项目摘要

本项目旨在设计并实现一个高效、智能且用户友好的基于多版本YOLO深度学习模型与SpringBoot Web框架的实时跌倒检测系统。随着全球老龄化社会的加速到来，老年人在日常生活中发生跌倒的风险日益增高，及时、准确地检测跌倒事件对于保障其生命安全与健康具有重大社会意义。传统监控或穿戴式设备存在隐私侵扰、用户体验不佳或漏报率高等局限。因此，本项目融合了当前前沿的计算机视觉技术与现代Web开发架构，构建了一个集智能分析、实时监控、数据管理与远程交互于一体的综合性解决方案。

系统的核心检测引擎采用了性能卓越的YOLO系列目标检测算法，并创新性地集成了YOLOv8、YOLOv10、YOLOv11及YOLOv12四种最新版本模型，为用户提供了灵活、可对比的算法选择，以适应不同的精度与速度需求。模型在精心标注的自定义数据集上进行训练与验证，该数据集包含 ‘fallen’（已跌倒）、‘falling’（正在跌倒）和‘stand’（站立/正常） 三个关键类别，共计3,888张图像（训练集3,594张，验证集294张），确保了系统对跌倒过程动态的精确识别能力。

系统后端采用SpringBoot框架构建，实现了前后端分离的现代化架构，保证了系统的高内聚、低耦合与可扩展性。前端提供直观的Web交互界面，用户可通过浏览器轻松访问全部功能。核心功能模块包括：用户登录与注册、多模态检测通道（支持图像上传检测、视频文件分析及摄像头实时视频流检测）、以及全面的AI智能分析功能，其中集成DeepSeek大型语言模型，为用户提供更深入的检测结果解读与健康建议。

所有检测记录（包括图片、视频及实时流中的跌倒事件）均被结构化地保存至MySQL数据库，并辅以丰富的信息可视化与数据看板，便于用户和 administrators 洞察数据趋势。系统具备完善的后台管理功能，包括用户识别记录的管理（增删改查）以及用户管理模块，管理员可对系统用户进行有效管理。同时，系统设有个人中心，允许用户自主更新个人信息，如姓名、头像及密码等，兼顾了安全性与个性化需求。

综上所述，本系统不仅是一个技术集成应用，更是一个面向实际需求的完整产品。它通过结合最先进的YOLO目标检测算法、稳健的SpringBoot后端服务、交互式前端界面以及DeepSeek的增强分析，为独居老人监护、养老院智能看护及医院病房监控等场景，提供了一个可靠、可扩展且易用的跌倒检测与预警平台，具有显著的实际应用价值与推广前景。

详细功能展示视频

基于YOLO和千问|DeepSeek的跌倒检测系统（web界面+YOLOv8/YOLOv10/YOLOv11/YOLOv12+前后端分离+python）_哔哩哔哩_bilibili

基于YOLO和千问|DeepSeek的跌倒检测系统（web界面+YOLOv8/YOLOv10/YOLOv11/YOLOv12+前后端分离+python）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV15acxznEYq/?spm_id_from=333.999.0.0&vd_source=549d0b4e2b8999929a61a037fcce3b0fhttps://www.bilibili.com/video/BV15acxznEYq/

目录

 项目摘要

详细功能展示视频

一、引言

1. 研究背景与意义

2. 国内外研究现状

3. 本项目主要内容与创新点

二、 系统核心特性概述

功能模块

登录注册模块

可视化模块

图像检测模块

视频检测模块

实时检测模块

图片识别记录管理

视频识别记录管理

摄像头识别记录管理

用户管理模块

数据管理模块（MySQL表设计）

模型训练结果

YOLO概述

YOLOv8

YOLOv10

YOLOv11

YOLOv12

前端代码展示

后端代码展示

详细功能展示视频

一、引言

1. 研究背景与意义

人口老龄化已成为世界性难题，老年人因身体机能下降、疾病等因素导致的跌倒事件频发，其后果轻则软组织损伤，重则骨折、颅脑损伤甚至死亡，给个人、家庭和社会带来沉重负担。传统的监护方式，如人工看护或简单的报警器，存在人力成本高、响应不及时、误报多等缺点。近年来，基于计算机视觉的跌倒检测技术因其非侵入性、可远程监控和成本效益高等优点，成为研究热点。将深度学习模型与Web应用相结合，实现实时、自动化的跌倒检测与告警，对于构建智慧养老、健康监护体系至关重要。

