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

OpenClaw 之后我开始思考:Agent 最重要的两种能力是什么?

从0到1!想入门大模型(LLM)却不知道从哪开始?我根据最新的技术栈和我自己的经历&理解,帮大家整理了一份LLM学习路线图,涵盖从理论基础到落地应用的全流程!拒绝焦虑,按图索骥~~因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取2025最新版CSDN大礼包:《AGI大模型学习资源包》免费分享因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取2025最新版CSDN大礼包:《AGI大模型

文章图片
#人工智能#microsoft#大数据
手把手彻底学会 Agent Skills!【小白教程】

继 MCP(Model Context Protocol)之后,Anthropic 最近又推出了。因工作需要,我近期快速上手并实践开发了一个 Skill,过程中积累了一些经验,整理成本文,希望能帮助更多同学:快速理解?掌握关键要点,。在第三部分,我将通过一个具体案例,完整展示如何将一个想法快速落地为可运行的 Skill。即使你对 Skill 还一知半解,只要能清晰描述需求、准备好相关资料,也能轻松

文章图片
#人工智能#机器学习#深度学习
Trae+Skills 进化+原理+实战,保姆级教程

Trae + Skill从原理到实战,一篇文章说清楚。思维、洞见、第一性原理8篇原创内容公众号。

文章图片
#人工智能#transformer
小白教程!无需服务器,部署本地模型玩“加强版OpenClaw”

近期 AI 圈最火的莫过于OpenClaw。稍微跑个复杂任务,几百块钱就没了。接上 Claude 模型跑一个月,下个月一看,房子可能都归模型厂商了。所以一直没做。直到这两天,我发现了,更适合普通玩家的方式。为了照顾大多数人的配置,本文以 qwen3:4b 小模型为例做的教程。如果你显卡够顶,建议你换成30B以上模型!整个教程一共4步,约操作完成。1、memU bot 的安装2、飞书机器人的配置与打

文章图片
#人工智能#搜索引擎#深度学习 +1
OpenClaw最热15个使用场景

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取。因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取。因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取。因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取。因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取。因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取。因篇幅有限,仅展示部分资料,需要点击下方链接即可前往

文章图片
#大数据#人工智能#机器学习
Coze重磅更新!Skill功能全网首发,你的智能体终于能像“专家”一样干活了

下面通过这篇文章详细介绍下相关的功能1. Skill通识(网上很多,如果之前有过了解,可以跳过)2. 扣子Skill操作说明。

文章图片
#人工智能#深度学习#计算机视觉
AI Agent开发教程:9. Agent框架

除了开源框架,各大AI厂商也推出了自己的Agent SDK,通常与其云服务深度绑定:框架厂商核心特点适用场景Agents SDKOpenAI与GPT模型深度集成,内置代码解释器、文件检索等工具已使用OpenAI API的项目,追求开箱即用Google支持Gemini模型,图结构编排,与Google Cloud集成Google生态用户,需要多模态能力Anthropic专为代码执行类Agent设计,强

#人工智能#python#开发语言
深度学习五大模型:CNN、Transformer、BERT、RNN、GAN解析,(非常详细)从零基础到精通,收藏这一篇就够了

此前,我们介绍了很多深度学习基础模型,今天探讨它们各自适用的场景,让您知道在何种情况下选择何种模型;同时分析它们的优势与局限,助您全面评估这些模型的性能。

文章图片
#深度学习#cnn#transformer
理解 Prompt Cache 与 Agent 的“上下文税”:AI时代架构纪律

提示词缓存不是一个可以随便开启的“功能”,而是一种需要围绕其建立的架构规范。92% 的缓存命中率。81% 的成本削减。这是开发智能体的蓝图。你无法忽视“上下文税”,它客观存在。唯一重要的问题是:你是在默默交税,还是在设法免税?原文:https://x.com/akshay_pachaar/status/2031021906254766128从0到1!想入门大模型(LLM)却不知道从哪开始?我根据最

文章图片
#人工智能#架构
专题:LangGraph的智能RAG系统构建:从基础智能体到纠正性多智能体协作|附3实例代码教程

使用带结构化输出的LLM进行打分。本文从最基础的LLM调用开始,逐步构建了具有记忆、工具使用能力的LangGraph智能体,进而集成了RAG,并最终实现了纠正性RAG(CRAG)和智能体纠正性RAG(Agentic CRAG)。通过实际代码和案例,我们展示了如何让LLM自主评估检索质量、动态决定是否补充实时信息,从而大幅提升问答系统的准确性和时效性。这套方法已在多家企业的智能客服、文档分析项目中落

文章图片
#人工智能#python#开发语言
    共 854 条
  • 1
  • 2
  • 3
  • 86
  • 请选择