还在为后端发愁？Streamlit+LangChain+GLM，三步搭建你的专属聊天机器人，无需一行后端代码！

原创 于 2025-11-24 16:39:28 发布 · 190 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#langchain #机器人 #spring #java #后端 #人工智能 #microsoft

这是一篇入门级大模型应用开发教程，适合后端开发工程师，数据工程师以及大模型应用开发工程师的动手实践教程。需要你具备一丢丢Python语言开发基础，但也仅仅需要基础。

要完成这个案例需具备以下技术栈：

  • Streamlit:一个开源 Python 库，它旨在让数据科学家和工程师能够以最少的代码和配置，将他们的数据分析和模型展示转化为交互式的 Web 应用。说人话就是：你不用开发前端代码了，直接调用Python第三方库用更简单的代码帮你生成前端页面。
  • LangChain：一个用于构建和管理基于语言模型（Language Models, LM）的应用程序的框架。它提供了一系列工具和组件，帮助开发者更高效地构建、训练、部署和管理语言模型应用。LangChain 的设计目标是简化语言模型的使用过程，使其更加容易被集成到各种应用场景中。
  • 智谱AI Bigmodel平台：智谱华章的maas(模型即服务)平台，技术上暂无门槛，有手就行。

好了，需要学习的新技能也不是很多，现在来看看案例的最终呈现效果：

Streamlit框架入门案例

上面已经提到Streamlit是一个开源Python库，能够让你用Python函数调用方式开发你的Web前端页面。它有如下几个优点：

  • 简单易用。Streamlit 的 API 非常简洁，只需要几行代码就可以创建一个基本的应用程序。无需复杂的前端开发知识，Python 代码直接决定了应用的界面和功能。
  • 快速开发。支持热重载，代码修改后自动更新应用，无需手动重启服务器。丰富的内置组件和功能，可以快速实现常见的数据可视化和交互操作。
  • 高度可定制。支持自定义 CSS 样式，可以对应用的外观进行精细调整。可以集成第三方库和框架，如 Plotly、Altair、Pandas 等，扩展应用的功能。
  • 强大的社区支持。官方文档详细且拥有一个活跃的社区，提供了大量的示例和教程，帮助用户快速上手。

使用Steamlit第一步是需要安装它的依赖：

pip install streamlit -i https://pypi.tuna.tsinghua.edu.cn/simple

安装成功之后，运行它的helloword示例：

streamlit hello

运行上面命令，会自动在你的浏览器打开一个页面，出现下面的页面则说明你安装成功。

接下来看看Streamlit内置了哪些函数或者组件来完成GUI开发，我把它的组件按照用途大概归类为以下几种。

  • 文本和标题：st.write(), st.title(), st.header(), st.subheader()等。
  • 输入控件：st.text_input(), st.slider(), st.selectbox(), st.checkbox(), st.button()等。
  • 显示数据：st.dataframe(), st.table(), st.json()等。
  • 显示图表：st.pyplot(), st.altair_chart(), st.bokeh_chart(), st.plotly_chart()等。
  • 布局：st.sidebar(), st.columns(), st.expander()等。

让我们来尝试创建注册页面，这个页面体现了当年的你在学习html时用到的基础标签：、<hr/>、、等前端标签这些功能等效。

<pre><code>
"""
功能：streamlit入门案例
日期：2025/11/22
作者：张翠山
"""
import streamlit as st
# 用户注册页面的标题
st.title("Streamlit用户注册页面")
# 添加一条分割线
st.divider()
st.text_input("请输入您的用户名")
st.text_input("请输入您的密码", type="password")
st.number_input("请输入您的年龄", min_value=0, max_value=150, step=1)
st.radio("请选择您的性别", options=["男", "女", "保密"], horizontal=True)
st.slider("请输入您的身高(cm)", min_value=0, max_value=250, step=1, value=160)
button = st.button("确认", type="primary")
if button:
st.write("恭喜你，信息注册成功!")
</code></pre>

