Astra 正式开源了:面向长期复杂工作的企业级 Agent Runtime

ScottPlot vs LiveCharts:WPF图表库性能对比与MVVM适配方案 本文深度对比了WPF图表库ScottPlot与LiveCharts在性能与MVVM架构适配上的表现。通过十万级数据点的基准测试,ScottPlot在渲染速度与内存占用上优势显著。文章重点探讨了两种库在MVVM模式下的集成方案,为开发者根据项目需求(如实时监控或快速原型)进行技术选型提供了实战指导。 阅读详情

我们为什么做 Astra

矩阵起源一直是一家 Data Infra 公司,长期做数据库和数据系统的企业级基础设施。最近几年,模型从回答问题走向调用工具、执行流程,我们的重心也随之明确:支持 Agentic Workload。与此同时,我们自己的数据平台也越来越离不开 Agent。它不再只是产品外面的一层对话入口,而是开始理解意图、组织上下文、选择模型和工具、调度查询与任务,在权限边界内推动执行,正在成为数据基础设施的一种新型控制面。Agent 需要数据基础设施提供持久状态、上下文、事务、治理、恢复和可观测性;数据平台也需要 Agent 把人的目标变成可以持续推进、可以检查和控制的执行过程。两者不能靠几个 API 临时拼接,必须在架构上长在一起。

过去几年,我们参与了大量企业级 Agent 项目,场景覆盖代码开发、数据分析、故障处理、内部运营和企业流程。模型不同,入口不同,连接的数据和工具也不同,但进入真实环境以后,碰到的问题越来越相似:任务持续数小时甚至更久,Agent 会真正修改代码、配置和数据,工作还要在 Web、CLI、云端、开发者电脑和企业内网之间继续。下一节会展开这三个问题。

到 2026 年初,这些问题已经足够集中。我们评估了当时可用的方案:Claude Code、Codex 等 Coding Agent 已经能在终端、IDE 或云端很好地完成代码任务;Pi 这样的开源 Harness 提供了简洁、可扩展的 Agent 循环;LangGraph、OpenAI Agents SDK 等框架提供了状态、工具调用和工作流编排能力。它们各有所长,但我们没有找到一套以解决上述问题为核心目标、又能自托管和替换模型供应商的 Agent Runtime。于是我们在 Coding Agent 的加持下开始自己做 Astra,并把它搬进了我们的数据平台 MatrixOne Intelligence,作为整个平台的 Agent 驱动引擎。顺便说一句,最近听说 GPT-6 可能叫 Astra。模型还没见到,名字先撞上了。

半年多后的今天,我们把 Astra 正式开源。它是一套面向企业级 Agent 的自托管 Agent Runtime,不绑定模型供应商。Harness 决定模型看到什么上下文、能调用什么工具、怎样推进任务;Agent Runtime 则管理工作的生命周期,让它跨越请求、设备和执行环境继续存在,同时保留清楚的权限边界与证据链。用三句话概括:让长期工作用更少的 Token 持续推进。让 Agent 的修改可追踪、可回滚。让同一项工作跟着用户跨环境继续。

企业里的 Agent 任务长什么样

设想一项常见的企业任务:用户在 Web 工作台发起一次故障分析。Agent 需要理解历史告警和运行手册,进入用户本地的代码仓库,执行测试,访问私有网络里的服务,再把修复建议送进企业审批流程。用户关掉浏览器以后,任务仍然要继续;本地工作站暂时离线,云端的任务状态不能消失;涉及发布时必须等待有权限的人确认;换一个同事接手时,他需要知道前面做过什么,而不是从一段聊天记录里猜。

这类任务里有三个反复出现的矛盾。

工作要持续,但上下文不能无限增长。 企业任务会积累对话、规则、计划、工具结果、运行状态和企业知识。如果每一轮都把全部历史重新交给模型,Token 成本越来越高,互相冲突的旧信息也越来越多。但如果简单截断,又可能丢掉恢复任务所需的关键事实。

Agent 要行动,但修改不能成为黑盒。 当 Agent 开始编辑文件、调整 Session 状态、修改数据库或提交代码,"它回答得好不好"已经不是唯一标准。团队还需要知道修改来自哪次运行、经过了什么授权、产生了哪些副作用,以及在结果不对时能否回到修改前的状态。

Work 要跨环境继续,但权限不能跟着到处复制。 企业真正有价值的能力往往位于开发者电脑、私有仓库和内部网络。任务需要从 Web 进入本地执行,再回到 Server 持续运行;私有代码、凭据和网络访问却应该留在原来的信任边界里。

