AI Agent构建:不仅要Chat,更要Act

AI Agent 革命——从 Chat to Act:D1 开启智能新纪元 理解 AI Agent,有一个绝佳的类比——自动驾驶分级fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;Agent级别LLM级别LLM被动响应Agent自主决策无自动化传统软件驾驶员辅助定速巡航部分自动化车道保持条件自动化高速公路自动驾驶高度自动化限定区域完全自动驾驶。 阅读详情

过去两年,大模型的迭代速度超出了所有人的预期。两年前的 ChatGPT 还分不清 1000 和 1062 谁更大,今年 2 月份的 DeepSeek 还会在 9.11 和 9.9 上犯迷糊。回想起来恍如隔世

如果说大语言模型(LLM)是AI时代的大脑,那么AI Agent就是给这个大脑装上了五官和四肢。

我们最关心的不仅是模型有多聪明,还有它能否在复杂的真实环境中闭环解决问题。今天我们将基于一篇深度综述,探讨如何构建一个自主的AI Agent。

01

AI Agent

AI Agent主要分为两个阶段:

  • Agent1.0时期,类似于工作流(Workflow)就像是一列火车。它的路线是设计者预先铺设好的(步骤A → 步骤B → 步骤C),非常适合处理重复性、高确定性的任务。它利用机器学习和 NLP 技术来做决策,能听懂人话,但缺乏主动性。但本质上还是“指令-响应”模式。

  • Agent2.0时期,Agentic AI则是一辆越野车。它没有预设的固定路线,只有一个明确的目的地。它依靠大模型来思考,通过环境反馈导航,遇到路障会绕路,走错了会倒车,甚至发现路不通时会自己开辟新路。它能动态生成策略,处理不可预测的挑战。主流代表应用就是曾经爆火的"Manus"。

一个成熟的AI Agent架构必须包含四个核心组件:

  • Perception(感知系统) —— 看懂世界

  • Reasoning(推理系统 ) —— 想清楚怎么做

  • Memory(记忆系统) —— 不断学习,不再忘性大

  • Action(执行系统) —— 真实动手,完成任务

02

感知系统

感知是AI Agent与世界交互的第一步。对于纯文本任务,LLM本身的处理能力已经足够。但在涉及GUI(图形用户界面)或物理世界的任务中,挑战主要在于“多模态对齐”。

现在的MM-LLM(多模态大模型)通过Vision Transformer(视觉编码器)和输入投影层(把视觉变成语言 token)大模型主体让 AI 具备视觉能力。

虽然能看懂图片,但它们往往缺乏一种“操作性知识”。比如,你给AI Agent一张网页截图,让它点击“提交”按钮。模型可能知道按钮在图里,但无法输出精确的 (x, y) 坐标,导致“看得见,摸不着”。

VCoder通过分割图、深度图增强 AI 的“空间理解”

为了解决这个问题,感知系统引入更精细的技术:

  1. Set-of-Mark (SoM) 提示法:这就好比给近视眼戴上了眼镜。在把截图喂给模型之前,先用计算机视觉算法在所有可交互的 UI 元素上打上带编号的框。AI Agent 不再需要凭空猜测坐标,它只需要输出“点击编号 25 的盒子”。这极大提升了点击的准确率。

  2. 双重感知机制 (Dual Perception):除了看截图,AI Agent 还应结合 Accessibility Tree(辅助功能树) 或 HTML 源码。

图像提供视觉上下文(布局、颜色)。

代码/树结构提供精确数据(元素类型、层级、状态如 disabled)。

这种结合让AI Agent 能像自动化脚本一样精准,又像人类一样理解界面语义。

03

推理系统

如果感知是输入,推理就是处理。这是AI Agent的大脑,负责把模糊的目标拆解为可执行的步骤。

目前主流的思维链(CoT)和思维树(ToT)大家可能已经很熟悉了。但在构建复杂AI Agent时,DPPM架构也是很好的方式。

面对一个复杂任务,(如“策划一次公司年会”),单线程的思考容易顾此失彼。DPPM 的做法是:

