AI Agent多轮对话记忆难题如何破解?7种关键优化方法深度解析

AI Agent的多轮对话:提升用户体验的关键技巧 一个好的对话系统应该像一个专业的客服,既要理解用户需求,又要高效地解决问题。它不仅要"能听懂",还要"会说话"。在下一篇文章中,我会讲解如何实现 AI Agent 的安全机制。如果你对对话系统的设计有什么想法,欢迎在评论区交流。 阅读详情

在基于大模型的 Agent 中,长期记忆的状态维护至关重要,在 OpenAIAI 应用研究主管 Lilian Weng 的 博客《基于大模型的 Agent 构成》中,将记忆视为关键的组件之一,下面我将结合 LangChain 中的代码,分享7 种不同的Agent记忆维护方式在不同场景中的应用。

获取全量历史对话

在电信公司的客服聊天机器人场景中,如果用户在对话中先是询问了账单问题,接着又谈到了网络连接问 题,ConversationBufferMemory 可以用来记住整个与用户的对话历史,可以帮助 AI 在回答网络问题时还 记得账单问题的相关细节,从而提供更连贯的服务。

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
memory.save_context({"input": "你好"}, {"output": "怎么了"})
print(memory.load_memory_variables({}))

滑动窗口获取最近部分对话内容

在一个电商平台上,如果用户询问关于特定产品的问题(如手机的电池续航时间),然后又问到了配送方 式,ConversationBufferWindowMemory 可以帮助AI 只专注于最近的一两个问题(如配送方式),而不是整个对话历史,以提供更快速和专注的答复。

from langchain.memory import ConversationBufferWindowMemory
memory = ConversationBufferWindowMemory(k=1)
memory.save_context({"input": "iphone15续航"}, {"output": "续航一般"})
memory.save_context({"input": "配送"}, {"output": "很快"})
# {'history': 'Human: 配送\nAI: 很快'}
print(memory.load_memory_variables({}))

ConversationBufferWindowMemory 这个类在存储message还是全量存储的,只是在读数据的时候只读k个窗口。

获取历史对话中实体信息

在法律咨询的场景中,客户可能会提到特定的案件名称、相关法律条款或个人信息(如“我在去年的交通 事故中受了伤,想了解关于赔偿的法律建议”)。 ConversationEntityMemory可以帮助 AI 记住这些关键 实体和实体关系细节,从而在整个对话过程中提供更准确、更个性化的法律建议。

llm = ChatOpenAI(temperature=0, model="gpt-4o")


memory = ConversationEntityMemory(
    llm=llm,
    return_messages=True,
)
print(memory.load_memory_variables(inputs={"input": "good!  busy working on Langchain.  lots to do."}))
memory.save_context({"input": "good!  busy working on Langchain.  lots to do."}, {"output": "That sounds like a lot of work!  What kind of things are you doing to make Langchain better?"})
print(memory.load_memory_variables(inputs={"input": "i'm trying to improve Langchain's interfaces, the UX, its integrations with various products the user might want ...  a lot of stuff"}))
memory.save_context(inputs={"input": "i'm trying to improve Langchain's interfaces, the UX, its integrations with various products the user might want ...  a lot of stuff"}, outputs={"output": "that sounds great job"})
print(memory.load_memory_variables(inputs={"input": "what is langchain"}))

在会话过程中,需要从memory load 变量时:

  1. 根据history和用户的提问(也就是最新一句话)提取实体,注意这里提取的是用户最新提问的query的实体
  2. 从entity_store这个大字典查询之前是否存在对应实体的描述信息,如果有对应的描述信息,则把对应的实体和描述信息作为entities字段返回
  3. 如果之前提取了实体,但是最新一句话

当一次会话结束之后,需要save_contexts:

  1. 保存human message和ai message到 messages列表
  2. 因为AI message 可能补充了human 提到的实体信息,所以使用LLM更新当前query提到的实体的描述信息
  3. 如果在当前会话之前提取了实体,但是当前会话只是简单的问候,那么就不会更新实体的描述信息,本质还是因为实体信息是绑定在当前的query的

利用知识图谱获取历史对话中的实体及其联系

在医疗咨询中, 一个病人可能会描述多个症状和过去的医疗历史(如“我有糖尿病史,最近觉得经常口渴 和疲劳”)。 ConversationKGMemory 可以构建一个包含病人症状、疾病历史和可能的健康关联的知识图谱,从而帮助 AI 提供更全面和深入的医疗建议。

from langchain_community.memory.kg import ConversationKGMemory

llm = ChatOpenAI(temperature=0, model="gpt-4o")

memory = ConversationKGMemory(llm=llm)
memory.save_context({"input": "say hi to sam"}, {"output": "who is sam"})
memory.save_context({"input": "sam is a friend"}, {"output": "okay"})
print(memory.load_memory_variables({"input": "who is sam"}))  # {'history': 'On Sam: Sam is a friend.'}
print(memory.get_current_entities("what's Sams favorite color?"))  # ['Sam']

当每次会话结束的时候,会利用LLM从history中抽取知识的三元组,并存储到NetworkxEntityGraph图对象中。

当新的会话开始需要从memory load数据的时候,从当前Query中利用LLM抽取实体,并从NetworkxEntityGraph图对象中获取这个实体的knowledge, 把所有实体的知识信息返回。

对历史对话进行阶段性总结摘要

在一系列的教育辅导对话中,学生可能会提出不同的数学问题或理解难题(如“我不太理解二次方程的求解方法”)。 ConversationSummaryMemory 可以帮助 AI 总结之前的辅导内容和学生的疑问点,以便在随后的辅导中提供更针对性的解释和练习.

llm = ChatOpenAI(temperature=0, model="gpt-4o")
memory = ConversationSummaryMemory(llm=llm)
memory.save_context({"input": "hi"}, {"output": "whats up"})
print(memory.load_memory_variables({}))  # {'history': 'The human greets the AI with "hi," and the AI responds with "what\'s up."'}

ConversationSummaryMemory 有个buffer的属性,存放summary信息。每次会话结束的时候,用新生成的会话和之前的summary生成新的summary存储在buffer属性中。

ConversationSummaryMemory 特点:

  1. 只存储摘要,不存储原始对话
  2. 每次对话后都会更新摘要
  3. 适合长期对话,节省 token
  4. 可能丢失细节信息

需要获取最新对话,又要兼顾较早历史对话

在处理一个长期的技术问题时(如软件故障排查),用户可能会在多次对话中提供不同的错误信息和反 馈。ConversationSummaryBufferMemory 可以帮助 AI 保留最近几次交互的详细信息,同时提供历史问 题处理的摘要,以便于更有效地识别和解决问题。

llm = ChatOpenAI(temperature=0, model="gpt-4o")
memory = ConversationSummaryBufferMemory(llm=llm, max_token_limit=10)
memory.save_context({"input": "hi"}, {"output": "whats up"})
memory.save_context({"input": "not much you"}, {"output": "not much"})
# {'history': 'System: The human greets with "hi." The AI responds with "what\'s up," and the human replies with "not much, you?"\nAI: not much'}
print(memory.load_memory_variables({}))  

ConversationSummaryBufferMemory 会暂存不会超过max_token_limit的会话历史,当历史长度超过这个大小的时候,会截断之前的会话历史以使得会话现存的会话长度不超过max_token_limit,并把截断的之前的会话历史和之前的moving_summary_buffer更新moving_summary_buffer信息。

ConversationSummaryBufferMemory 特点:

  1. 存储最近的对话 + 早期对话的摘要
  2. 结合了完整对话和摘要的优势
  3. 保持最近对话的细节,压缩早期对话
  4. 适合中等长度的对话

基于向量检索对话信息

用户可能会对特定新闻事件提出问题,如“最近的经济峰会有什么重要决策?ℽ VectorStoreRetrieverMemory 能够快速从大量历史新闻数据中检索出与当前问题最相关的信息,即使这些信息在整个对话历史中不是最新的,也能提供及时准确的背景信息和详细报道。

import faiss

from langchain.docstore import InMemoryDocstore
from langchain.vectorstores import FAISS


embedding_size = 1536 # Dimensions of the OpenAIEmbeddings
index = faiss.IndexFlatL2(embedding_size)
embedding_fn = OpenAIEmbeddings().embed_query
vectorstore = FAISS(embedding_fn, index, InMemoryDocstore({}), {})


# the vector lookup still returns the semantically relevant information
retriever = vectorstore.as_retriever(search_kwargs=dict(k=1))
memory = VectorStoreRetrieverMemory(retriever=retriever)

# When added to an agent, the memory object can save pertinent information from conversations or used tools
memory.save_context({"input": "My favorite food is pizza"}, {"output": "thats good to know"})
memory.save_context({"input": "My favorite sport is soccer"}, {"output": "..."})
memory.save_context({"input": "I don't the Celtics"}, {"output": "ok"}) 

总结

在实际项目中,记忆方案的选择需要综合考量以下因素:

  1. 业务场景的信息生命周期要求
  2. 对话复杂度和上下文依赖程度
  3. 系统资源与响应延迟限制

在实际项目里,我常跟团队说:"别一上来就整最复杂的,先想清楚你的AI到底需要记住什么。"有时候简单的滑动窗口就够用,非得加个知识图谱反而把简单问题复杂化。最近我在做一个客服系统,就用了混合记忆的方案,效果还不错。

普通人如何抓住AI大模型的风口?

领取方式在文末

为什么要学习大模型?

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 , 大模型作为其中的重要组成部分 , 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力, 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ,为各行各业带来了革命性的改变和机遇 。

目前,开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景,其中,应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展,相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业:
在这里插入图片描述

人工智能大潮已来,不加入就可能被淘汰。如果你是技术人,尤其是互联网从业者,现在就开始学习AI大模型技术,真的是给你的人生一个重要建议!

最后

只要你真心想学习AI大模型技术,这份精心整理的学习资料我愿意无偿分享给你,但是想学技术去乱搞的人别来找我!

在当前这个人工智能高速发展的时代,AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长,真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料,能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

在这里插入图片描述

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来,我们不断打磨课程体系与技术内容,在细节上精益求精,同时在技术层面也新增了许多前沿且实用的内容,力求为大家带来更系统、更实战、更落地的大模型学习体验。

图片

希望这份系统、实用的大模型学习路径,能够帮助你从零入门,进阶到实战,真正掌握AI时代的核心技能!

01 教学内容

图片

  • 从零到精通完整闭环:【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块,内容比传统教材更贴近企业实战!

  • 大量真实项目案例: 带你亲自上手搞数据清洗、模型调优这些硬核操作,把课本知识变成真本事‌!

02适学人群

应届毕业生‌: 无工作经验但想要系统学习AI大模型技术,期待通过实战项目掌握核心技术。

零基础转型‌: 非技术背景但关注AI应用场景,计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈: 传统开发者(Java/前端等)学习Transformer架构与LangChain框架,向AI全栈工程师转型‌。

image.png

vx扫描下方二维码即可
在这里插入图片描述

本教程比较珍贵,仅限大家自行学习,不要传播!更严禁商用!

