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

【信息科学与工程学】计算机科学与自动化-——第十五篇云计算 12 公有云里的“多Region + 多AZ“ 02 运营算法01 算法逐步思考推理思考(含数学方程式、对象、资源、任务、进程/协程/线程及对应的代数、约束、目标函数/传递函数/依赖函数、参数及参数的数值范围及边界条件、逐步推理的数学方程式列表、上下文切换、并发/串行/随机/乱序/顺序)算法逐步思考推理思考(含数学方程式、对象、资源、任务、进程/协程/线程及对应的代数、约束、目标函数/传递函数/依赖函数、参数及参数的数值范围及边界条件、逐步推理的数学方程式列表、上下文切换、并发/串行/随机/乱序/顺序)云厂商提高闲置资源利用率。算法复杂度为O(N),N为实例数量。 阅读详情

纲要

  • 核心设计思路:实现具有行为适应性的智能体
    • 动态提示词系统:根据用户情绪状态实时调整回复风格
    • 结构化情感分析:利用 LangChain 的 with_structured_output 与 Pydantic Schema 确保输出可靠性
  • 模块一:提示词管理系统 (PromptManager)
    • 初始化配置:角色设定、情绪风格字典、系统约束条件
    • 动态合成机制:使用 partial 方法实现运行时变量注入
    • 关键占位符:agent_scratchpad 在 LangChain 中的不可缺性
  • 模块二:情感分析引擎 (EmotionAnalyzer)
    • 链式构建:ChatPromptTemplate 与 LLM 的结合
    • 结构化输出:基于 Pydantic 的 BaseModel 定义强制输出 Schema
    • 鲁棒性设计:输入长度保护与异常兜底处理
  • 完整联调示例
    • 项目结构:模块化文件组织
    • 核心文件:prompt_manager.py、emotion_analyzer.py、main.py
  • API 速览 (API Overview)
    • ChatPromptTemplate.from_messages
    • MessagesPlaceholder
    • ChatOpenAI.with_structured_output
  • Demo 示例 (Complete Demo)
    • 完整可运行代码与环境配置说明

智能体的性格与情绪:动态提示词设计

一个具备高度可用性的 AI 助手,其功能不应局限于机械的工具调用与信息检索。行为适应性——即感知用户情绪状态并动态调整交互语气的能力——是提升用户体验的关键要素。实现这一能力依赖于两个核心模块的协同工作:

  1. 动态提示词模板:在运行时根据情感分析模块输出的情绪状态,向系统提示词中注入对应的回复风格指令,从而影响 LLM 的生成策略。
  2. 结构化情绪检测链:通过约束 LLM 输出符合预定义 Pydantic Schema 的 JSON 数据,精确获取情绪标签与量化分值,为下游决策提供可靠依据。

下文将分别实现这两个模块,所有代码均基于 LangChain 生态构建,具备可直接集成至生产项目的可运行性。

模块一:提示词管理器 (PromptManager)

提示词管理器负责初始化智能体的系统人设、角色约束,并在每次对话轮次前,根据情感分析结果动态合成最终的对话提示词结构。

核心设计

  • 利用 ChatPromptTemplate 与 MessagesPlaceholder 构建符合对话场景的模板结构。
  • 保留三个核心占位符:
    • chat_history:用于存储多轮对话记忆。
    • input:接收当前轮次的用户输入。
    • agent_scratchpad:在 LangChain 的 Agent 执行过程中,用于存储中间思考步骤与工具调用结果的临时空间。在构建代理提示词时,此占位符不可省略,否则会导致执行时键值缺失错误。
  • 利用 partial 方法提前将情绪相关变量(feeling_score 与 who_you_are)绑定至提示词模板,从而在调用 invoke 或 ainvoke 时无需重复传递这些参数。

代码实现 prompt_manager.py

# prompt_manager.py
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

class PromptManager:
    """
    动态提示词管理器。

    职责:
    1. 维护系统角色设定与回复风格映射表。
    2. 根据给定的情绪标签与分值,合成包含特定风格指令的提示词模板。
    """

    def __init__(self, memory_key: str = "chat_history", feeling: dict = None):
        """
        初始化提示词管理器。

