Paperclip:让AI像“真实公司”协同运转,解锁AI团队全自动化新范式

在AI技术飞速迭代的当下,我们早已习惯单个AI Agent(智能体)独立完成任务——用ChatGPT写文案、用Claude做技术分析、用OpenClaw处理数据。但当任务复杂度提升、需要多角色协同时,单个Agent的局限性逐渐显现:信息割裂、流程混乱、成本失控、缺乏监管,最终导致AI协作效率大打折扣。

2026年3月,一款名为Paperclip的开源项目在GitHub悄然崛起,短短十余天星标数突破39.2K Star,被无数开发者称为“零人公司”的操作系统。
它不是简单的AI工具集成平台,而是一款AI公司编排框架——核心定位是“将多个AI Agent组织成一家有序运转的‘AI公司’”,让AI员工像人类团队一样分工协作、按章办事,真正实现AI团队的全自动化、标准化、可控化运作。

一、Paperclip核心定位:从“AI工具”到“AI公司操作系统”

官方对Paperclip的定义简洁且精准:“If OpenClaw is an employee, Paperclip is the company”(如果OpenClaw是员工,那Paperclip就是公司)。

它核心价值是解决多AI Agent协作的核心痛点:告别零散、无序、不可控的AI单打独斗,通过搭建完整的“AI公司架构”,让不同能力的AI Agent围绕统一目标协同工作,同时实现权限管控、成本审计、流程监管的全链路覆盖。

无论是个人创作者、小型AI团队,还是企业级AI项目,都能通过Paperclip,把Claude、Codex、OpenClaw、GPT-4o等各类AI Agent,打造成一支分工明确、高效协作的“AI员工团队”。

了解更多详情,请戳:https://www.lab4ai.cn/arxiv?utm_source=csdn_paperclip

二、Paperclip核心能力:覆盖“AI公司”全要素,告别协作混乱

Paperclip的强大之处,在于它复刻了人类公司的核心运作逻辑,同时结合AI Agent的特性做了深度优化。以下是它的6大核心能力,每一项都直击多AI协作的痛点:

1. 智能组织架构:给AI员工定好“岗位与上下级”

AI团队的混乱,根源往往是“分工不明确”。Paperclip通过自定义组织架构(Org Chart) 彻底解决这一问题:

  • 支持自定义AI岗位:CEO、CTO、技术工程师、内容运营、设计师、编辑等,完全匹配你的业务需求;
  • 清晰汇报关系:设置上下级层级、审批链,比如“CEO→CTO→内容运营→写手→编辑→发布”,让AI协作流程一目了然;
  • 灵活团队管理:支持随时“招聘”(接入新Agent)、“解雇”(移除闲置Agent)、“调岗”(调整Agent分工),适配业务动态变化。

2. 目标对齐体系:让所有AI员工“朝一个方向发力”

没有目标的团队,效率必然低下。Paperclip提供从公司使命到个人任务的全层级目标拆解:

  • 顶层设定公司核心使命:比如“运营大模型实验室内容生态,每周产出3篇优质技术文章,覆盖9大技术平台”;
  • 中层拆解部门目标:内容部目标“月均产出12篇原创内容”、技术部目标“完成2个AI实训课程开发”;
  • 底层分配个人任务:给每个AI Agent分配具体任务,同时明确任务交付标准,确保每一个AI员工都知道“自己要做什么、为什么做”。

3. 精准预算管控:避免AI协作“烧钱失控”

AI协作的一大隐形痛点是成本不可控——多个Agent调用不同模型,Token消耗叠加,很容易出现账单超支的情况。Paperclip内置精细化预算管控系统:

  • 单Agent预算上限:为每个AI员工设置月度/单日预算上限,比如“内容运营Agent月预算500元”“技术分析Agent日预算200元”;
  • 超预算自动暂停:当Agent消耗达到预算上限时,自动暂停其任务执行,避免Token账单“失控”;
  • 全链路费用审计:所有AI调用的模型、消耗的Token、产生的费用均有详细记录,可追溯、可复盘,清晰掌握每一分钱的去向。

4. 心跳调度系统:24小时自动运转,无需人工值守

人类团队需要休息、轮班,但AI Agent可以实现7×24小时工作。Paperclip的心跳调度(Heartbeat) 功能,让AI团队实现真正的自动化运转:

