登录社区云,与社区用户共同成长
邀请您加入社区
美国本土 IDM,自研光芯片 + 800G/1.6T 光模块,绑定亚马逊、北美广电,AI + 宽带双增长。利通电子、宏景科技、协创数据、盈峰环境、智微智能、润健股份、润泽科技、奥飞数据、东阳光、东方国信。光纤 + 特种材料基石,AI 数据中心、算力网络都要用它的光纤布线,稳基建龙头。东方电气、杰瑞股份、应流股份、联德股份、中国动力、万泽股份。中际旭创、新易盛、华工科技、长芯博创、仕佳光子、光迅科技
文章摘要:Agent的记忆机制远非简单的向量检索,而是一套复杂的管理系统。文章系统性地探讨了Agent记忆的核心问题——如何选择、组织和召回记忆,并深入分析了短期记忆、摘要记忆、向量检索、结构化Profile等不同类型记忆机制的优缺点。同时指出,向量检索虽常见但存在局限性,结构化Profile和知识图谱等更复杂的记忆形式能更有效地支持长期协作。文章还对比了不同Agent类型的记忆需求,并强调设计记
本题是大模型Agent方向面试的核心高频深度题,重点考察求职者LLM推理范式演进认知、Agent规划模块系统性架构理解、工程落地权衡思维、业务场景适配能力。题目 给出了 CoT、ToT、GoT、ReAct、Plan-and-Execute、Reflexion 等 6大 规划范式 关键词,但核心并非考察名词释义背诵,而是要求求职者建立完整、闭环的技术认知体系,能够打通学术原理与工业落地的壁垒。第一,
文章通过中石油引入数字员工改变客服工作模式的案例,揭示了AI并非简单替代人力,而是将标准化工作交给AI,使人更专注于处理复杂、个性化问题。文章强调在AI时代,理解客户真实需求、在规则外寻找解法以及教会AI的能力成为核心竞争力,并指出职场人应主动适应与AI协作,实现向更高价值链的转型。上个月看到一篇报道:中国石油956100客服中心引进数字员工后,一线坐席员30%的工作量被AI承接。我当时的反应是:
这三大坑,是我最近高强度实战走过的路。坦白讲,AI 看似降低了开发门槛,但当你用它去干真正贴近核心业务、极其复杂的定制化工作时,你会发现沟通成本、调试成本和算力成本,并不比你直接找个软件开发外包便宜。走到这一步,很多同学会觉得“AI 不过如此”,转而退回去用那些更简单的日常工具。但我必须提醒你:这往往是拉开差距的最后一道坎。外包交付的只是冷冰冰的代码,而你用 AI 亲自踩坑、死磕出来的,是一套真正
本文针对程序员从传统开发转向AI开发时常见的5个认知误区进行了深入剖析,包括将AI等同于调API、忽视工程能力、低估数据问题复杂性、轻视模型落地难度以及期望速成等。文章强调AI开发不仅需要算法知识,更需要强大的工程能力和对业务场景的深刻理解,并建议转AI者应将学习周期规划为长期积累,通过实战经验提升技能。你写了五年后端,调得一手好SQL,代码质量从不让人操心。决定转AI开发那天,你信心满满——算法
作者分享了从8年Java后端经验跨界到AI应用开发的经历和心得。文章指出,当前AI应用开发门槛提高,单纯会调API已不足够,需要具备后端工程能力和AI落地能力。建议后端开发者不要盲目转行,需掌握RAG、Agent、Prompt等工程知识,并强调持续学习和产品思维的重要性。文章还提出了转型五阶段学习路线,并给出备战建议,最后鼓励后端开发者抓住AI风口,实现职业突破。
本文深入剖析了RAG应用在实际使用中可能出现的性能问题,指出问题并非仅仅源于模型或向量库的速度。文章详细阐述了影响RAG性能的三大关键因素:检索链路变长、上下文变长导致的TTFT增加以及KV Cache对并发的影响。通过分析这些因素,文章提出了针对性的优化策略,如拆分端到端耗时、优化top-k和token budget、改善信息位置等,帮助开发者有效提升RAG应用的响应速度和用户体验。对于想要学习
RAG = 检索相关资料 + 基于资料生成回答它解决的核心问题是:大模型不一定知道最新、私有、细节化的业务知识。但知识库知道。所以先让系统从知识库里检索相关资料,再把资料交给大模型组织答案。文档切分向量化建索引问题召回候选重排上下文拼接生成回答效果评估如果基础链路已经不够用,再考虑 Hybrid RAG、Multi-hop RAG、GraphRAG、Agentic RAG 这些增强形态。Hybri
