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

企业级AI Agent平台的三大核心能力:VM隔离、多IM对接与实时管控 AI Agent从概念验证走向生产落地,关键在于能否满足企业对安全性、集成性与合规性的刚性要求。VM级隔离保障内存、网络与存储的物理级切割,彻底杜绝跨Agent隐式耦合;多IM对接需覆盖企业微信、钉钉、飞书及自建消息中间件的差异化会话生命周期与鉴权机制;而企业管控则必须前移至策略执行环节,实现API调用拦截、敏感数据掩码与全链路审计。这些能力共同构成AI Agent在财务审批、HR服务、供应链协同等高敏场景稳定运行的技术底座。PolarDB Agent Express正是围绕这三大能力构建可测量、可审计、可 阅读详情

纲要

  • 项目准备:开发资源获取
    • Python 与 VSCode 环境配置
    • 大模型 API Key 获取(兼容 OpenAI 格式的云服务)
    • GitHub Copilot 开启 AI 辅助编程
    • 钉钉开放平台应用创建与 Stream 模式配置
    • LangSmith 可观测性追踪开通
  • 项目架构概览
    • 目录结构
    • 核心模块关系(Mermaid 流程图)
  • 实战开发:从入口到智能体
    • 环境依赖与 Poetry 管理
    • .env 配置文件详解
    • 日志系统初始化
    • 钉钉 WebSocket 入口实现
    • 智能体核心类 AIAgent
      • 主/备模型回退机制
      • 工具加载与记忆系统
      • 情感分析与动态提示词
      • 多用户记忆隔离(session_id)
    • 完整可运行代码示例
  • 总结与相关度说明

项目准备:资源一站式获取

在动手编写代码之前,需要将开发环境、模型 API、钉钉应用等资源全部准备就绪。

资源类型获取方式用途
Python 3.10+python.org 下载安装运行环境
VSCodecode.visualstudio.com 下载主力 IDE
GitHub CopilotVSCode 内购订阅AI 辅助编码与调试
大模型 API兼容 OpenAI 格式的云服务(如硅基流动)提供 LLM 推理能力
搜索引擎 SerpAPIserpapi.com 注册获取免费密钥在线搜索工具
钉钉应用open.dingtalk.com 创建“钉钉应用”消息收发、日程待办 API
LangSmithsmith.langchain.com 注册并创建 API Key调用链追踪与成本监控
Redis本地安装或 Docker 启动会话记忆存储

兼容 OpenAI 格式的 API 服务使用要点

目前主流的国产大模型云服务平台(如硅基流动)托管了大量开源模型(DeepSeek、Qwen 等),其 API 地址完全兼容 OpenAI 格式,只需更换 base_url 即可。注册并完成实名认证后,在“模型广场”中复制模型名称(如 deepseek-ai/DeepSeek-R1),然后在 API 文档 中获取接口地址和密钥。计费透明,按 token 消费,适合个人开发者。

海外模型聚合平台则整合了 OpenAI、Claude、Gemini、DeepSeek 等模型,通过统一接口提供。需注意不同模型的 base_url 后缀可能不同(例如 OpenAI 使用 /v1,Claude 使用 /anthropic)。在“密钥管理”页面创建密钥,并在使用时指定正确的地址。

安全提醒:永远不要将 API Key 明文写在代码中,应放入 .env 文件并用 .gitignore 排除。

项目架构一览

本示例中的智能助手是一个基于 LangChain 的单智能体,通过钉钉 Stream 模式(WebSocket)与用户实时交互,具备日程管理、待办创建、知识库问答和情绪检测能力。其核心架构如下:

WebSocket

文本消息 + 用户ID

钉钉用户

入口: dingtalk_hook.py

AIAgent 核心类

情感分析链

动态提示词管理

Redis 记忆系统

主模型 OpenAI / 备用 DeepSeek

工具集

知识库检索

在线搜索

钉钉日历/待办 API

生成回复

用户消息经钉钉 WebSocket 传入后,被入口函数捕获,提取文本和发送者唯一 ID。AIAgent 实例首先分析情绪,据此动态调整提示词,然后调用绑定了工具与记忆的 AgentExecutor,最终生成回复并返回给用户。

