AI Agent从无到有60:基于LangGraph构建监管者多智能体系统

「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

纲要

  • 单智能体的局限与多智能体的兴起
  • 多智能体架构类型
    • 网状结构
    • 监管者模式
    • 智能体作为工具
    • 分级架构
    • 自定义工作流
  • 多智能体的优势与挑战
  • LangGraph:多智能体编排框架
  • 实战:用 LangGraph 构建监管者多智能体系统
    • 项目结构
    • 依赖安装
    • 状态定义
    • 工人节点实现
    • 监管者节点实现
    • 条件路由
    • 图构建与编译
    • 完整可运行代码
  • API 速览
  • Demo 示例
  • 参考文档
  • 总结

从单兵作战到群体智慧

在单智能体系统中,一个模型实例挂载多个工具,通过记忆机制和推理循环完成用户请求。这种“一个大脑加一组工具”的架构能够解决大量常规任务,但当任务复杂度上升到需要并行处理、多领域知识协作或结果相互校验时,单智能体的局限性便逐渐显现。

多智能体系统(Multi-Agent System, MAS)通过引入多个专业化的智能体,让它们各司其职、相互通信,从而实现更强的鲁棒性、可扩展性和输出质量。这一架构范式将AI应用从“单兵作战”升级为“特种小队”协同。

多智能体架构一览

多智能体系统的组织方式直接影响其能力边界与实现复杂度。常见的架构模式包括以下几种:

架构类型特点典型场景
网状结构智能体之间双向通信,所有节点平等决策分布式协商、去中心化协作
监管者模式一个管理者负责拆分任务、分派给工人,并汇总结果客服系统、复杂工作流
智能体作为工具将多个智能体封装为工具,由主模型调用过渡方案、简单扩展
分级架构多层管理,上级监管下级,模拟组织层级大型项目、多阶段任务
自定义工作流通过图结构自由组合节点与边,混合确定性与智能体逻辑需要灵活控制的复杂场景

以监管者模式(Supervisor Pattern)为例,其结构类似于一个团队:监管者接收用户需求,将任务拆分后分派给不同的工人智能体,工人完成任务后返回结果,监管者整合后输出最终答案。这种模式结构清晰,适合作为多智能体开发的入门实践。

路由决策

路由决策

搜索结果

初稿

用户输入

监管者智能体

工人A: 搜索专家

工人B: 写作专家

最终输出

LangGraph:多智能体编排框架

LangGraph 是 LangChain 生态中用于构建有状态、多步骤智能体工作流的底层编排框架。其核心设计理念是用图(Graph)来建模工作流:每个节点可以是一个智能体、一个工具或一段处理逻辑,边定义了数据流转方向,包括条件边(Conditional Edges)。通过组合节点和边,开发者可以快速构建上述任意一种多智能体架构。

LangGraph 的低层级原语(low-level primitives)提供了构建完全自定义智能体所需的灵活性,支持单智能体、多智能体、分级架构等多种控制流。LangGraph 自 0.2 版本起成为 LangChain 官方推荐的智能体构建方式,0.3 版本进一步将预置组件拆分到独立的 langgraph-prebuilt 包中。

实战:用 LangGraph 构建监管者多智能体系统

本节实现一个简单的监管者系统:监管者分析用户问题,决定调用“搜索工人”还是“写作工人”,最终整合输出。

项目结构

multi_agent_demo/
├── main.py
├── .env
└── requirements.txt

依赖安装

pip install langgraph langchain-openai langchain-core python-dotenv

状态定义

LangGraph 的核心概念之一是共享状态(Shared State)。所有节点通过读写同一个状态对象进行通信。状态中的每个字段可以标注 reducer 函数,用于合并来自多个节点的更新。

import os
from typing import TypedDict, Annotated, Sequence, Literal
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import BaseMessage, HumanMessage, AIMessage
from langgraph.graph import StateGraph, END, add_messages

load_dotenv()

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

class AgentState(TypedDict):
    messages: Annotated[Sequence[BaseMessage], add_messages]
    next_worker: Literal["search", "writer", "supervisor", "end"]

add_messages 是 langgraph 内置的 reducer,用于将新消息追加到消息列表中,而非覆盖。

工人节点实现

每个工人节点接收当前状态,执行特定任务后返回更新后的状态。

def search_worker(state: AgentState) -> dict:
    """搜索工人:模拟网络搜索,实际可接入 SerpAPI 等搜索工具"""
    query = state["messages"][-1].content
    result = f"搜索结果:关于「{query}」的最新信息显示,多智能体架构正成为AI应用的主流范式。"
    return {"messages": [AIMessage(content=result)], "next_worker": "supervisor"}

def writer_worker(state: AgentState) -> dict:
    """写作工人:根据已有素材生成最终回答"""
    context = state["messages"][-1].content
    response = llm.invoke(f"根据以下素材,写一段专业的技术总结:\n{context}")
    return {"messages": [response], "next_worker": "end"}