最近 A2A 协议的热度起来了,面试里被问到的频率也高了——快手 Agent 开发一面就出了这道题。A2A 和 MCP 经常被放在一起讨论,但把 A2A 当成 MCP 的竞品是最常见的翻车。两者的定位完全不同:MCP 是 Agent 向下连工具和数据,A2A 是多个 Agent 之间互相通信协作。一个纵向连接,一个横向编排。先看一段典型的面试翻车现场:👔面试官:说说什么是 A2A 协议,它和 M
从基于SSM架构支持MD5算法加密的宿舍管理系统,到基于Spring Boot的“宠物百货”电商网站、英语单词学习系统,再到基于Java的实验室管理系统、人事管理信息系统,这些项目均采用主流技术栈,涵盖了从后端框架到前端交互的完整开发流程。百考通不仅是资源的聚合者,更是学习的赋能者。在移动开发与AI/机器学习领域,百考通也紧跟技术潮流,上线了基于Java的移动套餐管理与推荐系统等项目,同时储备了大
通过这些示例,能知道怎么用spring-ai这个框架。先记录一下spring ai中,advisor API的作用:简单来说,advisor就相当于spring框架中的aop,可以在一次调用LLM之前和之后,支持补充其他逻辑,比如日志、查看执行相关的数据或指标等。
本文从护眼技术、屏幕参数和长时间学习体验三个角度,分析联想小新Pad在护眼方面的实际表现,并与iPad和华为MatePad进行对比,帮你找到最适合长时间学习的学生平板。在2000到3000元的学生平板推荐中,联想的护眼屏认证覆盖是最全面的——小新11、小新12.1和小新Pro 13三款产品全线通过,不需要额外加价选购高配版本。综合来看,在2000到3000元的学生平板推荐价位段,联想小新Pad系列
2026年,AI大模型早已褪去实验室小众技术的光环,彻底渗透互联网、企业服务、传统产业各大领域,成为的黄金赛道。如今打开CSDN技术社区、行业交流群,大模型RAG、AI Agent、模型微调、私有化部署等话题热度持续霸榜。结合2026年最新招聘数据来看,AI大模型赛道人才缺口激增超40%,岗位量同比暴涨8倍,其中AI Agent、多模态应用开发岗位涨幅高达418%。
我们团队在实践中发现,现在90%的智习室加盟坑,本质都是把“智能”当噱头卖加盟费。我当初2024年陪我表弟考察加盟项目,差点踩坑,当时有个品牌要12万加盟费,说给全套智能设备,结果去直营店蹲了两天才发现,所谓的智习室就是装了个预约门禁的普通自习室,所谓的AI学习系统就是个装了盗版资源的平板,学生学了啥后台根本没有数据,内容也没人审核,加盟商交了钱之后连运维的人都找不到,我表弟当时差点签合同,现在那
传统创业需要融资、租办公室、雇人,失败成本极高。轻资产创业指的是:以个人或极小团队为核心,用技术能力直接变现,不需要大量外部资本。
AI 不是淘汰程序员,而是重新定义程序员。2026 年技术就业市场呈现K 型分化:基础编码岗收缩,AI 复合型、架构型人才爆发。本文用最新数据与行业趋势,帮你看清前景、选对方向、稳住饭碗。
本文针对AI产品经理与创业者,提出了一套全新的竞品分析框架。不同于传统关注功能与界面,AI时代的分析需深入模型能力、数据飞轮和算力成本。文章详细阐述了如何拆解模型策略(套壳、微调、自研)、探寻数据飞轮、评估输出质量(意图理解、幻觉控制、延迟优化)以及算清成本账本(Token成本、模型路由、定价策略)。最后,文章提供了“四步框架”帮助AI产品经理落地实操,旨在透过表象看本质,找到真正的商业护城河。传
本文介绍了如何通过构建Harness工程化框架,解决主播Agent在高风险直播场景中的可用、可控和可演化问题。文章从Harness的六元组定义出发,详细阐述了主播Agent的Harness分层结构,以及在实际应用中如何通过上下文工程、工具调用约束、生命周期Hook、沙箱执行防护、五层安全防护体系、异常处理与降级策略、LLM驱动的PlanEngine和评测体系等手段,确保Agent的稳定运行。此外,
摘要: Agent与Workflow并非对立关系,而是协同互补的智能体体系核心组件。传统观点误将Workflow视为固定流程、Agent视为动态决策,但现代架构(如LangChain/LangGraph)已演变为**“外层DAG编排+内层动态决策”**的混合模式。Workflow在多Agent系统中承担总指挥角色,确保分工与协作;而工业级Agent系统需整合四层架构:ReAct单智能体(原子任务)