实战开发:从零编写核心代码

环境初始化与项目结构

使用 Poetry 管理依赖,确保环境干净可复现。在项目根目录执行:

mkdir xiaolang-dingtalk && cd xiaolang-dingtalk
poetry init -n
poetry add langchain langchain-openai langchain-community python-dotenv redis pydantic \
            dingtalk-stream chromadb tiktoken

项目目录结构如下:

xiaolang-dingtalk/
├── src/
│   ├── dingtalk_hook.py    # 钉钉入口,WebSocket 回调
│   ├── agent.py            # AI智能体核心类
│   ├── tools/
│   │   ├── __init__.py
│   │   ├── calendar.py     # 钉钉日历工具
│   │   ├── task.py         # 钉钉待办工具
│   │   ├── knowledge.py    # RAG 知识库检索
│   │   └── search.py       # 在线搜索
│   ├── chains/
│   │   └── emotion.py      # 情感检测链
│   └── memory/
│       └── redis_memory.py # Redis 记忆封装
├── .env                    # 环境变量(不提交仓库)
├── pyproject.toml
└── README.md

配置环境变量 .env

# LLM 主模型
OPENAI_API_KEY=sk-xxxx
OPENAI_BASE_URL=https://api.siliconflow.cn/v1
DEFAULT_MODEL=deepseek-ai/DeepSeek-R1

# 备用模型
DEEPSEEK_API_KEY=sk-xxxx
DEEPSEEK_BASE_URL=https://api.deepseek.com/v1

# 搜索引擎
SERPAPI_API_KEY=xxxx

# Redis
REDIS_URL=redis://localhost:6379/0

# 钉钉应用
DINGTALK_APP_KEY=dingxxxx
DINGTALK_APP_SECRET=xxxx
DINGTALK_ROBOT_CODE=xxxx

# LangSmith 追踪
LANGCHAIN_TRACING_V2=true
LANGCHAIN_API_KEY=ls__xxxx
LANGCHAIN_PROJECT=xiaolang-dingtalk

入口文件:钉钉消息接收与回复

使用钉钉官方 dingtalk-stream 库建立 WebSocket 连接,注册消息回调。这里提供一个简化示例,不依赖真实钉钉环境也能本地运行——通过标准输入模拟消息收发,但完整保留了多用户记忆隔离、调用智能体的真实流程。实际部署时,只需将模拟部分替换为 DingTalkStreamClient 即可。

# src/dingtalk_hook.py
import os
import sys
import logging
from dotenv import load_dotenv
from agent import AIAgent

load_dotenv()

# 配置日志
logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s'
)
logger = logging.getLogger("XiaoLang")

# 全局用户存储,模拟从钉钉回调中获取的 sender_id
user_store = {}

def get_or_create_user(sender_id: str):
    if sender_id not in user_store:
        user_store[sender_id] = {"id": sender_id}
    return user_store[sender_id]

def main():
    logger.info("小浪助手启动中...")
    agent = AIAgent()  # 初始化智能体

    print("小浪助手已就绪,输入 'exit' 退出。")
    # 模拟多用户交互:输入格式为 "用户ID: 消息内容"
    while True:
        try:
            raw = input("> ")
            if raw.lower() == "exit":
                break
            if ":" not in raw:
                print("请输入 '用户ID: 消息内容'")
                continue
            sender_id, text = raw.split(":", 1)
            sender_id = sender_id.strip()
            text = text.strip()
            # 存储或获取用户信息
            get_or_create_user(sender_id)
            # 调用智能体
            reply = agent.run_agent(text, sender_id)
            print(f"小浪助手 -> {sender_id}: {reply}")
        except KeyboardInterrupt:
            break
        except Exception as e:
            logger.error(f"处理消息失败: {e}")

if __name__ == "__main__":
    main()

