登录社区云，与社区用户共同成长
邀请您加入社区
在正式进入AI运维Agent的世界之前，我们必须先搞清楚几个最核心、最容易混淆的概念——我会用**“医院看病”这个大家最熟悉的生活化场景来做类比，因为传统运维、DevOps、AIOps、AI运维Agent的关系，和传统诊所看病→社区医院全科诊疗→三甲医院MDT（多学科协作）诊疗→家庭医生+智能体检仪+AI辅助诊断机器人的全流程智能健康管理系统**的关系，几乎是一模一样的。
Integrated Tactile Sensor Smart Foot Sole Design and Perception Research for Robots Authors: Chen Weidong, Chen Baolong | RobotSole RobotSo… —— RobotSole 机器人足底技术Integrated Tactile Sensor Smart Foot
从个人提效工具到组织级AI办公智能体，从技术验证到规模化交付，金山办公正在用WPS Comate重新定义AI办公的行业标准。百城赋能计划的启动，标志着这一领导地位从产品能力向产业生态的全面延伸。
在多轮对话系统中，每一轮交互都会将新的用户输入、模型回复、工具调用结果追加到消息列表中。工具返回膨胀：RAG检索、数据库查询等工具可能返回数千字符的长文本，直接注入上下文会瞬间吃掉大量Token预算。历史消息堆积：每轮对话至少包含用户消息+助手消息，若涉及工具调用还需追加和多条，10轮后消息列表可达30条以上。无效信息污染：安全拦截、意图拒绝等系统回复若进入历史，会干扰后续轮次的模型判断，形成"错
Ascend C算子开发（入门）笔记，包含 算子基本概念；Tensor、Shape、Format 与 Axis；算子运行演示；算子开发的问题与挑战；CANN 与 Ascend C；昇腾 AI 处理器架构；Ascend C 的特点；Host 与 Device；核函数；Hello World 算子实现；完整核函数实现；算子开发环境部署概述；CPU 上部署开发环境；香橙派上部署开发及运行环境；华为云 M
总结Codex等AI工具为前端开发带来的效率革命，强调人机协同、拥抱变化的重要性，并鼓励读者开始实践。
该技术方案通过端云协同，将大模型的复杂推理能力与端侧的实时操作能力结合，实现了自然语言到安卓App（特别是小红书、抖音等媒体平台）自动化内容生成与操作的无缝衔接。
工具调用，是大模型为弥补自身缺陷诞生的核心技术。原生大模型存在知识滞后、计算不准、无法与现实世界交互三大短板。而市面上的豆包、ChatGPT、千问等AI应用，通过封装 Tool Calling 能力，让大模型可以智能调用外部工具，获取实时信息、精准运算、操控外部系统，极大拓展了大模型的落地能力。其中 Function Calling 是早期狭义的函数调用，Tool Calling 是现在通用的广义
今年WRC现场，这种变化格外明显，很多企业开始减少单纯展示机器人本体，而是把更多内容放在应用方案上，机器人如何进入工厂，如何连接系统，如何长期运行，成为展台上的重要信息。更灵活的机械结构，更精准的控制系统，更强的运动能力，决定了产品的竞争力，当机器人进入更多场景，单台设备的能力只是基础，更大的挑战在于，如何让大量机器人稳定运行。机器人进入工厂，需要适应具体环境，进入仓库，需要理解不同货物和流程，进
Z-Image是一个强大的、高效的图像生成模型，具有 6B 参数。目前有三个变体：Z-Image-Turbo – Z-Image 的精简版，仅用 8 NFEs（函数评估次数）就能与领先竞争对手匹敌或超越。它在企业级 H800 GPU 上提供 ⚡️亚秒级推理延迟⚡️，并且可以在 16G 显存的消费设备上轻松运行。它擅长生成逼真的图像、双语文本渲染（英文和中文），并具有强大的指令遵循能力。Z-Imag
踩过5个AI论文工具的坑后，我终于搞懂毕业之家到底适合谁了 2026年了，还在以为AI写论文就是"输入题目一键出全文"？醒醒吧兄弟。 这两年高校"查重+AIGC检测"双检并行，我身边至少有三个同学因为AI痕迹过重被打回重写。选工具这事儿，真不是功能越多越好，而是得 精准匹配你的痛点 。 作为一个刚熬过毕业季、前前后后试用过PaperRed、笔捷AI、毕业之家、ChatGPT等五六款工具的过来人，今
