AI Agent从无到有51: 单智能体概念与 LangChain 开发实战

AI Agent开发实战:LangGraph+CrewAI+AutoGen工程化落地指南 AI Agent是具备感知、规划、工具调用与自主决策能力的智能体系统,其核心在于状态管理、多角色协同与生产级可靠性设计。基于大模型的认知引擎重构传统软件工程范式,LangGraph提供确定性状态流转,CrewAI实现角色契约化编排,AutoGen支撑灵活通信协议——三者协同构成Agent工程化底座。该技术已广泛应用于智能客服、设备预测性维护、合同审查等企业级场景,显著提升业务流程自动化深度与人机协同效率。本文聚焦真实项目中的状态持久化、角色隔离、熔断降级与治理演进四大关键实践,覆盖从零搭建到高可用部署的完整 阅读详情

纲要

  • 核心概念:单智能体(Single Agent)的定义与定位
    • 单智能体 vs 多智能体:适用场景与决策模式对比
    • ReAct 框架:推理与行动的闭环循环
  • 技术栈与版本选型
    • Python 3.10+、LangChain 0.3、Pydantic v2
    • 依赖管理:Poetry
  • 基于 LangChain 的单智能体实现
    • 核心组件:LLM、提示词模板(Prompt Template)、工具(Tools)
    • create_react_agent 工厂方法解析
    • 完整的可运行示例:集成搜索工具的智能体
  • 开发环境与工程化配置
    • 项目初始化与依赖锁定
    • 关键版本兼容性详解(Pydantic 版本冲突的根源与解决)
  • LangGraph 与多智能体系统前瞻
    • 有状态工作流图:节点(Node)与边(Edge)
    • 单智能体与多智能体的架构权衡
  • API 速览
  • Demo 示例
  • 参考文档
  • 总结

单智能体:一个决策核心,多种工具协同

在 AI 应用开发的演进中,智能体(Agent)代表了一种超越固定流程的范式。它指的是能够自主进行目标规划、工具调用并完成复杂任务的程序实体。所谓单智能体(Single Agent),即在系统架构中仅存在一个中心化的决策单元,所有外部工具和能力均围绕该决策核心进行组织和调度。

形象的类比是:将大语言模型(LLM)视作系统的大脑。当用户提出请求时,该大脑并非按照预设的固定路径(如传统的 Chain)执行,而是动态地规划步骤——例如“先检索内部知识库,再查询日历 API,最后整合信息生成回复”。这种自主的、非线性的规划能力,是智能体与普通链式调用的根本分野。后者如同一条固定的流水线,而前者则具备根据环境反馈动态调整执行路径的能力。

单智能体架构具有以下显著的技术特征:

  • 结构简洁:仅需一个 LLM 实例负责全部感知、规划与决策过程。
  • 决策集中:避开了多智能体协调所带来的通信开销和一致性挑战。
  • 资源开销低:推理路径短,上下文窗口占用相对可控,响应延迟较低。
  • 任务聚焦:适用于特定领域内的中等复杂度任务,或在问题域边界清晰时的最优解。

单智能体的核心运行机制在学术界和工业界被广泛定义为 ReAct 模式。该术语并非指前端开发框架,而是 Reasoning + Acting 的缩写,即“推理与行动”的交替迭代过程。

需要外部信息

信息充足

用户输入

观察 Observation

思考 Thought

行动 Action
调用工具 Tool

最终回复 Final Answer

流程说明:当系统接收用户输入后,智能体首先观察(Observe)当前上下文状态,随后进行思考(Thought)以确定下一步的最优动作。若判定需要获取外部知识,则执行行动(Action)——调用相应的工具;工具返回结果后,新的观察结果被追加至上下文中,触发新一轮的思考循环。此过程持续进行,直至模型判定信息足以生成最终回复(Final Answer)。LangChain 框架中的 create_react_agent 工厂方法,即是对该理念的标准化工程实现。

