人工智能

1. 首页
2. IT互联网
3. 人工智能

10 分钟搭建专属 AI Agent：从零到落地的全流程实操方法论

在生成式 AI 全面普及的今天，AI Agent 早已不是互联网大厂、算法工程师的专属玩具，也不是需要动辄数万行代码、复杂分布式架构才能落地的黑科技。恰恰相反，只要你能写清楚一份基础的工作清单，就能在 10 分钟内搭建出一个能真正为你节省数百小时重复劳动的 AI Agent。很多人对 AI Agent 的认知陷入了误区：总想着做

人工智能 2026年03月08日 155 点赞 0 评论 3897 浏览

扩散模型

常见的生成模型（Generative Models）如 GAN、VAE 和基于流( Flow-based )的模型。他们在生成高质量样本方面取得了巨大成功，但每个都有其自身的局限性。 GAN 因其对抗性训练性质，其训练过程难以收敛以及生成多样性欠佳。 VAE 依赖于替代损失（surrogate loss）。流模型必须使用专门的架构来构建可逆变换。 扩散模型( Diffusion Models )

人工智能 2025年07月07日 197 点赞 0 评论 3901 浏览

掌握提问驱动AI：速通大模型提示工程

  大家好，我是爱编程的喵喵。双985硕士毕业，现担任全栈工程师一职，热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。喜欢通过博客创作的方式对所学的知识进行总结与归纳，不仅形成深入且独到的理解，而且能够帮

人工智能 2026年04月03日 63 点赞 0 评论 3901 浏览

算力调度算法：基于AI的智能算力分配方法

算力调度算法：基于AI的智能算力分配方法 📚 本章学习目标：深入理解基于AI的智能算力分配方法的核心概念与实践方法，掌握关键技术要点，了解实际应用场景与最佳实践。本文属于《云原生、云边端一体化与算力基建：AI时代基础设施革命教程》云原生技术进阶篇（第二阶段）。 在上一章&#xff0c

人工智能 2026年05月06日 120 点赞 0 评论 3910 浏览

创建自定义的 Angular 管道

我们在上一篇文章中，了解了什么是 Angular 管道，以及如何使用 Angular 提供的一些常用管道。本文将进一步深入探讨如何创建一个 Angular 管道，实现对数据的自定义转换。 创建管道 我们可以使用 Angular CLI 的 generate 命令，创建一个管道： ng generate pipe sort 输出结果： CREATE src/app/sort.pipe.spec.

人工智能 2025年09月27日 131 点赞 0 评论 3926 浏览

《教育心理学》学习2-3

位置法 如果说图像法是一种帮助编码记忆材料的方法，那么“位置法”（method of loci,MOL）就是一种帮助检索材料的“线索”。许多人在记忆时往往会结合图像法和位置法进行记忆。位置法是目前最主要的记忆术之一，相传是古希腊诗人西蒙尼停斯（Simonides of Ceos)首先提出的。如今很多一流的记忆大师（例如世界记忆冠军王峰等）或多或少都会使用这种方法。 想象一条你熟悉的路线，比如从

人工智能 2025年09月08日 52 点赞 0 评论 3933 浏览

从零开始强化学习（四）——策略梯度

四. 策略梯度(Policy Gradient) 4.1 期望奖励(Expected Reward) 在强化学习中有3个组成部分：演员(actor),环境(environment)和奖励函数(reward function) 演员就是一个网络，输入状态，输出动作 环境就是一个函数，输入状态和动作，输出状态。环境是基于规则的规则，是确定不变的 奖励是在某一个状态下采取某个动作能够获得的分数。环境是

人工智能 2025年05月01日 106 点赞 0 评论 3937 浏览

kotlin<第八篇>：协程的启动与取消

一、启动构建器 launch与async构建器都用来启动新协程： 1、launch，返回一个Job，并且不附带任何结果值 2、async，返回一个Deferred，Deferred也是一个Job，可以使用.await()在一个延期的值上得到它的最终结果。 等待一个作业： 1、线程切换 launch(Dispatchers.Default) { println("1")

人工智能 2025年08月04日 102 点赞 0 评论 3980 浏览

多重检验矫正p值

因为P值的阈值是人为规定的，无论是多小的P值，也仅仅能代表结果的低假阳性，而非保证结果为真。如果检验一次，犯错的概率是5%；检测10000次，犯错的次数就是500次，即额外多出了500次差异的结论（即使实际没有差异）。即使P值已经很小（比如0.05），也会被检验的总次数无限放大。比如检验10000次，得到假阳性结果的次数就会达到 5%*10000=500次。 这时候我们就需要引入多重检验来进行校正

人工智能 2025年09月06日 33 点赞 0 评论 4003 浏览

如何给 HDFS 「减肥」之数据清理

Hadoop 平台运行至今，前期处于放任自由的状态，后期才开始稍加管控，指定相关数据使用规范。日积月累，数据规模越来越大，元数据暴增，Namenode rpc 频繁超时告警，Namenode HA 切换也较为频繁。 企业的预算不可能无限增加，所以一个良好的平台规范以及定时数据清理机制，对平台的来说至关重要，属于非常实在的降本增效工作。 这里记录下我们组的近期制定的 HDFS「瘦身计划」。 1.

人工智能 2025年06月17日 105 点赞 0 评论 4008 浏览