以streamlit方式运行你的脚本就行了

streamlit run 脚本名称.py

一个简单的注册页面如下：

好的，现在我们来看看今天要完成的任务，要干的正事：成一个聊天机器人的UI页面。注意，我们先完成纯前端页面，完成页面布局即可。

<pre><code>
"""
功能：streamlit构建机器人聊天页面
日期：2025/11/22
作者：张翠山
"""
import streamlit as st
# 编写左侧侧边栏UI布局
st.sidebar.text_input("请输入您的Bigmodel API Key", type="password")
st.sidebar.markdown("[获取Bigmodel账号的API Key](https://bigmodel.cn/console/overview)")
# 编写主页面(聊天框)布局
st.title("GLM聊天机器人")
st.divider()
st.chat_message("ai").write("你好，我是你的AI助手，请问有什么可以帮助你的？")
st.chat_message("user").write("北京今天天气")
st.chat_message("ai").write("北京今天天气晴，最高气温25度，最低气温15度，适合外出活动。")
# 添加用户提问聊天框
prompt = st.chat_input("请输入您的问题")
</code></pre>

效果图如下：

LangChain框架入门案例

LangChain 由 Harrison Chase 创建于2022年10月，它是围绕LLMs（大语言模型）建立的一个框架。LangChain自身并不开发LLMs，它的核心理念是为各种LLMs实现通用的接口，把LLMs相关的组件“链接”在一起，简化LLMs应用的开发难度,方便开发者快速地开发复杂的LLMs应用。LangChain之所以大火，是因为它提供了一系列方便的工具、组件和接口，大大降低了 AI 应用开发的门槛，也极大简化了大模型应用程序的开发过程。

LangChain框架的特点：

  • 模块化设计：LangChain 采用模块化设计，将不同的功能拆分成独立的组件，如 Prompts、Models、Chains、Memory、Retriever 和 Agent。这些组件可以灵活组合，以满足不同应用的需求。
  • 强大的模型支持：支持多种预训练语言模型，如 GPT-3、BERT、T5 等。这些模型经过大规模数据训练，具备强大的语言理解和生成能力。
  • 易用的 API： 提供简单易用的 Python API，开发者可以通过几行代码快速实现复杂的语言处理任务。
  • 丰富的工具和组件： 包括数据处理工具、模型训练和微调工具、服务接口、应用开发工具等，覆盖了从数据准备到模型部署的全流程。
  • 社区支持：拥有一个活跃的社区，提供了大量的示例和教程，帮助开发者快速上手和解决常见问题。

需要安装的Python依赖包：

  1. langchain：主要用于构建和管理基于语言模型的应用程序，提供从模型管理到应用开发的一站式解决方案。
  2. langchain_community：是 langchain 的社区版，包含社区贡献的额外功能和插件，提供更多扩展性的工具。
  3. dashscope：主要用于构建和管理数据科学和机器学习应用，提供丰富的数据可视化和模型部署工具。

博主的Python版本是:3.10.x，对应上面的依赖包版本如下：

<pre><code>
pip install langchain==0.2.6
pip install langchain-community==0.2.6
pip install dashscope
</pre></code>

这里有个坑，如果没有指定版本，LangChain的最新版本1.x不兼容Python 3.8以下版本。又或者是你安装的LangChain依赖是最新版本，API和类名可能和博主下面用法稍微不一样。所以博主写这篇文章的时候，Python版本是：3.10.x，LangChain版本是:0.2.6。

确认一下LangChain一下是否安装成功:

pip list

看看上面命令输出是否包含上一步引入和安装的依赖包字样即可。下面我们来认识一下LangChain的主要组件：

  • Prompts 提示：包括提示管理、提示优化和提示序列化。

  • Models 模型：各种类型的模型和模型集成，比如GPT-4。

  • Memory 记忆：用来保存和模型交互时的上下文状态。

  • Indexes 索引：用来结构化文档，以便和模型交互。

  • Chains 链：一系列对各种组件的调用。类似于Linux中的|管道命令，代表把前面一个程序的执行结果传入给后一个程序作为输入，以此类推！

  • Agents 代理：决定模型采取哪些行动，执行并且观察流程，直到完成为止。

智谱AI Bigmodel平台以及GLM模型

  1. Bigmodel平台

Bigmodel是智谱AI面向国内开发者的maas平台，入口地址:

https://bigmodel.cn/console/overview

上面集语言模型、图像模型、视频模型、语音模型等主流多模态、大模型于一体，现在注册新用户或者订阅套餐还可以和好友“拼个模”，享受折扣。

这不是重点，重点是让你去这个平台申请并拿到一个API Key，如截图：

按照截图所示拿到一个API Key，先保存，后面会用到。

  1. GLM系列模型

GLM 4系列是由智谱AI发布的第四代基座大模型，最新版本GLM-4.6。GLM-4.6是智谱最强的代码Coding模型（较GLM-4.5提升27%）。在真实编程、长上下文处理、推理能力、信息搜索、写作能力与智能体应用等多个方面实现全面提升。想要使用GLM 4.6与Claude Code结合提升编程效率的同学可以参考我这篇文章Claude Code+GLM 4.6助你成为超级程序员。

  1. LangChain调用GLM模型

接下来我们编写一个LangChain调用Bigmodel上面GLM大语言模型的例。

需求：定义函数，要求有三个参数：提示词，记忆体，api_key,最后调用大模型服务自动实现求1-100和功能

  1. 安装好依赖之后，引入必须要的包。
  2. 封装一个函数get_chat_response，负责调用和处理大模型的问答。
  3. main函数是程序入口，调用测试用例。
<pre><code>
"""
功能：langchain调用GLM案例
日期：2025/11/22
作者：张翠山
"""
# 导入必要的库
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
# 导入GLM模型
from langchain_community.chat_models import ChatZhipuAI
#封装调用函数
def get_chat_response(prompt, memory, api_key):
model = ChatZhipuAI(model="glm-4", api_key=api_key, temperature=0.7)
chain = ConversationChain(llm=model, memory=memory)
response = chain.invoke({"input": prompt})
return response["response"]
if __name__ == '__main__':
memory = ConversationBufferMemory(return_messages=True)
response = get_chat_response(prompt="请帮我计算1到100的类和", memory=memory, api_key="你在bigmodel平台拿到的api_key")
print(response)
</pre></code>

此时得到以下输出：

AI: 当然可以。1到100的累加和可以用高斯求和公式来计算，即等差数列的求和公式。公式是 ( S = \frac{n(a_1 + a_n)}{2} )，其中 ( S ) 是和，( n ) 是项数，( a_1 ) 是首项，( a_n ) 是末项。

在这个例子中，( n = 100 )，( a_1 = 1 )，( a_n = 100 )。

所以，( S = \frac{100(1 + 100)}{2} = \frac{100 \times 101}{2} = 5050 )。

因此，1到100的累加和是5050。

得到上面输出则说明你的LangChain调用Bigmodel上面的GLM-4返回结果了。

构建你的聊天机器人

经过上面的两步，你已经实现了一个聊天机器人的UI页面，以及通过LangChain框架成功调用igmodel上面的GLM-4模型，现在将上面两部分代码集成、改造即可。

将上诉LangChain调用GLM函数封装成工具类utils.py。

<pre><code>
"""
功能：langchain调用GLM工具类
日期：2025/11/22
作者：张翠山
"""
# 导入必要的库
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
# 导入GLM 模型
from langchain_community.chat_models import ChatZhipuAI
#封装调用函数
def get_chat_response(prompt, memory, api_key):
model = ChatZhipuAI(model="glm-4", api_key=api_key, temperature=0.7)
chain = ConversationChain(llm=model, memory=memory)
response = chain.invoke({"input": prompt})
return response["response"]
</pre></code>

