相关推荐
知识点9:Agent类型与角色设计
理解不同类型Agent的分工。
Agent之ReWOO:Planner/Worker/Solver 三段式推理配置与验证
用 config.toml 与 settings.json 跑通 ReWOO 三段式推理:Planner 出计划、Worker 批量调工具、Solver 整合证据出答案。本文给出可复制配置骨架与 Python 验证脚本,并排查计划格式、工具名大小写、Solver 复述证据等常见报错。全程通过 TaoToken 统一 API 通道承载多次模型调用,一个 Key 覆盖整条链路,官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 。
使用TinyProxy搭建代理服务器
背景 办公电脑所在网络无法连接外网,机房服务器可以连接外网,通过服务器代理上网; 一、CentOS下TinyProxy安装–搭建代理服务器 TinyProxy是个轻量级简单的HTTP/HTTPS代理程序,GitHub和官网,安装方式这里主要介绍两种 CentOS下yum安装,参考:TinyProxy安装 Docker安装 先安装docker环境yum install docker -y 二、Win10下使用 ...
oh-my-openagent Planner 注入指南:Prometheus 规划 Agent 的决策完备计划工程
本文围绕 oh-my-openagent 中 Prometheus 规划 Agent 的**精简 Planner 注入文档**([planner.md](https://link.gitcode.com/i/e530ad047be35cafa9b7a94852ce3166))展开,说明它如何作为"简洁规划教义"与完整的 `ulw-plan` 技能协作,以及如何约束规划 Agent 只产出"决策完备
231003-四步MacOS-iPadOS设置无线竖屏随航SideCar
新建虚拟屏幕参考文献。
win 11bitlocker恢复密匙一般情况的解决方式(这里指的是你现在使用的微软账户一直没有变更过)
本来没有打算写这一篇解决帖子的,但是最近好多微博的友友都在私我询问解决方法,孩子虽然很热心,但是真的回复不过来了,打字太累了,这里给大家简单指个路,希望能够对大家有所帮助。 当时出现这个问题的时候,一搜网上的解决方法都是重装系统什么的,真是吓死孩子啦。后来去微软的官网倒腾了半天解决了问题。其实只要你没有改过微软账户,你可以直接试试我这个方法,大概三到五分钟解决问题吧。 和我情况不一样的也可以参考一下贴吧里一些大佬的分享,或者实在着急我感觉去淘宝上找个解决也不是未尝不可。 出现问题: 解决方案: 直接去微软
8大AI代理详解:pi-subagents 如何通过scout、planner、worker等智能代理提升开发效率
pi-subagents 是一个强大的AI代理扩展,专门为异步子代理委托设计,支持截断、工件和会话共享功能。这个项目提供了8个内置智能代理,每个代理都有独特的专长,可以协同工作,大幅提升开发效率和代码质量。无论你是新手开发者还是经验丰富的工程师,掌握这些代理的使用都能让你的工作流程更加智能化、自动化。🚀 ## 📊 项目核心功能概览 pi-subagents 的核心价值在于将复杂的开发任务分
ANSYS 有限元分析 接触分析
目 录一、前沿二、接触单元类三、接触单元关键选项3.1 CONTA174 KeyOption3.2 TARGE170 KeyOption四、接触分析标准步骤4.1 定义实常数4.2 定义接触和目标单元4.3 创建接触和目标单元五、接触分析实例5.1 MPC5.2 标准接触六、尾声七、参考文献 阿阳的 ANSYS 使用指南,本文仅用于个人学习,除此之外,无其他任何用途。 ANSYS 有限元分析 概述 ANSYS 有限元分析 坐标系/工作平面 ANSYS 有限元分析 几何建模 ANSY
如何用 LangGraph 搭建 awesome-llm-apps 代码库迁移 Agent:文件级重构计划、人工审批门与并行 Worker
awesome-llm-apps 仓库中的 [ai_codebase_migration_agent](https://link.gitcode.com/i/1cf6bb2732f05e226d8199ed390a24db) 目录提供了一套可以直接运行的 LangGraph 多 Agent 参考实现:输入一个仓库目标和迁移目标,Planner 先生成文件级重构计划,图在审批节点暂停等待人工确认,确
VESC电调高级调参指南:电机校准与性能优化实战解析
本文详细解析了VESC电调的高级调参方法,包括电机校准与性能优化实战技巧。从基础参数设置到高级机械参数优化,再到动态性能调优,提供了全面的调参指南。特别针对电机类型、功率设置、电池参数配置等关键环节给出实用建议,帮助用户充分发挥VESC电调的性能潜力。
免费AI视频生成全流程:通义千问+Seedance 2.5+Grok实战指南
