tag 人工智能

標籤
貢獻960
1635
06:37 AM · Oct 27 ,2025
deephub 頭像 u_13357275 頭像 pannideniupai 頭像 elhix0bg 頭像 rtedevcomm 頭像 xingxingshangdeliushu 頭像 tecdat 頭像 chaoshenjinghyperai 頭像 u_15591470 頭像 u_17579295 頭像 u_17512334 頭像 lab4ai 頭像

@人工智能 / 博客 RSS 訂閱

jeecg 頭像

JEECG低代碼平台 - Jeecg AI 應用開發平台 v1.0.0，首個開源版本發佈

一個全棧式 AI 開發平台，旨在幫助開發者快速構建和部署個性化的 AI 應用。 Jeecg-AI 是一套類似Dify的AIGC應用開發平台+知識庫問答，是一款基於大型語言模型和RAG技術的AI應用平台，重點提供圖文並茂的AI知識庫和智能聊天功能，界面直觀，支持知識庫管理、AI流程編排、模型配置、向量庫對接及實時運行監控，幫助用户將知識轉化為智能AI知識庫，輕鬆實現精準智能問答。 發版時間：v1.

jeecg-boot , ai開發 , 人工智能

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：四十八、從單體智能到羣體智能：A2A協議如何重塑人機協作新範式

一、開篇導語 我們對A2A已經有了初步的瞭解，但對具體使用可能還充滿了很多疑問，今天我們結合具體的實例來加深對A2A實際應用的理解，想象這樣一個場景：我們要組織一場户外籃球賽，需要同時考慮天氣狀況、場地預約、參與人員時間安排等多個因素。在傳統模式下，這需要我們分別查看天氣預報、聯繫場地管理員、逐個確認參與者時間——一個典型的多系統、多步驟的繁瑣過程

天氣查詢 , yyds乾貨盤點 , API , pytorch , 人工智能 , A2A , Json

收藏 評論

u_15591470 頭像

ceshiren2022 - 大廠熱門測試基礎設施揭秘：Dify工作流引擎的設計哲學與最佳實踐分析

當今軟件開發領域，測試基礎設施的效率和可靠性直接關係到產品的交付質量與速度。隨着AI技術的普及，如何將智能能力深度融入測試流程成為各大廠面臨的共同挑戰。 Dify作為一款開源的大模型應用開發平台，通過其強大的工作流引擎，正被越來越多的大廠選為核心測試基礎設施，將AI應用系統整合週期從平均12周縮短至3-4周，整合效率提升高達70%。 本文將深入解析Dify工作流引擎的設計哲學，並分享在大

人工智能 , 基礎設施 , 深度學習 , dify , 工作流引擎

收藏 評論

daniusdk 頭像

音視頻牛哥 - AI 重塑軟件版圖後，音視頻的下一站在哪裏？未來五年的五次關鍵進化

前言 過去十年，音視頻技術的演進幾乎都圍繞同一個方向： 在有限資源下榨出更高畫質、更低延遲和更強穩定性。 我們在帶寬中擠空間、在協議中摳時延、在設備差異裏尋求兼容性。 但到了 2025 年，這條傳統進化路徑正在顯露疲態。 H.266 的壓縮效率提升開始進入“邊際衰減”，WebRTC 的交互

音視頻 , yyds乾貨盤點 , gemini3生成代碼 , chatgpt生成代碼 , 人工智能 , AI人工智能 , 深度學習

收藏 評論

rtedevcomm 頭像

RTE開發者社區 - CES 2026 拉斯維加斯交流晚宴 | 半個 AI 硬件圈子都來了丨社區來稿

一年一度科技盛會 CES 來了，CES 2026 AI的競爭已從模型能力，轉向設備架構、系統整合與規模化落地。AI Companion 正成為對實時性與系統協同要求最高的 AI 設備形態。 共識的是AI Companion 不是功能疊加，而是系統工程。芯片、HAL、實時交互、對話式 AI、Agent 與設備形態，必須在同一架構下協同設計。而在其中真正的門檻不在模型，而在整合。 針對這個關鍵問題，A