在这里插入图片描述

这已经不是一次模型调用,而是一项有身份、有状态、有执行位置、有恢复路径,也有责任边界的工作。它可能在云端开始,在本地完成,在移动端查看,在企业系统里审批。这些入口可以有不同的能力边界,但不能拥有彼此矛盾的运行事实。

数据库交过的学费

Astra 出自一支长期从事数据库内核工作的团队。我们借鉴数据库,不是因为 Agent 等同于数据库,而是因为数据库已经用几十年走过了从"把计算跑起来"到"让复杂执行可靠运行"的工程过程。一次查询可能很贵,资源永远有限,状态会冲突,组件会失效,用户还会追问为什么慢、为什么选择这个计划、失败后能不能恢复。这些现实逐步沉淀成了 Catalog、Plan、Bind、Optimize、Execute、资源治理、Recovery 和 Explain 等内核机制。

在这里插入图片描述

Agent 工程未必会沿着数据库的架构演进,但正在跨过同一道工程门槛。Prompt、工具列表和一个循环足以做出令人惊喜的 Demo;进入生产以后,上下文、状态、权限、执行位置、失败恢复和可解释性都必须成为显式的系统能力,不会靠一段更长的系统提示词自然消失。数据库给 Astra 的是一套经过长期生产实践检验的系统工程方法。我们想做的,是让 Agent 少交一些复杂系统已经交过的学费。

ContextPipe:把上下文当查询来执行

第一个问题,是怎样让 Work 长期存在,同时减少每一轮需要重新交给模型的上下文。

长任务中的上下文并不是越多越好。会话历史、系统规则、任务状态、记忆、工具结果、企业知识和运行环境都在竞争有限的上下文窗口。最直接的做法是不断向 Prompt 末尾追加内容,直到窗口不够,再临时做一次压缩。它很容易实现,也很容易在任务变长后失控:Token 越来越多,缓存结构频繁变化,旧信息和当前事实发生冲突,失败以后又很难准确重建当时送给模型的输入。

在 ContextPipe 中,我们对上下文组装和查询执行做了具体映射:两者都要在硬预算下,从多种数据源中选择内容、确定顺序、利用统计信息与分层缓存,并解释最终计划。因此,ContextPipe 把上下文处理拆成五个阶段:Plan、Bind、Optimize、Execute 和 Feedback。系统先确定当前任务需要什么,把需求绑定到带来源的上下文数据源,再根据预算、相关性和缓存特征生成计划,执行选择与压缩,最后把实际 Token、延迟、缓存和结果反馈给后续运行。上下文由此不再是一条不断增长的字符串,而是一条可以审计、回放、隔离失败并持续优化的数据管线。

在这里插入图片描述

更少的 Token 并不意味着把长期状态一起删掉。Astra 把 Work、任务图、检查点、运行事件和执行证据保存在 Prompt 之外;每次模型调用只重建当前决策真正需要的上下文。工作因此可以跨越请求和重连继续,模型却不必反复携带全部历史。

这项工作形成了论文 ContextPipe: Database-Inspired Context Assembly for Long-Horizon Agents,已被与 VLDB 2026 同期举办的 ADS/DATAI 2026 Workshop(The 1st International Workshop on Agentic Data Systems 与 The 3rd Workshop on Data-Centric AI 联合举办)接收。

在 SWE-bench Pro 的 Qutebrowser 子集上,与追加式上下文构造相比,ContextPipe 在初步实验中减少了 31% 的 Token 总量、23% 的 LLM 调用和 9% 的响应时间。实验也记录了更低的 KV Cache 命中率这一代价。我们愿意把它一起写出来,因为工程优化的价值不在于每个指标都变好,而在于系统能够看见并解释自己做出的取舍。

在这里插入图片描述

9 月 4 日 VLDB 2026 波士顿现场预告。 美国东部时间 2026 年 9 月 4 日 11:55 至 12:10,张祖羽博士和田丰博士将在 VLDB 2026 ADS/DATAI Workshop 现场介绍 ContextPipe。

  • 演讲人:张祖羽博士、田丰博士
  • 演讲题目:ContextPipe: Database-Inspired Context Assembly for Long-Horizon Agents
  • 地点:The Westin Boston Seaport District,Commonwealth A
  • 北京时间:9 月 4 日 23:55 至 9 月 5 日 00:10