AI视频生成正在成为内容创作的重要方式,但高昂的API费用常让个人创作者望而却步。实际上,通过合理组合云端免费工具,也能搭建一条完整的视频生产链路:利用大模型生成脚本,用视频生成模型将文本渲染成画面,再借助多模态模型进行一致性校验。这种“文本+视频+多模态”的协作模式,将复杂的生成任务解耦为可独立调用的模块,既降低了本地硬件要求,也为批量内容验证提供了低成本方案。该流程适用于短视频素材快速产出、产品Demo验证以及AI应用集成等场景,核心在于打通免费账号、API调用与批量任务调度。本文以通义千问、Seeda
omo-senpi 的 ulw-plan 技能:Ultrawork Planner 决策完备工作计划全流程解析
`ulw-plan` 是 omo-senpi 内置的“探索优先型规划顾问(Explore-first planning consultant)”技能:它把一段模糊或庞大的用户请求,转写成一份下游执行者**零访谈即可开工**的“决策完备(decision-complete)”工作计划。本文以 [SKILL.md](https://link.gitcode.com/i/b28581103451fbdf
每周技巧tc 问题处理技巧Teamcenter
(内部)Dataset和Tool相关之2.1——Tool轮询Contents Type和Type Name-赖良顺.docx。(内部)Dataset和Tool相关之3.2——编写Batch和Perl为客户端自动注册相关内容-赖良顺.docx。(内部)Dataset和Tool相关之1.1——Tools和Datasets参数定义-赖良顺.docx。(内部)Dataset和Tool相关之1.2——相关首选项定义及修改-赖良顺.docx。(内部)Dataset和Tool相关之0——概述-赖良顺.docx。
pnpm-workspace.yaml 的 update 与 audit 新配置:从 updateConfig 迁移的完整指南
pnpm 在 `pnpm-workspace.yaml` 引入 `update` 与 `audit` 两个顶层配置节,替代不好记的 `updateConfig`、`auditConfig` 与 `auditLevel`。本文逐一讲清 7 个字段的类型、默认值与新旧映射,说明新旧并存时的优先级与警告行为,并给出可直接照做的迁移清单和验证方法,10 分钟完成改造。 ## 先看场景:终端里多出来的那条
数据挖掘实战-基于LSTM时间序列模型的香烟销售预测分析
本文介绍了基于LSTM时间序列模型的香烟销售预测分析实验。实验背景为烟草市场竞争激烈,企业需提高销售预测准确性以优化生产、库存和营销策略。LSTM模型因其处理长序列数据的能力被选为预测工具。实验步骤包括数据准备、特征工程、模型构建、训练与评估及结果分析。数据集来自某市门店的销售数据,技术工具为Python 3.9和Jupyter Notebook。实验过程涵盖数据导入、预处理、产品销售与区域销售分析、销售预测(包括销售额、销量、利润及海通店销售额预测)。
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
RuView 的 planner 智能体剖析:基于 Claude Flow 的自学习任务规划与多智能体编排设计
本文以 RuView 仓库中的 [.claude/agents/core/planner.md](https://link.gitcode.com/i/6d60fdf44a59e4dd421320de8cba753c) 为主体,拆解这个"战略规划智能体(Strategic Planning Agent)"的完整设计:从 YAML frontmatter 中的 pre/post hooks 钩子脚本
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
Goose 多模型分工实战:从 Lead/Worker 双模型协作到规划/执行分离的演进
两个 LLM 像"双人组合"一样协作——一个负责全局规划与决策,另一个埋头执行编码与命令——这是 Goose 曾经推出的 Lead/Worker(主导/执行)多模型模式的核心思想。本文以该模式的官方技术博客为线索,完整还原这一思路的设计动机、收益边界与实战案例,并依据当前仓库中的规划模式指南([creating-plans.md](https://link.gitcode.com/i/16370e
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
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
OMX ralplan → team 执行衔接指南:让共识规划直接产出多 Worker 编排方案
OMX(Oh My codeX)已经具备一整套强控制工作流的核心零件:`ralplan` 负责共识规划、`team` 负责持久化多 Worker 执行、`ralph` 曾负责持久化与验证(现已被 `ultragoal` 取代)。但“规划 → 团队执行”之间的交接仍然依赖资深用户手工推断。本文以仓库中的 [Issue Draft:Make `ralplan` first-class for `tea