UI页面的改造和引入utils.py。

<pre><code>
"""
功能：聊天机器人主程序和入口
日期：2025/11/22
作者：张翠山
"""
import streamlit as st
from utils import get_chat_response
from langchain.memory import ConversationBufferMemory
# 编写左侧侧边栏设置UI布局
with st.sidebar:
api_key = st.text_input("请输入您的Bigmodel API Key", type="password")
st.markdown("[获取Bigmodel账号的API Key](https://bigmodel.cn/console/overview)")
# 编写主页面(聊天框)布局
st.title("GLM聊天机器人")
st.divider()
# session_state类似于一个字典，暂存历史聊天记录
if "messages" not in st.session_state:
st.session_state["messages"] = [{"role": "assistant", "content": "你好，我是你的AI助手，请问有什么可以帮助你的？"}]
st.session_state["memory"] = ConversationBufferMemory(return_messages=True)
# 遍历会话状态中的消息，显示在聊天框中
for message in st.session_state["messages"]:
print("遍历一条聊天消息")
st.chat_message(message["role"]).write(message["content"])
# 添加用户提问聊天框
prompt = st.chat_input("请输入您的问题")
# 处理用户提问之后的逻辑
if prompt:
# 判断API Key是否为空，为空则提示输入
if not api_key:
st.warning("请输入您的Bigmodel API Key")
st.stop()
# 将用户提问追加到会话状态中
st.session_state["messages"].append({"role": "user", "content":  prompt})
# 这时候还不能触发上面的for循环，所以需要手动显示用户提问
st.chat_message("user").write(prompt)
with st.spinner("AI助手正在思考..."):
# 调用大模型接口，获取回答
res = get_chat_response(prompt, memory=st.session_state["memory"], api_key=api_key)
# 将大模型回答追加到会话状态中
st.session_state["messages"].append({"role": "ai", "content": res})
# 手动显示大模型回答
st.chat_message("assistant").write(res)
print(f"历史聊天记录的长度:{len(st.session_state['messages'])}")
</pre></code>

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

  • 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
  • 高效有序的学习路径：避免无效学习，节省时间，提升效率。
  • 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

  • 持续学习能力：Al技术日新月异，保持学习是关键。
  • 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
  • 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