OpenAI 可能正在偷偷测自己的下一代生图模型。继之后，又一个代号的匿名图像模型近日出现在盲测平台 Arena。X 上一堆测试者晒图开测，普遍认为该匿名模型就是「GPT Image 2.5」。而且线索不止一条。追踪模型上新的 Lumina 称，自己的 tracker 捕捉到了这个代号，结合此前的和 ChatGPT 内部 A/B 测试，推测它是 OpenAI 新图像模型的一个 checkpoint
宇树上市带火人形机器人，传感器选型该怎么做？IMU、视觉、力觉三类传感器怎么配，用数字FAE先拆需求再匹配的思路讲清楚。数字FAE｜人形机器人｜传感器选型｜具身智能｜IMU
VLA 之所以被称为具身智能的"范式革命"，是因为它从根本上改变了机器人智能的实现方式。我们用一个对比来直观感受。维度传统模块化方案VLA 端到端方案架构感知→规划→控制，多模块接力一个模型端到端泛化能力弱，新场景需重新调参强，零样本/少样本泛化可解释性强，每个模块可独立分析弱，黑盒模型安全性易保证，可在规划层设硬约束难保证，需额外安全层实时性好，模块轻量、延迟低挑战，大模型推理慢开发成本高，需多
最佳实践：每次会议结束后，skill 自动抽取行动项、提取关键词、建立倒排索引，让会议从"一次性事件"变成"可检索的知识节点"。
这篇文章介绍了QCU（Quick Computer Use）框架如何通过直接访问系统可达性树（Accessibility Tree）实现毫秒级计算机操作，相比传统视觉识别方法有数量级的速度提升。主要内容包括： 性能对比：QCU在web和桌面操作中实现64-337ms的响应速度，而视觉流派方法需要3-6秒 技术原理：QCU直接读取操作系统维护的可达性树结构，避免了视觉方法所需的截图、上传和推理过程
核心概念一句话总结mmapDRAM 分配方式，支持跨进程零拷贝共享和大页GPU D2H 的叉车队，页锁定内存池化复用，带宽提升约 10–100 倍io_uringO_DIRECTSSD 读写的高速传送带，绕过页缓存，批量提交/完成远程 SSD 的直达专线，绕过内核，RDMA 直连让 DRAM 可被 RDMA 访问，注册到网卡获取“门牌号”多硬件适配层，一套代码支持 NVIDIA / AMD / 昇
Coze（中文名：扣子）是字节跳动推出的一站式零代码 / 低代码 AI 智能体开发平台。常被称为"字节版 GPTs"——但两者定位不同：GPTs 偏向对话封装，Coze 2.5 定位更接近完整的 Agent 协作平台（独立数字身份、云设备、长期记忆、多 Agent 协作）。先区分两个易混概念扣子 AI：面向普通用户的对话产品，用于日常问答、日程管理、收发邮件、文件处理（相当于一个 AI 助手）；扣
Agent不再编答案了——查证纪律统一注入，交叉确认最多一次，单点检索预算封顶，找不到就承认找不到。同时外部工具接入闭环，执行图更短，会话重开更稳。系统开始变得诚实。
可以通过修改"文艺": "文字优美，富有诗意...","幽默": "语言轻松活泼...","深度": "深入思考旅行的意义...","简洁": "语言简洁明了...","古风": "使用文言文或古风语言，富有古典韵味...","科技感": "使用现代科技词汇，突出数字化体验..."兄弟们，咱们的AI旅游札记生成应用终于搞定啦！基于TRAE Builder+MCP服务和VibeCoding技术，咱们
月 20 日 OpenAI 以 Apache-2.0 协议开源驱动其编程智能体 Codex 的底层执行框架 Harness。它开源的并不是模型权重，而是让 Agent「能干活」的那套执行系统：codex exec、Codex SDK、app-server 三大组件。官方数据显示，仅靠「保留推理 + 上下文压缩」两项调整，GPT-5.6 Sol 在 ARC-AGI-3 基准上的得分从 13.3% 提
一个越来越明显的现象是：具身智能行业正在把此前遥远的“通用机器人”时间表，压缩到未来一个技术周期之内。
先说一个反直觉的事：大模型自己根本不会干活。你让它"帮我修这个 bug"，它不会真的去翻代码、跑测试、改文件。它只会做一件事——吐字。一个字一个字往外蹦。那Codex 是怎么做到"真的去干活"的？秘密就在一个叫 Harness 的东西里。今天我就把它拆开给你看。
最近升级Codex到 0.149.0的朋友，如果碰到 API_KEY_REQUIRED或401 Unauthorized，先别急着换 key，这不是key的问题。原因：新版有个行为变更，自定义Provider在requires_openai_auth = false时，不再自动继承auth.json 里的鉴权信息了。一句话总结：升级0.149.0后 401，把config.toml里的 requi
