logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

从 0 到 1 构建供应链 AI Agent Harness Engineering:需求预测、库存优化与物流调度实战

感知能力:自动拉取历史销量、库存、物流、促销、节假日等多维度数据;决策能力:结合业务规则、算法模型、大模型推理能力给出最优决策;执行能力:自动对接 ERP、WMS、TMS 系统下发决策指令,无需人工介入;迭代能力:自动收集决策效果数据,反向优化模型和规则。任务编排:拆解业务需求,调度不同的 Agent 协同完成任务;工具管控:统一管理 Agent 可以调用的所有工具(预测模型、优化求解器、路径规划

#人工智能
实战复盘:某电商客服 Agent 上线首周,我们解决的 10 个非技术问题

本文是一篇真实的电商客服 Agent 上线首周实战复盘。我们以某国内中高端家居电商(日均咨询量 5000+,客单价 800 元左右)为背景,详细拆解上线首周遇到的 10 个核心非技术问题:从话术生硬、业务规则理解偏差,到用户信任度低、客服团队抵触,再到知识库更新不及时、突发促销应对不足……每个问题都包含真实场景、问题根源、解决过程和最终效果。客服 Agent 的“数据指标体系”:指用来衡量 Age

电商 GMV 增长:智能数据 Agent 实战案例

GMVUV×PV/UV×CVR×客单价 AOV×复购率 RR×客单价 ARPPU(可选,若区分复购客单价)\text{GMV} = \text{UV} \times \text{PV/UV} \times \text{CVR} \times \text{客单价 AOV} \times \text{复购率 RR} \times \text{客单价 ARPPU(可选,若区分复购客单价)}GMVUV×P

#网络
电商导购 Agent 实战:如何通过多轮对话与推荐系统提升转化率

我们先看一组真实的电商行业数据:2023年国内电商平均获客成本高达380元/人,而行业平均转化率仅为2.6%,也就是说每获得100个访问用户,只有不到3个人会下单,剩下97个流量都被浪费了。传统推荐系统的先天缺陷:依赖用户历史行为数据做推荐,新用户没有行为数据时冷启动准确率不足20%,而且只能捕捉用户的显性搜索需求,无法挖掘用户没说出来的隐性需求——比如用户搜「送女朋友礼物」,传统推荐只会返回全网

#大数据#人工智能#网络
边缘计算场景下提示工程的多模态方案:架构师的实践案例

本文介绍边缘计算场景下多模态提示工程架构方案,从环境准备到分步实现,详细阐述关键技术。通过多模态融合与优化提示,提升边缘设备与模型交互效率。希望读者能将所学应用于实际项目,推动边缘计算与提示工程发展。

#边缘计算#人工智能
强化学习落地工程化工具清单:AI架构师以机器人导航为例,从仿真到部署全流程工具链

在人工智能领域,强化学习(RL)以其解决复杂决策问题的能力而备受瞩目,但将其从研究论文转化为实际应用却充满挑战。本文以机器人自主导航为具体案例,为AI架构师和工程师提供了一份全面的强化学习工程化工具清单与实践指南。我们将系统梳理从虚拟仿真环境构建、智能体算法开发、模型训练与优化,到最终物理部署与监控的完整工具链。通过深入剖析每个环节的核心工具、最佳实践和潜在陷阱,本文旨在弥合强化学习理论研究与工业

#人工智能#机器人
智能仓储AI调度系统的边缘计算:架构师的低延迟方案

当电商订单像潮水般涌来,当仓库机器人需要在0.1秒内避开障碍物,当分拣效率直接决定用户的快递时效——智能仓储的核心矛盾,早已从“能不能做”变成了“能不能快做”。传统集中式AI调度系统,像一个远在云端的“指挥中心”,每一次机器人指令都要经历“数据上传-云端计算-指令下发”的漫长旅途,延迟往往高达数秒甚至更久。而边缘计算的出现,相当于给每个仓库分区安了一个“本地大脑”,让AI决策在离机器人最近的地方完

#人工智能#边缘计算#大数据
数据结构与算法:滑动窗口的Python实现

本文旨在帮助读者掌握滑动窗口算法(Sliding Window)的核心原理与Python实现技巧,覆盖固定大小窗口和可变窗口两种模式,适用于解决数组/字符串相关的最优解问题。滑动窗口:通过维护一个动态变化的区间来优化遍历效率的算法思想双指针:用左右两个索引指针标记窗口边界的实现技术哈希表:存储字符最新位置的字典结构核心概念窗口边界标记观察范围动态滑动提升效率哈希表记录状态关系网双指针控制窗口滑动状

#python#开发语言
滑动窗口算法详解:从入门到精通

滑动窗口算法是解决数组/字符串子区间问题的高效技术。本文旨在全面介绍该算法的原理、实现和应用,帮助读者掌握这一重要算法范式。核心概念与生活化解释算法原理与实现细节典型应用场景与实战案例性能分析与优化技巧进阶思考与扩展应用滑动窗口:在数组/字符串上动态维护的一个区间,通过调整边界来高效解决问题双指针:用于标记窗口边界的两个索引/指针哈希表:用于快速记录窗口内元素状态的数据结构核心概念回顾滑动窗口是在

#算法#网络
数据结构与算法:散列表的可扩展性设计

当你用手机点外卖时,App需要快速根据手机号找到你的地址;当你用Redis缓存数据时,系统需要毫秒级响应键值查询。这些场景的底层,都藏着一个关键数据结构——散列表(Hash Table,也叫哈希表)。但如果数据量突然暴增(比如双11期间Redis缓存的键值对数量翻倍),传统的“固定大小散列表”会像挤爆的公交车:查询变慢、冲突频发,甚至崩溃。教你设计一个“能长大”的散列表——当数据量增加时,它能自动

#散列表#数据结构
    共 653 条
  • 1
  • 2
  • 3
  • 66
  • 请选择