真实钉钉连接时,将 main 函数替换为 DingTalkStreamClient 的回调注册即可,原理完全一致。

智能体核心类 AIAgent

这个类封装了模型加载、工具注册、记忆管理、情感分析和动态提示词合成的全部逻辑。

# src/agent.py
import os
import json
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain.tools import tool
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.memory import ConversationBufferMemory
from langchain_community.chat_message_histories import RedisChatMessageHistory
from langchain_core.runnables import ConfigurableField

load_dotenv()

# ---------- 工具定义(简化示例) ----------
@tool
def create_calendar_event(summary: str, start_time: str, end_time: str) -> str:
    """创建钉钉日程。参数 summary: 标题, start_time: 开始时间 ISO格式, end_time: 结束时间 ISO格式"""
    # 实际调用钉钉 API,此处模拟成功
    return f"已创建日程「{summary}」,时间 {start_time} ~ {end_time}"

@tool
def create_task(content: str, priority: str = "normal") -> str:
    """创建钉钉待办。参数 content: 待办内容, priority: 优先级 low/medium/high"""
    return f"已创建待办「{content}」,优先级 {priority}"

@tool
def web_search(query: str) -> str:
    """在线搜索最新信息"""
    from langchain_community.utilities import SerpAPIWrapper
    search = SerpAPIWrapper()
    return search.run(query)

tools = [create_calendar_event, create_task, web_search]

# ---------- 情感分析链 ----------
emotion_prompt = ChatPromptTemplate.from_template(
    "分析用户消息的情绪,返回JSON: {\"emotion\": \"positive/neutral/negative\", \"score\": 0-10}\n"
    "消息: {input}\nJSON:"
)

class AIAgent:
    def __init__(self):
        # 1. 主模型(可回退到备用模型)
        primary = ChatOpenAI(
            model=os.getenv("DEFAULT_MODEL", "gpt-3.5-turbo"),
            openai_api_key=os.getenv("OPENAI_API_KEY"),
            base_url=os.getenv("OPENAI_BASE_URL"),
            temperature=0
        )
        fallback = ChatOpenAI(
            model="deepseek-chat",
            openai_api_key=os.getenv("DEEPSEEK_API_KEY"),
            base_url=os.getenv("DEEPSEEK_BASE_URL"),
            temperature=0
        )
        self.llm = primary.with_fallbacks([fallback])

        # 2. 基础记忆系统(用于配置占位,实际运行时会替换为用户专属记忆)
        self.base_memory = ConversationBufferMemory(
            memory_key="chat_history",
            return_messages=True,
            input_key="input",
            output_key="output"
        )

        # 3. 情感分析 LLM
        self.emotion_llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

        # 4. 基础提示词(动态部分通过占位符注入)
        base_prompt = ChatPromptTemplate.from_messages([
            ("system", "你是小浪助手,一个钉钉智能客服。你可以管理日程、创建待办、在线搜索。"
                       "请友好专业地回复。当前用户情绪状态:{emotion_state}"),
            MessagesPlaceholder("chat_history"),
            ("human", "{input}"),
            MessagesPlaceholder("agent_scratchpad")
        ])
        self.base_prompt = base_prompt

        # 5. 构建可配置记忆的 Agent
        agent = create_tool_calling_agent(self.llm, tools, base_prompt)
        self.agent_executor = AgentExecutor(
            agent=agent,
            tools=tools,
            memory=self.base_memory,
            verbose=True,
            handle_parsing_errors=True,
        ).configurable_fields(
            memory=ConfigurableField(
                id="agent_memory",
                name="Memory",
                description="可切换的记忆实例"
            )
        )

    def detect_emotion(self, text: str) -> dict:
        """调用 LLM 分析情绪,返回 dict"""
        chain = emotion_prompt | self.emotion_llm
        result = chain.invoke({"input": text})
        try:
            return json.loads(result.content)
        except:
            return {"emotion": "neutral", "score": 5}