2. 国内外研究现状

当前，基于深度学习的跌倒检测方法主要围绕两类模型展开：一是基于时序行为的模型（如C3D， Two-Stream CNN， LSTM），擅长分析视频序列中的动态；二是基于高效目标检测的模型，以YOLO系列和SSD为代表，以其惊人的推理速度见长，更适合实时监控场景。YOLO系列自诞生以来，其版本迭代迅速，v8、v10、v11、v12等在精度、速度和架构上各有优化。然而，大多数现有系统往往固定使用单一模型，缺乏灵活性，且通常仅为孤立的算法演示，未能与完整的数据管理系统、用户交互平台以及更高级的智能分析功能深度融合。

3. 本项目主要内容与创新点

本项目旨在弥补上述不足，构建一个全栈式、可配置、智能化的跌倒检测Web系统。其主要内容与创新点体现在：

  1. 多模型可切换检测框架：首次在同一个应用系统中集成并支持YOLOv8, v10, v11, v12四个最新版本的YOLO模型。用户或管理员可以根据实际场景对检测速度与精度的不同要求，动态切换模型，实现了检测策略的灵活配置与性能对比。

  2. “DeepSeek+检测”的智能分析增强：突破传统检测系统仅提供类别和框的局限，创新性地引入DeepSeek大型语言模型。在完成视觉检测后，系统可利用DeepSeek对检测结果（如跌倒姿态、发生频率、时间信息）进行深度分析与文本生成，提供更人性化的风险描述、潜在原因推测及简单的应对建议，极大提升了系统的智能性与实用性。

  3. 企业级前后端分离架构：采用SpringBoot作为后端服务框架，搭配现代前端技术，实现真正的前后端分离。这种架构使系统易于维护、扩展和部署，并支持多用户并发访问与安全管理。

  4. 全流程数据化管理与可视化：系统不仅完成检测任务，更实现了从用户管理、检测任务发起、结果存储（MySQL）到多维数据可视化的全流程闭环。提供图片、视频、实时检测三种模式的管理记录，并辅以图表化数据看板，为长期健康监护提供了数据支持。

  5. 完善的用户体系与安全管理：构建了包含用户注册登录、个人中心信息维护、管理员后台管控在内的完整用户体系，确保系统数据的安全性和隐私性，满足了多角色（普通用户、管理员）使用的实际需求。

二、 系统核心特性概述

功能模块


✅ 用户登录注册：支持密码检测，保存到MySQL数据库。

✅ 支持四种YOLO模型切换，YOLOv8、YOLOv10、YOLOv11、YOLOv12。

✅ 信息可视化，数据可视化。

✅ 图片检测支持AI分析功能，deepseek

✅ 支持图像检测、视频检测和摄像头实时检测，检测结果保存到MySQL数据库。

✅ 图片识别记录管理、视频识别记录管理和摄像头识别记录管理。

✅ 用户管理模块，管理员可以对用户进行增删改查。

✅ 个人中心，可以修改自己的信息，密码姓名头像等等。


 

登录注册模块

可视化模块

图像检测模块

  • YOLO模型集成 (v8/v10/v11/v12)

  • DeepSeek多模态分析

  • 支持格式：JPG/PNG/MP4/RTSP

视频检测模块

实时检测模块

图片识别记录管理

视频识别记录管理

摄像头识别记录管理

用户管理模块

数据管理模块（MySQL表设计）

  • users - 用户信息表

  • imgrecords- 图片检测记录表

  • videorecords- 视频检测记录表

  • camerarecords- 摄像头检测记录表

模型训练结果

#coding:utf-8
#根据实际情况更换模型
# yolon.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。
# yolos.yaml (small)：小模型，适合实时任务。
# yolom.yaml (medium)：中等大小模型，兼顾速度和精度。
# yolob.yaml (base)：基本版模型，适合大部分应用场景。
# yolol.yaml (large)：大型模型，适合对精度要求高的任务。
 
from ultralytics import YOLO
 
model_path = 'pt/yolo12s.pt'
data_path = 'data.yaml'
 
if __name__ == '__main__':
    model = YOLO(model_path)
    results = model.train(data=data_path,
                          epochs=500,
                          batch=64,
                          device='0',
                          workers=0,
                          project='runs',
                          name='exp',
                          )

