登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了鸿蒙智能穿戴设备自适应开发框架，通过容器层分叉+内容层共用的架构实现一套代码适配圆形屏和方形屏。框架采用三层递进适配模型（vp/fp基线、百分比布局、Token配置），核心功能包括屏幕类型自动检测、容器组件分叉、共用业务组件等。文章详细解析了WearScreenUtil工具类、Index根页面布局、NavPanel导航面板等核心模块，并提供了导航点显隐控制和右滑退出等交互实现方案。该框架
ROS2的基础命令学习
硕士三年，深耕ros机械臂的仿真，临近毕业搭建了一套ur10e机械臂和三维点云处理的ROS仿真平台，从0到1搭建属于自己的ros机械臂仿真平台。目录一 前期准备工作和环境搭建
socket就是套接字的意思，用于描述地址和端口。主机通过IP地址确定通信的网络设备，而端口号用于指定具体的进程TCP（传输控制协议）和UDP（用户数据报协议）是两种常用的网络传输协议，而socket是用于进行网络通信的编程接口TCP是一种面向连接的协议，它提供可靠的数据传输、流式传输和错误检测机制。TCP在通信之前需要建立一个连接，并确保数据的可靠传输，保证数据的顺序和完整性，同时，收发顺序相同
在机械臂末端位姿已知的条件下，求解各关节的关节转角。由于方程(1-3)是封闭的，因此可以得到解析解。注意：为保证结果的合理性，求解时尽量使用反正切计算关节角，避免三角函数的符号判断对结果造成影响。OpenMANIPULATOR-X的拓扑模型如下图，左图是机械臂零位，右图是各关节的转轴和关节角。机械臂末端相对于基座的位置矢量在水平面内的投影模长可表示为。S2：根据式(1-1)和式(1-2)计算其余关
后来，我尝试把 /etc/hosts 里添加的一行 185.199.108.133raw.githubusercontent.com 去掉后，执行sudo curl成功了！我真是画蛇添足，本来直接按照流程执行就没问题的，我非要去解决一个不存在的问题。这一步可能出错，并给出了解决办法，愚蠢的我，没有尝试这一步是否会出错，就直接先按照方法去解决了。2，参考链接里，设置环境变量 一步中，humble应该
比如要指定的话题名字为"cam0"，那么这些图片就要保存在cam0文件夹下面。因为在slam或者双目中是需要两个图片话题，这样就要将左右相机的图片分别保存进两个文件夹中。当你要将图片写进bag包的时候，保存这些图片的文件夹名字。，按照time，ax，ay，az，gx，gy，gz的格式保存就行。从ros2的bag包中提取的数据也会以这样的格式保存。需要安装ROS2和OpenCV。
【北京迅为】itop-3562机器视觉opencv开发手册使用OpenCV处理图像
转手捐 剥鸡蛋折叠机械爪。
本文记录了在树莓派4B(4G内存)上编译ROS2机械臂功能包时遇到的卡顿问题及解决方案。通过分析发现，问题主要出现在MoveIt2库的链接阶段，原因是ARM架构下的内存不足和默认链接器效率低下。作者采用多管齐下的解决方法：1)安装高效Gold链接器；2)优化CMake配置降低内存消耗；3)调整环境变量使用保守编译选项；4)控制线程数(双线程)避免内存峰值。最终将编译时间从数小时缩短至6分钟，同时保
本文总结了ROS2自学第一天关于Linux终端基础操作的要点，包括常用命令如pwd（显示当前目录）、cd（跳转目录）、ls（查看文件列表）、mkdir/touch（创建文件夹/文件）等，并重点介绍了nano编辑器的使用方法（Ctrl+O保存，Ctrl+X退出）以及cat查看文件内容和rm删除文件的操作。特别纠正了原文中"ctro"应为"Ctrl"的笔误，并提
端侧模型从 Web 端扩展到移动端，部署上线第一天就翻车了——移动端推理结果和 Web 端对不上。排查三天，发现三个问题：INT8 量化精度没对齐、灰度发布范围失控、模型和代码版本不匹配。每个问题背后都是一类可复用的部署教训，文末附上线前检查清单。
让多个 AI 在本地跑长任务，裸奔分分钟面临误删系统盘、网络外泄的噩梦；可一旦生搬硬套 Docker，内存立刻被吃光，启动动辄数秒，真机外设与桌面 GUI 更是直接瘫痪。生产级系统早已抛弃 Docker，全面转向操作系统的内核级原生沙箱（Seatbelt、WFP、bwrap）。但如果底层 CLI 已有沙箱，平台再套一层会不会引发系统死锁？排他性的真机、数据库与写锁又该由谁来管？本文拆解三大原生沙箱
在 Windows 上开发 React Native iOS App 的全流程：用 KXBuild 的模板或社区 CLI 新建项目、体检、在 ios 目录 pod install，接上 iPhone 按 F5，Metro 加载 JS、保存即 Fast Refresh 热更，Swift/OC 原生代码也能断点，已有的 xcodebuild 脚本原样兼容，最后用 Release 配置打出可上架 ipa
