登录社区云，与社区用户共同成长
邀请您加入社区
1975—1982年，曼德博正式确立分形（Fractal）理论，定义标度不变性、自相似性与分数维数，将19世纪零散的“病态数学曲线”统一为全新自然几何体系，提出著名命题：云非球、山非锥、海岸线非直线，自然的本质语言是分形。欧式几何建立在平直、光滑、整数维、可微、可规整分割的人工理想空间之上，适用于描述人造规则形体。但真实自然、生命结构、湍流系统、宇宙大尺度结构、人类语言语义、智能演化过程，普遍具有
当软件操作者从人扩展到 Agent，CLI 不再只是给工程师用的老工具，它可能成为 Agent 调用外部世界的高效入口。而MCP的标准化能力仍在特定场景发挥作用
AI 导出鸭打造了全方位无死角的全终端产品使用生态体系，能够一站式完美解决Grok输出内容符号杂乱、排版错乱、导出不便等所有使用痛点，全方位适配不同用户、不同设备、不同场景下的使用需求。浏览器插件层面，全面主流适配Edge、Chrome、360浏览器、火狐浏览器、Safari五大常用浏览器，安装插件后可在浏览器端快速完成内容抓取、符号清理与一键导出；移动端产品包含微信小程序，无需下载安装即可快速使
ToolMapping(description = "根据订单 ID 查询订单状态")public String getOrderStatus(@Param(description = "订单 ID") String orderId) {// 模拟数据库查询return "订单 ORD-1001：已发货，预计 7 月 7 日送达";return "订单 ORD-1002：待处理，付款未确认";re
腾讯云EdgeOne Makers上线，帮助开发者快速搭建AI Agent。该平台提供模型接入、运行环境、数据记忆等功能，无需复杂配置即可部署AI应用。通过OpenAI模板创建项目后，自动部署代码仓库（如GitHub），生成可访问的域名。平台默认提供3个模型和50万免费Token，通过活动可再领50万Token。EdgeOne Makers支持AI客服、知识库问答等多样化应用，简化AI功能集成流程
本文系统介绍了机器学习的五大核心类型及其应用场景：1. 监督学习（分类/回归）使用标记数据预测结果，适用于图像识别、金融预测等场景；2. 无监督学习（聚类/降维）通过未标记数据发现隐藏模式，常用于用户细分和异常检测；3. 强化学习通过奖惩机制训练智能体，在游戏AI和自动驾驶领域表现突出；4. 半监督学习结合少量标记与大量未标记数据，有效降低医疗影像等领域的标注成本；5. 自监督学习利用数据自生成标
其次是“做硬装装设施”，也就是后端开发。用户打开APP看到的所有页面、按钮、图片，都属于前端，相当于房子的墙面、门窗、布局，负责和用户直接交互，用户点击按钮、滑动页面，都是前端在响应，核心是让界面好看、操作顺手。APP想要实现支付、定位、消息推送、物联网对接，就需要对接第三方平台接口，相当于房子接通自来水、电网、燃气，让各个功能联动起来，没有接口对接，很多核心功能都无法使用。简单来说，APP开发就
AI导出鸭是一款专为豆包用户设计的Word文档导出工具，解决了传统导出方式存在的格式错乱、操作繁琐、付费门槛等问题。通过结构化文本解析、智能格式渲染和跨端同步技术，AI导出鸭能无损转换豆包生成的复杂文档（含表格/公式），支持全终端免费批量导出。实测数据显示其格式还原率达97.8%，文档制作效率提升6倍。该工具以轻量化、一体化的特点填补了市场空白，尤其适合学生、文员等高频文档处理人群。
Vida是一个轻量级开发工具，旨在解决开发环境配置复杂的问题。它提供隔离的运行环境、动态依赖注入和实时状态监控，适用于教学、原型开发和自动化测试等场景。安装简单，支持主流操作系统，通过配置文件可灵活定制运行参数。典型使用流程包括初始化项目、编写代码和运行调试，其交互式REPL环境和丰富的CLI指令能显著提升开发效率。文章还介绍了常见问题的排查方法，帮助开发者快速上手并解决实际问题。
从零到一实现一个 AI Agent 框架 · 第九篇。
美国国家标准与技术研究院（NIST）是美国商务部下属的非监管机构，成立于1901年，其核心使命是推动计量科学、标准和技术的发展。在人工智能领域，NIST通过制定一系列自愿性的技术框架和指南，帮助组织在AI系统的设计、开发、部署和评估中融入可信赖性考量。编号系列文档类型研究报告（Reports）指南（Guides）建议与规范（Recommendations and Specifications）用例