  • 自动定时唤醒:按照预设周期(如每日9点、每周一)自动唤醒AI Agent,主动检查任务队列;
  • 上下文持久化:任务执行过程中,所有上下文信息都会被持久存储,即使会话中断也能从断点继续,不会丢失进度;
  • 无人值守执行:无需人工实时监控,AI Agent会自动完成任务分配、执行、进度反馈,真正实现“下达目标后,全程自动落地”。

5. 完善治理与审批:平衡AI效率与人工可控

完全依赖AI自主决策,容易出现内容错误、流程偏差、关键决策失误等问题。Paperclip设计了人性化的治理与审批机制,平衡效率与可控性:

  • 多层级审批链:关键任务(如核心内容发布、重要技术方案决策)需经过“AI Agent→上级Agent→人类管理员”的审批流程,确保内容质量与合规性;
  • 权限精细化管控:不同角色的AI/人类拥有不同操作权限,比如普通运营Agent只能编辑初稿,CEO拥有最终审批权,避免误操作;
  • 完整审计日志:所有决策、任务执行过程、AI对话内容、费用消耗均被完整记录,出现问题可快速溯源排查。

6. 多Agent兼容与隔离:适配各类AI工具,支持多项目并行

Paperclip不绑定任何特定AI模型或工具,真正实现“开源兼容、灵活扩展”:

  • 全平台Agent支持:可接入任意支持心跳协议的AI Agent,包括Claude 3、ChatGPT 4o、Codex、Cursor、OpenClaw、GPT-4o等,无需担心工具适配问题;
  • 动态技能注入:通过skills.md文件为AI Agent动态添加技能,比如“技术科普写作技能”“多平台发布技能”,无需重新训练模型就能快速适配新业务;
  • 多公司隔离:单实例可运行多个独立的“AI公司”,各公司数据、任务、预算完全隔离,适合同时运营多个AI项目(如同时做技术内容社区、AI实训课程、企业AI咨询)。

三、Paperclip技术栈与部署:开源免费,快速上手

作为一款开源工具,Paperclip的技术门槛和部署成本极低,即使是非技术背景的运营人员,也能快速完成搭建。

1. 核心技术栈

  • 后端:Node.js(稳定可靠,生态丰富,适配各类AI工具集成);
  • 前端:React(界面简洁,可视化操作友好,无需代码即可配置架构);
  • 数据库:PostgreSQL(数据存储安全,支持复杂查询,方便后续数据复盘);
  • 开源协议:MIT协议(完全免费,支持商用,可自由二次开发)。

2. 一键部署步骤(无需复杂技术操作)

  1. 本地启动部署:
# 快速部署(一行命令完成)
npx paperclipai onboard --yes

# 手动部署(进阶需求)
git clone https://github.com/paperclipai/paperclip.git
cd paperclip
pnpm install
pnpm dev
  1. 访问平台:打开浏览器输入http://localhost:3100,进入Paperclip可视化Dashboard;
  2. 初始化配置:设置“AI公司名称”“核心使命”“初始预算”,完成基础搭建。

整个部署过程仅需5分钟,无需服务器、无需复杂配置,本地环境即可完成,个人用户和小团队完全无压力。

四、Paperclip适用场景:精准匹配你的业务需求

Paperclip的设计逻辑覆盖了AI协作的全场景,尤其适合以下几类用户和业务:

1. 企业级AI项目团队

企业AI项目通常涉及技术开发、数据处理、业务落地等多环节,Paperclip可搭建“技术AI公司”,让开发Agent、测试Agent、运维Agent、文档Agent协同工作,提升项目整体效率。

2. 个人AI创作者/副业从业者

个人无需雇佣团队,通过Paperclip接入1-2个AI Agent,即可搭建小型“AI工作室”,完成内容创作、产品设计、客户对接等全流程,实现低成本创业。

3. AI Agent开发者

开发者可通过Paperclip统一管理多个自研Agent,通过架构设计和权限管控,实现Agent的有序协作与功能迭代,避免工具混乱。

五、Paperclip vs 同类工具:核心差异一眼看懂

目前市场上有不少AI Agent协作工具,如LangChain、CrewAI、AutoGPT等,但Paperclip的核心优势在于“站在‘公司’维度,而非‘工具’维度设计”。以下是核心对比:

工具核心定位核心差异
PaperclipAI公司编排框架完整组织架构、预算管控、治理审批、多公司隔离,覆盖“AI公司”全要素
LangChain/CrewAIAI Agent开发框架侧重单Agent/简单任务协作,无公司级管理,适合技术开发场景
AutoGPT单Agent自主执行无团队架构、无预算管控、无审计机制,容易失控,适合简单个人任务
Notion/任务工具任务管理工具无AI调度、无Agent协作能力,仅能辅助人工任务管理

六、总结:Paperclip,解锁AI协作的“终极形态”

在AI从“单点工具”向“团队协作”进化的关键阶段,Paperclip无疑是一款革命性的开源工具。它不再局限于“帮我们完成单个任务”,而是帮我们构建了一套AI团队的全自动化运作体系,让AI从“零散的工具”变成“有组织、有纪律、有目标的团队成员”。

作为开源工具,Paperclip还在持续迭代中,未来将支持更多AI Agent接入、更精细化的权限管控、更智能的目标拆解能力。如果你想解锁AI团队的全自动化协作,不妨现在就动手部署,搭建属于你的“AI公司”,提前抢占AI协作的新风口!

相关推荐

云端部署 OpenClaw:打造 24 小时“数字生命”助手

谁还在被AI“画大饼”?写邮件要自己点发送,列待办要自己去执行,看似智能实则只是 “嘴炮工具”,根本落不了地。但 2026 年初这款现象级 AI 产品的出现,彻底改变了这一现状 —— 它就是被网友亲切称为「那只龙虾」🦞的,一款真正能 “动手办事” 的。从Clawdbot到Moltbot,再到如今的OpenClaw,这款开源AI智能体框架在短短一个月内,,朋友圈、开发者社区全是它的身影,TechCrunch、Forbes等外媒争相报道,成为2026年初最现象级的AI产品。

Lab4AI的博客 2451

LlamaFactory春节特供:AI 精准拿捏对联格律,告别对仗翻车

如今大语言模型早已能写文、答惑、创作,可面对对联这种讲究格律、对仗、意境的传统文体,通用大模型却屡屡 “水土不服”。问题的核心,在于模型缺少足量优质的对联专业样本,没能真正吃透中文对仗的规则。而微调(Fine-tuning)恰好能补上这一课:无需从零打造新模型,只需让现有大模型基于高质量对联数据 “拜师学艺”,就能掌握格律与意境的创作要领。借助LlamaFactory微调工具,大模型也能精准拿捏对联的对仗之美、平仄之韵,写出既有文化底蕴又贴合新春氛围的合格对联,让 AI 也能为传统年俗添上一笔新意。

Lab4AI的博客 1791

奔赴AGI,算力同行|Lab4AI亮相2026中国生成式AI大会

2026年4月21-22日,2026中国生成式AI大会(GenAICon 2026) 在北京富力万丽酒店盛大启幕!

Lab4AI的博客 422

RSRCC:基于检索增强 Best-of-N 排序构建的遥感区域变化理解基准数据集

本研究构建的RSRCC是首个面向遥感局部细粒度变化推理的问答基准,通过分层半自动化流水线实现了高质量、规模化的数据生成。

Lab4AI的博客 505

HSG: Hyperbolic Scene Graph

HSG通过双曲几何学习场景图嵌入,有效捕获场所-物体层级蕴含关系,在保持检索性能的同时大幅提升场景图结构质量,验证了双曲表示在结构化视觉推理中的有效性。

Lab4AI的博客 613

Aligning Agents via Planning: A Benchmark for Trajectory-Level Reward

本研究提出Plan-RewardBench轨迹级奖励建模基准,填补了工具型智能体长时序轨迹奖励模型评估的空白,通过严谨的数据集构建与统一测评,证实现有奖励模型在轨迹级判别上存在显著缺陷,长时序规划、动态约束跟踪、安全拒绝等能力亟待提升,为智能体对齐研究提供了关键测评与数据支撑。

Lab4AI的博客 587

算力赋能三维视觉创新,Lab4AI亮相 China3DV 2026

2026年 4 月 17—19 日,第五届中国三维视觉大会(China3DV 2026)在杭州国际博览中心召开,作为国内该领域最高规格学术盛会,聚焦三维重建、具身智能等人前沿方向;大模型实验室(lab4ai.cn)作为重要生态伙伴,不仅提供 H800 等高端 GPU 算力支撑,还通过开箱即用的开发环境、OpenClaw 科研专家 Agent 等全流程工具破解科研痛点,同时推出 AI 课程、权威竞赛合作等福利助力青年学者成长,助力三维视觉产学研深度融合与技术落地。