YOLO概述

YOLOv8

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。

YOLOv8 的主要特性

  • 高级骨干和颈部架构： YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。
  • 无锚点分离式 Ultralytics Head： YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
  • 优化的准确性-速度权衡： YOLOv8 专注于在准确性和速度之间保持最佳平衡，适用于各种应用领域中的实时对象检测任务。
  • 丰富的预训练模型: YOLOv8提供了一系列预训练模型，以满足各种任务和性能要求，使您更容易为特定用例找到合适的模型。

YOLOv10

YOLOv10 由 清华大学研究人员基于 Ultralytics Python构建，引入了一种新的实时目标检测方法，解决了先前 YOLO 版本中存在的后处理和模型架构缺陷。通过消除非极大值抑制 (NMS) 并优化各种模型组件，YOLOv10 以显著降低的计算开销实现了最先进的性能。大量实验表明，它在多个模型尺度上都具有卓越的精度-延迟权衡。

概述

实时目标检测旨在以低延迟准确预测图像中的对象类别和位置。YOLO 系列因其在性能和效率之间的平衡而一直处于这项研究的前沿。然而，对 NMS 的依赖和架构效率低下阻碍了最佳性能。YOLOv10 通过引入用于无 NMS 训练的一致双重分配和整体效率-准确性驱动的模型设计策略来解决这些问题。

架构

YOLOv10 的架构建立在之前 YOLO 模型优势的基础上，同时引入了几项关键创新。该模型架构由以下组件组成：

  1.  骨干网络：负责特征提取，YOLOv10 中的骨干网络使用增强版的 CSPNet (Cross Stage Partial Network)，以改善梯度流并减少计算冗余。
  2. Neck：Neck 的设计目的是聚合来自不同尺度的特征，并将它们传递到 Head。它包括 PAN（路径聚合网络）层，用于有效的多尺度特征融合。
  3. One-to-Many Head：在训练期间为每个对象生成多个预测，以提供丰富的监督信号并提高学习准确性。
  4. 一对一头部：在推理时为每个对象生成一个最佳预测，以消除对NMS的需求，从而降低延迟并提高效率。

主要功能

  1. 免NMS训练：利用一致的双重分配来消除对NMS的需求，从而降低推理延迟。
  2. 整体模型设计：从效率和准确性的角度对各种组件进行全面优化，包括轻量级分类 Head、空间通道解耦下采样和秩引导块设计。
  3. 增强的模型功能: 结合了大内核卷积和部分自注意力模块，以提高性能，而无需显着的计算成本。

YOLOv11

YOLO11 是 Ultralytics YOLO 系列实时目标检测器的最新迭代版本，它以前沿的精度、速度和效率重新定义了可能性。YOLO11 在之前 YOLO 版本的显著进步基础上，在架构和训练方法上进行了重大改进，使其成为各种计算机视觉任务的多功能选择。

主要功能

  • 增强的特征提取: YOLO11 采用改进的 backbone 和 neck 架构，从而增强了特征提取能力，以实现更精确的目标检测和复杂的任务性能。
  • 优化效率和速度： YOLO11 引入了改进的架构设计和优化的训练流程，从而提供更快的处理速度，并在精度和性能之间保持最佳平衡。
  • 更高精度，更少参数： 随着模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的 平均精度均值(mAP)，同时比 YOLOv8m 少用 22% 的参数，在不牺牲精度的情况下提高了计算效率。
  • 跨环境的适应性： YOLO11 可以无缝部署在各种环境中，包括边缘设备、云平台和支持 NVIDIA GPU 的系统，从而确保最大的灵活性。
  • 广泛支持的任务范围： 无论是目标检测、实例分割、图像分类、姿势估计还是旋转框检测 (OBB)，YOLO11 都旨在满足各种计算机视觉挑战。