摘要： 本文详细介绍了OpenClaw工具的安装与使用指南。该工具支持本地数据存储，保障隐私安全，无需编程基础即可通过图形化界面操作，适用于文件整理、数据采集等多元场景。部署前需关闭安全软件以避免拦截，解压时建议使用专业工具（如7-Zip）。安装过程为全自动化，路径需设为纯英文目录。启动后需等待初始化，成功标志为“Gateway在线”。常见问题包括路径非法或服务离线，可通过调整路径或重启解决。未来
6 学习在大多数现有系统中，学习过程在部署前即告结束；此后的行为变更需要外部干预，例如重新训练或重新设计提示词（prompt）。越来越多的研究致力于解决这一局限性，相关概念包括“永无止境的学习”（never-ending learning）[53]、“递归自我改进”（recursive self-improvement）[63] 或“自动研究”（auto research）[42] 等；这些研究利
本文探讨了在大模型时代如何通过零信任架构解决AI Agent的安全隐患。核心思路是将安全防线从应用层下沉到网络层，通过三个关键环节实现：1) 实时鉴权，为每个Agent颁发有限权限的JWT令牌；2) 防攻击限流，防止算力滥用和提示词注入；3) 全链路审计黑盒，记录所有操作并确保不可篡改。这套架构的巧妙之处在于将安全控制置于模型外部，不受模型推理能力影响，即使模型被"越狱"也能有效防护。通过这种"紧
摘要：TVA统一协同进化框架突破传统AI分散迭代模式，构建感知-认知-规划-执行-推理全链路一体化共生体系。通过统一数据标准、状态同步机制和逻辑联动规则，实现模块间数据90%复用率与95%协同率，使局部优化转化为全域能力跃迁，整体迭代效率提升3倍。该框架解决了传统架构中的数据孤岛、逻辑割裂问题，通过"一模块升级-全系统精进"的共生机制，为通用具身智能持续进化提供系统性解决方案。
本文提出TVA全局协同调度中枢体系，从根本上革新具身智能的迭代范式。论文指出传统AI"局部最优"迭代模式导致系统能力失衡、整体僵化，无法满足通用智能需求。TVA体系通过建立全局协同调度机制，以系统整体任务完成质量、场景适配性等为核心指标，实现感知、认知、执行等模块的动态权重调配与同步优化。该系统具备实时状态监控、动态权重调整能力，确保各模块均衡进化，最终实现具身智能在协同能力、
《TVA协同进化机制：突破具身智能迭代瓶颈的范式革命》 摘要：传统具身智能因模块隔离与异步迭代陷入能力僵化困境，TVA系统通过多模块动态协同机理实现范式突破。其创新性体现在：1）构建感知-认知-规划-执行-推理全域协同框架，取代静态模块化架构；2）建立全链路实时同步机制，任一模块升级触发关联模块自适应迭代；3）实现动态场景适配，协同权重可随环境需求自主调整。实测数据显示，该系统使模块响应速度提升8
本文探讨了TVA多智能体系统的群体智能涌现机制。基于Transformer架构的分布式注意力机制实现了高效协同，通过潜空间特征向量通信和动态拓扑管理降低带宽需求。系统采用分布式拍卖机制和意图预测实现任务分配与冲突消解，并引入联邦进化实现知识共享。研究表明，异构智能体间的知识蒸馏能产生"1+1>2"的系统级智慧，在大规模复杂任务中展现出超越单体智能的适应能力。这种分布式进化
大模型（LLM）很厉害，能写诗、能编程、能跟你聊天。它记不住东西—— 上周你跟它说过的事，这周它全忘了。因为 LLM 是stateless的，每次调用都是全新的开始。它不会动手—— 你让它"帮我查一下这个网页"，它只能告诉你"你可以用 requests 库这样做……"，但它自己干不了。它不知道你的内部信息—— 你公司内部的文档、代码库、业务数据，LLM 的预训练数据里可没有。它的知识有截止日期——
摘要：本文探讨TVA架构如何通过Transformer实现视觉物理推理的革命性突破。传统视觉模型仅能识别像素特征，而TVA利用注意力机制从视频流中解码物体永续性、材质属性等物理先验，构建可预测运动轨迹和交互结果的世界模型。该架构融合多模态数据，在潜在空间模拟物理规律，使智能体具备遮挡推理、反事实推演等能力，为具身智能提供基于物理常识的决策基础，标志着AI从"特征识别"向&quo
