登录社区云，与社区用户共同成长
邀请您加入社区
从上一篇介绍MCP的内容我们可以了解到，MCP让智能体与外部工具的连接更加标准化，智能体能够更加高效、广泛地连接外部数据信息。但是有几个核心问题很难避免。其一，上下文爆炸。为了智能体查询的灵活性，MCP服务器通常会提供丰富的调用工具，其json schema会被载入系统提示词中，在每轮问答都会成为沉重的token负担，导致模型计算成本飙升、推理能力下降。其二，通用智能体领域能力不足，能力复用与扩展
AI Agent = 大语言模型 + 工具调用 + 记忆系统 + 规划能力关键特性理解：自主性：能够独立执行任务反应性：对环境变化做出响应主动性：主动设定并追求目标社会性：与其他Agent或人类协作fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1e
数据流向传统插值逆问题感知损失 + 对抗训练跨模态检索超时保护图像超分原理。
最近两年互联网招人逻辑完全换了赛道：只会写基础业务代码、天天做CRUD的传统开发岗位越来越少，能落地AI大模型、帮公司做业务智能化的技术人，成了各大大厂抢着要的香饽饽。2026年春招市场，大模型相关岗位直接稳居招聘第一位！AI相关岗位数量同比暴涨8.7倍，在所有新经济岗位里占比从2.78%飙升到22.03%，简单说：10个技术岗，2个都是AI大模型岗。头部大厂2026春招全员押注AI，传统岗位持续
本文系统复习了深度学习的基本理论与关键技术，涵盖深度前馈网络、优化方法、卷积神经网络、生成对抗网络与扩散模型、深度学习软硬件平台、循环神经网络以及无监督学习等内容。通过对不同模型结构、训练方法和应用场景的总结，加深了对深度学习算法原理及实际应用的理解，为进一步学习人工智能相关技术奠定基础。
本文通过小海龟仿真器（Turtlesim）生动解释了ROS2的三大核心概念： 节点（Node）与话题（Topic）：节点如同独立器官，话题是单向广播频道，实现异步通信； 服务（Service）：类似办事窗口，支持双向同步请求-响应交互； 坐标变换（TF）：作为"空间翻译官"，管理多坐标系间的实时转换关系。 文中用"发传单"比喻话题通信，"打电话"比喻服务调用，并强调TF是实现机器人导航等复杂功能的
本文探讨了 HarmonyOS 开发中 Context 混用带来的问题，提出了一套基于 ContextScope 的解决方案。文章从工程边界、协议设计、代码封装、异常处理等方面进行阐述，重点解决四个核心问题：能力分层、协议设计、代码复用和异常处理。通过定义稳定的 ContextScope 协议模型，结合启动校验、工厂模式、接收方兜底等机制，实现全局配置、页面入口、扩展能力和文件访问的规范管理。最后
本文针对HarmonyOS应用开发中跨Ability返回结果处理的常见问题（如扫码、授权、文件选择等场景），提出了一套统一的工程化解决方案。通过定义标准协议模型（ResultRequest）集中管理关键字段，采用工厂模式封装参数构造，并在调用前后实施双重校验机制。方案强调异常处理的分层策略（立即兜底/延迟重试/静默忽略），结合生命周期感知的桥接层确保入口可靠性，最后通过典型测试用例验证全流程。该模
两个月不到，从建仓到九万星。这个增长速度意味着什么？做个对比：LangChain 花了差不多一年才到这个量级，AutoGen 用了半年多。Hermes 用了不到八周。社区炸了。Reddit 上 "I switched from OpenClaw to Hermes" 隔几天就冒一条，HN 搜 "hermes agent" 出来 50 多条讨论，国内技术群里也开始传"下一个必学框架"。如果你跟我一样
很多学生花了几百块买了某款软件的会员，结果发现生成的论文根本不能用——要么内容空洞、要么AIGC率爆表。为了帮大家少走弯路，我花了一周时间，对市面上主流的AI写论文软件进行了深度横评，结果让人意外。选对工具，事半功倍。学术级大纲生成、真实文献引用、AIGC去痕黑科技、一站式闭环服务——写作→查重→降重→排版→AIGC检测，全流程在一个平台完成。当前市场上的AI写论文软件大致分为三类：通用型AI助手