Decompose(分解): 将大任务拆解为场地预定、餐饮安排、流程设计等子任务。

Plan in Parallel(并行规划): 多个Agent实例同时为这些子任务出方案。

Merge(合并): 汇总所有方案,检查冲突并形成总计划。

更重要的是“反思(Reflection)”机制。

很多AI Agent之所以“傻”,是因为它们是一条道走到黑。一个优秀的系统必须包含Self-Correction(自我修正)。当执行结果不符合预期时,它需要能像人类一样停下来思考“我是步骤错了,还是工具用错了?”甚至在行动前,可以引入“批评家”角色,进行前瞻性的反思,预判可能出现的错误。

04

记忆系统

LLM的上下文窗口(Context Window)再长也是有限的。要让AI Agent成为长期的合作伙伴,必须构建完善的记忆系统。

我们通常把记忆分为短期和长期。短期记忆依赖上下文窗口,而长期记忆则需要依赖外部存储。除了大家熟知的 RAG(检索增强生成) 用于存储文档知识外,还有一种常被忽视的记忆类型:经验记忆。

为什么它总是在同一个坑里跌倒?因为AI Agent会记不住之前的教训。在设计Memory模块时,不仅要存储成功的案例,更要结构化地存储“失败的轨迹”。当AI Agent下次遇到类似任务时,它应该能检索到:“上次我尝试用方法A失败了,这次我应该尝试方法B。”

此外Agent Workflow Memory 也是一个值得关注的方向。它能从历史操作中提炼出通用的内容,让AI Agent越用越顺手,形成类似人类“肌肉记忆”的高效反应。

05

执行系统

无论规划多完美,无法落地都是空谈。能不能执行任务是 Chatbot 和 AI Agent 的根本分界线。

目前最强大的执行方式之一是代码生成。相比于预定义的工具调用(Tool Use),让AI Agent自己写Python脚本来解决问题具有极高的灵活性。比如在数据分析场景下,预定义的工具很难覆盖所有需求,但一段动态生成的Pandas代码几乎可以处理任何数据清洗任务。

工具调用(Function Calling / API)是目前最通用、最成熟的执行方式。通过定义好的接口,它可以像程序员一样调用 Python 库、操作数据库、读写文件、发送邮件,甚至调用外部模型来辅助决策。这种方式的输入输出通常是结构化的(如JSON),因此稳定性极高是构建企业级Agent的基石。

多模态行动(GUI )是实现“通用智能体”的必经之路。让AI像人一样,直接操作任意软件界面。最近大热的豆包手机助手,采用了GUI的形式。

但在执行层,我们面临的最大挑战是安全性与幻觉。AI Agent可能会“一本正经”地生成一段危险的代码,或者调用错误的API。因此,在执行系统中必须引入Sandbox(沙箱)环境和Guardrails(护栏机制)。在代码真正运行前,通过静态分析或人工介入(Human-in-the-loop)进行最后一道把关。

如何抢占先机,拥抱 大模型?

从0到1!大模型(LLM)最全学习路线图,建议收藏!

想入门大模型(LLM)却不知道从哪开始? 我根据最新的技术栈和我自己的经历&理解,帮大家整理了一份LLM学习路线图,涵盖从理论基础到落地应用的全流程!拒绝焦虑,按图索骥~~

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

手把手实现最简ReAct Agent:Reason-Act-Observation三步闭环 ReAct(推理+行动)是大模型智能体的核心设计范式,其本质是将复杂任务分解为可追溯、可调试的Reason(思考决策)、Act(工具执行)、Observe(结果反馈)循环。该范式强调显式状态流转与外部世界交互,区别于单次Prompt生成的黑盒响应。技术价值在于提升Agent的可控性、可观测性与容错能力,广泛应用于AI助手、自动化工作流和工具调用型应用。本文聚焦最简可运行实现,通过纯Python代码清晰呈现ReAct心跳脉搏,深入解析reason阶段的结构化输出约束与act阶段的工具解析容错机制,帮助开发者真 阅读详情