        Args:
            memory_key: 用于存储对话历史的占位符变量名,默认为 'chat_history'。
            feeling: 自定义情绪风格映射字典。若不提供,则使用默认映射。
        """
        # 默认情绪风格字典,涵盖五种基本情绪标签
        default_feeling = {
            "angry": {
                "role_style": "用友好、安抚的语气回答,多用「亲」等语气词,主动道歉并寻求解决方案。"
            },
            "cheerful": {
                "role_style": "用共情、轻松的语气回答,可以适当表达开心。"
            },
            "depressed": {
                "role_style": "用温暖、鼓励的语气回答,给予支持。"
            },
            "friendly": {
                "role_style": "保持热情、积极的语气回答。"
            },
            "neutral": {
                "role_style": "用专业、平和的语气回答。"
            }
        }
        self.feeling_dict = feeling if feeling else default_feeling
        self.memory_key = memory_key

        # 系统提示词模板
        # 注意:此处使用双花括号 {{}} 转义 JSON 示例或 Literal 字符串
        system_template = (
            "你是一个名叫小浪的智能客服助手,23岁,来自中国,热爱跑步与阅读,"
            "在 LangChain 技术栈领域具备专业知识。\n"
            "你将根据用户问题选择合适的工具:知识库查询、在线搜索、日程创建或待办事项管理。\n"
            "当前用户的情绪分值为 {feeling_score},对应的回复风格指令为:\n"
            "{who_you_are}\n\n"
            "约束条件:\n"
            "- 永远不以 AI 或机器人的身份自居。\n"
            "- 拒绝回答涉及政治、宗教、种族歧视等争议性话题。\n"
            "- 所有工具调用必须严格遵循给定的参数格式。"
        )

        # 构建消息模板列表
        self.prompt = ChatPromptTemplate.from_messages([
            ("system", system_template),
            MessagesPlaceholder(variable_name=self.memory_key),
            ("human", "{input}"),
            MessagesPlaceholder(variable_name="agent_scratchpad"),
        ])

    def build_prompt(self, feeling_label: str, feeling_score: int):
        """
        合成运行时提示词模板,注入具体情绪参数。

        Args:
            feeling_label: 情绪标签,例如 'angry' 或 'cheerful'。
            feeling_score: 情绪量化分值,通常为 0-10 之间的整数。

        Returns:
            ChatPromptTemplate: 部分格式化后的提示词模板。
        """
        # 从映射字典中获取对应情绪的风格描述;若未找到,则默认使用中性风格
        role_desc = self.feeling_dict.get(
            feeling_label,
            {"role_style": "用专业、平和的语气回答。"}
        )["role_style"]

        # 使用 partial 方法固定情绪相关变量,返回新的模板实例
        return self.prompt.partial(
            feeling_score=feeling_score,
            who_you_are=role_desc
        )


# 单元测试
if __name__ == "__main__":
    pm = PromptManager()
    partial_prompt = pm.build_prompt("cheerful", 2)
    print("生成的提示词消息列表:")
    for msg in partial_prompt.messages:
        print(msg)

模块二:情感分析引擎 (EmotionAnalyzer)

情感分析引擎的核心是构建一条轻量级的处理链,利用 LLM 的语义理解能力,结合 LangChain 的结构化输出功能,将非结构化的文本输入转化为结构化的情绪数据。

关键实现技巧

  • 结构化输出绑定:通过 with_structured_output 方法将 LLM 实例与 Pydantic 定义的 BaseModel 绑定,强制模型输出符合 Schema 的 JSON 数据,简化下游解析逻辑。
  • Few-shot 示例注入:在系统提示词中嵌入少量示例,提升模型在特定情绪维度上的分类准确率。
  • 输入长度保护:对用户输入进行截断处理(示例中取前 100 个字符),防止因文本过长导致上下文窗口溢出。

代码实现 emotion_analyzer.py

# emotion_analyzer.py
import os
from typing import Optional
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from pydantic import BaseModel, Field

load_dotenv()