用langchain+streamlit应用RAG实现个人知识库助手搭建
fengjiandaxia的博客
10-03 2153
我搭建的是一个Prompt技术的AI学习助手（基于自己搭建的和Prompt技术有关的文章与书籍）。学习写Prompt需要一边写一边实践，否则就会“脑子说我会了，手说我废了”。平时看到好的Prompt，也会把它积累下来，也许哪天就能用上；在实践的时候，随着不断地修改，Prompt也会更新迭代；
初识langchain：LLM大模型+Langchain实战[qwen2.1、GLM-4]+Prompt工程
lhx17673139267的博客
07-22 1963
模型编码：glm-4-0520、glm-4 、glm-4-air、glm-4-airx、 glm-4-flash，根据输入的自然语言指令完成多种语言类任务，推荐使用 SSE 或异步调用方式请求接口场景示例模型广场官网大模型开源 glm-4-9b 简单介绍GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B 及其人类偏好对齐的版本 GLM-4-9B-Chat 均表现出较高的性能。
仅仅写了30行左右的代码就实现了一个微信聊天机器人！！！
weixin_60159567的博客
11-12 4659
python使用wxauto实现微信的自动化,以及langchian调用AI大模型回复消息
使用Nest+LangChain给低代码平台赋上AI代码生成能力，让低代码变成低低代码！
python1222_的博客
09-10 1649
LangChain是一个用于开发由大型语言模型（LLM）支持的应用程序的框架。可以快速使用它集成各个模型，以及格式化用户输入和模型输出，封装了很多工具类，使得开发者很容易将其集成到自己的程序当中。我目前提交了十几个PR了，在开发贡献过程中，我越发感觉低代码和AI应该要结合起来，让低代码更低，更加摆脱代码书写，这才是低代码平台的灵魂所在。刚刚说到，基本上市面上的大模型LangChain都支持，但是由于科学原因，国外的模型并不能很愉快的使用，这里我也经过测试，智谱的GLM。
LangChain入门（构建聊天机器人）
m0_53169839的博客
04-28 850
想要使用LangChain构建一个聊天机器人总共分为3步接下来会逐步讲解其中的细节过程。
实战基于LangChain和ChatGLM私有化部署聊天机器人
Whitney66的博客
11-25 1467
本文主要阐述了如何使用第二代6B模型进行对话训练，以及如何通过微调来提高大模型的性能。文中提到了在8501端口上启动第二代6B模型，并使用极简模板进行请求。与第一代模型相比，第二代6B模型具有更强的对话能力，并且可以通过微调来适应特定任务。此外，本文还介绍了如何使用ChatGLM-6B模型进行调用，以及如何使用gradio进行环境隔离和客户端创建。最后，文中提到了向量数据库和基于大模型的RAG或chatbot等检索方法。
基于LangChain+LLM的本地知识库问答：从企业单文档问答到批量文档问答
热门推荐
结构之法 算法之道
07-05 13万+
本文则侧重讲解 1 什么是LangChain及langchain的整体组成架构 2 解读langchain-ChatGLM项目的关键源码，不只是把它当做一个工具使用，因为对工具的原理更了解，则对工具的使用更顺畅 3 langchain-ChatGLM项目的升级版langchain-chatchat
使用 LangChain 创建高度互动和智能的聊天机器人
乘风之行
08-03 1250
随着自然语言处理（NLP）技术的进步，聊天机器人已成为企业和用户之间互动的重要渠道。LangChain 是一个强大的框架，旨在简化构建复杂语言模型应用程序的过程。本文将详细介绍如何使用 LangChain 框架创建高度互动和智能的聊天机器人，包括选择合适的语言模型、设计对话流程、上下文管理以及集成外部API和服务等内容。
本地部署开源大模型的完整教程：LangChain + Streamlit+ Llama
AAI666666的博客
05-29 3843
在过去的几个月里，大型语言模型(llm)获得了极大的关注，这些模型创造了令人兴奋的前景，特别是对于从事聊天机器人、个人助理和内容创作的开发人员。
ChatGLM-6B+LangChain实战
古月哲亭
07-13 7546
重写_call方法：加载自己的模型，并限制只输出结果（chatglm原输出不是直接str，langchain中要求模型返回必须是str的结果：“”“LLM wrapper should take in a prompt and return a string.”“”）step1：自定义一个GLM继承LangChain中的langchain.llms.base.LLM，load自己的模型.step2：使用LangChain的mapreduce的方法，对文本分块，做摘要，输出结果.
langchain+GLM4的基础入门代码练习
09-21
最近在自学langchain框架，上网找了两篇很优秀的学习帖子借鉴模仿代码： 1.https://blog.youkuaiyun.com/yuanmintao/article/details/136146210 这系列合集的三个帖子都很好，值得学习。 2. ...