LangChain 中的单智能体构建基元

在 LangChain 0.3 版本体系中,尽管官方生态正逐步引导复杂编排向 LangGraph 迁移,但对于单智能体场景,核心能力依然保留在 langchain 基础库中。其中,create_react_agent 是构建自定义智能体的最底层与最基础的方法。

注:绝大多数高级封装的智能体构造器(如 create_tool_calling_agent、create_json_agent 等)其底层实现均依赖于 create_react_agent。掌握该方法相当于掌握了 LangChain 智能体体系的根基。

构建一个最简智能体需要三个核心要素的协同:

  1. 大语言模型(LLM):作为推理引擎,负责理解上下文、规划步骤并生成最终回答。
  2. 提示词模板(Prompt Template):定义智能体的角色、行为边界、可用工具的描述以及推理过程的格式规范。
  3. 工具集(Tools):智能体可调用的外部能力接口,如搜索引擎、数据库查询、数学计算器或自定义业务函数。

开发环境配置与工程化实践

为确保环境的一致性与可复现性,建议使用 Python 3.10 或更高版本,并采用 Poetry 作为依赖管理与虚拟环境工具。

项目初始化步骤:

首先,创建项目目录并初始化 pyproject.toml:

mkdir first-agent && cd first-agent
poetry init -n

随后,编辑生成的 pyproject.toml 文件,添加核心依赖项:

[tool.poetry.dependencies]
python = "^3.10"
langchain = "^0.3"
langchain-openai = "^0.2"
langchain-community = "^0.3"
python-dotenv = "^1.0"

执行安装命令以创建虚拟环境并下载依赖:

poetry install

版本兼容性警告:
LangChain 0.3 对 Pydantic 的版本有严格约束,必须使用 Pydantic v2。若环境中存在 Pydantic v1 的历史遗留包,运行时会抛出 pydantic.v1 与 pydantic.v2 冲突的异常。解决方案是使用 poetry add pydantic@^2 强制锁定版本,或检查 poetry.lock 文件中的依赖解析树,确保未通过其他库间接引入旧版本。

首个智能体实战:集成网络搜索能力的助手

项目目录结构

first-agent/
├── agent.py          # 主程序入口
├── .env              # 环境变量(API Keys)
└── pyproject.toml    # 项目配置与依赖清单

环境变量配置

在项目根目录下创建 .env 文件,写入访问外部服务所需的密钥:

OPENAI_API_KEY=sk-xxxx
SERPAPI_API_KEY=xxxx

此处选用 SerpAPI 作为搜索工具实现(需前往 serpapi.com 注册获取免费 API Key)。亦可替换为 Tavily 或其他实现了 BaseTool 接口的任意工具。

完整代码实现 agent.py

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import Tool
from langchain.prompts import PromptTemplate
from langchain_community.utilities import SerpAPIWrapper

# 加载 .env 文件中的环境变量
load_dotenv()

# 1. 初始化 LLM
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# 2. 定义工具:在线搜索
search = SerpAPIWrapper()
tools = [
    Tool(
        name="Search",
        func=search.run,
        description="当你需要回答关于实时事件、新闻或未知事实的问题时,使用此工具进行网络搜索。"
    )
]

# 3. 构造提示词模板
# 必须包含 {tools}, {tool_names}, {agent_scratchpad} 等占位符,以满足 ReAct 代理的格式要求
template = """你是一个乐于助人的助手,可以使用工具来回答问题。

可用的工具有:
{tools}

工具名称:{tool_names}

请严格遵循以下格式进行推理:
Question: 需要回答的问题
Thought: 你应该思考当前要做什么
Action: 要使用的工具名称,必须是 [{tool_names}] 之一
Action Input: 向工具传入的输入参数
Observation: 工具返回的结果
... (上述 Thought/Action/Action Input/Observation 循环可按需重复多次)
Thought: 我现在知道最终答案了
Final Answer: 对原始问题的最终完整回答

开始!