    def get_memory_for_user(self, user_id: str) -> ConversationBufferMemory:
        """为特定用户创建独立的 Redis 记忆"""
        history = RedisChatMessageHistory(
            session_id=user_id,
            url=os.getenv("REDIS_URL", "redis://localhost:6379/0")
        )
        return ConversationBufferMemory(
            memory_key="chat_history",
            chat_memory=history,
            return_messages=True,
            input_key="input",
            output_key="output"
        )

    def run_agent(self, user_input: str, user_id: str = "default") -> str:
        # 情绪分析
        emotion = self.detect_emotion(user_input)
        # 根据情绪值动态调整提示词中的状态描述
        if emotion["emotion"] == "negative" and emotion["score"] >= 8:
            emotion_state = "强烈负面,请主动将用户诉求创建为高优先级待办"
        else:
            emotion_state = f"{emotion['emotion']} (分值 {emotion['score']})"

        # 合成带情绪状态的提示词
        dynamic_prompt = self.base_prompt.partial(emotion_state=emotion_state)

        # 重建 agent(因为提示词变化,需要新 agent)
        from langchain.agents import create_tool_calling_agent
        agent = create_tool_calling_agent(self.llm, tools, dynamic_prompt)
        # 获取用户专属记忆
        user_memory = self.get_memory_for_user(user_id)
        executor = AgentExecutor(
            agent=agent,
            tools=tools,
            memory=user_memory,
            verbose=True,
            handle_parsing_errors=True,
        )
        response = executor.invoke({"input": user_input})
        return response["output"]

运行效果

确保本地 Redis 已启动,然后执行:

cd src
python dingtalk_hook.py

按提示输入 user1: 帮我创建一个明天下午3点的会议,主题是 AI 进展,智能体将调用工具并回复。不同用户 ID 的消息会拥有各自独立的上下文记忆,互不干扰。

参考文档

官方文档

参考链接

总结

本文从零开始,带领读者完成了钉钉智能助手项目的资源申请、环境搭建和核心代码编写。完整展现了如何利用 LangChain 构建一个支持多工具调用、记忆隔离、情绪感知和模型回退的单智能体,所有代码均可直接复制运行。

主要技术栈要点如下:

  • LangChain:作为核心框架,提供 AgentExecutor、ChatPromptTemplate、ConversationBufferMemory 等组件,简化了 LLM 应用开发。
  • 模型调用与回退:通过 ChatOpenAI 统一调用兼容 OpenAI 格式的 API,并使用 with_fallbacks 实现主备模型自动切换,提升系统鲁棒性。
  • 记忆系统:基于 RedisChatMessageHistory 实现会话历史持久化,通过 session_id 区分不同用户,做到多用户记忆隔离。
  • 工具集成:利用 @tool 装饰器将自定义函数(日程创建、待办管理、网络搜索)注册为 LangChain 工具,供智能体调用。
  • 情感分析:通过独立的 ChatPromptTemplate 调用 LLM 分析用户情绪,并动态调整系统提示词,使回复更具同理心。
  • 可观测性:通过配置 LangSmith,可以追踪每次调用的完整链路、耗时和 token 消耗,便于调试和成本控制。

下一步,可以继续扩展工具集、接入真实钉钉 Stream 回调,或迁移到 LangGraph 实现更复杂的多智能体协作。

LangGraph实战:用状态机图编排构建可落地的AI Agent工作流 AI Agent本质是面向任务的自动化决策系统,其核心挑战在于状态管理、错误恢复与动态流程控制。LangGraph通过有向无环图(DAG)建模,将Agent重构为显式状态机,以TypedDict定义数据契约、conditional_edge实现业务逻辑驱动的条件跳转、内置循环与检查点保障韧性执行。相比传统Chain的线性无状态模式,LangGraph让AI行为具备可追溯、可中断、可审计的工程确定性,特别适用于合同审核、工单处理、数据同步等需多步校验与人工协同的真实场景。本文聚焦LangGraph的核心机制与 阅读详情