相关推荐

AI Agent入门指南:从核心原理到实战构建智能体应用

AI Agent(智能体)是人工智能领域的重要发展方向,它基于大语言模型(LLM)构建,具备自主规划、工具调用和持续学习能力。其核心原理在于通过ReAct等决策框架,将LLM的推理能力与外部工具(如搜索、数据操作)相结合,形成感知-思考-行动的闭环。这种架构赋予了AI Agent处理复杂任务的技术价值,使其能够替代人工完成多步骤工作流,如自动化研究、流程分析和智能助理等场景。在工程实践中,开发者常使用LangChain等框架快速搭建Agent,并结合向量数据库实现记忆功能。本文以构建网页研究助手为例,详细演

weixin_30598225的博客 526

【珍藏指南】AI Agent从Chat到Act:大模型技术进阶必看

AI Agent作为新一代智能交互范式,正推动大模型从"Chat"向"Act"跨越,成为通往AGI的关键里程碑。其核心特征包括自主决策、任务执行及工具使用能力,由记忆、规划和工具调用三大模块构成。2025年AI Agent技术框架已发展为包含规划、工具、记忆和行动四大组件的完整体系,市场规模爆发式增长。未来将向多模态融合、自主决策能力提升及安全治理完善方向发展,深刻改变产业形态与社会运行模式。

2401_84815887的博客 1144

AI Agent架构全解析:从感知到行动的智能体构建指南

人工智能体(AI Agent)作为能够感知环境、自主决策并执行行动的软件实体,其核心架构通常包含感知、认知、行动与评估等关键层次。在技术实现上,大语言模型(LLM)提供了强大的推理基础,而检索增强生成(RAG)等技术则有效扩展了其知识边界与实时信息处理能力。从工程实践角度看,构建一个实用的AI Agent需要解决工具调用、记忆管理、安全护栏等核心问题,其价值在于能够将复杂的用户指令转化为一系列自动化操作,从而在智能客服、自动化研究、个人助手等场景中显著提升效率。本文以“智能研究助手”为例,深入剖析了基于Re

weixin_34007020的博客 450

字节Coze VS TFlow AI Agent会话模式比较

TFlow AI 是面向B端业务场景Agent平台,能按流程处理任务(SOP),围绕目标来进行离散推理。允许LLM与环境进行交互,根据环境数据的反馈不断的调整行动计划/策略。且整个sop的过程是由文本来控制,不需要用到Work Flow。使用问心一言-3.5的模型,未微调做了逻辑处理的Agent框架单条回复的消耗不到2K token,成本约0.8-2份钱。价格不贵怎么理解目标、sop、离散推理、环境交互?目标:要做一件什么事情,要达到什么目的。解答问题,引导留咨。

ofay 1110

Deepseek Harness 实战:从零构建个性化 AI Agent 开发指南

AI Agent(智能体)作为能够感知环境、自主决策并执行行动的软件实体,其核心原理在于整合大语言模型的推理能力与外部工具的执行功能,通过规划、工具使用、记忆和反思等机制实现复杂任务自动化。这一技术价值在于将人工智能从单纯的对话交互升级为能够主动解决问题的智能系统,广泛应用于数据分析、自动化流程、智能客服和代码辅助等场景。传统Agent开发面临模型集成、工具管理、记忆系统搭建和流程编排等高门槛挑战,而开源框架的出现正致力于解决这些痛点。本文聚焦于Deepseek Harness这一开源Agent开发平台,它

weixin_30621711的博客 420

ReAct框架实战:从原理到代码,构建能思考会行动的AI智能体

在人工智能领域,大语言模型(LLM)的推理与执行能力是构建实用AI应用的关键。传统提示词工程主要解决静态指令响应,而复杂任务往往需要模型具备动态规划、多步骤执行和与外部环境交互的能力。ReAct框架通过将推理(Reasoning)与行动(Acting)交织循环,模拟人类“思考-行动-观察”的解决问题模式,有效提升了任务完成的可解释性和准确性。这一方法论为开发能够处理客服、数据分析、信息查询等复杂场景的AI智能体(AI Agent)提供了核心支撑。本文以构建一个联网信息查询与分析Agent为例,深入解析ReA

weixin_33726318的博客 505

【02】ReAct 循环:Agent 的思考引擎 — Think → Act → Observe

本文介绍了AI Agent的核心运行模式ReAct循环(推理+行动),通过Think→Act→Observe的迭代过程处理复杂任务。文章用流程图和代码骨架展示了Agent如何自主决策工具调用、整合信息并最终输出结果,解释了智能从循环中"涌现"的原理。关键点包括:1)循环结构使Agent能动态调整策略;2)简单for循环+LLM调用构成核心机制;3)可观测性对理解Agent决策过程至关重要。文章还提供了学习检查清单和延伸阅读资料,帮助读者掌握这一基础概念。