欢迎关注 Agent Runtime、Context Engineering 和 Agentic Data Systems 的朋友到现场交流。

Context Pipeline 后来成为 Astra 内核的一部分。但上下文只是开始:模型知道什么之后,仍然要解决任务怎样存在、修改如何恢复、能力在哪里,以及动作由谁授权。

整体架构:一条骨干,多个执行者

Astra 的核心设计可以概括为:一条共享的 Agent 运行骨干,多种有边界的能力提供者。

运行骨干保存 Session、Run、Turn 和 Work,负责上下文、任务图、检查点、策略、恢复、Trace 与 Audit。Server、User Runner、MCP 和 Sandbox 则提供不同位置、不同权限范围内的执行能力。Web、CLI/TUI、SDK 和企业应用只是进入同一个系统的不同入口,不需要各自再实现一套 Agent 循环。

在这里插入图片描述

一次运行从 Context Pipeline 开始:它决定模型此刻应该知道什么。模型作出判断后,Policy 和 Provider Admission 决定动作能不能发生、由哪个环境执行。Server、User Runner、MCP 或隔离环境完成动作,Trace 和 Audit 再把结果送回同一项 Work,成为恢复、解释和下一轮上下文的依据。

这条链回答企业 Agent 最基本的四个问题:它现在知道什么,谁允许它做什么,动作应该在哪里发生,以及事后如何证明发生过什么。模型和工具可以替换,这些运行事实不能随之消失。

改错了怎么办:Trace 与回滚

第二个问题,是 Agent 真正开始修改系统以后,怎样把错误的代价控制在可恢复范围内。

Astra 不把 Trace 只当作运行结束后的日志。一次被捕获的修改会和执行它的 Session、Run、Turn、工具、身份、权限与结果关联起来。用户看到的不只是"Agent 调用了某个工具",还可以追到改动来自哪里,并使用相应的恢复机制处理它。

当前 Astra 已经为几类常见修改提供了明确的恢复边界:文件写入保留 pre-image 和修改记录,可以按文件或 Turn 回滚;Session 配置、任务状态和手动上下文压缩标记可以恢复;通过 Astra 执行的 MatrixOne 写操作会捕获修改前快照;Git 修改可以使用显式 revert。回滚本身同样要经过权限检查,并进入 Trace 与 Audit。

在这里插入图片描述

这里的承诺不是"Agent 做过的一切都能撤销"。消息发送、外部 API 调用、发布等动作可能具有不可逆副作用。对于这些动作,Astra 在执行前依靠 Policy、Approval 和 Provider Admission 限制权限,在执行后保留证据。能够安全回滚的,是 Astra 已经捕获修改前状态并提供恢复契约的变化。

所以,第二个特点不是泛泛的"有日志",而是让 Agent 的修改可追踪、可回滚:先找到变化及其原因,再把支持恢复的变化回到已知状态,而不是把所有错误都留给人手工猜测和清理。

User Runner:执行进入用户环境,权限留在原地

第三个问题,是 Work 怎样进入用户所在的环境继续执行,同时不把私有权限变成 Server 的默认能力。User Runner 是 Astra 回答这个问题的关键边界。

企业真正有价值的工具和数据,往往并不在 Astra Server 所在的环境里。它们存在于员工工作站、代码仓库、内网服务、本地命令行、数据库客户端、企业浏览器会话和现有 IT 系统中。把这些系统全部暴露给托管 Agent 既不现实,也不应该成为默认方案。

Astra 把控制和执行分开:Server 保存共享 Work、身份、上下文、策略和执行决策;User Runner 位于用户或企业自己的信任边界中,使用当地已有的工作区、网络、工具和凭据完成被允许的动作,再把类型化结果与执行证据送回同一条运行骨干。

在这里插入图片描述

Server-only 模式默认不会获得用户机器上的文件、Shell 或 Git 权限。只有经过绑定的 Runner 接入以后,这些能力才会出现。这个"默认做不了"不是功能缺失,而是刻意保留的安全边界。

Runner 不是第二个 Agent 大脑,也不等于一条可以随意执行命令的远程 Shell。它不负责重新理解任务,只在用户、工作区和权限边界内执行已经准入的能力。Runner 描述执行角色,Edge 描述它靠近私有系统的部署位置;CLI 本地运行时和 Edge 都可以成为 User Runner。