本文深入浅出地讲解了11个大模型必备的基础概念,涵盖了AI的语义理解、文档拆分、智能检索等核心功能,以及提示词、思维链、零样本、少样本等实用技巧。文章还介绍了API调用与本地模型部署的实际应用,帮助读者循序渐进地理解AI的底层逻辑和实际用法,快速掌握AI基础知识,轻松看懂日常AI工作原理。本文带大家轻松读懂 11 个大模型必备基础概念。
摘要本文提出了一种基于神经网络的(NN-based)数据驱动迭代学习控制(ILC)算法,用于具有未知模型和重复任务的非线性单输入单输出(SISO)离散时间系统的跟踪问题。控制目标是使系统的输出在每次迭代过程中跟踪参考轨迹。因此,在每次迭代过程的每个相对时间点上,使用广义回归神经网络(GRNN)作为估计器来解决系统的关键参数,并使用径向基函数神经网络(RBFNN)作为控制器来解决控制输入。
如果说程序员已经是高薪职业,那么干AI的程序员,就是高薪中的高薪。学AI大模型,就是冲刺高薪的最优解!零基础小白不知道从哪入门?有基础的程序员找不到系统学习路径?实战项目练手无门?面试不知道考什么?别慌!今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包,覆盖从入门到实战、从理论到面试、从基础到进阶的全流程,所有资料均已整理归档,无冗余、无套路,免费分享给每一位想抓住AI风口的程序
这篇面向准备从 Java 后端转向大模型应用开发的程序员,但不会把“Java 转大模型开发:把学习路线变成作品集”写成概念清单。我会按职业路线 + 实战教程的思路,把它放到真实开发、学习路线和求职准备里看,顺便讲几个容易忽略的取舍。这次我会从“从求职作品集角度切入,重点写可展示成果”展开,换一组场景和例子来讲。回到“Java 转大模型开发:把学习路线变成作品集”这个主题,最重要的不是把名词背全,而
⚠️ 声明:本文作者也是 FreeRTOS 初学者,这篇文章只是我在学习源码过程中的一些理解与记录,难免存在理解偏差,欢迎交流与指正(有不少ai辅助写的地方,因为很多地方感觉自己确实说不清楚)
2026年,转行网络安全是“顺势而为”的选择——政策驱动、需求旺盛、薪资涨幅高、零基础可入门,无论是应届生、职场转行人群,都能找到适配的岗位。对于转行人群而言,核心是“找对方向、夯实基础、积累实战”:优先选择安全运维、安全运营等低门槛岗位,遵循科学的学习路线,3-8个月即可实现入职;入职后持续学习,深耕细分方向(如云安全、AI安全),1-3年即可实现薪资翻倍,长期发展潜力巨大。网络安全行业不看重出
在AI时代,学习重心应从记忆转向培养流体智能。文章提出“道法器”框架:明确学习方向(侧重具身认知与全局逻辑),采用定制化与项目化学习方式,善用AI工具(对话式与代码编辑器形态),并结合Obsidian和NotebookLM等工具构建知识体系,实现高效学习与协作。
回到开头的"巴别塔"问题。三个 Agent 无法互操作,不是因为缺少协议,而是因为缺少正确的协议——MCP 连接工具,A2A 连接 Agent,ANP 连接网络。一句话总结:Agent 通信协议不是"选一个赢者",而是"选对的层"。你需要连接工具和数据源?用 MCP——它是模型-工具连接的 USB 接口你需要 Agent 间协作?用 A2A——它是 Agent-Agent 协作的 TCP/IP你需
本文总结了2026年产品经理必须掌握的10个AI新概念,包括Agent Teams、Subagent、Computer Use、Compaction、Hermes Agent、Cloud Sandbox、Agentic Engineering、Coding Agent、Model Router和A2A。这些概念涵盖了AI在任务分配、子任务处理、人机交互、上下文压缩、长期记忆、安全沙箱、工程方法论、
本文通过类比学生做题的过程,系统介绍了监督学习的核心概念和训练机制。主要内容包括: 监督学习本质:模型通过"做题(预测)-对答案(标签)-改参数(优化)"的循环过程逐步学习。 关键概念解析: 数据集划分:训练集(练习册)、验证集(模拟考)、测试集(期末考试) 标签:监督学习的标准答案 Loss:预测错误的量化指标 学习率:参数更新的调整幅度 训练流程:详细拆解了从输入样本到参数更新的6个关键步骤,
