示了纯强化学习、拒绝采样SFT等创新训练策略，以及MoE架构如何实现高效推理，为开发者提供了LLM训练的全面理解和技术参考。
文章介绍了使用Spring AI和Super-SQL框架实现自然语言转SQL的实战经验，分享了从项目配置到训练AI理解表结构的完整流程。通过RAG技术，Super-SQL将通用AI转变为"懂数据库的AI"，提高了SQL生成的准确性。虽然存在Token限制等问题，但这种将AI与项目深度耦合的思路代表了未来发展方向。
摘要：本文探讨AI技术在PCB设计领域的应用，通过构建"需求解析-智能设计-深度校验"三大技术闭环，实现90%以上传统工程师核心画图职能的自动化覆盖。以3×3 LED矩阵设计为例，AI方案较人工设计效率提升86%，缺陷率降低80%以上，年成本减少75%-88%。研究表明，AI凭借自然语言理解、端到端自主决策等技术优势，可有效解决传统PCB行业效率低、精度差、成本高等痛点，推动行
【简历模板选择终极指南】面对6.2秒ATS扫描和15秒HR浏览的残酷筛选，本文提供高效决策框架：1）核心诉求是解决机器筛选与人工审核双重挑战；2）专业简历工具需满足格式兼容性、内容引导性、岗位匹配度三重标准；3）根据求职者身份（应届生/职场人/资深人士）提供定制化选择策略；4）详解主流平台优劣势，如100分简历的AI优化、Canva的视觉设计等；5）给出90分钟快速产出专业简历的四步行动清单。选择
当前AI coding领域里面，最强的应该是claude code了，但是它并不开源，妨碍了人们对它的理解和使用。当前比较火的，开源的，和claude code很像的是opencode，今天简要介绍下。和claude code类似，本质上其是一个ai agent，用于代码提效。OpenCode Agents 是一套用于构建自主化、多阶段、可恢复（self-healing）的文档生成 / 代码自动化
文章介绍"逆向提示"技巧：先给AI满意成品，让其反推提示词模板。五步操作（找内容→给模型→要提示词→复制模板→替换主题）可稳定提升输出质量。适用于社媒文案、产品描述等多种场景，用认可内容作"标尺"让AI识别模式，减少猜测，增加确定性。简单却高效，让小白也能快速掌握AI使用技巧。
文章介绍了作者构建的AI新闻自动收集与处理系统，通过n8n工作流实现从RSS抓取、内容清洗、Markdown结构化到本地WeKnora知识库入库的全流程自动化。该系统解决了AI内容创作者信息收集整理耗时问题，将创作者从"找信息"的苦力中解放出来，专注于内容分析与观点输出。
Go语言并发编程提倡使用channel通信而非共享内存。sync包提供了并发安全机制，包括WaitGroup、Once和Lock。WaitGroup通过计数器实现goroutine同步；Once确保延迟初始化仅执行一次；互斥锁Mutex保证共享资源访问安全，读写锁RWMutex优化读多写少场景。这些工具有效解决了并发安全问题，是Go并发编程的重要组件。
文章阐述了大模型Agent的三重觉醒：Tool打破封闭边界，通过工具连接真实世界；Plan/Reason引入深度推理，从直觉思考转向系统分析；Memory建立多层次记忆，实现在线学习和个性化服务。三者结合使LLM从静态工具转变为能够感知、规划、行动、学习的主动存在，未来将形成协作网络和集体智能，开启AI新时代。
MiroThinker采用单智能体ReAct框架，以“思考（T）-行动（A）-观察（O）”三元组构成交互轨迹，形成迭代循环。图左侧三大工具：执行环境（执行Shell命令和Python代码等）、文件管理、信息检索：包含谷歌搜索工具（返回结构化结果）和网页抓取工具（结合轻量LLM提取任务相关信息）。
ArkTS 虽然有 AOT 加持，但本质上还是基于对象的动态语言模型。海量循环（如：图像像素级遍历）。指针操作（如：内存直接拷贝）。复用现成库（如：FFmpeg, OpenCV, OpenSSL）。这时候，强行用 ArkTS 写，不仅慢，还可能导致 UI 线程卡死（ANR）。Napi就是鸿蒙系统提供的原生桥接接口，它基于标准的 Node-API 规范，让 JS/TS 与 C++ 的交互比当年的 J
对于 双变量问题，例如两数之和 ai + aj = t，可以枚举右边的 aj，转换成 单变量问题，也就是在 aj左边查找是否有 ai = t − aj，这可以用哈希表维护。我把这个技巧叫做 枚举右，维护左。
1123456789│ 逆向分析流程 ││ 抓包定位 → 函数分析 → 定位 VM 入口 ││ ↓ ││ AST 解混淆 → 提取字节码 → 构建操作码 ││ ↓ ││ 反编译 → 函数分割 → 算法还原 → Python 实现 │。
RAG技术的核心功能是将外部知识库与生成模型无缝融合，使 AI 在回答问题时能够：1)精准定位相关知识片段；2)基于可靠来源生成回答；3)自动引用知识出处。这种机制在客服问答、技术支持、法规查询等场景中表现尤为突出。例如，当用户询问“如何申请退货”时，RAG系统会先检索商品流转流程知识库，然后基于检索到的内容生成步骤清晰的回答。DeepSearch在RAG基础上实现了检索-推理协同优化，专为处理复
摘要：本文系统阐述OCR技术在物流分拣中的测试方法论，涵盖单元测试、集成测试及性能测试等分层策略。针对包裹表面污损、光照不均等实际场景，提出基于AI的数据驱动测试方案，强调需达到>99%识别准确率和<100ms处理速度的SLA标准。文章指出最佳实践包括多样化数据集构建和DevOps持续集成，同时警示忽视环境变量等常见陷阱。通过结构化测试方法可显著提升系统可靠性，未来趋势将结合量子计算和
文章详细介绍了大模型入门的四大方向(数据、平台、应用、部署)及适合人群，新人常见误区，以及从认知期到项目打磨的三阶段学习路线。强调大模型不仅需要算法调优，更需要工程落地能力，建议新手根据自身背景选择适合的切入点，通过实战项目积累经验，实现从零到就业的转型。
算法
——算法
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
2048 AI社区
上海城市开发者社区
人工智能6S服务平台