1. 导入 PyTorch 核心库# 2. 导入之前自定义的 MNIST 数据集类# 3. 导入之前定义的 CLIP 模型类（包含图像编码器和文本编码器）# 4. 导入 PyTorch 的函数式接口，这里主要用到交叉熵损失函数# 5. 导入数据加载器，用于批量加载数据# 6. 导入操作系统模块，用于文件的重命名（安全保存模型）import os# 7. 设置运行设备：如果有 NVIDIA GPU
这张桌子，四十八年没空过。在中国AI行业，清华大学是绕不过去的名字。月之暗面创始人杨植麟、智谱创始人唐杰、百川智能创始人王小川、面壁智能联合创始人刘知远……不是清华的教授，就是曾经在校就读。在AI的另一条赛道具身智能领域，也有相似的画面，星动纪元创始人陈建宇、加速进化联合创始人赵明国、星海图创始人高继扬、银河通用创始人王鹤……也统统是清华的教授和毕业生。更耐琢磨的，是这些人之间的关系。
这不仅仅是说模型需要成为更好的设计师，而是说模型需要理解这些更深的结构关系 —— 如果公司明天进行品牌重塑，浅层的做法是逐个更新 263 个组件，但深层的理解应该是：这两个看起来不同的东西在语义上是相同的，它们都是列表，都有相同的样式，都传达相同的交互模式。—— 这也跟团队的工作方式有关，因为整个 App 是靠内部「吃自己的狗粮」跑出来的，大家都想尽量在 App 里把事情做完，哪怕它暂时还不是做这
很多人把科研代码阅读想成一件很苦的事：打开仓库，从第一个.py文件开始硬啃。但更高效的方式，往往不是一开始就陷进细节，而是先建立全局视角。今天介绍的三个 Skill，对于刚开始复现论文的人来说，是一条更容易进入状态的学习路线。对于已经读懂基线、准备做改造的人来说，它也能帮助你少走一点“模块乱插、实验乱跑”的弯路。这套 Skills 尚未公开，添加小助理，安装包直接免费发你。👇👇👇读了3天源码
《多模态大模型：打破AI感知边界》摘要：多模态大模型通过融合文本、图像、音频等不同模态的数据，使AI具备类似人类的跨感官理解能力。其核心技术在于跨模态注意力机制和对比学习，实现了"文生图""图生文"等跨域迁移功能。尽管面临数据稀缺、计算效率和多模态幻觉等挑战，该技术已在内容创作、智能交互和医疗诊断等领域展现出应用潜力。未来发展方向包括构建统一模型架构和推动具
实测在 prompt 2k → response 16k 长序列场景下，在昇腾Atlas 900 A3 SuperPoD液冷超节点、Atlas 800 A3风冷超节点等全系列产品训练吞吐从同步方案的 59.3 提升至 226.8，相对提升 3.81 倍，同时保持收敛精度对齐，目前已支持verl框架。相关信息并未经过本网站证实，不对您构成任何投资建议，据此操作，风险自担，以上网页呈现的图片均为自发上
RoboDog 是一个功能强大的 Python 包，专为机器人控制、仿真与自动化任务设计。它提供了简洁的 API 接口，帮助开发者快速构建机器人应用程序，从简单的运动控制到复杂的多机器人协作场景。
RoboCat 是一个基于 Python 的机器人控制与仿真工具包，旨在简化机器人算法开发、仿真测试和实际部署流程。它提供了统一的接口来操作多种机器人平台（如机械臂、移动底盘、无人机等），并集成了运动规划、感知、控制等核心模块。
odin-bot-exchanges 是一个专注于加密货币交易所统一接口封装的 Python 包，旨在为量化交易机器人提供标准化的市场数据获取、订单管理和账户操作能力。
26年6月来自韩国UNIST和首尔大学的论文“Safe Embodied AI for Long-horizon Tasks: A Cross-layer Analysis of Robotic Manipulation”。人们日益期望具身人工智能（Embodied AI）系统能够在物理环境中进行长时程（long-horizon）的推理与行动。这种能力的提升使得安全性问题变得至关重要，因为物理