Lab4AI的博客 776

GAViD: A Large-Scale Multimodal Dataset for Context-Aware Group Affect Recognition from Videos

本研究构建了当前规模最大、标注最完备的**多模态上下文感知群体情感视频数据集GAViD**,并提出CAGNet模型实现视觉、音频、上下文信息的有效融合,在效价分类与离散情感识别任务上取得领先性能,填补了领域内数据与模型的双重缺口,为自然场景下群体情感计算研究提供了关键支撑。

Lab4AI的博客 659

大模型训练全流程实战指南工具篇(十一)—— 大模型训练参数调优实战:从小白到调参高手

大模型训练全流程实战指南工具篇(十一)—— 大模型训练参数调优实战:从小白到调参高手

Lab4AI的博客 869

KNOWLEDGE IS NOT STATIC: ORDER-AWARE HYPERGRAPH RAG FOR LANGUAGE MODELS(论文解读)

本研究推翻了RAG领域“检索证据可视为无序集合”的核心假设,提出OKH-RAG框架,将顺序作为核心结构属性融入超图RAG,实现高阶知识交互与时序关系的统一建模。实验证明,在顺序敏感的领域推理任务中,证据的组织顺序与内容本身同等重要,顺序感知轨迹检索可显著提升大模型的推理准确性与事实一致性。

Lab4AI的博客 637

ICLR 2026|上海交通提出 π³,突破参考视图束缚,提升 3D 几何重建鲁棒性

π³通过全排列等变设计彻底消除固定参考视图的归纳偏置,构建了鲁棒、高效、可扩展的前馈式视觉几何重建模型,在多项核心任务上刷新 SOTA。该研究存在局限性:无法处理透明物体,重建几何细节精度不及扩散类方法,点云生成易产生网格状伪影。未来可围绕透明物体建模优化、几何细节精度提升、点云生成伪影消除等方向展开拓展研究。

Lab4AI的博客 729

Lab4AI 大模型实验室参展首届中国「AI + 新材料」大会

2026年4月9—12日,首届中国「AI+新材料」大会在广州南沙隆重举行。Lab4AI大模型实验室作为AI算力生态社区携核心成果参展大会,展示AI赋能材料科研的一站式解决方案,与参会嘉宾、科研团队、企业代表深度交流,共同探讨技术融合与创新生态。

Lab4AI的博客 558

MAG-3D: Multi-Agent Grounded Reasoning for 3D Understanding

MAG-3D提出无需训练的多智能体三维具身推理框架,通过规划、定位、编码三智能体动态协同,结合开放词汇三维定位与可执行几何验证,在Beacon3D、MSQA基准上实现零样本最优性能,同时大幅提升定位与问答的一致性,有效解决现有方法依赖微调、流程僵化、易产生幻觉的问题,为开放世界三维可靠推理提供实用方案。

Lab4AI的博客 637

StreamMeCo: Long-Term Agent Memory Compression for Efficient Streaming Video Understanding

本文提出的StreamMeCo是首个面向工业级流式视频智能体的长期记忆压缩框架,通过双分支结构压缩与时间衰减检索,在大幅缩减记忆图规模的同时,提升检索效率与模型精度,有效解决了流式视频理解中智能体记忆膨胀的核心痛点,为实时视频理解系统提供了高效记忆管理方案。

Lab4AI的博客 708

HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents

本文提出的HY-Embodied-0.5模型家族,通过创新的MoT架构、亿级具身专项数据、迭代自进化训练与在线策略蒸馏方案,有效解决了通用VLM在具身智能场景的感知与推理短板,实现了边缘高效版与大型高性能版的协同设计,在多项基准测试与真实机器人任务中验证了技术有效性,为现实世界具身智能体提供了强大的基础模型支撑。

Lab4AI的博客 631

Stop Fixating on Prompts: Reasoning Hijacking and Constraint Tightening for Red-Teaming LLM Agents