本文提供了一份从零基础到进阶的AI学习路线图,分为六个阶段:首先搞懂AI相关的基本概念和应用场景;接着通过主流AI工具进行实操;然后按需掌握数学基础;学习Python编程及必备库;深入核心理论包括机器学习和深度学习;最后选择主流框架进行实战,并根据个人职业或兴趣选择细分方向。文章强调通过玩AI工具、理解概念、学习Python和基础数学、掌握机器学习理论和实践、深入学习及专项实战的顺序,能够最高效地
路径启动成本技术门槛收入天花板适合人群AI工具开发★★☆★★★★★★★★有产品思维的开发者AI开源变现★★★★★★★开源社区活跃者AI外包接单★★★☆★★★★执行力强、时间充裕AI内容创作★★★☆★★★★有表达欲、爱分享AI Agent产品★★☆★★★★★★★★★技术前沿追逐者AI垂直方案★★★★★★★★★★★★行业背景深厚者如果说程序员已经是高薪职业,那么干AI的程序员,就是高薪中的高薪。学AI
AI编程领域正经历从Prompt Engineering(提示词工程)向Harness Engineering(控制系统工程)的转变。Claude Code团队认为,未来核心能力不再是优化单次交互的提示词,而是构建驾驭AI的完整系统框架(Harness),包括项目规范、技术架构、测试流程等模块。AI发展已进入四阶段演进:问答式Prompt→自主执行任务的Agent→稳定性控制的Harness→目标
摘要: Agent(智能体)能力的差异不仅取决于底层模型,更由 Model(模型)、Harness(工作系统)、Skill(技能) 三者协同决定。 Model 是大脑,负责推理与生成,但需外部系统提供工具和上下文才能“做事”。 Harness 是外骨骼,集成提示词、工具、权限等,将模型想法转化为实际动作(如查资料、改代码),并通过闭环验证确保结果可靠。 Skill 是专业经验包(如SOP、脚本),
创建一个新的任务,优先使用 Promise,如果浏览器不支持,再尝试 MutationObserver。又不支持,只能用 setTimeout 创建 task 了。MutationObserver 是 h5 新加的一个功能,其功能是监听dom节点的变动,在所有 dom 变动完成后,执行回调函数。🟣 前端2026最新【持续更新】→。🟢 前端0到1【持续更新】→。🔵 前端进阶【持续更新】→。🔴
ArcGIS Pro 是一款集数据采集、处理、分析和可视化于一体的强大 GIS 工具,广泛应用于水文、水资源、水生态和水环境等领域。其全面的功能使得研究人员能够高效地处理各种水文和环境数据,从而为科学研究和决策支持提供强有力的技术保障。在水文分析方面,ArcGIS Pro 利用数字高程模型 (DEM) 进行流域边界划分、河网提取,并可实现水文站控制面积的计算,帮助科学家分析流域内的水文特征及其动态
无 RAII:手动 new/delete、malloc/free、fopen/fclose 这类原生资源,自己写代码释放。**C++ 异常 (throw/catch):**隐式向上抛出,意外 / 致命错误,靠栈展开传递,有运行时开销。**错误码 (error_code):**显式返回错误状态,可预期、常规错误,纯值传递,性能无损耗。有 RAII:把资源包进类对象,靠构造拿资源、析构自动释放,不用手
本文介绍了一个基于RAG+Agent的四层微服务架构,用于构建真正落地到企业级办公的AI知识库。该架构包括用户接入层、智能体服务层、数据与检索层以及基础设施层,能够支持多平台接入、复杂查询、调用外部工具等功能,并有效解决传统RAG的局限性。很多人做AI知识库,只停留在“文档上传+对话”的玩具级应用。想真正落地到企业级办公(支持钉钉/飞书、解决复杂查询、调用ERP等外部工具),就必须看懂下面这张系统
大模型训练的三级跳:从知识积累到智能对话 大模型训练分为三个阶段:预训练阶段让模型通过海量无标注文本学习语言基础和常识;有监督微调(SFT)阶段通过人工标注的问答数据,教会模型理解指令、礼貌应答;偏好对齐阶段(RLHF/DPO)则通过人类反馈优化回答质量,提升逻辑性、安全性和实用性。整个过程如同培养一个学者:先博览群书积累知识,再学习社交礼仪,最后训练思维严谨性。当前AI行业对大模型应用人才需求旺