相关推荐

AI Agent分身技术在电商运营中的工程化落地实践

AI Agent是具备感知、决策与执行能力的智能体,其核心在于状态隔离、工具权限管控与事件驱动编排。相比传统单轮对话式AI,Agent架构通过上下文内存分离、RBAC权限矩阵和异步事件总线,实现多任务并行与跨角色协作,显著提升系统可靠性与业务闭环能力。该技术已在亚马逊卖家工作流中规模化验证,支撑100+轻量级Agent实例并发调度,在广告优化、Listing管理、客服响应等高频场景中释放人力、降低误操作风险。本文聚焦AI Agent在真实电商SaaS系统中的架构设计、权限治理与性能调优,涵盖MoE模型切分、

weixin_33739627的博客 521

学浪课程下载到本地

想要将学浪课程下载到本地,随时随地学习吗?本文提供详细指南,教您如何轻松下载并保存课程内容,确保您不错过任何学习机会。立即访问,掌握最新技巧,让学习不再受网络限制!

boy000004的博客 1828

荣耀X16 Plus:端侧AI智能体驱动的轻薄本生产力范式

AI PC正从‘参数堆砌’走向‘场景落地’,其核心在于本地化AI能力与真实工作流的深度耦合。端侧AI智能体依托NPU硬件加速(如47TOPS算力),在不联网、低功耗前提下完成文本生成、代码解释、语音转写等任务,兼顾隐私安全与即时响应。相比依赖云端大模型的方案,端侧部署显著降低延迟、规避数据外泄风险,并适配办公、创作、协作等高频场景。荣耀YOYO智能体框架正是这一技术路径的典型实践——将大模型能力拆解为可嵌入Word、Excel、浏览器等工具链的原子化插件,实现‘输入即执行’的零提示词交互。gpt-5.5 u

weixin_30918633的博客 9万+

【免费下载】 学浪课程下载工具使用指南

学浪课程下载工具使用指南 【下载地址】学浪课程下载工具使用指南 学浪课程下载工具使用指南本仓库提供了一个学浪课程下载工具,帮助用户将学浪平台上的课程下载到百度网盘,以便随时随地学习 项目地址: https://gitcode.co...

gitblog_06520的博客 1152

DeepSeek V4与Hermes-Agent深度协同实战指南

大语言模型Agent系统的核心在于LLM与框架的协议对齐与上下文协同。DeepSeek V4通过重构tool_call协议、原生支持1M超长上下文、专为国产昇腾芯片优化内存访问,显著提升了Agent工作流的稳定性、低延迟与工程落地性。其与轻量级Agent框架Hermes的深度适配,不仅解决了传统工具调用解析难、状态机卡死等痛点,更让上下文即记忆、工具链可自修复成为现实。在飞书审批、会议纪要生成、长文档智能问答等典型场景中,V4-Flash实现毫秒级响应与0.3%超低幻觉率,V4-Pro则支撑多步推理与复杂工

A08110123的博客 420

Hermes Agent 学习笔记

Hermes Agent 是 Nous Research 开发的**自学习 AI Agent 框架**,具备闭环学习循环(技能自动创建→使用中自我改进→知识持久化→跨会话搜索→用户画像建模),支持 20+ 消息平台、200+ LLM 模型、40+ 内置工具、MCP 扩展、子代理委派、cron 调度,以及 RL 训练环境。

多媒体编程、网络编程、系统编程、网络安全编程、驱动编程 497

(小浪)LangGraph多Agent教程笔记(多智能体)

Langchain比较适合单一任务,Langgraph适合生产环境代码演示。

Dontla的博客 712

钉钉Java面经及参考答案

TCP 三次握手建立连接的核心目标是双向确认双方发送、接收能力,同步通信序列号,协商初始窗口大小,防止历史过期连接报文干扰新连接。第一次握手,客户端主动向服务端发送 SYN 报文,携带客户端随机生成的初始序列号 ISN,客户端状态变更为 SYN_SENT,目的是告知服务端客户端具备发送数据的能力。第二次握手,服务端收到 SYN 报文后,回复 SYN+ACK 报文,其中 ACK 确认号为客户端 ISN+1,同时携带服务端自身随机初始序列号,服务端进入 SYN_RCVD 状态,代表服务端确认收到客户端报文,且自