TVA通过"监控-识别-修正-反馈"闭环机制赋予具身智能自主进化能力。该系统实现全时空环境监控、分层偏差识别、三级反馈修正，使机器人能实时调整动作、优化策略并积累经验。区别于传统开环系统，TVA让机器人在执行中持续学习，如智能仓储场景通过迭代不断提升分拣效率。这一机制解决了非结构化环境适应难题，推动机器人从被动执行向自主进化转变，为开放场景应用奠定基础。
本文提出了一种基于Transformer的视觉智能体进化框架。该系统通过递归式自我监控架构实现认知过程实时评估，结合不确定性量化触发主动学习，并利用世界模型进行因果反事实推理。核心创新在于"预测-惊奇-修正"闭环机制，使智能体能在无标注环境中自主提炼物理规律，完成从专用工具到自主智能体的质变。文章详细阐述了贝叶斯深度学习与注意力机制融合的不确定性评估方法，以及在潜空间进行物理模
摘要： 本文探讨了具身通用智能（Embodied AGI）的核心挑战——语义与物理世界的割裂，并提出TVA系统的四级分层映射体系（语义解析→物理校准→实景感知→参数量化）。通过Transformer的跨模态对齐能力，TVA将抽象指令逐层转化为精确物理动作：语义解析层拆解任务并注入物理约束；物理校准层利用仿真预演过滤大模型“幻觉”；实景感知层融合多模态数据实现动态闭环；参数量化层将动作编码为可执行控
本文提出了一种基于Transformer的4D视觉感知系统TVA，突破了传统2D视觉的局限。通过时序视觉Transformer和动态4D重建技术，TVA实现了从单目视频到高精度时空场景的实时重构。系统采用统一架构集成感知任务，利用时空查询机制和并行计算显著提升性能，在遮挡、高速运动等复杂场景下仍能精确追踪目标。关键技术包括全局场景表征、瞬时云重建和局部上下文增强，使机器人具备对物理世界的连续时空理
AI技术密集爆发与产业融合（2026年7月关键进展） 技术突破：通用大模型领域，腾讯混元Hy3（MoE架构）、Claude系列（J-space神经发现）、GPT-5.6（多层级版本）等竞相迭代，性能与成本优势显著；垂直模型如OpenScience科研工具、MMAT数学智能体等加速专业化；3D生成、机器人操作、算法优化（如SeKV显存优化）等技术取得实质进展。 产业落地：国内政策规范与商业化并行，腾
本文提出基于Transformer视觉智能体(TVA)的具身协同进化系统，为通用人工智能(AGI)在物理世界的实现提供新范式。TVA作为连接语义空间与物理空间的"通用编译器"，通过统一表征空间实现跨模态对齐，并具备物理参数推断能力。系统采用算法-本体-环境三元协同进化模型，支持动态场景下的自适应优化。架构包含语义解析、物理校准、实景感知和参数量化四层，形成从认知到执行的闭环。尽
摘要：OpenClaw本地自动化办公工具部署指南 OpenClaw是一款支持离线运行的办公自动化工具，具备数据安全、零代码操作、多系统适配等核心能力，覆盖文件分类、邮件发送、表格处理等高频场景。部署前需关闭安全软件（如360、Defender），避免拦截底层接口调用。 部署步骤： 下载压缩包并使用WinRAR/7-Zip解压至纯英文路径； 双击启动程序，绕过Windows安全警告； 选择英文安装目
火山引擎上线 Supabase AI 原生数据库平台与 AgentPlan 订阅服务。前者基于 Serverless PostgreSQL，兼具企业级 BaaS 与 AI 能力；后者融合多模态模型，覆盖多开发场景，多渠道可管理实例，借助 Skills 高效开发部署应用。
过去企业用 AI，很多时候停留在“问一下、写一段、总结一下”。这类使用有价值，但它并没有真正改变工作流。最近一段时间，AI Agent 的行业叙事明显变了。OpenAI 把 agentic AI 描述为从单次互动走向可委派的长周期任务；Anthropic 在 Claude Sonnet 5 中强调计划、浏览器、终端和自主执行能力；Google Cloud 的 Gemini Enterprise A
2026-07-07 几个月前我在重构一个项目的代码结构——把一个大函数拆成几个小函数，改掉那些反模式的命名，加上类型注解。同事问我在干嘛，我说「给 AI 收拾房间，代码整洁了 AI Agent 修 bug 才找得对地方」。 这话听起来有道理对吧？ 整洁的代码更容易理解，更容易修改——这个假设在人类开发者身上已经被验证过无数次了。但 AI Agent 不是人类，它不看代码「顺不顺眼」，它只看 to