技术的最终意义就是普及社会 445

从Windows到AI Agent网络:构建智能超级应用的完整实践指南

最近在技术社区和开发者论坛上,一个话题的热度持续攀升:我们何时才能迎来一个真正意义上的“AI超级应用”?这个话题的讨论,往往从我们最熟悉的Windows桌面环境开始,延伸到神秘的“Agent网络”,最终指向一个集大成的智能未来。作为一名长期在Windows平台上进行开发、部署和运维的技术从业者,我深刻感受到,从传统的操作系统到去中心化的智能体网络,再到最终用户可感知的超级应用,这条路径上充满了技术挑战与工程实践。本文将从一个实践者的视角,系统性地拆解这条技术演进路径,探讨其背后的核心概念、当前的技术栈、落地

搜索 353

从Chat到Act:小白程序员必备 | Agent技术带你解锁AI落地实战与收藏价值

要理解Agent的价值,需要明确它与早期对话式AI的差异。传统的大语言模型更多充当静态的知识库,高度依赖人类的指令输入,主要完成信息的提取与整合。即便是结合了RAG(检索增强生成)的系统,也较难进行长程的任务规划与拆解。

ytt0523_com的博客 575

Agent交互新体验:AI如何从Chat到Act?

2024年11月29日,大会主题【Agent交互新体验】,以大模型带来的自然语言交互能力为产品创新趋势,以人机交互升级为切入,选择用户日常的生活场景和工作场景,主打端侧大模型交互产品的定位,展示AI原生设备的技术能力。

rs勿忘初心的博客 1698

树莓派+STM32+激光雷达:大学生工训赛智能物流小车全栈开发实录(附避坑指南)

本文详细记录了基于树莓派、STM32和激光雷达的智能物流小车全栈开发过程。文章从系统架构设计、硬件集成、软件框架搭建到机械臂控制与视觉辅助定位,系统阐述了如何构建一个完整的机器人系统,并分享了在电源管理、通信延迟、里程计误差等关键环节的实战避坑指南,为嵌入式与机器人开发提供了宝贵经验。

kotlin6android的博客 748

浅谈AIGC实现Chat与Agent

随着生成式AI技术的不断进步,关于其未来发展方向的讨论也愈发激烈。究竟生成式AI的未来是在对话系统(Chat)中展现智慧,还是在自主代理(Agent)中体现能力?这一问题引发了广泛的讨论和探索。你怎么看待生成式AI的未来发展方向?

Andy的博客 1075

Altair HyperWorks 2022.3.0 Suite下载

Altair HyperWorks开发团队提供了新的一流技术,以设计和优化高性能、高效和创新的产品,并发布了HyperWorks 2021.2套件。与所有新版本一样,这个版本包含了新特性、增强功能,并修复了前一个版本中用户报告的各种问题,提供了总体上更稳定的体验。链接: https://pan.baidu.com/s/1rYietmQLQUboHiJzYoE9WQ?pwd=m9yh 提取码: m9yh 复制这段内容后打开百度网盘手机App,操作更方便哦。

weixin_48469365的博客 2133

从零构建AI智能体:理解Agent核心机制与Python实践

AI智能体(Agent)作为人工智能领域的关键技术,通过任务理解、规划执行和环境交互实现自主决策。其核心原理基于大型语言模型的推理能力,结合工具调用和记忆机制,构建起思考-行动循环。在技术价值上,智能体能够将复杂任务分解为可执行步骤,显著提升自动化水平。应用场景涵盖智能助手、自动化流程和复杂问题求解等多个领域。本文聚焦Python实践,通过热词LangChain和AutoGen的对比分析,深入探讨从零搭建智能体的方法,帮助开发者掌握底层机制,为后续框架学习奠定基础。

weixin_33970449的博客 318

使用 Python 实现无人机避障的人工势场算法

人工势场算法是一种基于力的控制方法,通过将目标位置视为一个吸引力源,而将障碍物视为排斥力源,来引导移动体朝着目标前进,同时避开障碍物。接下来,我们将定义几个类来实现人工势场算法,包括无人机类、障碍物类和势场类。