# 定义期望输出的 JSON 结构
class EmotionResult(BaseModel):
    """情绪分析结果的结构化表示"""
    feeling: str = Field(description="情绪标签,可选值:angry/cheerful/depressed/friendly/neutral")
    score: int = Field(description="负面程度评分,范围 0-10,其中 0 表示毫无负面情绪,10 表示极端负面")


class EmotionAnalyzer:
    """基于 LLM 的情感分析器,输出结构化情绪数据"""

    def __init__(self, model_name: str = None):
        """
        初始化情感分析器。

        Args:
            model_name: 使用的模型名称,默认从环境变量读取。
        """
        if model_name is None:
            model_name = os.getenv("DEFAULT_MODEL", "gpt-3.5-turbo")

        # 初始化 LLM 实例,设置 temperature=0 以最小化输出的随机性
        self.llm = ChatOpenAI(
            model=model_name,
            temperature=0,
            openai_api_key=os.getenv("OPENAI_API_KEY"),
            base_url=os.getenv("OPENAI_BASE_URL"),
        )
        # 将 LLM 实例与 Pydantic Schema 绑定,返回结构化对象
        self.structured_llm = self.llm.with_structured_output(EmotionResult)

        # 构建包含 few-shot 示例的提示词模板
        self.prompt = ChatPromptTemplate.from_messages([
            ("system", """你是一个情绪分析专家。分析用户输入的文本情绪,返回情绪标签和负面程度评分。

情绪标签对照表:angry(生气)、cheerful(开心)、depressed(压抑)、friendly(友善)、neutral(中性)
评分规则:0-10,分数越高代表负面情绪越强烈。

示例:
用户:我特别生气,你们这什么烂产品!
返回:{{"feeling": "angry", "score": 9}}

用户:今天天气真好,心情不错
返回:{{"feeling": "cheerful", "score": 1}}

用户:随便吧,都可以
返回:{{"feeling": "neutral", "score": 5}}"""),
            ("human", "用户输入:{input}")
        ])

    def analyze(self, text: str) -> Optional[EmotionResult]:
        """
        分析输入文本的情绪。

        Args:
            text: 用户输入的原始文本。

        Returns:
            EmotionResult: 包含情绪标签与分值的结构化对象;若分析失败则返回 None。
        """
        if not text:
            return None

        # 输入长度保护:仅取前 100 个字符进行分析
        truncated_text = text[:100]

        try:
            # 构建处理链并执行
            chain = self.prompt | self.structured_llm
            result = chain.invoke({"input": truncated_text})
            return result
        except Exception as e:
            print(f"情绪分析过程发生异常: {e}")
            return None


# 快速验证
if __name__ == "__main__":
    analyzer = EmotionAnalyzer()
    test_text = "你们的产品太难用了,我要退款!"
    res = analyzer.analyze(test_text)
    if res:
        print(f"情绪标签: {res.feeling}, 分值: {res.score}")

完整联调示例

以下示例将 PromptManager 与 EmotionAnalyzer 串联,模拟一次完整的带情绪感知的对话处理流程。

项目结构

.
├── main.py                # 主入口文件
├── prompt_manager.py      # 提示词管理模块
├── emotion_analyzer.py    # 情感分析模块
└── .env                   # 环境变量配置(需自行创建)

主程序 main.py

# main.py
from prompt_manager import PromptManager
from emotion_analyzer import EmotionAnalyzer

def main():
    # 初始化各模块
    pm = PromptManager()
    ea = EmotionAnalyzer()

    # 模拟用户输入
    user_input = "我都等了三天了,为什么还没人处理我的投诉?"

    # 1. 执行情感分析
    emotion_result = ea.analyze(user_input)
    if emotion_result:
        label = emotion_result.feeling
        score = emotion_result.score
    else:
        # 兜底默认值:中性情绪,分值 5
        label, score = "neutral", 5

    print(f"检测到情绪: {label} (分值: {score})")

    # 2. 生成动态提示词模板
    dynamic_prompt = pm.build_prompt(label, score)
    # 此时 dynamic_prompt 已包含情绪变量,等待传入 chat_history, input, agent_scratchpad 后即可执行
    print("动态提示词已生成,准备传入 Agent 执行器...")
    # 在实际生产环境中,此处会将 dynamic_prompt 传入 AgentExecutor 进行后续处理

if __name__ == "__main__":
    main()