例如,同一个任务可以在 Web 上创建,由 Server 持续跟踪;需要检查源代码时,任务被路由到开发者笔记本上的 User Runner;需要查询生产信息时,调用企业网络中的受控能力;涉及写操作时进入审批;执行完成后,结果、工具调用、Provider、权限决策和失败重试全部回到原来的 Work 与 Trace 中。即使 Runner 暂时离线,任务和上下文仍然存在,恢复连接后可以继续,而不是重新开始一场聊天。

这也是"云端开始、本地完成、移动端查看、企业系统审批"能够成立的基础。跟着用户移动的是 Work、上下文和执行证据;留在原地的是私有代码、凭据、网络与权限。跨越的是执行位置,不变的是任务身份和运行事实。

这三件事为什么要放在一起

Astra 的产品边界没有画在"支持多少个工具"上。工具还会越来越多,而长期工作、恢复边界和执行位置很难在生产以后再补上。

为什么长任务不必携带全部历史? Durable Work 让目标脱离某一次请求和聊天连接继续存在;Context Pipeline 只为当前决策组装预算内的上下文。Session 保存连续关系,Run 表示一次可控制的执行,Work 和版本化任务图记录目标、依赖、尝试、验证与交付。

这次修改出了问题怎么办? Trace 将修改与执行事实关联,文件记录、Session 状态、数据库快照和 Git 历史提供各自的恢复路径;不具备可靠恢复契约的外部动作则必须在执行前收紧权限。

换一个设备或环境以后怎样继续? Server 保存同一项 Work,Runner 提供当前用户和环境实际拥有的能力。执行位置可以变化,任务身份、检查点和证据链保持连续。

Policy、Provider Admission、Trace、Introspect、Explain 和 Audit 贯穿这三个过程:决定动作能不能发生、由谁和在哪里执行,并把等待、降级、阻塞、失败、恢复和副作用变成可以检查的运行事实。这不是在运行结束后补一个日志页面。证据本身就是下一轮上下文、失败恢复、用户解释和企业治理的一部分。

三种部署方式

Astra 当前支持三种主要运行形态:

  • CLI + Server:通过 CLI/TUI 交互,同时使用本地工作区能力,适合开发者、运维和终端自动化。
  • Server-only:由 Web、SDK 或企业应用访问共享 Server,适合受控的业务流程、知识工作和中心服务。
  • Server + Edge / User Runner:Server 负责任务和控制,Runner 进入用户或企业环境执行,适合混合云、代码、内网系统与用户自有设备。

在这里插入图片描述

这三种形态改变的是可用能力和执行位置,不是 Agent 的身份。它们共享相同的 Session、Work、Context、Policy、Checkpoint、Trace 和 Audit 语义。

这一点很重要。如果 Web 有一套上下文,CLI 有另一套状态,Edge 再维护第三份任务事实,那么产品表面上入口很多,底层其实只是几套无法互相恢复的 Agent。Astra 选择让入口保持轻,让运行骨干成为唯一可信的事实来源。

和 Claude Code、Pi 们的区别

Claude Code、Codex、Pi 和 DeepSeek Harness 各有自己的设计中心。Astra 选择的是企业拥有的、自托管 Agent Runtime,并把上面三件事做成同一条运行骨干上的系统能力:Work 和检查点持续存在,ContextPipe 在每个模型边界内只重建真正需要的上下文;被捕获的修改带有来源、身份、执行证据和明确的恢复路径;Server 保存 Work,User Runner 在用户所在的信任边界内提供私有执行能力。

Astra 从一开始就考虑自托管、模型供应商可替换、企业身份、持久状态、User Runner、能力准入、断线恢复和完整证据链。Coding 是一项重要负载,但不是产品的边界。同一条运行骨干也可以进入故障处理、数据分析、内部运营、工单和审批流程。

如果你只需要在一台机器上完成一次 Prompt 与工具循环,更轻的 Agent 框架通常更合适。Astra 面向的是另一个时刻:Agent 开始成为跨用户、跨应用、跨私有环境的共享基础设施。

Terminal-Bench:同一个模型,不同 Harness

我们也用 Terminal-Bench 2.1 检验了 Astra 作为 Harness 的实际表现。比较中的所有 Agent 均使用 GLM-5.2,共完成 89 个任务:

Agent总体EasyMediumHard
Astra60 / 89(67.42%)4 / 4(100%)42 / 55(76.36%)14 / 30(46.67%)
Pi54 / 89(60.67%)4 / 4(100%)36 / 55(65.45%)14 / 30(46.67%)
Hermes51 / 89(57.30%)4 / 4(100%)32 / 55(58.18%)15 / 30(50.00%)
DeepSeek Harness(DSH)48 / 89(53.93%)4 / 4(100%)31 / 55(56.36%)13 / 30(43.33%)