多Agent和Skill本质属于不同抽象层，不应直接比较。Skill是静态无状态资源，被Agent消费；而多Agent是动态有状态的运行时实例。Skill优势在于低常驻成本、跨平台通用、版本可控、调试简单；多Agent则擅长并行处理、角色分工和复杂决策。实际选择应基于场景需求：自动化流程优先Skill，复杂推理用多Agent编排。现有VOC技能采用Skill架构正确，未来可考虑内部集成多Agent
本文探讨了在Cursor/Anthropic Skills中实现多Agent协作和自定义LLM调用的可行性和优势。作者指出Skill架构天然适合隐藏多Agent系统，因为内部Python脚本运行在隔离环境中，主Agent只看到最终输出。文章分析了作者现有VOC技能中已经隐含的多Agent模式（如Worker Pool、Critic等角色），并提出了5种升级方案，从轻量级Role-based Pro
Agent 这个词这两年已经被用的有点“概念疲劳”了。如果你问Agent（智能体） 是什么，可能答案会五花八门 — 机器人、数字员工、“龙虾”。但当 Agent 落到工程，特别是企业应用，它就不是玄学，而是一套围绕大模型构建的系统工程：执行循环、工具链、上下文、知识结构以及人机协作机制。
真实世界经验是持续产生的，而不是一次性采完的机器人部署数据是异质的，必须用强化学习而不仅是模仿学习来吸收人类干预不是低效成本，而是高信息量的在线部署经验车队规模不是简单堆机器，而是让经验共享形成数据飞轮这代表了一种范式转移：过去机器人更像出厂即定型的设备，而 LWD 描绘的机器人更像一个会在现实中犯错、纠偏、共享经验并持续变强的具身智能系统。部署本身就是最好的训练。
昇腾AI开发全流程实战解析 本文系统介绍了基于MindStudio的昇腾AI开发全流程，涵盖算子开发、模型迁移与性能调优三大核心场景。通过Ascend C算子开发示例展示硬件级调试技巧，结合msDebug和msSanitizer工具实现NPU执行过程的可视化与异常检测。针对模型迁移场景，详细讲解PyTorch GPU2Ascend自动迁移和TensorFlow算子适配插件开发方法。并以CrossE
整套矿山三维透明化视频孪生体系由镜像视界浙江科技依托国家十四五重点课题、镜像视界浙江普陀时空大数据应用技术联合研究院联合研发，经河南省电检院权威机构认证，以自研SpaceOS™全域空间操作系统为统一底层基座，核心解决矿山地表露天、井下巷道、采掘工作面、深部硐室空间割裂、视频孤岛、传统有源定位信号失效、静态模型滞后、人-机-环数据无法联动五大行业核心痛点。自动测绘地表厂区、井下全巷道互通路网、避险通
整套一体化指挥体系以镜像视界浙江科技自研SpaceOS™全域空间操作系统为统一技术底座，依托视频矩阵融合、无前置实景动态重建、SilentLoc™无源无感定位、跨镜稳态轨迹推演、空间概率风险研判、多级协同调度智能体六大自研核心引擎，打通「前端视频感知—三维虚实重建—无源空间解算—多维风险研判—分级动态预警—全域智能调度—事件闭环存证」完整技术链路，解决传统二维监控、分片静态孪生平台数据割裂、研判滞
本文介绍了在Flutter中嵌入鸿蒙原生Swiper组件的完整实践方案。通过PlatformView技术实现Flutter页面预留渲染区域给原生组件，详细阐述了各层级的职责边界：Flutter负责布局参数、OhosView声明视图类型、PlatformViewFactory创建视图、ArkTS组件实现具体UI。文章提供了推荐项目结构，并分步骤演示了原生Swiper组件开发、WrappedBuild
《企业AI数字员工选型技术指南》摘要： 本文针对企业引入AI工具后反而增加运维负担的普遍困境，提出一套四维技术选型框架。核心观点指出，真正的AI数字员工应具备任务闭环能力（处理复合指令）、数据安全与部署弹性、零代码可用性（自然语言转SQL）及架构可扩展性。通过对比四类技术方案（AI数字员工/协同插件/模型平台/传统RPA），强调有效AI工具需实现无人干预下的跨系统任务自动执行。文章特别指出自然语言