环境配置与依赖

项目依赖以下 Python 包,可通过 pip 一键安装:

pip install langchain langchain-openai python-dotenv pydantic

运行前需在项目根目录创建 .env 文件,配置 OpenAI 兼容的 API 凭证:

OPENAI_API_KEY=your_api_key_here
OPENAI_BASE_URL=your_base_url_here  # 可选,默认为 OpenAI 官方端点
DEFAULT_MODEL=gpt-3.5-turbo         # 可选,默认为 gpt-3.5-turbo

API 速览 (API Overview)

API 组件所属库方法/类签名核心参数返回值简要说明
ChatPromptTemplate.from_messageslangchain.promptsfrom_messages(messages: Sequence)messages: 消息模板序列ChatPromptTemplate从消息列表构建对话模板,支持 SystemMessage、HumanMessage、AIMessage 及 MessagesPlaceholder。
MessagesPlaceholderlangchain.promptsMessagesPlaceholder(variable_name: str)variable_name: 占位符变量名MessagesPlaceholder用于在运行时注入一组历史消息,通常用于传递 chat_history 或 agent_scratchpad。
ChatOpenAI.with_structured_outputlangchain_openaiwith_structured_output(schema: Type[BaseModel])schema: Pydantic BaseModel 类Runnable将模型输出绑定为指定的结构化 Schema,返回的 Runnable 对象在调用时直接返回 BaseModel 实例。

Demo 示例 (Complete Demo)

运行说明

  1. 将 prompt_manager.py、emotion_analyzer.py、main.py 三个文件保存至同一目录。
  2. 在目录下创建 .env 文件,填入有效的 OPENAI_API_KEY。
  3. 执行 python main.py 启动演示。

代码说明

  • 模块解耦:提示词管理与情感分析逻辑分离,便于独立维护与测试。
  • 错误兜底:情感分析模块在异常情况下返回 None,调用方通过默认为 neutral 情绪确保流程不中断。
  • 占位符保留:PromptManager 严格保留了 agent_scratchpad 占位符,保证了对 LangChain Agent 执行机制的兼容性。

技术点总结

  1. 动态提示词构建:利用 partial 方法实现运行时变量注入,避免重复传参。
  2. 结构化输出:通过 with_structured_output 将 LLM 输出与 Pydantic Schema 强绑定,提升下游数据解析的可靠性与开发效率。
  3. 输入鲁棒性:对分析文本进行截断处理,防止上下文窗口溢出。

参考文档

官方文档

参考链接

总结

本文详细解析了构建具有情绪感知能力的 AI Agent 所需的两个核心模块:动态提示词管理系统与结构化情感分析引擎。通过 LangChain 的 ChatPromptTemplate、MessagesPlaceholder 以及 with_structured_output 机制,我们实现了提示词内容的实时调整与模型输出的精确约束。

文中所提供的代码示例均基于 LangChain 稳定版本 API 构建,具备完整的可运行性与直接集成至现有 Agent 项目的可行性。两个模块的设计遵循了低耦合、高内聚的原则,为开发者构建具备人性化交互体验的智能体提供了可靠的参考实现。

「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 486

AI大模型实用(八)Java快速实现智能体整理(使用LangChain4j-agentic来进行情感分析/分类)

自定义类@Data@Override" }";定义AiService/*** {{it}} 是一个占位符,通常用于提示模板(Prompt Templates)中,表示将动态内容插入到提示文本里。* 它允许开发者构建灵活的提示,其中 {{it}} 会被实际的输入变量(如用户消息)替换*/@AiService//@UserMessage("从{{text}}中提取关于某人的信息。如果不知道具体的出生月份和日期信息,可以默认日期1月1日,如果不知道年龄,年龄可以默认为不知道。

我的E家 1226

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1299

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 328

19-5 ACC 自适应巡航控制系统需求

本专题由深圳季连AIgraphX李博及团队出品,主要讲解ACC自适应巡航控制系统的开发与仿真测试。具体说来,包括ACC标准/法规分析、系统需求、系统架构、软件需求、软件架构、算法建模、验证场景分析、仿真实验搭建等内容。 本节主要讲ACC系统需求。