03 入门到进阶学习路线图

大模型学习路线图,整体分为5个大的阶段:
图片

04 视频和书籍PDF合集

图片

从0到掌握主流大模型技术视频教程(涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向)

图片

新手必备的大模型学习PDF书单来了!全是硬核知识,帮你少走弯路(不吹牛,真有用)
图片

05 行业报告+白皮书合集

收集70+报告与白皮书,了解行业最新动态!
图片

06 90+份面试题/经验

AI大模型岗位面试经验总结(谁学技术不是为了赚$呢,找个好的岗位很重要)图片
在这里插入图片描述

07 deepseek部署包+技巧大全

在这里插入图片描述

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

在这里插入图片描述

构建多轮对话问答系统:基于大模型的Agent与Tools探索 基于大模型的多轮对话问答系统是人工智能领域的重要研究方向之一。通过不断的技术创新和优化,我们有望构建出更加智能、高效、人性化的对话系统,为人类的生活带来更多便利和乐趣。希望本文能够为读者提供有价值的参考和启示。 阅读详情

相关推荐

多轮对话中的智慧引擎:Agent与Memory的协作之道

通过共享。

AI Agent 首席体验官 1440

多轮对话Agent从原理到实战,收藏这一篇就够了!

几乎每个人都用过多轮对话——打开 ChatGPT 聊几句就是。但是要设计一个多轮对话可不容易。多轮对话 Agent 的设计之所以难,不是因为某一个技术点特别深奥,而是因为它要求你同时想清楚好几件事情怎么协同运作:上下文怎么管、状态怎么追踪、记忆怎么存、上下文窗口装不下了怎么办、对话中途要调工具怎么处理……这些子问题单拎出来都不算太难,但一旦放进"多轮对话"这个场景里,它们之间的耦合关系会让整体复杂度指数级上升。

weixin_58753619的博客 740

用适配器模式破解AI Agent锁定:实现跨Agent对话无缝迁移

AI Agent正从玩具走向生产力工具,但随之而来的厂商锁定(Vendor Lock-in)问题日益严峻。与传统的API锁定不同,Agent锁定涉及系统提示词、工具调用、上下文管理与任务编排的深度耦合,导致开发者难以在OpenAI、Anthropic等不同大模型平台间自由切换。本文从工程实践视角出发,先剖析Agent锁定的本质成因,再介绍一套基于统一会话模型、持久化存储和适配器模式的解耦方案。通过定义与框架无关的中间表示,并将对话状态与模型实例分离,即可让会话在不同Agent之间无缝迁移。文章附有完整代码示

weixin_34204722的博客 345

AI Agent知识管道实战:RAG嵌入、切块与多轮对话设计

RAG(检索增强生成)是构建可靠AI Agent的核心知识接入机制,其本质是将动态外部知识按需注入大语言模型上下文的技术范式。原理上依赖稠密嵌入实现语义对齐、智能文本切块保障语义完整性、多轮对话设计维持状态一致性。技术价值在于突破LLM静态知识边界与Context Window限制,显著降低幻觉率、提升响应准确率与业务适配性。典型应用于工业故障诊断、供应链实时决策、技术文档问答等强知识依赖场景。本文聚焦AI Agent中RAG管道的工程落地,深入解析稠密嵌入选型逻辑、rag切块策略优化及多轮对话状态管理等关

weixin_42683392的博客 265

开源AI Agent实战:从零构建可定制智能体,破解商业平台落地难题

如果你最近关注AI Agent,可能会发现一个有趣的现象:一边是各种“AI Agent平台”如雨后春笋般涌现,宣传着“零代码”、“自动化”、“颠覆工作流”;另一边,真正在业务里用起来的团队,却常常在私下吐槽:平台功能花里胡哨,但一遇到真实、复杂的业务逻辑,要么跑不通,要么成本高得吓人,最后发现,能稳定、灵活地把事情做成的,往往还是那些开源的、需要自己动手“折腾”的方案。 这篇文章不是要罗列十个平台的优缺点,而是想和你探讨一个更本质的问题: 为什么在AI Agent领域,看似“笨重”的开源方案,反而比许多宣称