Product Hunt 每日热榜 | 2026-08-21 解决会议软件中的三个最大痛点：隐私、摩擦和成本。通过将语音转文字的处理完全在设备上进行，您的机密讨论内容永远不会离开您的硬件，从而确保数据的绝对隐私。该系统以隐形方式运行，不会在与会者名单中添加尴尬的机器人，而是直接捕捉 Zoom、Google Meet 和 Microsoft Teams 的系统音频。
普通 ROS 2 节点通常在进程启动后就立即开始发布、订阅或执行控制逻辑。对于传感器驱动、底盘驱动和导航等模块，这种模式不利于控制初始化顺序和故障恢复。生命周期节点（LifecycleNode）将节点的工作过程拆分为多个可控阶段：先创建节点、再初始化资源、确认准备完成后激活业务；需要停机或恢复时，也可以先停止业务再释放资源。这套机制适合 IMU、雷达、底盘、定位、导航等有明确启动依赖的机器人模块。
本地网络正常、API 密钥有效，但任务频繁抛出 429 Too Many Requests 报错，直接强制终止运行。很多人会误以为是软件故障，反复重启客户端、重新配置密钥、手动重启任务，极大浪费开发时间。本质上，该问题是AI客户端高频请求，触发模型服务商访问频率限制导致的正常风控机制。尤其对于通宵挂机、无人值守的长周期开发任务，单次429报错就会导致全程任务停滞，无法自动续跑，严重影响开发迭代效率
掌握用GitHub Copilot/Codex赋能CAD与FreeCAD的全流程自动化：从智能建模、参数化设计到一键导出STEP/STL，提升机械设计效率300%！
战略维度核心内容端侧优先Gemini Nano 3 嵌入系统底层，开放离线 AI 能力给第三方，强调隐私与低延迟分层抽象ML Kit（易用）→ LiteRT（定制）→ AICore（底层），降低 AI 开发门槛Agent 原生从代码生成转向代码执行，AI Studio + Antigravity + Managed Agents 实现端到端自动化端云一体Firebase AI 作为云端统一入口，与
SEO管的是“怎么让搜索引擎看到你”，GEO管的则是另一件事："怎么让豆包、DeepSeek、ChatGPT这类大模型，在回答问题时主动引用你、推荐你。排第二的千问是1.67亿，第三的DeepSeek是1.30亿——头部之间的差距，不是一两步，是断崖。反过来，要是AI每次回答都带上你，用户连比价都不用，直接就信了你了——"这种“零点击”的信任，比任何广告都值钱。万迹AI-GEO，做的就是这件事——
当被整合进一套连贯的物理 AI 架构——与自主移动机器人、机器视觉系统、预测性维护平台和工业物联网并存——时，人形机器人反而能够成为强大的力量倍增器，延展既有自动化技术的触达范围。期望应保持现实：当前人形平台在已映射环境中的结构化、重复性任务上表现可靠，而精细的灵巧操作与完全自主的决策仍在演进之中。它们进入工业环境的路径将经由具体、界定明确的任务——而尽早识别这些任务的运营商，将建立起有意义的经验
在智能汽车时代，速度与创新的竞争，本质上是数据效率的竞争。
沙特阿拉伯的“2030愿景”与阿联酋的“第四次工业革命战略”将机器人与AI列为经济多元化的优先事项。沙特与迪拜的项目充当着“活体实验室”，将人形机器人融入城市基础设施、物流与公共服务，作为真实世界部署的大规模试验场。来自主权财富基金与政府支持的加速器的大量投资，正为本地研发注入动力、扶持初创企业，并吸引全球技术领军者设立区域中心。随着能力成熟，中东不仅能满足国内需求，还能向非洲与南亚出口机器人解决
围绕“支持历史工程导入并沉淀原型、文档、代码和测试知识资产的AI研发平台推荐”这个搜索意图，麦芽 AI 更适合被理解为企业研发协同平台候选，而不是单纯 Coding Agent。Cursor、Codex、GitHub Copilot各自都有强项，但企业若要解决的是需求、文档、代码、测试和历史知识之间的长期断层，就必须把“跨环节连续性”放进选型标准。老项目最难的地方不是“没有文件”，而是文件、代码、