工具调用不是“模型执行函数”，而是一次消息协议 + 图路由 + 本地执行LLM 直接调用了 Python 函数实际上不是。LLM 不会进入你的 Python 进程，也不会真的执行这些函数。Python 函数v@tool 包装成 BaseTool / StructuredToolvcreate_agent() 把工具 schema 绑定给模型v模型返回 AIMessage.tool_callsvLa
如果我告诉你，全球大约每6个人里面，才有1个人真正用过AI问答工具，大约每 333 个人里，才有1个人愿意为AI每月付费 20 美元，大约每2500个人里，才有1个人在使用代码辅助工具（深度使用AI工具）。你会相信吗？说实话，我第一反应也是不信。打开社交媒体，全是ChatGPT、Grok、DeepSeek的讨论。朋友圈里隔三差五就有人晒AI生成的图片。各种科技论坛上，AI相关的话题永远是顶流。我身
读完这篇，你会明白为什么 Claude Code、Cursor、Manus 本质上干的是同一件事💡 先讲个真事。上周我让 ChatGPT 帮我查一下公司上个季度的销售数据。它说：“根据我的知识，建议你去 CRM 系统里查一下。” 我说：“那你倒是查啊！” 它说：“抱歉，我没有访问权限。” 你看，这就是典型的"嘴炮王者"——知道一切，啥也干不了。就像一个考了 CPA 但连 Excel 都不会打开的
星瀚云是一家专注于企业智能化经营能力建设的人工智能科技公司。公司以星瀚云智算平台为算力底座，以 StarClaw 企业 AI 员工平台为企业智能化经营入口，帮助企业把 AI 从零散工具转化为可使用、可管理、可迭代的经营能力。
摘要：本文深入探讨长短期记忆网络（LSTM）在嵌入式边缘设备上的轻量化部署与优化实践。从LSTM门控单元的数学原理出发，系统分析状态缓存机制的设计策略、INT8量化与结构化剪枝的压缩方法，以及算子融合与内存优化的工程技巧。结合STM32、ESP32、RK3588、Jetson等典型边缘平台的性能对比，为工业预测维护、智能传感等场景的端侧AI部署提供完整技术方案。优化维度关键技术效果状态缓存双缓冲
多模态AI实战指南：让AI能看、能听、会说 本文演示如何用Python构建多模态AI应用，整合图片理解（VLM）、语音识别（ASR）和语音合成（TTS）能力： 核心功能 图片理解：用GPT-4o或开源Qwen-VL分析图片内容 语音转文字：Whisper（本地/API）实现高精度语音识别 文字转语音：OpenAI TTS或免费EdgeTTS生成自然语音 技术实现 提供完整代码片段，涵盖图片压缩、语
Agentic AI（智能体人工智能）指的是能够自主规划、决策和执行任务的 AI 系统，而非仅仅响应用户的即时查询。自主规划：能够将高层目标分解为可执行的子任务序列。在文献综述场景中，这意味着模型可以自主规划“检索文献 → 提取摘要 → 分类整理 → 识别主题 → 构建框架 → 撰写综述”的完整工作流。工具使用：能够调用外部工具（浏览器、终端、API 等）来完成任务。在学术写作中，这意味着模型可以
框架一句话定位选它LangChainAI 应用瑞士军刀通用场景、要生产落地LlamaIndex数据检索专家知识库、RAG 问答AutoGen多 Agent 对话引擎代码生成、实验研究CrewAI角色扮演团队内容生产、流程自动化框架只是工具。你对任务的理解、Prompt 的质量、数据准备的充分程度。如果对你有帮助，欢迎在评论区聊聊你用的 Agent 框架。
过去，程序员的价值很大程度体现在 “写代码” 的熟练度、速度和准确率上，从简单的页面开发、接口编写，到重复的业务逻辑实现，这些标准化、流程化的工作，正是 AI 最擅长替代的领域。无论是底层算法研发、操作系统开发、人工智能模型优化，还是网络安全、大数据架构、云原生技术，这些需要长期积累、深度钻研的硬核技术，是 AI 无法轻易覆盖的。从互联网兴起、移动互联网爆发，到如今 AI 高速发展，程序员行业始终
人工智能
——人工智能
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
亚马逊云科技技术品牌专区
MCP技术社区
人工智能6S服务平台
龙虾开发者社区
DAMO开发者矩阵
EazyDevelop社区
openEuler 社区
AtomGit AI 社区
AI硬件创业社区
AI Agent技术社区