【大模型从入门到精通19】开源库框架LangChain LangChain文档加载器1
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
08-13 2203
在数据驱动的应用领域，特别是涉及对话界面和大型语言模型（LLM）的应用中，从各种来源高效加载、处理并与数据进行交互的能力至关重要。这些加载器擅长处理来自公共源的数据，如 YouTube、Twitter 和 Hacker News，同时也适用于来自专有源的数据，如 Figma 和 Notion。保存清洗后的文本：可选地，脚本可以将清洗和分词后的文档文本保存到文件中。这个扩展的代码提供了一个更全面的示例，展示如何从加载和清洗文本到基本分析和处理特殊情况，对 PDF 文档进行程序化的处理。
AAAI 2026 Oral | 清华SpatialActor：解耦语义与几何的机器人操控新框架
2501_93430156的博客
11-20 904
精确的空间理解是机器人与物理世界交互的基础。然而，现有方法常面临困境：基于点云的方法因稀疏采样损失细粒度语义；基于图像的方法将语义与几何特征纠缠，在真实世界常见的深度噪声干扰下，其性能会显著下降。此外，这些方法大多关注高层几何结构，忽略了对精确操控至关重要的低层空间线索。为解决这些问题，我们提出，一个为机器人操控设计的解耦表示框架。SpatialActor 的核心思想是将语义和几何信息彻底分离，并进一步将几何信息分解为高层结构与低层线索。
2025年接待服务机器人选型指南：技术对比与场景适配方案
sjxs_007的博客
11-21 389
猎户星空豹小秘2搭载自研Orion-14B大模型，在CMMLU学科评测中得分70.6，超越LLaMA2-13B的38.4分和Baichuan2-13B的61.3分，支持320K超长文本处理，可一次性读入整本小说内容。更重要的是，机器人累计的访客行为数据可用于优化办公布局、评估营销活动，92%的访客认为配备机器人的企业更具创新力，品牌形象得到显著提升。配合高扭力轮毂电机（扭矩提升50%），可在企业大堂、展厅通道等复杂环境中平稳行走，10米主动迎宾，2米接待引导，确保访客跟随过程顺畅自然。
视觉识别在工业巡检机器人仪表数据识别中的应用研究
最新发布
Wnq10072的博客
11-24 632
本文探讨了视觉识别技术在工业巡检机器人仪表数据识别中的应用与发展。文章分析了传统机器视觉和深度学习两种识别方法的优缺点，指出深度学习在复杂环境下具有更高的准确率和适应性。同时，详细介绍了仪表数据识别软件系统的架构组成及主流工具平台。针对当前识别准确率的影响因素，提出了硬件升级、算法优化、多传感器融合等提升策略。最后展望了轻量化模型、多模态融合等未来发展方向。研究表明，视觉识别技术能显著提升工业巡检的自动化水平和可靠性，为工业智能化转型提供重要支撑。
六维力传感器和关节力传感器国产替代正当时：机器人“触觉神经”的角逐
机器人产业研究员
11-21 377
国产六维力传感器迎来爆发期，技术突破推动百亿市场成型 摘要：六维力传感器作为机器人"触觉神经"的核心部件，正随着人形机器人商业化加速迎来爆发式增长。国内企业通过技术攻关，已突破0.1%FS高精度、10kHz响应频率等关键技术指标，部分产品实现核心部件100%国产化。目前国内市场年销量超8000套，预计2030年人形机器人领域市场规模将达138亿元。蓝点触控等领军企业已占据80%市场份额，并与多家头部机器人厂商建立合作。随着标准化生产推进和产能扩张，传感器单价有望从1-4万元降至千元级别，
高精度动捕手套驱动数据闭环，破解机器人“不可能三角”
virdync001的博客
11-20 265
mHand Pro动捕手套，以其高精度、低延迟、强兼容的产品优势，为灵巧手训练提供了完整的解决方案。该手套集成16个惯性传感器，配备抗磁干扰算法，可精准捕捉手指弯曲、手掌翻转等细微动作，误差控制在毫米级。同时，其开放的SDK接口与跨平台兼容性，为开发者提供了高效、灵活的数据接入路径
机器人 - 关于电机获取力矩反馈
qq_39546358的博客
11-21 79
这种方法硬件需求低，只需要获取电流。但是受到电机磁路非线性、温度、饱和等因素影响，需要校准；：利用电机的电感、反电动势常数 与转速信息，构建状态空间模型，使用。其中T为输出扭矩，Kt为电机的扭矩常数，Iq为电机的q轴电流；
最新World Model × （具身智能）Robotics论文解析--世界模型正在重塑机器人的大脑
AI_gurubar的博客
11-21 146
摘要： WorldModel在机器人领域的重要性日益凸显，其核心在于通过可压缩、可预测的环境模拟实现高效决策。Schmidhuber等人的理论表明，智能的本质在于学习世界模型，而Ha & Schmidhuber的实验证实，仅依靠生成式世界模型即可在虚拟环境中训练策略并迁移至现实。Hafner的Dreamer系列进一步证明，基于世界模型的智能体在样本效率和泛化能力上均超越传统方法。真实机器人应用中，世界模型通过“想象未来”减少试错，显著提升安全性与成本效益。新一代模型（如HuWo、DREMA）将物理交
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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