AIgraphX 1092

robomimic实验复现全流程指南:从数据集下载到训练视频生成

本文提供了RoboMimic实验复现的完整实战指南,重点解析了从数据集下载、配置文件定制到模型训练与评估的全流程。以tool_hang任务为例,详细说明了环境准备、数据获取、训练监控及视频生成等关键步骤,并针对常见问题给出了排查方案,帮助研究者高效完成机器人模仿学习实验的闭环验证。

2w3e4r5t6y的博客 1034

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 261

【Matlab】matlab代码实现迭代学习控制

该文介绍了在Matlab中实现迭代学习控制(ILC)的方法。ILC通过利用历史轨迹数据来优化重复任务的控制性能。文章提供了一个步进电机控制示例,包括:1)定义正弦轨迹;2)设置100次迭代和0.1学习率;3)建立二阶系统模型;4)执行ILC算法计算控制输入;5)绘制期望轨迹与实际输出的对比图。该示例展示了ILC的基本实现过程,并指出实际应用可能需要更复杂的设计。代码演示了误差计算、控制输入更新和结果可视化等关键步骤。

unber的博客 203

【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

你以为你懂 Java 反射?看了这篇源码分析,我发现我以前都错了

摘要:本文讲述了一次生产环境Metaspace内存溢出的故障排查经历。事故源于一个通用数据导出功能中频繁使用反射调用method.invoke(),触发了JVM的"膨胀机制":当同一Method对象调用超过15次时,JVM会动态生成GeneratedMethodAccessor类,导致Metaspace被撑爆。文章分析了问题根源在于循环中反复调用getMethods()创建新Method对象,并提出了三种解决方案:缓存Method对象、改用MapStruct/MethodHandle工具

BUG猿的博客 770

51、基于深度卷积神经网络的自闭症分类研究

本研究提出了一种基于深度卷积神经网络的自闭症分类方法,通过融合VGGNet-19和ResNet-52模型的特征,并在决策层采用SVM分类器,实现了对自闭症谱系障碍(ASD)和典型发育(TD)个体的准确区分。研究使用ABIDE数据集,结合数据增强和特征拼接技术,取得了88.12%的分类准确率和0.88的ROC曲线下面积。结果表明,该方法在自闭症自动诊断中具有良好的性能,同时研究也探讨了其局限性,并展望了未来改进方向,如多模态数据融合、迁移学习和模型可解释性的提升。

grpc6streamer的博客 133

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

168、OIS光学防抖系统设计:陀螺仪标定、音圈马达驱动与滚珠式/悬丝式结构选型

本文总结了OIS光学防抖系统设计中的关键问题与解决方案。作者通过实际案例指出,陀螺仪标定需重视零偏、灵敏度和温度补偿问题,音圈马达驱动需采用电流环控制并优化相位补偿。在机械结构选型方面,滚珠式适合大角度补偿但存在回差问题,悬丝式精度高但受重力影响,需根据应用场景选择。系统联调建议从开环到闭环逐步验证,注意陀螺仪与驱动频率匹配。最后给出5条经验建议:关注陀螺仪信噪比而非分辨率、预留标定余量、重视机械结构公差、配备专业调试工具、协调OIS与电子防抖的分工配合。文章强调OIS调试需针对不同模组特性进行反复测试与标

zzfmlxs的博客 46

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

【WRF数据准备】基于GEE下载静态地理数据(叶面积指数LAI及绿色植被率Fpar)及二进制转化

基于GEE下载静态地理数据(叶面积指数LAI及绿色植被率Fpar)及二进制转化

WW、forever的博客 166

Android Framework WMS全面概述和知识要点

WindowManagerService 类是整个 WMS 的核心大脑,处于系统服务层,负责协调和管理所有与窗口相关的操作。它在 Android 系统架构中起到承上启下的关键作用,向上对接应用层的窗口请求,向下与 SurfaceFlinger 等底层组件交互,确保窗口能够正确地在屏幕上显示和管理。

大模型大数据攻城狮的专栏 1795

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 337

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

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

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。

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

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! 504

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。

386

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 398

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5125

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 553

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 179
上一篇: 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
下一篇: AI Agent从无到有54:工具设计原则与多系统集成实践(搜索/知识库/钉钉API)
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