**人群构成跨行业**：公开资料提到社区汇集了 30000+ 跨学科人群 [5][7]，也有 5w+ 科技与艺术跨学科人群的说法 [8]，成员来源包括 GoogleBrain、微软、华为、阿里鲁班、腾讯、旷视、众安保险、美团、360 等公司，以及 MIT、CMU、清华、上交大等高校背景人员 [6]。所以指望一个“FDE 大群”解决所有问题，本身就不现实。- **“社区即服务”的孵化思路**：社区孵
开始之前，了解网络安全的基本概念和术语是很重要的。你可以查找网络安全入门教程或在线课程，了解网络安全领域的基本概念，如黑客、漏洞、攻击类型等。学习计算机网络基础知识，了解网络通信原理，不同网络协议（如TCP/IP）的工作方式，以及网络拓扑结构等。了解常见的操作系统，特别是Windows和Linux。掌握基本的命令行操作和系统管理技能。学习编程语言是学习网络安全的重要一环。推荐选择Python作
2025—2026 年，AI Agent（智能体）技术席卷网络安全行业。传统安全工具与 LLM 大模型的结合，催生了全新的「AI Agent Skills」生态——让 AI 直接驱动渗透测试、代码审计、逆向分析，实现「自然语言下指令，AI 自动干活」。OpenClaw SecSkills：基于 OpenClaw 框架的网安 AI Skills 大合集reverse-skill：29.4k Star
在将大型语言模型（LLM）转化为智能体（Agent）工作流或自动化脚本的过程中，无论是企业技术团队还是独立开发者，都会面临AI模型接入方案的底层架构选型。直接对接海外模型厂商原生接口，往往会受制于公网跨境链路的抖动、外币支付限制以及财务合规票据的缺失；而自行维护多套异构API协议，又会增加工程代码的耦合度与后期运维负担。围绕稳定性、接入效率与总体拥有成本（TCO），构建统一的模型聚合接入层已成为主
通宵 8 小时让 AI 小队连轴转，清晨看板全绿、日志整齐划一！正准备发圈炫耀，一测核心功能居然是空的？真实复盘多 Agent 长任务中 AI 避重就轻的 6 个致命深坑与破局架构防线。
轻量化法务AI方案无需维护复杂GPU集群，硬件终端即可部署，模型与文档全驻内网，数据不出域。采用分层架构：文档解析层处理PDF/Word并清洗文本；语义理解层基于大模型识别条款风险；Diff模块实现多版本对比。开箱即用，简单配置网络即可启动，适合中小律所及企业法务进行合同初审与风险提示，辅助决策，最终审核仍需人工确认。
该内网合同智能审查系统采用软硬一体架构，基于私有化大模型推理引擎，全程本地部署，无外网数据交互。支持PDF、Word等格式解析，通过文本抽取实现分句与实体识别；结合规则引擎与大模型双链路，分别处理固定条款校验与语义风险识别，并集成文本diff模块进行版本比对。任务队列调度资源，结果本地存储，接口轻量，可对接内部OA。适用于高数据隔离需求场景，仅作法务辅助工具。
内网合同智能审核系统采用本地硬件终端推理，实现文档数据隔离。初期依赖大模型语义识别误报率高，后引入规则引擎联动，分工明确：规则处理固定格式与权责条款，模型聚焦模糊风险识别，显著降低误判。支持Word、PDF解析，版本比对基于文本diff，任务队列限流保障并发稳定。方案轻量化，无需复杂集群，适用于中小机构法务场景，结果仅作参考，不替代人工审核。
某企业法务在推进合同审查智能化时，选择本地部署的私有化合同审查方案。系统运行于内网终端，文档全程不外传，有效防范敏感信息泄露。可自动解析合同、识别合规风险条款，并支持多版本比对，精准标注修改差异。无需复杂服务器配置与模型调参，快速上线试用。作为初审辅助工具，仍需人工复核，适合对数据安全要求高的企业及律所参考。
本文探讨多Agent协作中的任务委派机制，强调拆分需以“责任与权限独立”为前提。PersonalAgent负责理解需求，AgentService专注专业执行，二者通过服务合约明确接口与授权，实现安全协作。关键在于接口与权限分离、防火墙保障边界，避免信息泄露与越权操作。面对新能力，应依场景选择技能、工具或远程AgentService，优先“专而精”的外部服务。最终目标是让专业能力可复用、可调用，实现
从写代码到交付结果：AhaCloud 给开发者提供了一种新的 Agent 使用方式
API 聚合平台本质上是一个API 的"应用商店"：它把成百上千个第三方 API（天气、地图、短信、OCR、支付、AI 大模型……）整合到统一平台上，开发者注册一个账号、拿一个密钥，就能调用众多服务。国内外比较有代表性的有：平台特点RapidAPI全球最大的 API 市场，数万个 API，统一计费APISpace / 聚合数据 / 阿里云 API 市场国内常用，实名即可用，中文文档友好OpenRo
本文不聊宏大叙事，基于多 Agent 终端协同开发环境 Polter 在实际工程开发中的落地摸索，复盘多智能体在真实研发场景下最致命的 6 个工程深坑，以及能够真正跑通长任务的生产解法。
本地跑大模型，Ollama、llama.cpp、vLLM 三选一，关键不是谁更快，而是同时有几个人在用。一个人用，三者差距不大，看顺手程度；多人并发，vLLM 的优势会被放大。本文按个人电脑、单卡服务器、生产服务三种场景给出取舍，并顺带梳理 LocalAI、MLC LLM、oMLX。
个人开发
——个人开发
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
人工智能6S服务平台
地瓜机器人开发者社区
openEuler 社区
开源鸿蒙跨平台开发者社区
北京朝阳AI社区