Ultralytics YOLO11 在其前代产品的基础上进行了多项重大改进。主要改进包括：

  • 增强的特征提取： YOLO11 采用了改进的骨干网络和颈部架构，增强了特征提取能力，从而实现更精确的目标检测。
  • 优化的效率和速度： 改进的架构设计和优化的训练流程提供了更快的处理速度，同时保持了准确性和性能之间的平衡。
  • 更高精度，更少参数： YOLO11m 在 COCO 数据集上实现了更高的平均 精度均值 (mAP)，同时比 YOLOv8m 少用 22% 的参数，在不牺牲精度的情况下提高了计算效率。
  • 跨环境的适应性： YOLO11 可以部署在各种环境中，包括边缘设备、云平台和支持 NVIDIA GPU 的系统。
  • 广泛支持的任务范围： YOLO11 支持各种计算机视觉任务，例如目标检测、实例分割、图像分类、姿势估计和旋转框检测 (OBB)。

YOLOv12

YOLO12引入了一种以注意力为中心的架构，它不同于之前YOLO模型中使用的传统基于CNN的方法，但仍保持了许多应用所需的实时推理速度。该模型通过在注意力机制和整体网络架构方面的新颖方法创新，实现了最先进的目标检测精度，同时保持了实时性能。尽管有这些优势，YOLO12仍然是一个社区驱动的版本，由于其沉重的注意力模块，可能表现出训练不稳定、内存消耗增加和CPU吞吐量较慢的问题，因此Ultralytics仍然建议将YOLO11用于大多数生产工作负载。

主要功能

  • 区域注意力机制: 一种新的自注意力方法，可以有效地处理大型感受野。它将 特征图 分成 l 个大小相等的区域（默认为 4 个），水平或垂直，避免复杂的运算并保持较大的有效感受野。与标准自注意力相比，这大大降低了计算成本。
  • 残差高效层聚合网络（R-ELAN）：一种基于 ELAN 的改进的特征聚合模块，旨在解决优化挑战，尤其是在更大规模的以注意力为中心的模型中。R-ELAN 引入：
    • 具有缩放的块级残差连接（类似于层缩放）。
    • 一种重新设计的特征聚合方法，创建了一个类似瓶颈的结构。
  • 优化的注意力机制架构：YOLO12 精简了标准注意力机制，以提高效率并与 YOLO 框架兼容。这包括：
    • 使用 FlashAttention 来最大限度地减少内存访问开销。
    • 移除位置编码，以获得更简洁、更快速的模型。
    • 调整 MLP 比率（从典型的 4 调整到 1.2 或 2），以更好地平衡注意力和前馈层之间的计算。
    • 减少堆叠块的深度以改进优化。
    • 利用卷积运算（在适当的情况下）以提高其计算效率。
    • 在注意力机制中添加一个7x7可分离卷积（“位置感知器”），以隐式地编码位置信息。
  • 全面的任务支持: YOLO12 支持一系列核心计算机视觉任务：目标检测、实例分割、图像分类、姿势估计和旋转框检测 (OBB)。
  • 增强的效率: 与许多先前的模型相比，以更少的参数实现了更高的准确率，从而证明了速度和准确率之间更好的平衡。
  • 灵活部署: 专为跨各种平台部署而设计，从边缘设备到云基础设施。

主要改进

  1. 增强的 特征提取:

    • 区域注意力: 有效处理大型感受野，降低计算成本。
    • 优化平衡： 改进了注意力和前馈网络计算之间的平衡。
    • R-ELAN：使用 R-ELAN 架构增强特征聚合。

  2. 优化创新：

    • 残差连接：引入具有缩放的残差连接以稳定训练，尤其是在较大的模型中。
    • 改进的特征集成：在 R-ELAN 中实现了一种改进的特征集成方法。
    • FlashAttention: 整合 FlashAttention 以减少内存访问开销。

  3. 架构效率:

    • 减少参数：与之前的许多模型相比，在保持或提高准确性的同时，实现了更低的参数计数。
    • 简化的注意力机制：使用简化的注意力实现，避免了位置编码。
    • 优化的 MLP 比率：调整 MLP 比率以更有效地分配计算资源。

前端代码展示

登录界面一小部分代码：

<template>
	<div class="login-container">
		<!-- 左侧医疗健康背景区域 -->
		<div class="health-background">
			<!-- 心电图波动背景 -->
			<div class="ecg-waves">
				<svg class="ecg-line" width="100%" height="100%">
					<path d="" class="ecg-path" />
				</svg>
			</div>
			