人工智能

收藏 評論

jdcdevloper 頭像

京東雲開發者 - Ui2Code+ChatGPT助力低代碼搭建 | 京東雲技術團隊

前言 低代碼開發平台（LCDP），是低代碼或無代碼通過快速搭建配置的方式完成一個應用程序的開發與上線，可視化低代碼就是可視化的DSL，它的優點更多的是來源可視化，相對的，它的侷限性也還是來源於可視化，複雜的業務邏輯用低代碼可能會更加複雜。低代碼應該是特定領域問題的簡化和抽象，如果只是單純將原有的編碼工作轉換為 GUI 的模式，並沒有多大意義。 背景 隨着京東微信域業務與騰訊合作的加深，作為流量的載

小程序 , 低代碼 , 人工智能 , unicode

收藏 評論

u_16099210 頭像

數據分析大師 - 為什麼刷rom之前要擴容system

作為FPGA的初學者，在調用IP核時會發現其中的 ROM 和 RAM 是在同一個地方，但是不知道它們到底有什麼區別呢？下列我根據自己的理解説説吧。 RAM 可以理解為緩存吧，就是把系統即將要用到的數據存儲在 RAM 中，以便於在使用時隨時讀取出來。RAM 中的數據可隨時進行寫入和讀取，在斷電後會將數據全部清空，所以 RAM 不能用來長時間儲

機器學習 , 數據 , ip , ROM區別 , 人工智能 , RAM , 為什麼刷rom之前要擴容system

收藏 評論

u_16099243 頭像

代碼探險家 - elementui中數字區間編輯控件

目錄概覽： 深入理解HTML語義 讓IE8支持HTML5語義化標籤 視覺格式化模型 深入瞭解inline-block flexbox剩餘空間分配規則 grids佈局系統 瀏覽器如何渲染HTML CSS 重排與重繪 一、深入理解 HTML 語義 HTML 語義當然不僅僅只是幾個 HTML 語義標

機器學習 , html定義盒子距離頂底端像素 , 基線 , elementui中數字區間編輯控件 , 人工智能 , Css , HTML

收藏 評論

u_17580222 頭像

mb691327edb400f - AI面試智能體

培訓預算削減的背後，是時候重新審視招聘的真正成本。 年底覆盤，不少HR對着培訓報表愁眉不展：預算花了近百萬，員工滿意度剛過及格線，業務部門還抱怨“培訓沒用”。降本增效的要求之下，培訓預算首當其衝被壓縮。問題真的出在培訓本身嗎？或許，根源在於招聘環節——選錯人，才是企業最大的成本浪費。 01 培訓無效的背後：選錯人是最昂貴的成本 當業務部門抱怨“培訓沒用”時，他們

沉浸式 , 一對一 , 人工智能 , 深度學習

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：四十一、大模型思維鏈提示工程：技術原理與行業應用案例分析

一、前言 隨着模型在自然語言理解、文本生成等基礎任務上的性能持續突破，其在複雜問題解決場景中的推理能力不足逐漸成為技術落地的關鍵瓶頸。儘管主流模型在單一任務中展現出接近甚至超越人類的表現，但在需要多步驟邏輯推演、數學運算或因果關係分析的複雜任務中，往往因缺乏明確的推理路徑而產生錯誤結論或表面化回答。這種推理能力的侷限性，本質上反映了大模型在處理非線性、多約束問題時對中間推理

思維鏈提示 , 推理過程 , API , pytorch , 人工智能 , Json

收藏 評論

u_14405 頭像

fjfdh - 03_人工智能基礎_matplotlib

人工智能之數據分析 Matplotlib 第三章 基本屬性 文章目錄 人工智能之數據分析 Matplotlib 前言 一. 繪圖標記 二. 繪圖線 三. 軸標籤和標題 四. 網格線