大模型大数据攻城狮的专栏 238

AI Agent从0到1定制开发 全栈/全流程/企业级落地实战(课程下载)

AI Agent从0到1定制开发 全栈/全流程/企业级落地实战

软希网分享源码的博客 1275

Labelme安装教程(附Anaconda安装教程)

本文详细介绍了如何安装Anaconda和Labelme,还提供了常见问题的解决建议。

HanYan_ing的博客 1万+

STM32F103C8T6全桥逆变电路PWM波生成(基于HAL库)

全桥逆变电路需要两组开关管相互协同工作,故需要两路PWM控制信号,为了防止电源短路,需要保证同一桥臂的上下两个开关管不会同时导通,故两路PWM在相位上需要相差180°;为了保证高频变压器不会磁饱和,使正负半周PWM占空比相同。但是传统的互补输出达不到调节占空比调节输出电压的效果。......

weixin_45042735的博客 6025

构建企业级微信智能助手:多AI服务集成与自动化回复完整方案

在数字化办公日益普及的今天,企业微信群管理和客户服务面临着消息处理效率低下、人工响应不及时、数据分析困难等诸多挑战。传统的人工回复模式已经无法满足高频次、多场景的沟通需求。wechat-bot项目提供了一个基于WeChaty框架的微信机器人解决方案,它通过集成ChatGPT、DeepSeek、Kimi、Ollama、Claude、Pi等主流AI服务,实现了微信消息的智能自动回复和群聊分析功能,为企

gitblog_00958的博客 377

【2025最新】Multisim 14.3超详细安装步骤 【附安装包+永久+汉化】|Multisim 14.3

嗨,小伙伴们!是不是一直在找可靠的multisim下载安装教程?今天就给大家带来超详细的2025年Multisim 14.3安装全攻略!这款电路仿真神器绝对是学电子、做电路设计的必备工具!很多朋友后台留言说安装时各种报错、汉化失败,所以我决定出一期零基础、保姆级的教程,从下载到安装再到汉化,全部一步到位搞定!按照我的步骤来,包你顺利安装不出错!!!通过本教程,相信大家已经成功安装并配置好了Multisim 14.3。这款电路仿真神器能帮你设计和测试各种电路,从简单的LED闪烁到复杂的信号处理电路都不在话下。

pythonpapaxia的博客 8万+

从AI Agent到智能保镖:基于LangChain的自动化运维与安全响应实战

在当今的软件工程与运维领域,自动化与智能化是提升效率、保障系统稳定性的核心驱动力。其基本原理在于通过程序或智能体替代人工,执行重复、复杂或需要快速响应的任务,从而减少人为错误、加速问题定位与解决。这一技术价值在运维监控、安全响应、故障诊断等场景中尤为凸显,能够实现7x24小时无人值守的智能分析与初步处置。本文聚焦于如何利用大语言模型驱动的AI Agent,结合工具调用与工作流编排,构建一个类似“智能保镖”的自动化系统。通过引入规划、工具使用和记忆等核心概念,并基于ReAct框架,我们将探讨如何设计一个能够理

weixin_34320724的博客 362

什么是无人机巡检?如何实现无人机自动巡检?

