本文介绍了LLM代理的存储机制和工具使用方法。在存储方面，LLM具有短期记忆和长期记忆：短期记忆通过上下文窗口或总结对话历史实现；长期记忆则借助向量数据库和检索增强生成（RAG）技术存储历史交互。在工具使用方面，LLM可通过函数调用与外部环境交互，Toolformer等技术能训练模型自主调用API。此外，模型上下文协议（MCP）标准化了API访问流程，简化了工具集成。这些技术共同增强了LLM的记忆

领域痛点与解决方案果实定位准确性不足：传统图像识别方法难以区分树上果实与掉落果实，影响产量估算准确性；数据多样性缺乏：现有数据集往往只包含单一状态(仅树上或仅地上)的柑橘样本；环境适应性差：大多数模型在复杂果园环境(多变光照、遮挡等)下表现不佳。本数据集针对性地解决了这些问题：● 双状态标注：同时标注树上柑橘和树下柑橘，为果实状态识别提供基础。● 真实场景覆盖：包含580张不同光照条件、拍摄角度和

目录一、目标检测的任务二、什么是“两阶段”呢？三、两阶段算法原理（二）候选区域算法（三）边框回归（ Bounding Box Regression ）1.非极大值抑制（Non-Maximum Suppression，NMS）2.对候选框进行坐标调整（三）RCNN模型结构1. RCNN的模型结构​​​​​2.R-CNN 总结目前目标检测领域的深度学习方法主要分为两类：two stage 的目标检测算

当前道路养护领域面临几个显著挑战：1. 数据稀缺性：大多数机构缺乏高质量的标注数据集来训练可靠的缺陷检测模型。2. 类别不平衡：现有数据集往往只关注裂缝等常见缺陷，忽视修补区域和井盖等重要类别。本沥青路面缺陷目标检测数据集提供6,000张精心标注的高质量图像，包含6个关键类别：裂缝、裂缝修补、坑洞、坑洞修补、井盖及其他。

本节介绍如何使用 Milvus 搜索实体。Milvus 中的向量相似度搜索会计算查询向量与具有指定相似度度量的集合中的向量之间的距离，并返回最相似的结果。您可以通过指定过滤标量字段或主键字段的布尔表达式来执行混合搜索。下面的例子展示了如何对2000行的图书ID（主键）、字数（标量场）、图书介绍（向量场）的数据集进行向量相似度搜索，模拟根据搜索条件搜索某本书的情况关于他们的矢量化介绍。Milvus

目录一、目标检测的任务二、什么是“两阶段”呢？三、两阶段算法原理（二）候选区域算法（三）边框回归（ Bounding Box Regression ）1.非极大值抑制（Non-Maximum Suppression，NMS）2.对候选框进行坐标调整（三）RCNN模型结构1. RCNN的模型结构​​​​​2.R-CNN 总结目前目标检测领域的深度学习方法主要分为两类：two stage 的目标检测算

RCNN、FastRCNN、FasterRCNN比较：一、Faster R-CNN的思想Faster R-CNN可以简单地看做“区域生成网络RPNs + Fast R-CNN”的系统，用区域生成网络RPN代替FastR-CNN中的Selective Search方法。Faster R-CNN这篇论文着重解决了这个系统中的三个问题：1. 如何设计区域生成网络；2. 如何训练区...

​。

当前道路养护领域面临几个显著挑战：1. 数据稀缺性：大多数机构缺乏高质量的标注数据集来训练可靠的缺陷检测模型。2. 类别不平衡：现有数据集往往只关注裂缝等常见缺陷，忽视修补区域和井盖等重要类别。本沥青路面缺陷目标检测数据集提供6,000张精心标注的高质量图像，包含6个关键类别：裂缝、裂缝修补、坑洞、坑洞修补、井盖及其他。

本节介绍如何使用 Milvus 搜索实体。Milvus 中的向量相似度搜索会计算查询向量与具有指定相似度度量的集合中的向量之间的距离，并返回最相似的结果。您可以通过指定过滤标量字段或主键字段的布尔表达式来执行混合搜索。下面的例子展示了如何对2000行的图书ID（主键）、字数（标量场）、图书介绍（向量场）的数据集进行向量相似度搜索，模拟根据搜索条件搜索某本书的情况关于他们的矢量化介绍。Milvus