在这里插入图片描述

Astra 总体通过 60 题,领先第二名 6 题;差距主要来自 55 道中等难度任务。Hard 任务上,Astra 与 Pi 持平,比 Hermes 少 1 题,比 DSH 多 1 题。

一份 Benchmark 不能证明普遍意义上的"最好",也不能替代企业环境中的安全、稳定性和可运维验证。它至少说明了一件有实际意义的事:当底层模型相同时,Harness 如何组织上下文、工具和运行过程,会直接影响任务结果。模型很重要,模型周围的系统同样重要。

为什么开源

很多企业问题无法只靠设计文档推演出来。User Runner 一旦进入不同的内网和工作区,就会遇到不同的身份系统、审批方式和工具边界;Policy 应该怎样表达组织规则,Trace 应该保留哪些证据,也必须在真实使用中回答。这些问题适合公开讨论,也需要共同验证。

Astra 因此选择以 Apache 2.0 许可证开源。仓库目前已经包含 Server、CLI/TUI、Web 控制台、HTTP 与流式 API、TypeScript SDK、Edge/User Runner、MCP 接入,以及本地、Docker 和 Kubernetes 部署文档。项目仍在 1.0 之前,公共接口还会继续演进。

最后

我们不认为 Agent 最终会"变成数据库"。我们的判断更简单:任何复杂系统真正进入生产以后,都绕不开状态、资源、权限、失败和解释。数据库行业用了几十年把这些问题做成可靠的基础设施;Agent 工程也会越来越系统化。

Astra 是我们把长期工作、可恢复修改和跨环境执行放进同一套 Agent Runtime 的一次尝试。模型会继续变聪明,我们更关心的是它离开聊天窗口以后,工作还能不能可靠地继续。

【OpenCV】复杂场景下的高精度圆检测实战(附完整代码) 本文针对OpenCV霍夫圆检测在复杂场景下易失效的问题,提出了一套基于轮廓分析的高精度圆检测实战方案。通过图像预处理、轮廓发现及多轮几何筛选(面积、周长、椭圆拟合、多边形逼近),有效排除噪声和类圆干扰物,显著提升复杂场景下的检测鲁棒性,并附完整可调参的Python代码实现。 阅读详情

相关推荐

CSR-DCF视频目标跟踪源码运行笔记

论文基本信息 论文标题:Discriminative Correlation Filter with Channel and Spatial Reliability 论文作者:Alan Lukezic等 论文出处:CVPR 2017 文章链接:https://arxiv.org/abs/1611.08461 补充材料:https://www.semanticscholar.org/paper/D...

越野者的博客 3401

Astra开源:企业级Agent Runtime如何解决长期复杂任务

在大模型应用从对话走向任务执行的趋势下,Agent Runtime成为支撑长期复杂工作的关键技术。其核心原理在于通过运行时环境管理Agent生命周期、状态持久化与资源调度,解决传统框架在任务中断、状态丢失和并发冲突上的痛点。技术价值体现在提升系统可靠性与可审计性,适用于工单处理、订单流转等企业自动化场景。Astra作为开源Agent Runtime,通过ContextPipe机制实现上下文分层管理,结合检查点与权限模型,让Agent从演示Demo真正进入生产系统。

weixin_29053383的博客 304

使用pdfBox实现pdf转图片出现中文方块乱码 简单修改源码解决

参考文章 问题排查:使用pdfbox将pdf转image时STSong-Light字体中文乱码 pdfbox版本是2.0 日志中打印出类似这样的日志(例:Using fallback XXX for CID-keyed font STSong-Light),就说明系统没有安装STSong-Light字体,pdfbox使用XXX字体来替代了。如果出现方块,就说明没有这种字体,并且替代字体也没有,日志也有相应的其他提示。 正常操作就是安装缺失的 STSong-Light 字体,但是在网上搜到的都是 STSong

aji_csdn的博客 5267

Astra Runtime:企业级长期运行Agent的确定性执行引擎

Agent Runtime是支撑大模型智能体在生产环境中稳定、持久、可审计运行的核心基础设施。它解决的不是LLM调用优化问题,而是状态持久化、事件驱动执行、资源可控性与生命周期管理等底层确定性难题。尤其在供应链预警、工单闭环、预测性维护等需连续运行数天至数周的复杂业务场景中,传统编排框架因状态漂移、事件语义断裂和资源失控而难以胜任。Astra Runtime通过进程抽象、分片式状态树、内置事件总线与eBPF资源控制四层设计,为企业提供类操作系统级别的Agent执行环境,显著提升故障恢复能力、审计合规性与灰度