adiking520110的博客 663

企业级AI应用落地:Agent、RAG与MCP组合拳破解复杂系统集成难题

这次我们来看一个企业级AI应用落地的核心问题:当你的项目已经是一个庞然大物,代码库复杂、文档分散、业务逻辑深,如何让AI真正融入开发流程,而不是停留在简单的聊天问答?答案很可能就在 Agent(智能体)、RAG(检索增强生成)和 MCP(模型上下文协议) 这三者的组合拳里。 这不是一个具体的开源工具,而是一套 企业级改造方案 。它的核心目标是解决大模型在企业复杂场景下的“幻觉”、知识滞后和工具调用难题。简单说,就是让AI能读懂你的私有代码、理解你的业务文档、并安全地操作你的开发工具,从而成为团队的高效协作者

weixin_34015336的博客 389

AI智能体长期记忆:从三层架构到工程实践,破解大模型“失忆”难题

在人工智能领域,大语言模型(LLM)的“无状态”特性使其在复杂、多轮任务中面临“失忆”挑战,这限制了其从演示工具向实用助手的进化。为解决此问题,长期记忆系统应运而生,其核心原理是通过分层存储与智能检索机制,让AI能够跨会话记住关键信息、用户偏好与任务上下文。这一技术的关键价值在于,它使AI智能体能够积累经验、形成个性化交互策略,从而在客服、编程助手、个人助理等需要持续交互的场景中发挥巨大作用。其中,向量数据库和图数据库的结合应用,是实现高效语义检索与深度关系推理的工程实践核心。本文以开源项目Hermes A

weixin_30781107的博客 432

豆包AI新建对话的3种方法与底层机制解析

在大模型应用中,‘新建对话’远不止是界面操作,而是涉及会话生命周期管理、上下文隔离与模型状态初始化的核心技术动作。其本质是触发不同层级的状态重置——UI容器、会话元数据或模型上下文窗口,直接影响token预算分配、系统角色继承与多设备同步一致性。尤其在处理合同、医疗报告、财务数据等强上下文依赖场景时,错误的新建方式易导致信息残留、角色混淆与响应质量下降。本文基于真实调试日志与API逆向分析,详解豆包AI三种新建路径的技术差异、适用边界及安全隔离策略,帮助用户从‘能用’迈向‘精用’。

weixin_33860553的博客 384

AI Agent开发实战:从零构建旅游规划助手,破解后来者困境

在人工智能领域,AI Agent(智能代理)正成为连接大语言模型与现实应用的关键技术。其核心原理在于通过规划、工具调用与记忆等模块,使模型能够自主完成复杂任务,从而极大拓展了AI的实用边界。对于开发者而言,掌握AI Agent开发意味着能够构建更智能、更自动化的应用系统,在客服、办公自动化、数据分析等场景中创造显著价值。本文以热门的LangChain和LangGraph框架为例,通过构建一个完整的“旅游规划助手”Agent项目,详细演示了从环境搭建、工具定义、状态管理到工作流编排的工程化实践。项目不仅涵盖了

weixin_33895695的博客 371

跨境电商Agent技术:破解非结构化数据处理难题

在数字化转型浪潮中,非结构化数据处理成为企业面临的核心挑战。通过自然语言处理(NLP)和机器学习技术,现代AI系统能够解析多语言文本、图像等复杂数据格式。Agent技术作为新一代智能解决方案,其核心价值在于实现跨平台数据关联分析和上下文理解,特别适用于跨境电商场景。在商品评论情感分析、社交媒体舆情监控、智能客服路由等典型应用中,这类技术展现出92.3%的准确率和8倍效率提升。实在Agent、OpenViking等平台通过多模态数据处理和网络关系图谱构建,有效解决了传统AI在跨境业务中的语言混搭和文化差异难题