機器學習 , matplotlib , 人工智能 , 數據分析 , 深度學習 , jquery , 前端開發

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI 大模型數字化監測系統：用智能技術重構監測新範式

傳統數字化監測多是“數據採集 + 簡單統計”，只能被動呈現數據結果，難以及時捕捉隱藏風險、預判趨勢變化。AI 大模型數字化監測系統的核心突破，是讓監測從“看數據”升級為“懂數據、判趨勢、提方案”，靠大模型的語義理解與推理能力，打通“數據採集-智能分析-決策輸出-閉環優化”全鏈路，成為業務管控的“智能大腦”。其技術邏輯不復雜，本質是用大模型賦能監測，實現數據價值的深度挖掘。 系統技術根

數據 , 上傳 , 數據採集 , NLP , 人工智能

收藏 評論

u_16213646 頭像

mob64ca140761a4 - 離線使用hanlp裏的模型需要什麼操作

ETL測試分為離線ETL和實時ETL測試。 實時ETL的測試點： 鏈路數據的一致性 　　主要驗證每個鏈路節點數據消費的一致性，重點確保整個鏈路各個節點的數據處理和消費情況一致，也就是通過對數據消費的分時、分頻率對比完成一致性驗證。 　　 natural-flow：自然消費的數據流，是源於線上真實的數據消息通道，即自然頻率

離線使用hanlp裏的模型需要什麼操作 , 鏈路 , 數據丟失 , 數據 , NLP , 人工智能

收藏 評論

ziwupython 頭像

子午 - 【水果識別系統】Python+TensorFlow+Django+人工智能+深度學習+卷積神經網絡算法

一、介紹 水果識別系統，基於TensorFlow搭建Resnet50卷積神經網絡算法，通過對5種常見的水果圖片數據集（'聖女果', '梨', '芒果', '蘋果', '香蕉'）進行訓練，最後得到一個識別精度較高的模型，然後搭建Web可視化操作平台。 技術棧： 項目前端使用Html、CSS、BootStrap搭建界面。 後端基於Django處理邏輯請求 基於Ajax實現前後端數據通信 選題

圖像識別 , 人工智能 , 深度學習 , Python

收藏 評論

u_16391614 頭像

老艾的AI世界 - 白嫖最新ChatGPT和主流AI大模型，國內無限制使用

本文介紹8個免費使用ChatGPT等一眾頂尖大模型的網站，因為涉及到技術限制等因素，正文中不直接給出網址 GPT網站獲取及加速方法：網盤分享 1.網站一 用郵箱註冊後即可使用，支持Deepseek、ChatGPT、Google Gemini、Grok、Claude等主流大模型，並且支持聯網搜索

yyds乾貨盤點 , deepseek , AI大模型 , AI , chatgpt , 人工智能 , 深度學習

收藏 評論

u_16213564 頭像

網絡安全衞士 - snlp的算法及簡單解釋

SNP位點過濾 SNP過濾有兩種情況，一種是僅根據位點質量信息（測序深度，回帖質量等）對SNP進行粗過濾。如果使用GATK對重測序結果進行SNP calling，那麼可以考慮下面的標準 QD 2.0 || FS 60.0 || MQ 40.0 || MQRankSum −12.5 || ReadPosRankSum −8.0

Oz , NLP , bc , 人工智能 , snlp的算法及簡單解釋 , 4D

收藏 評論

u_16213577 頭像

信息小飛俠 - 如何用控制點校正dem

用SARscape做干涉處理時（InSAR/DInSAR），在軌道精煉的一步，必須輸入控制點文件（refinement GCP file），用於修正干涉相位和解纏後的相位。 用於優化的控制點可以是斜距座標（方位向和距離向座標），也可以是地理座標（xyz）高程可以自動從輸入的參考DEM上獲取。一般情況下，都是輸入SAR座標的。如果控制點用於不同軌道的