本文提出的JailAgent框架,通过不修改用户提示词的隐式攻击方式,实现了对LLM智能体推理轨迹与记忆检索的高效劫持,兼具高攻击成功率、强泛化性、高隐蔽性与低计算开销,为LLM智能体的红队测试与安全评估提供了全新范式。

Lab4AI的博客 525

EvolveRouter: Co-Evolving Routing and Prompt for Multi-Agent Question Answering(论文解读)

本文提出了 EvolveRouter,一个通过闭环协同进化联合优化路由与智能体配置的创新框架,有效解决了多智能体问答中智能体质量静态化和协作规模僵化的两大核心问题。实验结果充分验证了其相对于现有 SOTA 方法的优越性。

Lab4AI的博客 504

STREAMING AUTOREGRESSIVE VIDEO GENERATION VIA DIAGONAL DISTILLATION(论文解读)

本文提出的对角蒸馏框架首次同时建模时序与降噪步维度,解决了自回归视频蒸馏的曝光偏差与运动失真问题,实现了高质量、低延迟、长稳定的实时流式视频生成,为游戏仿真、机器人学习、实时内容创作提供可行方案。

Lab4AI的博客 758

Mirage: The Illusion of Visual Understanding

本研究证实当前多模态AI的高基准测试成绩,很大程度上是 **“幻影效应”** 带来的视觉理解假象,模型并非依靠真实视觉感知,而是利用文本线索、数据模式、先验知识完成任务。幻影效应在主流模型中普遍存在,医疗场景下的病理偏向会引发严重安全风险,现有评估范式无法区分真实视觉理解与文本推理。研究提出的B-Clean框架,可有效净化现有基准,实现多模态模型真实视觉能力的公平评估。

Lab4AI的博客 612

LongCat-Next: Lexicalizing Modalities as Discrete Tokens

本研究通过LongCat-Next探索了语言风格离散自回归建模自然扩展到视觉和音频的可能性。结果表明,通过精心设计的分词器和训练策略,连续感知信号可以被有效离散化,同时保持强大的能力。作为迈向原生多模态的一步,该工作为构建真正统一的多模态基础模型提供了新的视角。局限性在于当前版本的视觉分词器主要关注语义解码一致性而非像素保真度,且评估主要集中在图像到文本和文本到图像方向。未来工作将致力于优化分词器以更好地满足下一代版本目标,并扩展到任意到任意生成和交错多模态推理,探索数据规模与表征学习的协同效应。

Lab4AI的博客 579

大模型训练全流程实战指南工具篇(十)—— 小白也能懂的大模型训练参数万字详解

这部分用于指定“基础模型”和“要合并的适配器”。这是基础模型的本地路径。合并操作会把 LoRA 适配器中学到的权重变化,注入到这个基础模型的对应层中。这里使用的是 Qwen2.5 0.5B 版本。这是LoRA 适配器的路径。使用 LLaMA Factory 进行微调后,保存的并不是一个完整的全量模型,而是一个很小的“补丁”文件包,通常包含和等文件。这个参数就是告诉工具:请把这个“补丁”合并到基础模型上。指定对话模板。

Lab4AI的博客 1742

大模型训练全流程实战指南工具篇(九)——LLamaFactory大模型训练工具使用指南

本期分享以 LLaMAFactory 大模型训练框架 为例,从环境搭建到模型下载、数据准备、微调训练、权重合并及部署测试,完整演示了 Qwen2.5-0.5B 的实战流程,充分展现了 LLaMAFactory 极简操作与广泛模型兼容的核心优势。通过本文大家可快速上手大模型微调,并掌握从训练到部署的全链路方法。下一期笔者将深入解析训练配置文件中的各项参数,帮助大家真正成为调参高手,敬请期待!

Lab4AI的博客 867

大模型训练全流程实战指南工具篇(八)——EasyDataset问答数据集生成流程

本篇内容以EasyDataset工具为例,系统介绍了问答对数据集的完整生成流程:从问题生成(支持单条/批量、三种算法)、答案生成(含思维链、多轮对话),到采用“自动化初筛+人工抽检+迭代优化”策略进行质量评估,最后导出Alpaca或ShareGPT标准格式,为模型微调提供高质量数据。到此数据集构建的基本工具指南笔者就介绍完全,下一篇文章开始将正式介绍大模型训练相关工具,大家敬请期待~

Lab4AI的博客 1605

《Penguin-VL: Exploring the Efficiency Limits of VLM with LLM-based Vision Encoders》论文解读