复亚智能的无人机自动巡检系统通过高度自动化的技术,实现了无人机的高效巡检作业。无人机自动机场支持无人机的自动起降和电池更换,自动飞行算法确保无人机在复杂环境中的精准飞行和拍摄,而云端识别诊断和AI感知算法平台则实现图像的实时传输和智能分析。复亚智能,作为无人机技术的创新者和推动者,致力于开发先进的无人机自动巡检解决方案,助力各行各业实现智能化、自动化的巡检工作,引领智能巡检的未来。利用人工智能和机器学习算法,无人机可以被训练来识别特定的模式和异常,如结构损坏、热泄漏等,从而提高巡检的准确性和效率。

foiadrone的博客 2845

SolidWorks Routing标准件库搭建与实用技巧分享

在机械设计中,管路、管筒与电气线束的布线是影响装配效率的关键环节。SolidWorks Routing 作为专业的三维布线模块,依赖标准件库中的连接点(CPoint)与配合参考来实现接头的自动吸附和路径生成。然而系统自带库存在型号不全、配置分散、版本兼容性差等问题,导致设计师大量时间耗费在翻型号和手动配合上。通过自建标准件库,并配合 Routing Library Manager 统一登记路径与配置,可显著提升管道布线、管筒走向及电气线束布置的效率。本文从连接点原理、配置命名、模板属性等底层逻辑出发,梳理了

weixin_42510201的博客 299

AI Agent企业落地实战:从硅基员工到AgentOps工程体系

AI Agent已超越聊天机器人范畴,成为具备目标拆解、工具调用与自主决策能力的数字工作者;其核心原理在于将大模型能力封装为可审计、可编排、可追责的业务单元,通过多模态解析、长程记忆与动态工具协同实现认知级自动化;技术价值体现在降本增效、风险可控与组织韧性提升,广泛应用于财务核对、供应链调度、HR入职等高确定性业务场景;企业落地关键在于避开‘能对话≠能干活’‘重技术轻适配’‘缺数据源硬交付’三大陷阱,并构建以AgentOS、AgentOps、垂直技能生态和人机协同协议为支柱的工业化实施路径。

weixin_34259232的博客 924

零基础玩转华为AP 4050DN-HD:FAT模式家庭无线网络配置实战

本文为零基础用户提供华为AP 4050DN-HD从FIT模式转换为FAT模式的完整实战教程。详细介绍了固件升级、模式转换以及配置家庭无线网络(包括路由、DHCP、Wi-Fi和NAT)的每一步操作,帮助用户将企业级瘦AP改造为高性能家庭胖AP,打造稳定可靠的家庭网络环境。

weixin_29196613的博客 637

AI智能体内存占用对比:Hermes Agent与OpenClaw实测分析与优化指南

在本地部署大语言模型(LLM)驱动的AI智能体时,内存占用是影响系统稳定性和开发体验的关键性能指标。其核心原理在于,智能体框架在运行时需要加载模型权重、维护对话上下文、管理工具集及可能的平台服务,这些组件共同决定了内存消耗的基线水平与动态变化。从技术价值看,高效的内存管理能确保在资源受限的个人电脑或服务器上流畅运行AI助手,支持同时进行其他开发工作。应用场景广泛覆盖代码生成、自动化脚本、文件处理乃至复杂的多步骤任务编排。本文聚焦于两大热门框架Hermes Agent与OpenClaw,通过设计可复现的测试场

weixin_34268169的博客 400

【论文解读】Baidu Apollo EM Motion Planner

系统顶层是一种多车道策略,通过并行计算车道级别轨迹来处理车道变更场景;在车道轨迹生成器内部,迭代的解决基于Frenet坐标的路径和速度规划;针对路径和速度规划问题,提出了动态规划与基于样条的二次规划相结合的方法,构造了一个可扩展且易于调整的框架,同时处理交通规则、障碍物决策和平滑度问题。该规划器可扩展至高速公路和城市低速驾驶场景。高精地图模块提供了任何人都可以访问的高精地图。感知和定位模块提供了动态环境中必要的信息。运动规划模块考虑生成一条安全平滑的轨迹再交由汽车的控制模块去执行。