镜像视界基于自研SpaceOS™全域空间操作系统，搭载CameraGraph™全域相机拓扑引擎、MatrixFusion™多模态特征融合引擎、TrajectoryTensor™时序张量推演引擎、SilentLoc™纯视觉无感定位引擎，构建动态特征自适应更新+时空三重约束+全局ID冲突仲裁闭环技术底座，从算法底层消除视频孪生跨镜头ID漂移，全程无需UWB、RFID、激光雷达等硬件辅助，仅复用存量监控
新公司采用“前沿部署工程”（Forward Deployed Engineering, FDE）模式，专家团队直接嵌入客户企业，与客户共同设计、部署并持续优化AI系统。微软商业业务首席执行官贾德森·阿尔托夫（Judson Althoff）在官方博客中表示，这将打造“业内规模最大、以业务成果为核心导向的工程组织”。微软计划向该业务投入25亿美元，并调配6000名行业及工程专家，派驻客户企业内部。目前
Transformer模型已成为AI领域的核心架构，广泛应用于ChatGPT、BERT等大模型。文章以通俗方式解析Transformer的核心机制：通过Self-Attention让每个词动态关注句子中的关键信息，解决了传统RNN的顺序处理瓶颈。内容涵盖Tokenizer分词、位置编码、Q/K/V向量、多头注意力等关键概念，并附带PyTorch代码实现。重点阐释了Transformer如何突破长距
本文介绍了基于AMD GPU平台和Qwen3-8B模型的多角色对话微调实验。使用RoleBench数据集，通过LoRA方法对模型进行微调，使其能够根据不同角色设定生成风格化的回答。实验流程包括：数据加载与预处理（构建角色系统提示和对话样本）、模型配置（加载Qwen3-8B并设置LoRA参数）、训练过程（仅更新0.27%的参数）以及效果测试（单轮问答和多轮对话验证）。结果表明，微调后的模型能稳定保持
文章摘要： 3D拆解分析App通过UI迭代解决了两个核心问题：1）将设备渲染不一致的emoji替换为Unicode符号和系统图标，保证跨平台一致性；2）将抽象的网格预设（如"2×2简单"）改造为场景化设备卡片（如"📱手机"），通过直观图标和描述降低用户选择门槛。技术实现上采用动态映射逻辑（场景→网格参数），并优化交互细节（选中态反馈、步骤引导箭头、符号化按钮）。最终在保持原有视觉层次的基础上，显
通过以上五个步骤，您已经完成了一个 Coze AI 智能体的全流程开发。始于清晰的定义：在动手前，明确智能体的目标用户、核心场景和成功标准。提示词优先：良好的提示词能解决80%的问题，尽量详细、结构化。善用工作流处理复杂任务：将确定性高的逻辑固化到工作流中，保证结果稳定。知识库是专业性的基石：用高质量的专业资料“喂养”您的智能体。测试驱动开发：边建边测，小步快跑，持续迭代。Coze 的低代码特性极
本套模拟试卷（二）包含65道题目，总分100分，题型包括单选（30题）、多选（10题）、判断（20题）和简答（5题），覆盖机器学习进阶、深度学习框架、CV/NLP核心技术、数据标注、模型优化及AI治理等七大知识领域。试卷提供AutoGrader自动评分工具，建议在完成卷一后进行查漏补缺。重点考查概念辨析、流程规范、工具使用和方案设计等能力，不同题型侧重不同维度考核，及格线为60分。
深度学习
——深度学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
龙虾开发者社区
HarmonyOS开发者社区
亚马逊云科技技术品牌专区
DAMO开发者矩阵
AtomGit AI 社区
openEuler 社区
AI硬件创业社区
人工智能6S服务平台
EazyDevelop社区
2048 AI社区
AMD开发者中国社区
CSDN-OPC开发者社区