pg_pathman代码结构全解析:20个核心C源文件如何分工,planner hook机制是怎样运作的
pg_pathman 是一款为 PostgreSQL 提供高性能表分区(Partitioning)能力的扩展,它通过 RANGE / HASH 两种分区方案,把一张大表拆分成若干小表,并借助 planner hook 让优化器直接跳过不相关的分区。本文带你快速读懂它的代码骨架:**20 多个核心 C 源文件各自负责什么、planner hook 是如何被挂载和触发的**,帮助新手在 1 小时内建立
ruflo Worker-Agent 集成实战:后台 Worker 触发器、Agent 智能分发与性能反馈闭环
本文以 ruflo 仓库中的 `worker-integration` 技能文档([.claude/skills/worker-integration/SKILL.md](https://link.gitcode.com/i/c75fd0d6dc2e8514602959cfb9ddab88))为核心,讲解 ruflo 多智能体体系中后台 Worker 与专职 Agent 的协同机制:包括 8 类触
AI Agent架构对比:ReWOO与Plan-and-Execute的规划与执行解耦
在AI Agent与自动化工作流开发中,规划与执行的有效解耦是提升任务可靠性的核心。其原理在于将复杂的任务分解为可管理的步骤,通过分离决策逻辑与工具调用,避免传统单一LLM调用中常见的“短视”与循环问题。这种架构的技术价值在于增强了系统的可预测性与适应性,是实现复杂任务自动化的关键。在应用场景上,它广泛适用于数据分析、智能助手和多步骤工作流协调。本文聚焦的ReWOO和Plan-and-Execute正是这一思想的两种主流实现范式,分别代表了蓝图式规划与动态式规划,为解决Agent的“无脑循环”问题提供了工程
oh-my-openagent 的 ulw-plan 技能:Prometheus 规划顾问如何把模糊需求变成零追问的决策完备工作计划
`ulw-plan` 是 oh-my-openagent 仓库中 ultrawork 组件内置的一项规划优先(plan-first)技能:当用户明确要求"先做计划再写代码"时,它激活一位名为 **Prometheus** 的规划顾问,通过并行只读探索、意图路由(INTENT ROUTING)、两道提问过滤器与显式批准门槛(approval gate),把一句模糊或宏大的请求转化成为**一份"决策完
jquery-notebook气泡菜单大赏:Medium风格浮动工具条Bubble的交互设计与CSS定制教程
jquery-notebook 是一款轻量优雅的 WYSIWYG 富文本编辑器,其最出彩的设计正是 **Bubble 气泡菜单**——选中文字时自动悬浮在选区上方的浮动工具条,配合 CSS 轻松完成深色渐变、圆角、箭头等定制。本文带你拆解这套交互细节,并给出一套可直接套用的 CSS 定制教程。 ## 一、为什么 Bubble 气泡菜单值得研究 🎈 传统富文本编辑器把工具条固定放在顶部,编辑长
TiDB 长耗时 DDL 任务的暂停与恢复:`admin pause/resume ddl jobs` 全链路设计与实战
TiDB 的 DDL 任务在后台异步执行,大型 ADD INDEX 等操作可能耗时数十分钟甚至数小时。本指南以 [设计文档 docs/design/2023-04-15-ddl-pause-resume.md](https://link.gitcode.com/i/3c1e794c54228ebc9e91e270b9115339) 为主体脉络,结合当前仓库中 Parser、Planner、Exec
OmO ulw-plan 完整工作流解析:从模糊需求到零追问的决策完备计划
本文以 oh-my-openagent 仓库中 omo-senpi 的 `ulw-plan` 技能核心参考文档 [full-workflow.md](https://link.gitcode.com/i/7b9bbd7e0ff55558edc159b4c930b30b) 为主体骨架,系统拆解"Ultrawork Planner"如何把一句含糊的请求(如"make auth better")转化为下
深入Presto优化器:一条SQL的执行计划是如何一步步优化出来的
**Presto 优化器**是这条大数据分布式 SQL 查询引擎的"大脑":你提交的每一条 SQL,都会先被转换成一棵**执行计划**树,然后被几十个优化器按固定顺序反复打磨,直到变成一个能在成百上千个节点上高效跑起来的分布式计划。本文将带你从零看懂这个完整流水线——从逻辑计划生成、谓词下推、Join 重排序,到 Exchange 分发与计划分片。 ## 先看清全景:一条 SQL 的四段旅程
764



被折叠的 条评论
为什么被折叠?