weixin_31240035的博客 288

Allegro172版本如何在联机模式下使用skill文件操作指导

注意:如果下次重新开启Symphony模式的时候可能导致symphony_skill中的文件内容被清空,所以最好将自己常用的skill文件都写到symphony_skill.txt中去,然后做好备份,需要的时候,在开启软件后把文件放到env目录中去。在用Allegeo172版本进行PCB设计的时候,有时会用到Symphony模式进行多人实时在线协同设计,如下图。这个模式设计起来可以提升设计速度,但是也有一个缺陷,就是不能使用skill文件。如下图,当调用skill的时候就会出现如下报错。

weixin_54787054的博客 1590

华为od统一考试B卷【食堂供餐】Python 实现

某公司员工食堂以盒饭方式供餐。为将员工取餐排队时间降低为0,食堂的供餐速度必须要足够快。现在需要根据以往员工取餐的统计信息,计算出一个刚好能达成排队时间为0的最低供餐速度。即,食堂在每个单位时间内必须至少做出多少份盒饭才能满足要求。

MISAYAONE的博客 8783

Astra开源:企业级Agent Runtime如何解决长期任务的状态与上下文管理难题

Agent Runtime是承载智能体执行的基础设施层,核心解决状态持久化、上下文有界管理和失败恢复等工程问题。在长期复杂任务中,上下文会持续膨胀,需要ContextPipe等机制对上下文进行分段、压缩与按需召回,避免窗口溢出和信息稀释。运行时通过检查点、幂等保证和补偿机制,确保任务崩溃后能从最近状态恢复,而非从头重跑。这些能力在需要连续运行数小时、跨多个工具调用的企业级场景中尤为关键,直接决定Agent能否从Demo走向生产。Astra作为开源Agent Runtime,正是围绕这些运行时保障能力进行设计

weixin_32181267的博客 233

23 RAG 为什么答不准:召回、分块、排序的常见坑

RAG 答不准时,不要先怪模型。本文把常见失败拆成召回不到、召回不准、分块不完整、排序靠后、上下文污染和生成不忠实六类,并给出从 Top-K 检查到评估集的排查流程。

老于的笔记的专栏 249

Astra Agent Runtime:企业级AI代理的持久化执行环境

Agent Runtime 是支撑 AI 代理长期稳定运行的底层执行环境,其核心在于状态持久化、断点续传与全生命周期管理。不同于轻量级框架,Runtime 强调与 LLM 和工具链解耦,通过分层架构(编排层、执行层、状态层)保障业务逻辑不随模型或基础设施变更而失效。技术价值体现在高容错、强可观测、细粒度权限与合规审计能力,适用于金融风控、财务自动化、智能工单等需7×24小时可靠运行的企业场景。Astra 作为典型代表,将 checkpoint、trace、audit 等能力设为默认,而非插件,真正实现 AI

weixin_32377497的博客 280

YOLO26 vs YOLOv12 vs YOLOv10:工业场景性能实测,速度/精度/部署难度全对比(附完整测试代码)

YOLO26:工业场景全能型选手,无NMS+无DFL设计让部署和推理都省心,小目标精度优势明显,CPU推理速度提升43%,适合大多数生产线场景YOLOv12:中大型目标检测专家,Area Attention在复杂背景下表现出色,适合汽车、家电等大型零部件检测YOLOv10:速度狂魔,GPU上性能领先,轻量化版本适合边缘部署,但小目标精度略逊,适合对实时性要求极高的分拣线场景。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 625

IEC 60747-8 是由国际电工委员会(IEC)制定的标准,标题为《半导体器件 - 分立器件 - 第8部分:场效应晶体管》

IEC 60747-8 是由国际电工委员会(IEC)制定的标准,标题为《半导体器件 - 分立器件 - 第8部分:场效应晶体管》(Semiconductor devices - Discrete devices - Part 8: Field-effect transistors)。该标准详细规定了场效应晶体管(FETs)的测试方法,涵盖静态和动态特性测试,适用于多种类型的FET,包括结型场效应晶体管(JFETs)、绝缘栅场效应晶体管(MOSFETs,增强型和耗尽型)等。3. 标准其他部分(简要概述)