Question: {input}
Thought: {agent_scratchpad}"""

prompt = PromptTemplate.from_template(template)

# 4. 创建 ReAct 智能体与执行器
agent = create_react_agent(llm=llm, tools=tools, prompt=prompt)
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,               # 开启详细日志,输出思考链
    handle_parsing_errors=True, # 自动处理格式解析异常
)

# 5. 执行任务
if __name__ == "__main__":
    question = "2024年诺贝尔物理学奖的得主是谁?"
    response = agent_executor.invoke({"input": question})
    print("智能体回答:", response["output"])

代码解读与关键机制

  • create_react_agent:该工厂函数将 LLM、tools 和 prompt 绑定为一个 Runnable 对象,其内部实现了 ReAct 循环的编排逻辑。
  • AgentExecutor:负责驱动智能体运行的管理器。它封装了循环控制、工具调用分发、错误重试与上下文状态维护等复杂逻辑。
  • 占位符 {agent_scratchpad}:这是 LangChain 的约定占位符,用于存储并传递历史推理过程中的 Thought/Action/Observation 记录,确保模型拥有完整的“短期记忆”以支持多步推理。

架构演进:单智能体与多智能体的决策边界

当业务场景扩展至需并行处理、跨领域专家协作或长周期任务规划时,单智能体架构会面临上下文窗口过载、职责耦合度过高等瓶颈。此时,系统设计需向**多智能体(Multi-Agent)**架构演进。

LangGraph 是 LangChain 生态中专为构建有状态、多角色协作系统而设计的低级编排框架。其核心抽象为图(Graph):每个**节点(Node)**可封装为一个独立的智能体、一个工具函数或一段 LCEL 链;**边(Edge)**则定义了数据在节点间的流转路径与条件分支。

Start

Agent 主管

Agent 研究员

Agent 写手

搜索工具

知识库工具

文档生成器

End

多智能体系统具备更强的扩展性和容错性,能够模拟“团队协作”模式,但也引入了新的复杂性:智能体间的通信协议、全局状态同步、任务分解与结果聚合等。官方推荐的技术选型原则是:优先采用单智能体以降低系统复杂度,当确实面临单点性能瓶颈或逻辑强耦合时,再迁移至 LangGraph 构建多智能体网络。

API 速览

本实战中涉及的核心 API 如下:

  • langchain.agents.create_react_agent

    • 所属库:langchain.agents
    • 方法签名:create_react_agent(llm: BaseLLM, tools: Sequence[BaseTool], prompt: ChatPromptTemplate) -> Runnable
    • 参数说明:
      • llm:任何实现了 BaseLLM 接口的语言模型实例。
      • tools:工具列表,每个工具需继承自 BaseTool。
      • prompt:必须包含 {tools}, {tool_names}, {agent_scratchpad} 占位符的 ChatPromptTemplate。
    • 返回值:一个 Runnable 对象,通常传递给 AgentExecutor 进行执行。
  • langchain.agents.AgentExecutor

    • 所属库:langchain.agents
    • 方法签名:AgentExecutor(agent: Runnable, tools: Sequence[BaseTool], verbose: bool = False, handle_parsing_errors: bool = True, max_iterations: int = 15)
    • 核心方法:
      • invoke(inputs: Dict[str, Any]) -> Dict[str, Any]:同步执行智能体并返回结果。
      • ainvoke(inputs: Dict[str, Any]) -> Dict[str, Any]:异步执行版本。

Demo 示例

运行说明:

  1. 确保 Python 3.10+ 及 Poetry 已安装。
  2. 创建项目并添加上述 pyproject.toml 依赖,执行 poetry install。
  3. 在项目根目录创建 .env 文件,填入有效的 OPENAI_API_KEY 和 SERPAPI_API_KEY。
  4. 在终端执行 poetry run python agent.py。

技术点总结:

  • 演示了 LangChain 0.3 基于 create_react_agent 构建单智能体的标准流程。
  • 展示了外部工具(SerpAPI)的集成方式与提示词工程的关键约束。
  • 通过 verbose=True 观察了 ReAct 循环的完整推理链条,直观理解“观察-思考-行动”闭环。