機器學習 , 地理編碼 , 多項式 , 數據 , 如何用控制點校正dem , 人工智能

收藏 評論

u_12995 頭像

kcoufee - 深度學習模型儀表讀取

目錄 前言 課題背景和意義 實現技術思路 一、錶盤區域定位算法 二、Mask R-CNN 網絡模型分析 三、錶盤區域定位算法改進與實現 實現效果圖樣例 最後 前言 📅大四是整個大學期間最忙碌的時光,一邊要忙着備考或實習為畢業後面臨的就業升學做準備,一邊要為畢業設計耗費大量精力。近幾

課程設計 , 算法 , 人工智能 , 深度學習 , 深度學習模型儀表讀取 , Javascript

收藏 評論

u_17590470 頭像

今晚加個牛腿吃 - 不用 ROOT！Qtscrcpy 安卓投屏神器！多設備投屏教程：一台電腦控 N 部安卓手機

前言 Qtscrcpy 是一款免費開源的安卓手機投屏 + 電腦控制工具，基於 scrcpy 核心開發，用 Qt 框架做了可視化界面，支持 Windows/macOS/Linux 系統，核心特點是「免安裝、無廣告、延遲低、功能全」，不用給手機裝任何 APP，也不用 ROOT，就能實現電腦對安卓手機的投屏和操控。 特點 超低延遲投屏把手機屏幕實時顯示在電腦

機器學習 , 手遊 , 免安裝 , 人工智能 , 開發者

收藏 評論

u_16213708 頭像

mob64ca14163a4f - Allegro Artwork control添加不了subclasses

一、參數必須設置項關鍵點總結： 1. 出artwork 前 database 檢查 2. 未定義線寬設置為 5 3.plot模式選擇正片 4.vectorbased pad behavior: rs274x 必選 5. film control 每張光繪單獨控制！！！ 其中film control 設置説明： 1

sed , 嵌入式 , 未定義 , 架構 , 後端開發 , 人工智能 , 焊盤

收藏 評論

u_13303 頭像

colddawn - 計算機視覺中特徵圖大小怎麼知道要多大比較合適呢

什麼是試圖？ 視圖是從一個或多個表中導出來的表，是一種虛擬存在的表，視圖就像一個窗口，通過它可以看到系統專門提供的數據，視圖可以讓用户的操作方便，保證數據庫系統的安全 視圖概念： 1：視圖從已經存在的表中到處，還可以從已經存在的視圖導出，數據庫只是保存視圖定義，而沒有存放視圖數據，視圖的數據還是存在原來的表中，視圖的數據依賴於原來的表，一旦原來的表發生改變，視圖

數據 , MySQL , 圖語法 , 人工智能 , 計算機視覺

收藏 評論

u_17583190 頭像

fangpin - AI Agent 設計原則與最佳實踐

Agent 設計準則 三大準則： 透明：讓用户感知 Agent 的存在，以及其行為 可控：用户可以設置 agent的偏好，並對 Agent 進行指令，以及監控其行為 一致性：Agent 行為保持一致，避免用户對 Agent 行為產生困惑 透明性設計 透明性要求 Agent 在交互過程中清晰表達其意圖、能力和限制： 身份標識：Agent

agent , langgraph , langchain , 人工智能 , 深度學習 , deep agent

收藏 評論

openbayescom 頭像

OpenBayes - 教程上新丨基於AI手勢識別，僅用CPU即可定製形態多變的3D聖誕樹

裝飾聖誕樹幾乎成了每個家庭迎接節日時不可或缺的一環，彩燈一圈圈繞上樹枝，掛件、照片慢慢填滿空隙，燈亮起的那一刻，節日的氛圍也隨之到位。 隨着聖誕節臨近，小貝也為大家置辦了一棵「賽博聖誕樹」。3D Christmas Tree 是由 moleculemmeng020425 開源的一個基於 React, Three.js（R3F）和 AI 手勢識別 Web 應用。 基於 AI 手勢識別，用户可以輕鬆用

圖像識別 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論