专注于前沿技术的探索与实践,热衷于从代码逻辑、架构设计到行业应用等多维度深挖技术本质。期待在技术之路上与你共同成长~ 578

Astra:企业级Agent长期运行时的基础设施

Agent Runtime 是支撑大模型应用落地的关键底层设施,其核心在于解决长期运行、状态一致性与复杂流程编排等工程挑战。不同于面向Demo的轻量框架,企业级Runtime需具备不可变状态快照、语义级可观测性、声明式容错策略等能力,以保障7×24小时高可用与合规审计要求。Astra 通过State Graph、Semantic Health Probe和Failure Policy等机制,将隐性运维成本显性化,适配信贷审批、智能客服等需跨步骤依赖、异步事件耦合与状态回滚的真实场景,为AI从实验走向稳态生产

weixin_33624741的博客 166

Android15 修改触摸点上限为40

把MAX_POINTER_ID从默认的31修改为39,这里为什么要从31修改为39,是因为上面说明用BitSet32极限就只能支持32个点,因为从最小的ID是0,所以要支持40个点ID也要对应改为39.最近有个需求,需要修改Android系统的触摸点数,Android系统默认的点数是16个点,因为现在是大屏项目,有客户需要修改为40个点,好吧,客户最大。6.最后进行编译,开机开启触摸点检测,可以使用开发者模式中的显示触摸点功能,再叫上3个人,用双掌触摸屏幕,发现左上角有显示40个触摸点,修改成功。

tzj1058756809的博客 575

python开源好项目

优先看 cszmzh/taobao-data-analyze:它的 SpringBoot + Vue 架构与你最契合,可以帮你快速理解如何将 Python 的分析结果嵌入到你熟悉的全栈体系中。值得一看的点:它的 advisor.py 模块实现了具体的调价规则,比如“竞品价 < 本店售价 × 0.90 时建议降价”,你可以直接参考或修改这些业务逻辑。分析内容:使用百万级的淘宝用户行为数据集,进行 AARRR 模型分析、RFM 分析以及各个环节转化流失分析,正好对应了你提到的“看看用户在哪个环节流失了”。

在技术领域里形成深刻,全面的认识,知道来龙去脉,深入浅出的讲到实用点。 333

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

百度开源文心5.5 Flash Base:280B MoE 只激活 14B,4 步部署 + 3 个坑,微调还是等指令版

百度开源文心 5.5 Flash 基座权重:280B MoE 每 token 激活 14B,1M 上下文,同尺寸开源 Base 30 项基准多数领先。4 步部署(vLLM/SGLang completions 链路)+ 3 个高频坑 + 动手前 6 点核对清单,并给出微调 Base 还是等指令版的判断线。

weixin_50937681的博客 378

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

GitHub 开源趋势日报 | 2026-11-08

每日精选 GitHub Trending 热门项目,聚焦 AI 与大模型、Agent 智能体领域,带你用一篇文章看懂开源风向。

weixin_45631123的博客 453

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

云捷EMS开源能源管理系统JAVA实战,好用的能源管理系统

云捷EMS是一款开源能源管理系统,覆盖物联网网关、数据采集、分析与可视化全链路,支持50余种工业协议,适配水、电、汽、光伏等多类能耗设备。系统基于微服务架构,采用SpringBoot+Vue3技术栈,支持MQTT、WebSocket双通道采集,具备低代码大屏配置、实时数据与预计算分析能力,助力企业实现能耗监测、节能降耗与碳管理数字化,可直接部署或二次开发,适用于工厂、园区等高耗能场景。

weixin_42648890的博客 237

开源AI桌面助手哪个好?5类项目的能力、许可证与部署选型

从开源范围、产品定位、任务执行、模型接入、部署方式与许可证六个维度做一次横向梳理如果你正在寻找一款开源 AI 桌面助手,可能已经在 GitHub 上看到过不少项目。有些项目能够连接多个大模型,有些能够读取本地文件、执行命令,还有些可以调用浏览器、操作电脑,甚至让多个智能体协同完成工作。但这些项目并不完全属于同一类产品。例如,有的只是一个多模型聊天客户端,有的是能够直接执行任务的 AI Agent,还有的属于本地部署的 AI 管理平台。

sykdjs的博客 264

优雅草2026年10个开源鸿蒙工业软件项目五详解:鸿蒙星闪旋转设备振动监测节点

本项目聚焦旋转设备振动监测“最后一米”难题,基于开源鸿蒙与星闪技术,打造低功耗无线振动节点。采用ADXL355高精度传感器,5分钟周期采集3.2kHz原始波形,通过星闪上传至网关,由网关侧完成FFT分析、特征提取与基线对比,实现故障早期预警。打样目标包括16位采样、≥2周续航、丢包率可测,交付2个磁吸/螺栓节点及网关分析固件。未来将拓展至“振动+电流”双维监测,推动工业预测性维护在水运、排污等场景的低成本普及。