参考文档

官方文档

参考链接

总结

本文聚焦于 AI Agent 领域的单智能体技术栈。首先厘清了单智能体作为“单一决策核心”的架构定义及其与多智能体系统的本质区别;随后深入剖析了 ReAct(推理+行动) 这一核心运行范式的闭环机制。

在工程实践层面,基于 LangChain 0.3 框架,详细拆解了利用 create_react_agent 构建可运行智能体的三要素——LLM、提示词模板与工具集,并给出了完整的代码实战与版本兼容性解决方案(Pydantic v2 强制锁定)。

此外,前瞻性地引入了 LangGraph 作为复杂场景下的演进方向,对比了两种架构的适用边界。本文为开发者提供了从理论概念到可运行 Demo 的完整路径。

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

相关推荐

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 488

【粉丝福利社】AI Agent开发:零基础构建复合智能体

《AI Agent智能体与MCP开发实践》一书系统介绍了基于大语言模型构建智能体系统的核心技术。全书从大模型基础、智能体架构、LangChain框架到RAG检索增强机制,详细解析了MCP上下文协议与A2A多智能体协作等前沿技术。通过丰富的实战案例,教授如何将Qwen3.0等大模型与外部工具集成,开发具备记忆、推理和任务分解能力的高级智能体。该书配有教学视频和示例源码,兼顾理论深度与实践指导,适合LLM开发者、智能体工程师及企业技术负责人学习参考,助力掌握从单智能体开发到复杂系统构建的全流程技能。

愚公智库 7万+

在AutoDL的A100云服务器上,用Docker搞定Sapien+RobotWin环境(附完整conda list)

本文详细介绍了在AutoDL的A100云服务器上使用Docker构建Sapien+RobotWin环境的完整指南。通过配置Vulkan渲染管线、精确复现Conda环境以及解决常见问题,帮助研究人员高效搭建稳定的机器人仿真开发环境,特别适合需要高性能GPU加速的复杂仿真任务。

weixin_30689307的博客 434

【粉丝福利社】AI Agent 开发实战:MCP+A2A+LangGraph 驱动的智能体全流程开发

【摘要】AI Agent正成为企业数字化转型的核心引擎,标志着从被动应答到自主规划的智能革命。掌握AI Agent开发能力需要关键技术:工具调用(Function Calling/MCP)、设计模式(ReAct/Reflection)、开发框架(LangChain/LangGraph)及多智能体协同(A2A协议)。相关岗位薪资达60-90K/月,人才缺口显著。推荐《AI Agent开发实战》系统学习路径:Python基础→模型调用→实战开发→多智能体系统→RAG增强。该书通过四大实战项目(求职助手/金融分析

愚公智库 6万+

Win11下Python脚本不执行?5分钟搞定PATH环境变量配置(VSCode终端实测)

本文针对Win11系统下VSCode终端中Python脚本执行无响应的问题,提供了详细的诊断与解决方案。核心在于正确配置PATH环境变量,通过图形化界面调整Python路径优先级,并分享了VSCode终端环境变量的刷新技巧,帮助开发者在5分钟内快速解决环境配置难题。

weixin_28358083的博客 389

多雷达协同探测技术研究进展:认知跟踪与资源调度算法

源自:雷达学报作者:易伟 袁野 刘光宏 葛建军 孔令讲 杨建宇雷达是信息感知的千里眼,具有极高的军用和民用价值,广泛应用在防空预警、遥感测绘、反恐维稳等领域[1–5]。雷达信息获取与探测技术也一直是大国竞相抢占的前沿技术,同时是信息科学的重要组成部分。随着科学技术不断进步,先进电子对抗装备的不断问世和广泛列装,雷达的生存与发展正面临日益严峻的挑战。从生存环境上看,雷达面临通信等各类民用电磁干扰以及复杂的军用电磁干扰;从探测对象上看,集群、微弱、隐身、高空、低空等多样化目标的出现也给雷达探测与识别带来困难。

renhongxia1的博客 2784

【图书预告】《AI智能体应用开发》

本书作者为鲍亮、崔江涛、李倩和范涛。第四部分是AI智能体应用开发案例(第12~16章),主要介绍垂直场景智能体项目的需求分析、系统架构、关键技术与工程落地方法,包括深度研究智能体、数据分析智能体、数据科学智能体、决策优化智能体、机器视觉智能体等5个实际案例。