weixin_29056701的博客 234

DeepSeek对话上限破解:构建可继承的深度思考会话

大语言模型交互中的‘对话上限’并非算力瓶颈,而是上下文连续性缺失导致的认知断层。其本质是会话状态管理失效与Prompt结构失焦,直接影响多步推理、代码调试、技术方案设计等强依赖上下文的任务效果。通过结构化快照、状态锚点、三段式继承Prompt等Prompt Engineering方法,可实现上下文保真度超90%的无缝延续。该方案适配DeepSeek全系列模型(R1/V2/Hermes),无需插件或API破解,已在真实工程场景中验证——适用于AI辅助编程、论文写作、系统架构推演等需要长程思维建模的实践场景。

weixin_34292402的博客 217

AI Agent技能自进化实战解析,从经验沉淀到持续成长

摘要: AI Agent在复杂任务中面临“经验闲置”的瓶颈,无法将历史交互转化为可复用的技能。针对这一问题,SkillRL框架通过强化学习实现技能自进化:从交互轨迹中蒸馏核心知识(10-20倍Token压缩),构建分层技能库(通用/任务特定层),并递归优化技能与策略。实验显示,其在ALFWorld等基准上成功率超89%,显著优于GPT-4等基线,且上下文效率提升10.3%。另一方案AutoSkill则通过经验驱动实现免微调的持续进化,满足用户长期个性化需求。这些技术为AI Agent从“被动执行”到“主动成

小程故事多的博客 912

AI大模型探索之路-实战篇12: 构建互动式Agent智能数据分析平台:实现多轮对话控制

在Agent智能数据分析平台的实战开发中,继我们之前关于Function Calling技术整合的讨论之后,本文将专注于实现一个核心功能——多轮对话控制系统。这一机制能够让用户通过自然语言与系统进行连续的交流,从而更准确、更高效地完成数据分析任务。

寻道AI,探索AI无限可能! 3811

Opus 4.7深度解析:自主检查与视觉增强如何重塑AI工作流

大语言模型的‘自主检查’能力正从概念走向工程落地,其本质是推理过程中嵌入动态验证机制,覆盖结构完整性、逻辑一致性与证据溯源三重维度;而‘视觉能力拉满’则指向高分辨率图像的语义-空间联合编码突破,支撑金融财报识别、UI合规审查等专业场景。这类能力并非单纯参数升级,而是模型从被动响应转向主动闭环的关键跃迁,显著提升输出可信度与任务边界上限。在金融分析、法律尽调、代码审查等高风险、多模态、长周期任务中,已展现出替代人工初筛与复核的工程价值。本文聚焦Claude Opus 4.7的核心演进,拆解其自主检查机制与视觉

weixin_34015336的博客 330

CANoe基础讲解01:从零开始使用CANoe轻松搭建你的第一个CAN网络

本文是一篇CANoe软件入门实操指南,逐步演示了如何从零创建并运行一个CAN FD仿真工程。内容包括:启动软件、配置硬件通道与网络、加载DBC数据库、使用CAPL编写仿真节点发送CAN报文,最终启动测量并在Trace窗口中查看通信结果。通过七个清晰步骤,帮助初学者快速掌握CANoe基本操作,完成首个可运行的仿真网络搭建

车载网络小D的博客 1575

虚拟机VirtualBox下载与安装、安装Ubuntu超详细图文步骤,对一些配置问题也有所写。

自己使用过两款虚拟机,相较于VMware虚拟机来说,virtuabox虚拟机所占内存更小,只有几十兆,且完全开源不收费,里面的功能与VMware基本差不多(在日常开发、学习使用完全够用)。最主要的是,在博主自己使用VMware时经常出错,而virtualbox就更稳定一些,所以这篇是针对virtualbox的安装与一些细节部分。

l1015649309的博客 4万+

破解AI Agent扩散不均:基于理赔系统的可扩展架构设计

AI Agent(智能体)是基于大语言模型(LLM)构建的、能够感知环境、规划决策并执行任务的自主程序,其核心原理在于将复杂任务分解为可执行的步骤,并通过工具调用与环境交互。这项技术的核心价值在于将人工智能的认知与推理能力无缝融入现有业务流程,实现自动化与智能化升级,从而显著提升运营效率与决策质量。在金融、保险、客服等对流程标准化与合规性要求极高的领域,AI Agent尤其适用于处理规则明确、文档密集、需多步骤判断的场景,例如理赔处理中的报案引导、单证审核与核赔决策。本文聚焦于企业级AI Agent落地中常