一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8 207

openEuler 汇聚开源力量,深化系统级创新,构筑 Agentic Infra 坚实底座

11月14日,openEuler Summit 2026(以下简称“大会”)在北京中关村国际创新中心圆满落幕。大会由开放原子开源欧拉(OpenAtom openEuler,简称“开源欧拉”或“openEuler”)社区协同产业伙伴共同主办,集中展示openEuler在超节点与Agentic Infra领域的技术创新、社区建设和生态合作,吸引社区开发者、企业代表和学术界专家共同参与。

GZZN2019的博客 154

52万 Star 的“列表的目录”:sindresorhus/awesome 如何用一套治理规则,成为全球开源资源的信任锚点

awesome 是 Sindre Sorhus 维护的开源索引项目,无一行可运行代码,却以超 52 万 Star 长居 GitHub 第二。它作为“列表的目录”,通过严格治理(30 天考察期、awesome-lint 校验、CC0 许可、贡献者评审机制)筛选高质量资源清单,成为开发者寻找优质技术资源的可信入口。虽不保证内容实时性,但其“筛选即认证”的模式重塑了信息获取方式,推动形成整个 Awesome 生态规范。

下载资源或查看教程前,请务必阅读置顶的《免责声明》 457

让 Electron、Windows 桌面应用也能直接调用 uniCloud:unicloud-sdk 开源发布

摘要(148字): 为解决 Electron、Vue/React 项目及 Node.js 环境无法直接调用 uniCloud 的问题,开发者开源了 @yungot/unicloud-sdk。该 SDK 支持云对象、云函数、存储与登录态管理,兼容 Windows 桌面应用,通过设备身份签名与宿主桥机制保障安全,实现与 uni-app 一致的调用体验。已通过真实项目验证,支持 TypeScript、零依赖,适用于非 uni-app 场景的 uniCloud 接入。

IT开发 253

开源虚拟机与桌面虚拟化工具离线镜像合集

本集合汇总等开源虚拟机与桌面虚拟化相关离线包。不重分发 Oracle VirtualBox 专有二进制(PUEL),侧重 FOSS 生态与文档说明包。

236

Windows 本地部署 Nexent 全流程实录:3 个坑的成因与解法,50 分钟跑通 13 个容器

最近,华为把零代码智能体平台 Nexent 开源到了 AtomGit 上,归在魔擎社区(ModelEngine)名下。它的口号是"一个提示词,无限种可能",在工作台用自然语言描述需求,平台直接产出可运行的智能体,不用画流程图,也不用写代码。看到这个定位,我决定在自己的 Windows 机器上完整跑一遍部署。

鸽芷咕的博客 1万+

关于优雅草科技十大开源工业软件实验验证与中试报备的流程说明

优雅草科技将于2026年11月发布10款基于鸿蒙+星闪+海思的国产工业开源软件,计划12月至1月完成样机打样与实验室验证。项目涉及高精仪器测试,需依托成都五家实验室分阶段开展结构打样、产线模拟及专项测试(如视觉同步、EMC干扰、配电柜环境等)。完成后,将向“工业软件中试验证平台(成都)”提交材料,进行中试报备与产品上架,推动软件从“能用”迈向“好用”。

一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8 190

【字节拥抱开源】Cola2:用连续隐变量重构语言模型,346B Token 跑出 60.10 八任务均分

Cola2 是一款基于连续隐变量的自适应语言模型,通过动态语义压缩与块因果扩散 Transformer(DiT)实现高效生成。它在346.03B token上训练,八项评测平均得分60.10,性能超越部分更大规模模型。其核心创新在于联合优化隐变量压缩与离散解码,支持受控扩展与稳定推理。项目提供完整权重、工具链及评测数据,适用于研究与应用。

weixin_41446370的博客 347
上一篇: 回到波士顿:VLDB 2026 见闻,半个世纪的数据技术变迁与新的黄金时代
下一篇: 从中国出发,走向全球:MatrixOrigin 入选 2026 谷歌出海创业加速器
MatrixOrigin
博客等级 码龄5年 708粉丝 230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