医疗影像是YOLO落地价值非常高的垂直领域，但也是对细节要求最苛刻的场景之一。从窗宽窗位的调整、锚框的重新聚类，到小目标检测层的添加、损失函数的优化，再到后处理的先验过滤，每一个细节都在影响最终的临床效果。它考验的不只是算法能力，更是对医疗场景的理解和对细节的把控。不要指望拿通用模型改改输入就能达到临床可用，沉下心把数据处理好、把结构改到位、把训练策略做扎实，一步一步优化，才能真正做出有实用价值的
FlagOS开放计算全球大赛第二赛季正式启动，聚焦AI芯片算子优化难题。赛道一围绕SGLang框架算子性能优化，设置200+真实推理场景赛题，采用游戏化“高地争夺”机制，开发者需通过Triton语言实现跨芯片高性能算子。比赛设置三大奖项，优胜代码将开源并应用于实际生产。赛事面向全球开发者开放团队报名，通过多芯片统一评测选拔优秀方案，旨在推动大模型推理技术的产业化落地。
强化学习之Q-learning算法详解与应用：https://blog.xupengit.top/index.php/20171218/cid=57.html
强化学习教程（十）
在表中建模要素的基础上，MDP按如下方式进行组织：智能体对初始环境进行感知，按策略实施动作，环境受动作影响进入新的状态，并反馈给智能体一个奖励。随后智能体基于采取新的策略，与环境持续交互。MDP的图模型包含状态节点和动作节点，状态到动作的边由策略定义，动作到状态的边由环境动力项（参见求解部分）定义。的模拟中，智能体会感知当前的系统状态，按策略对环境实施动作，从而改变环境的状态并得到奖励，奖励随时间
该技术通过惯性传感器与先进分析软件的结合，能够实时捕捉人体的精细动作，如肢体摆动、姿态变化等，并将这些动作转化为数字信号，为后续处理和分析奠定基础。AI训练是家用机器人实现智能化的关键。例如，当家庭成员需要家务协助时，机器人能通过学习家庭成员的动作习惯，以更高效、舒适的方式完成任务。随着技术的不断进步和应用场景的拓展，家用机器人将成为更加智能、贴心的家庭助手，为我们的生活带来更多便利与乐趣。在这一
Token是大模型处理文本的基本单位，可以理解为"字"或"词"。换算关系1个英文字符 ≈ 0.3个Token1个中文字符 ≈ 0.6个Token举例原文："我爱学习AI"Token化：["我", "爱", "学习", "AI"]Token数量：约4个。
本文深入探讨了具身智能（Embodied AI）发展的核心框架，即本体、智能体与数据三大支柱的协同进化机制。文章分析了作为物理载体的本体如何定义能力边界，作为决策核心的智能体如何从专用程序走向通用模型驱动，以及多模态交互数据如何作为关键燃料驱动系统迭代。三者通过数据闭环、需求反哺与平台适配，共同推动具身智能应对仿真到现实的迁移、数据稀缺等挑战，最终迈向能在开放世界中自主学习的通用智能体。
参考文献：[1]《强化学习》,邹伟,等.（鳄鱼书）随机策略梯度（其实这一部分我没看懂，整理下来还是乱，但愿有懂的大神愿意教教我）策略梯度的优点：1.适用于连续动作空间场景；2.策略搜索方法具有更好的收敛性；2.策略搜索方法更简单；3.策略搜索方法可以学到随机策略。只有针对状态可完美观测或使用的特征可以完美描述状态的情况，才有对于任何MDP总有一个确定性策略当发生状态崇明无法区分或使用的近似函数里描
当AI模型步入十万亿参数时代，通信效率的毫秒级优化等同于算力翻倍。GPUDirect RDMA不仅是一项技术优化，更代表着从“以计算为中心”到“数据流为中心”的范式转移。拓扑感知：理解硬件拓扑实现传输路径最短化动态适配：根据网络状态实时调整传输策略安全内生：构建不牺牲性能的加密通道最终性能法则：当通信延迟逼近硬件极限时，算法重构的价值远超技术调优——因为最好的通信是无需通信。
以井字棋案例，讲解自己对于马尔可夫决策过程（MDP）的理解
自动驾驶运动控制算法十年演进（2015-2025）摘要 自动驾驶运动控制算法经历了从基础辅助到高阶智能的跨越式发展。2015-2017年，经典PID控制主导L0-L1辅助驾驶，海外Tier1垄断市场；2018-2020年，线性MPC实现横纵一体化控制，国产厂商突破技术壁垒；2021-2023年，非线性智能控制算法支持城市NOA复杂场景，国产方案实现反超；2024-2025年，端到端大模型原生控制将
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
DAMO开发者矩阵
葡萄城开发者空间
人工智能6S服务平台
AtomGit AI 社区
EazyDevelop社区
openEuler 社区
2048 AI社区
FlagOS智算系统软件栈
天工造物局