ciya3282的博客 340

Qt Coordinate System

Qt 坐标系统Qt 坐标系统 数学基础 Qt坐标系统 视口 平移变换 缩放变换 setWindow 旋转 总结数学基础 矩阵与线性变换坐标系变换Qt坐标系统 视口和OpenGL一样,视口确定了画面在窗口(QWidget)中显示的区域,Qt的绘图坐标会完全映射到视口(View port)上,就像图示一样。默认情况下,窗口和视口是重合的,视口的大小覆盖了整个窗口。和OpenGL一样,Qt的QPa

unclerunning的博客 1152

Coze 架构深度解析:如何支撑从0到1构建商用 AI Agent?

Coze的出现改变了这个局面。它通过分层架构设计,将复杂的Agent开发变成了可视化配置,让原本需要几个月的开发工作缩短到几分钟。

2401_85325726的博客 1277

单片机NTC热敏电阻测温:六种实用电路方案与选型指南

本文详细介绍了单片机系统中NTC热敏电阻测温的六种实用电路方案,包括分压法、恒流源法、RC充放电法、电桥法、频率法及集成专用IC方案,并提供了关键的硬件选型指南和软件处理技巧,帮助工程师实现高精度、低成本的温度测量。

herb5的博客 824

RK3588 DDR5 方案

RK3588 DDR5方案支持多种LPDDR5/LPDDR5X内存型号,包括美光、三星、海力士、江波龙和佰维等品牌。文档详细列出了已验证的DDR5内存规格,涵盖2GB-16GB容量范围,提供组织形式、封装类型和测试状态等信息。其中美光型号最全面,支持12GB/16GB大容量方案。部分型号处于测试验证阶段(T/A),需量产进一步确认性能。该方案为RK3588平台开发提供可靠的内存选型参考。

501846585_QQAndroid_java 1086

Agent在零售行业能解决哪些痛点?——深度解析零售企业智能自动化转型路径

摘要:2026年零售行业正加速智能化转型,AI Agent成为重构价值链的核心驱动力。传统零售面临全球化运营复杂、数据孤岛、服务断层等痛点,而实在智能等厂商推出的AI Agent方案通过自主感知与决策能力,推动行业从"被动响应"转向"主动预测"。AI Agent可解决跨国运营难题、消除数据孤岛、优化供应链响应,其技术实现包括屏幕语义理解、大模型推理等能力。随着Agent规模化部署,企业需建立治理体系并优化算力架构。选择合适的AI Agent方案将成为零售企业赢得未来竞

企业级智能体,全行业解决方案,5000+企业签约,海量场景覆盖。 535

从零实战:模拟Soul/陌陌附近的人接口爬虫(设备指纹·加密逆向·动态代理全解)

在移动互联网流量见顶的今天,LBS(基于位置的服务)社交平台——尤其是Soul和陌陌——依然掌握着海量高活用户的地理位置画像、兴趣标签、在线活跃时段等敏感数据。对于市场调研、流量运营、甚至是城市热力分析而言,“附近的人”接口是一个极具价值的入口。然而,这两款App均采用全参数加密 + 设备指纹风控 + WAF动态防御的三重护城河。直接使用Requests库调用公开API无异于以卵击石。本文将从逆向工程视角出发,完整还原一套可用的附近人信息采集方案,涵盖:抓包与流量分析(绕过SSL Pinning)

2201_76125261的博客 215
上一篇: AI智能体架构设计:9大核心技术深度解析
下一篇: Transformer为何如此强大?一文读懂颠覆AI界的革命性技术
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1479原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值