闲人编程的博客 2588

先进封装类别分析与典型案例

当制程微缩逼近物理极限、单颗大芯片(reticle limit)面积受限于光罩尺寸,且逻辑、存储、射频、传感等功能无法用同一套工艺最经济地制造时,性能增益的来源从 "晶体管密度" 转向 "互连密度"。先进封装的本质,是在芯片外部用更短、更密、更宽的路径把多个裸 die(die)互连起来,换取更高带宽、更低延迟、更小体积和异构集成能力。行业通常按划分为 2D、2.5D、3D、扇出、SiP 五大谱系,Chiplet/UCIe 则是贯穿其上的设计方法论,玻璃基板、共封装光学(CPO)是正在成型的新分支。

0 37

Harness Agent架构解析:构建安全可控的AI智能体基础设施

AI智能体(Agent)作为当前人工智能领域的热点技术,其核心在于模拟人类的思考-行动循环,通过大语言模型(LLM)进行任务理解与规划。然而,将智能体从概念原型转化为稳定可靠的工程系统,面临着工具安全调用、状态持久化管理、执行流程控制等核心挑战。Harness Agent架构正是为解决这些工程化难题而设计的基础设施层,它通过模块化的工具系统、健壮的状态管理器和安全的执行沙箱,为智能体提供了安全可控的运行环境。该架构尤其适用于代码生成与执行、自动化运维等需要高可靠性的场景,能有效防止代码注入、资源滥用等安全风

weixin_34401479的博客 372

单片机设计具备断电记忆功能的计时器

本文介绍了如何设计一款具备断电记忆功能的计时器,利用单片机和EEPROM存储器实现了计时器值的保存和恢复。当然,在实际的设计中还需要考虑其他因素,如电源管理、时钟精度等,以确保计时器的正常运行和准确性。选择合适的单片机:在设计计时器时,我们需要选择一款具备存储功能的单片机,以便在断电后能够保存计时器的状态。可以优化显示方式,使用更加直观的界面来展示计时器的值;函数中,我们首先从 EEPROM 中读取计时器的初始值,然后在一个无限循环中每秒钟增加计时器的值,并将新的值写入 EEPROM 中。

RlDart的博客 1094

从Chat到Act:掌握Agent技术,开启AI自主行动力(收藏版)

近期科技圈传来重磅消息:行业巨头英特尔宣布大规模裁员2万人,传统技术岗位持续萎缩的同时,另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式!据行业招聘数据显示,具备3-5年大模型相关经验的开发者,在大厂就能拿到50K×20薪的高薪待遇,薪资差距肉眼可见!业内资深HR预判:不出1年,“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下,“温水煮青蛙”式的等待只会让自己逐渐被淘汰,与其被动应对,不如主动出击,抢先掌握AI大模型核心原理+落地应用技术+项目实操经验。

h1122334455ht的博客 384

uniapp [全端兼容] - 实现集成配置百度语音识别转文字,长按或开启录音并将录音文件实时转换为文字,百度智能云API实现上传录音文件并转换成文字案例(苹果安卓App、微信小程序、移动端H5网页)

uniapp对接百度智能云语音识别,uniapp中实现语音识别(app+小程序),百度语音识别录音转文字_百度智能云,uniapp使用百度语音识别语音转文字,uniapp小程序调用百度语音识别,uni-app 百度语音识别文字并展示功能,uniapp配置自定义界面百度语音识别转文字和原生使用方式,uniapp使用百度语音,uni-app语音转文字功能,使用UniApp技术实现录音并将录音转换为文字,uniapp如何实现语音输入功能功能,Uniapp集成百度智能云API实现录音转文字详细教程完整示例代码dem