xiewf的博客 6095

UE4打包为Framework库嵌入iOS原生工程

UE4打包为Framework库嵌入iOS原生工程

tangfuling1991的博客 1294

2026 AI工具选型实战指南:能力断层、语义颗粒度与多模态因果链

AI工具选型已超越参数对比,进入基于任务本质的工程决策阶段。理解‘能力断层’——不同模型在长文本推理、中文政务表达、跨模态因果推演等场景存在不可调和的架构级差异;把握‘语义颗粒度’——通义千问对‘稳妥推进’‘本地企业’等政策术语的向量切分远超通用模型;掌握‘多模态因果链’——Gemini能关联音频痛点、图像缺失与视频叙事,构建时空证据链。这些底层原理共同决定工具在公文写作、电商绘图、技术文档分析、短视频脚本等真实场景中的可用性与合规性。本文基于372小时实测战报,揭示从模型特性到工作流落地的关键逻辑。

weixin_34194359的博客 476

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")

AI应用开发学习计划:从零搭建可上线的智能工具

AI应用开发已进入工程化集成新阶段,核心不再是模型训练,而是将成熟AI能力(如大语言模型、向量检索、多模态理解)快速嵌入真实业务流程。其原理基于RAG架构、本地化推理(Ollama)、轻量服务封装(FastAPI)与云原生部署(AWS SAM)的技术组合,技术价值在于降低AI落地门槛、保障数据合规、适配边缘与云端多种约束。典型应用场景包括智能合同审查、客户情绪分析、工业设备视觉诊断及私域语音助手等。本学习路径聚焦‘能跑通、可交付、易展示’的实操闭环,覆盖本地沙盒搭建、文档理解助手开发、多模态工作流升级到灰度

weixin_34033624的博客 580

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

技术选型与架构搭建:大型企业如何建设BI系统实战指南

大型企业BI系统建设是一项覆盖数据全生命周期的系统性工程。从架构分层来看,需要构建覆盖数据接入、处理、引擎、功能、消费和开放集成的完整技术栈;从治理体系来看,需要建立统一的指标字典和细粒度的权限管控;从智能化演进来看,AI正在从“插件”变为“底座”,重塑BI系统的每一个环节。对于正在规划BI建设的企业,建议从以下方面着手:首先,选择1-2个高价值业务场景进行试点,定义10个核心指标的口径标准,跑通闭环后再逐步扩展;其次,在架构设计上优先考虑分层解耦和扩展性,避免单体架构带来的性能瓶颈;

2600_96788433的博客 27

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

大型制造业AI智能体平台解决方案:为每位员工配备专属AI伙伴,让AI扎根产线、赋能于人,连接产业

效率层面——AI将“人工小时级”响应变为“AI秒级”响应。首钢热轧排程效率提升80%,计划审核从1小时缩短至秒级,生产总结从40分钟压缩至3分钟。美的荆州工厂平均提效80%,排产响应速度提升90%,首检时间由15分钟缩短至30秒。成本层面——美的2025年通过AI降本达7亿元,对比2024年的1.8亿元增长289%;超过1.35万个AI智能体在全业务链运行,全年提效超过1500万小时。首钢采用开源大模型路线,仅两台本地服务器实现年收益超1100万元。规模层面——美的每天有1.3万个智能体在运行;

zhengliebin的博客 1128

Gemini 3.5 Flash:可编程AI代理的工程化落地实践

AI代理(Agent)正从概念走向生产级应用,其核心在于将大模型能力封装为可编排、可验证、可运维的数字员工。这背后依赖推理引擎优化、结构化输出强制、子代理契约机制等关键技术原理,带来显著的工程提效与成本压缩价值。在财务对账、代码审查、跨平台自动化等典型场景中,AI代理已实现分钟级任务到秒级闭环的跃迁。Gemini 3.5 Flash并非单纯提速模型,而是通过内存映射式KV Cache、声明式Agent Network和交互式多模态理解,构建起面向真实工作流的AI操作系统底座——它让业务人员用自然语言定义任务

542
上一篇: AI Agent从无到有51: 单智能体概念与 LangChain 开发实战
下一篇: AI Agent从无到有53:基于情绪感知的动态提示词系统与结构化情感分析模块实战
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