本文提出Penguin-VL,一种紧凑型视觉语言模型,突破传统依赖大规模对比预训练视觉编码器的范式。通过从纯文本LLM初始化视觉编码器(Penguin-Encoder),结合混合监督预训练和统一训练策略,在2B/8B规模下实现了与大型VLM相当的性能。实验表明,该方法在文档理解、视觉知识和视频任务中表现优异,尤其在保留细粒度视觉线索方面显著优于对比预训练编码器。研究为参数高效的VLM发展提供了新思路,证明改进视觉表示而非模型扩展是性能提升的关键。

Lab4AI的博客 452

《Taming OpenClaw: Security Analysis and Mitigation of Autonomous LLM Agent Threats》论文简析

本文系统分析了OpenClaw自主AI代理的安全威胁,提出了五层生命周期导向的安全框架(初始化、输入、推理、决策、执行),揭示了跨阶段复合风险。研究通过案例验证了技能中毒、记忆中毒等威胁的实际影响,指出现有单点防御的局限性,并提出纵深防御架构设计原则。该研究为构建安全可靠的自主AI系统提供了重要参考,未来可探索硬件辅助安全原语和动态自适应防御策略。

Lab4AI的博客 584

Why AI systems don’t learn and what to do about it

本文提出了构建自主学习系统的路线图,强调了超越现有刚性、人工设计的训练范式的必要性。虽然面临构建逼真且快速的模拟器、设计新的评估基准(单元测试与集成测试)、扩展双层优化的计算规模以及解决伦理问题(如可控性与适应性的权衡、对齐攻击、道德地位)等挑战,但提出的 A-B-M 架构为未来跨学科研究提供了统一的概念框架,旨在启发能够像生物体一样自主、开放学习的智能体的发展。

Lab4AI的博客 391

LlamaFactory 微调实测|Qwen3-4B现代诗风格微调

本次实验使用中文现代诗数据集(链接:https://huggingface.co/datasets/Iess/chinese_modern_poetry),规模约为 24> 万条样本。该数据集将现代诗写作整理为“给定意象,生成诗歌”的训练形式,较适合用于现代诗风格微调。

Lab4AI的博客 626

Demystifing Video Reasoning 论文简析

本研究系统性地揭示了扩散视频模型中推理能力的内在机制,将其定义为“思维步”过程,并识别了伴随其产生的涌现行为。研究发现,推理并非沿时间维度展开,而是发生在去噪轨迹上,且模型具备类似LLM的工作记忆和自我修正能力。通过层级分析,进一步阐明了模型内部的功能分化。基于这些发现,研究提出的免训练集成方法展示了无需额外训练即可提升性能的潜力。总体而言,这项工作为理解视频推理提供了系统性的视角,将视频定位为机器智能的下一代有前途的基座,为未来研究如何更好地利用视频模型的内在推理动力学奠定了基础。

Lab4AI的博客 485

一文讲透:大模型、Skills与OpenClaw“龙虾”关系

很多人最近被“养龙虾”“AI技能”刷屏,却搞不清它们到底是什么、怎么用,甚至担心踩坑。今天就用最通俗的话,把大模型、Skills、OpenClaw(龙虾)、Agent的关系讲透,再附上技能获取渠道和安全避坑指南,新手也能轻松上手~

Lab4AI的博客 1529

OpenClaw爆火,装对 Skill 才是真・效率神器

如果说工具是 AI 的「手脚」,那 Skill 就是 AI 的「大脑决策逻辑」——它本质上是一份固化了“做事经验”的执行说明,告诉 AI:遇到什么任务、该用什么工具、按什么顺序做、输出要符合什么规范、要避开哪些坑。不用复杂技术,大多是 Markdown 格式的说明 + 简单的 YAML 配置文件,却能让 AI 的执行效果翻倍。举个最常见的例子:处理工作邮件工具:邮件客户端、日历、待办清单。

Lab4AI的博客 710
上一篇: Why AI systems don’t learn and what to do about it
下一篇: 《Taming OpenClaw: Security Analysis and Mitigation of Autonomous LLM Agent Threats》论文简析
「已注销」
「已注销」 Lab4AI大模型实验室官方账号 Lab4AI大模型实验室官方账号
博客等级 码龄1年 288粉丝 155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