夏天又到了的专栏 637

【技能---ubuntu20.04更换国内镜像源】

安装好ubuntu20.04后,在下载软件等安装包的时候,速度特别的慢,为此就想着更换一下镜像源,以此来增加下载的速度!!!下面是换源的具体流程!!!提示:以下是本篇文章正文内容,下面案例可供参考以上到这里就更换完软件源了,如有不足之处,请大家斧正!!!

fyc300的博客 1万+

金融机构如何落地智能体?16个头部企业Agent最佳实践

在此背景下,沙丘智库发布《2025年金融业智能体最佳实践报告》,深入分析智能体为金融行业带来的变革与挑战,金融业(包括银行、保险、证券等金融机构)智能体的建设进展与应用场景等,帮助金融机构了解这一新兴市场;文章分析了智能体在金融领域的应用场景及面临的挑战,并提供了多个金融机构的智能体应用案例,为金融业智能体发展提供参考。· 动态协作下,智能体可以根据环境或任务的需求灵活调整其行为和合作方式,提供了更好的灵活性,但也引入了更多的不确定性,使系统行动更难预测和控制,导致可靠性较低。方向不对,努力白费。

HUANGXIN9898的博客 1605

大模型应用开发 100 天:Python + LLM 从入门到精通 day01~环境搭建与开发工具

Day 1 正式开启《大模型应用开发 100 天》实战旅程。本文聚焦 AI 开发最容易被忽视却至关重要的环境搭建环节,系统讲解基于 pyenv、uv、VS Code 构建一套可复现、项目隔离的标准化 Python 开发工具链。你将掌握多 Python 版本管理、极速依赖安装、虚拟环境隔离、代码规范配置完整流程,配套可直接运行的环境校验脚本与 Mermaid 架构图,规避版本冲突、环境污染等高频踩坑问题,为后续 99 天 LLM 项目开发筑牢底层基础。来自华北理工大学段一凡的博客文章

段一凡的博客 249

【WRF-Urban】使用 CGLC-MODIS-LCZ_100m 数据集运行 WRF 时的城市参数化问题

【WRF-Urban】使用 CGLC-MODIS-LCZ_100m 数据集运行 WRF 时的城市参数化问题

WW、forever的博客 715

企业级智能体效能管理实战指南:架构、调优与落地

在企业AI落地中,智能体(Agent)已成为提升业务效率的关键载体,而RAG(检索增强生成)与向量数据库是构建企业知识库的核心技术。单纯追求模型性能并不能保证生产力转化,真正的挑战在于系统化的效能管理——通过场景筛选、架构设计、指标体系与持续调优,实现投入产出比最大化。围绕多智能体协作、Dify平台选型、Prompt优化、缓存与模型路由等工程实践,可建立从规划到治理的完整方法论。技术负责人与一线开发者掌握这套方法,能让智能体从“能用”走向“好用”,真正成为企业数字化的效能放大器。

weixin_34128839的博客 207

人工智能混合编程实践:C++调用封装好的DLL进行异常检测推理

C++、Python、ONNX、人工智能、异常检测、Anomalib 2.1.0

FriendshipTang的博客 173

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 329

openlayers全面教程306+【目录】

vue+openlayers系列教程旨在为开发者提供简单快捷的示例。在每一个示例中,解释相应的API知识点。

大剑师兰特的GIS世界 2万+

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 262

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 609

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 198

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 333

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 339

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 80

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 154

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 505

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 605

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

388

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 399
上一篇: AI Agent从无到有50: 使用 LangChain 构建钉钉智能助手实战
下一篇: AI Agent从无到有52: 从零搭建钉钉智能助手——资源准备与核心架构实现
Wang's Blog
博客等级 码龄12年 7438粉丝 2422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

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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