			<!-- 健康数据网格 -->
			<div class="health-grid"></div>
			
			<!-- 动态医疗节点 -->
			<div class="health-nodes">
				<div class="health-node" v-for="n in 20" :key="`health-node-${n}`" :style="getHealthNodeStyle(n)"></div>
			</div>
			
			<!-- 扫描射线 -->
			<div class="scan-rays">
				<div class="scan-ray" v-for="n in 3" :key="`ray-${n}`" :style="getScanRayStyle(n)"></div>
			</div>
			
			<!-- 人体轮廓图标 -->
			<div class="human-silhouette">
				<div class="body-outline">
					<div class="head"></div>
					<div class="torso"></div>
					<div class="arm left-arm"></div>
					<div class="arm right-arm"></div>
					<div class="leg left-leg"></div>
					<div class="leg right-leg"></div>
				</div>
				<div class="safety-net"></div>
			</div>
			
			<!-- 健康数据点 -->
			<div class="health-dots">
				<div class="health-dot" v-for="n in 15" :key="`dot-${n}`" :style="getHealthDotStyle(n)"></div>
			</div>
			
			<!-- 系统标题 -->
			<div class="system-title">
				<h1>YOLO跌倒检测预警系统</h1>
				<p>YOLOv8/v10/v11/v12 + 多模态智能分析</p>
				<p>基于AI视觉的老年人安全监护平台</p>
				<div class="health-features">
					<div class="health-feature">
						<div class="health-icon detection"></div>
						<span>实时检测</span>
					</div>
					<div class="health-feature">
						<div class="health-icon analysis"></div>
						<span>姿态分析</span>
					</div>
					<div class="health-feature">
						<div class="health-icon alert"></div>
						<span>紧急预警</span>
					</div>
					<div class="health-feature">
						<div class="health-icon rescue"></div>
						<span>智能联动</span>
					</div>
				</div>
			</div>
		</div>

		<!-- 右侧登录区域 -->
		<div class="login-section">
			<div class="login-box">
				<!-- 系统Logo和标题 -->
				<div class="system-header">
					<div class="logo">
						<div class="logo-icon">
							<div class="health-logo">
								<div class="heart-icon"></div>
								<div class="shield-icon"></div>
							</div>
						</div>
					</div>
					<div class="title">
						<h2>系统登录</h2>
						<p>欢迎使用YOLO跌倒检测预警系统</p>
					</div>
				</div>

				<!-- 登录表单 -->
				<div class="form-container">
					<el-form :model="ruleForm" :rules="registerRules" ref="ruleFormRef">
						<el-form-item prop="username">
							<el-input 
								v-model="ruleForm.username" 
								placeholder="请输入用户名" 
								prefix-icon="User" 
								class="custom-input"
								size="large"
							/>
						</el-form-item>

						<el-form-item prop="password">
							<el-input 
								v-model="ruleForm.password" 
								type="password" 
								placeholder="请输入密码" 
								prefix-icon="Lock" 
								show-password 
								class="custom-input"
								size="large"
							/>
						</el-form-item>

						<el-form-item>
							<el-button type="primary" class="login-btn" @click="submitForm(ruleFormRef)">
								<span class="btn-text">登录系统</span>
								<div class="btn-pulse"></div>
							</el-button>
						</el-form-item>
					</el-form>

					<div class="options">
						<router-link to="/register" class="register-link">
							<span>注册新账号</span>
							<div class="link-underline"></div>
						</router-link>
					</div>
				</div>

				<!-- 底部信息 -->
				<div class="footer">
					<div class="security-badge">
						<div class="medical-shield"></div>
						<span>医疗数据加密 | HIPAA标准安全协议</span>
					</div>
					<p class="safety-tip">24/7全天候监护，守护每一份安全</p>
				</div>
			</div>
		</div>
	</div>
</template>