🏆 前端领域优质创作者 1万+

华为OD机试 - 不含101的数(Python/JS/C/C++ 双机位C卷 100分)

本专栏收录于《华为OD机试真题(Python/JS/C/C++)》。刷的越多,抽中的概率越大,私信哪吒,备注华为OD,加入华为OD刷题交流群,每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景,发现新题目,随时更新。小明在学习二进制时,发现了一类不含101的数,也就是:现在给定一个正整数区间,请问这个区间内包含了多少个不含101的数?输入的唯一一行包含两个正整数。输出的唯一一行包含一个整数,表示在区间内一共有几个不含101的数。8 1668 → “1000”

学Java,找哪吒 1252

Agent 是什么及构建最小 Agent Loop

LLM:是一个。它的核心能力是,通过不断把预测出的词追加到上下文,循环重复从而生成完整的句子,最终实现问答的效果。Agent:是一个。它的核心能力是。它以大语言模型为大脑,通过协调资源、执行动作,把现实世界中的一个复杂目标变成可交付的结果。

RETURN100ERRORS的博客 238

【Unity3D框架】GameFramework框架完全教程《全网最全》-专栏文章目录

最近准备学习框架,了解到GameFramework框架是国产Unity3D框架,准备学习一下,但是奈何全网关于这个框架的教程实在太少。为了让自己学习方便一些,也为了让后来者乘凉。将框架以自己的理解整理目录,并且补全教程。觉得教程有帮助别忘了一键三连哦。

优快云博客专家,Unity3D高级软件工程师,《Unity 3D从入门到实战》作者。 2万+

C++ 手写 AI 编程 Agent(1):AI Agent 概念入门与 ReAct 架构设计

C++手写AI编程Agent(1):概念入门与ReAct架构设计 本文是《C++手写AI编程Agent》系列的第一篇,主要介绍了AI Agent的基本概念及其与普通Chatbot的区别。文章重点解析了ReAct(Reasoning + Acting)范式的运作机制,包括推理与行动的交替循环过程。同时讲解了Tool Use Protocol(工具使用协议)的核心流程,展示了Agent如何定义、选择和调用外部工具。文章还通过流程图直观呈现了Agent的完整思考循环,并梳理了AI Agent技术的发展历史,从20

weixin_48053866的博客 697

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

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

【AI Agent全栈必看】第1章 AI Agent 基础概念 —— 从 LLM 调用到第一个 Agent

本文介绍了如何从零开始构建一个基于LLM的AI Agent系统。主要内容包括: 基础LLM调用:通过OpenAI API实现最简单的提示词输入和响应获取,这是Agent的底层基础。 Function Calling机制:让LLM能够决定调用哪个工具函数(如天气查询、网络搜索等)并处理参数,这是Agent的核心能力。 ReAct循环原理:详细解析了Agent的"推理-行动-观察"循环过程,演示了如何手动实现这个循环逻辑,包括: Think阶段:LLM分析是否需要调用工具 Act阶段:执行工

zhengfei611的博客 350

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

Java团队如何用Spring AI与LangChain4j构建RAG与AI Agent应用

检索增强生成(RAG)和AI智能体(Agent)是当前构建实用AI系统的两大核心架构模式。RAG通过结合外部知识库与大语言模型,解决了模型知识陈旧和私有数据访问的难题,其原理涉及文本嵌入、向量检索与上下文增强生成。AI Agent则基于ReAct等框架,赋予大模型规划与调用工具的能力,使其能执行查询、计算等具体任务。这两种技术的工程价值在于,它们能将大模型的通用能力与特定业务数据和流程无缝对接,从而在智能客服、知识问答、自动化流程等场景中创造实际业务价值。对于Java技术栈而言,Spring AI提供了与S

weixin_34146805的博客 505

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

上一篇: 一文讲清楚大模型中8个关键词及原理:LLM、Transformer、GPT、Bert、预训练、微调、深度学习、Token
下一篇: 大家都在说的agent到底是什么?
程序员_大白
博客等级 码龄5年 1万+粉丝 4001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