<script lang="ts" setup>
import { reactive, computed, ref, onMounted } from 'vue';
import { useRoute, useRouter } from 'vue-router';
import { ElMessage } from 'element-plus';
import { useI18n } from 'vue-i18n';
import Cookies from 'js-cookie';
import { storeToRefs } from 'pinia';
import { useThemeConfig } from '/@/stores/themeConfig';
import { initFrontEndControlRoutes } from '/@/router/frontEnd';
import { initBackEndControlRoutes } from '/@/router/backEnd';
import { Session } from '/@/utils/storage';
import { formatAxis } from '/@/utils/formatTime';
import { NextLoading } from '/@/utils/loading';
import type { FormInstance, FormRules } from 'element-plus';
import request from '/@/utils/request';

// 定义变量内容
const { t } = useI18n();
const storesThemeConfig = useThemeConfig();
const { themeConfig } = storeToRefs(storesThemeConfig);
const route = useRoute();
const router = useRouter();
const formSize = ref('default');
const ruleFormRef = ref<FormInstance>();

/*
 * 定义全局变量，等价Vue2中的data() return。
 */
const ruleForm = reactive({
	username: '',
	password: '',
});

/*
 * 校验规则。
 */
const registerRules = reactive<FormRules>({
	username: [
		{ required: true, message: '请输入账号', trigger: 'blur' },
		{ min: 3, max: 15, message: '长度在3-15个字符', trigger: 'blur' },
	],
	password: [
		{ required: true, message: '请输入密码', trigger: 'blur' },
		{ min: 3, max: 15, message: '长度在3-15个字符', trigger: 'blur' },
	],
});

// 健康节点样式
const getHealthNodeStyle = (index: number) => {
	const left = Math.random() * 100;
	const top = Math.random() * 100;
	const size = 6 + Math.random() * 10;
	const duration = 3 + Math.random() * 5;
	const isHeartbeat = Math.random() > 0.5;
	
	return {
		left: `${left}%`,
		top: `${top}%`,
		width: `${size}px`,
		height: `${size}px`,
		animationDuration: `${duration}s`,
		animationDelay: `${index * 0.1}s`,
		backgroundColor: isHeartbeat ? '#4A90E2' : '#50C878',
		borderRadius: isHeartbeat ? '50%' : '0'
	};
};

// 扫描射线样式
const getScanRayStyle = (index: number) => {
	const angle = 120 * index;
	const duration = 4 + index;
	
	return {
		transform: `rotate(${angle}deg)`,
		animationDuration: `${duration}s`,
		animationDelay: `${index * 0.5}s`
	};
};

// 健康数据点样式
const getHealthDotStyle = (index: number) => {
	const left = Math.random() * 100;
	const top = Math.random() * 100;
	const size = 2 + Math.random() * 4;
	const duration = 2 + Math.random() * 3;
	
	return {
		left: `${left}%`,
		top: `${top}%`,
		width: `${size}px`,
		height: `${size}px`,
		animationDuration: `${duration}s`,
		animationDelay: `${index * 0.15}s`
	};
};

后端代码展示

详细功能展示视频

基于YOLO和千问|DeepSeek的跌倒检测系统（web界面+YOLOv8/YOLOv10/YOLOv11/YOLOv12+前后端分离+python）_哔哩哔哩_bilibili

基于YOLO和千问|DeepSeek的跌倒检测系统（web界面+YOLOv8/YOLOv10/YOLOv11/YOLOv12+前后端分离+python）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV15acxznEYq/?spm_id_from=333.999.0.0&vd_source=549d0b4e2b8999929a61a037fcce3b0fhttps://www.bilibili.com/video/BV15acxznEYq/

# 人工智能 # 深度学习 # 图像处理 # 计算机视觉 # python
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

基于 LangGraph 的 Agentic RAG 核心架构

avatar AtomGit开源社区
cover

毕业论文答辩新选择：10款AI辅助工具（含爱毕业aibiye）与模板测评

avatar AtomGit开源社区

生成式智能体模拟：《模拟人生》的 AI 版社会实验

现在，我们已经把生成式智能体和三个最容易混淆的概念（传统游戏AI、大语言模型Agent、群体智能）做了详细的对比——接下来，我们来做一个核心概念的总结，并且画一个ER实体关系图来展示生成式智能体模拟系统的核心实体之间的关系。生成式智能体模拟系统的核心定义是：生成式智能体模拟系统是一种由多个生成式智能体和一个虚拟环境组成的系统。

avatar AtomGit开源社区