监管者节点实现

监管者分析当前用户消息,决定下一步调用哪个工人。

def supervisor(state: AgentState) -> dict:
    """监管者:分析用户意图,决定下一个调用的工人"""
    user_msg = state["messages"][-1].content
    if "搜索" in user_msg or "最新" in user_msg:
        next_worker = "search"
    else:
        next_worker = "writer"
    return {"next_worker": next_worker}

条件路由

条件边(Conditional Edge)根据状态中的 next_worker 字段动态决定路由目标。

def route(state: AgentState) -> Literal["search", "writer", "end"]:
    return state["next_worker"]

图构建与编译

workflow = StateGraph(AgentState)

workflow.add_node("supervisor", supervisor)
workflow.add_node("search", search_worker)
workflow.add_node("writer", writer_worker)

workflow.set_entry_point("supervisor")

workflow.add_conditional_edges(
    "supervisor",
    route,
    {
        "search": "search",
        "writer": "writer",
        "end": END,
    }
)

workflow.add_edge("search", "writer")
workflow.add_edge("writer", END)

app = workflow.compile()

StateGraph 是构建器类,必须调用 .compile() 后生成可执行的图实例,支持 invoke()、stream()、astream() 等方法。

完整可运行代码

import os
from typing import TypedDict, Annotated, Sequence, Literal
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import BaseMessage, HumanMessage, AIMessage
from langgraph.graph import StateGraph, END, add_messages

load_dotenv()

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

class AgentState(TypedDict):
    messages: Annotated[Sequence[BaseMessage], add_messages]
    next_worker: Literal["search", "writer", "supervisor", "end"]

def search_worker(state: AgentState) -> dict:
    query = state["messages"][-1].content
    result = f"搜索结果:关于「{query}」的最新信息显示,多智能体架构正成为AI应用的主流范式。"
    return {"messages": [AIMessage(content=result)], "next_worker": "supervisor"}

def writer_worker(state: AgentState) -> dict:
    context = state["messages"][-1].content
    response = llm.invoke(f"根据以下素材,写一段专业的技术总结:\n{context}")
    return {"messages": [response], "next_worker": "end"}

def supervisor(state: AgentState) -> dict:
    user_msg = state["messages"][-1].content
    if "搜索" in user_msg or "最新" in user_msg:
        next_worker = "search"
    else:
        next_worker = "writer"
    return {"next_worker": next_worker}

def route(state: AgentState) -> Literal["search", "writer", "end"]:
    return state["next_worker"]

workflow = StateGraph(AgentState)
workflow.add_node("supervisor", supervisor)
workflow.add_node("search", search_worker)
workflow.add_node("writer", writer_worker)
workflow.set_entry_point("supervisor")

workflow.add_conditional_edges(
    "supervisor",
    route,
    {
        "search": "search",
        "writer": "writer",
        "end": END,
    }
)
workflow.add_edge("search", "writer")
workflow.add_edge("writer", END)

app = workflow.compile()

if __name__ == "__main__":
    inputs = {"messages": [HumanMessage(content="搜索最新的多智能体发展趋势")]}
    for output in app.stream(inputs):
        for key, value in output.items():
            if "messages" in value and value["messages"]:
                last_msg = value["messages"][-1]
                print(f"节点 '{key}': {last_msg.content}")

    print("\n---\n")

    inputs2 = {"messages": [HumanMessage(content="写一段关于人工智能的介绍")]}
    for output in app.stream(inputs2):
        for key, value in output.items():
            if "messages" in value and value["messages"]:
                last_msg = value["messages"][-1]
                print(f"节点 '{key}': {last_msg.content}")

运行说明

  1. 在项目根目录创建 .env 文件,配置 OPENAI_API_KEY=your_api_key。
  2. 执行 python main.py。
  3. 观察控制台输出:监管者根据输入内容自动决定调用搜索工人还是直接进入写作工人,搜索结果会传递给写作工人,最终生成回答。

API 速览

StateGraph

所属库:langgraph.graph

描述:StateGraph 是 LangGraph 的主要图构建器类,用于构建有状态的、多参与者(multi-actor)应用。节点通过读写共享状态进行通信。

方法签名:

class StateGraph(StateSchemaType, input_schema=None, output_schema=None)

核心方法:

  • add_node(name: str, action: Callable):向图中添加节点
  • add_edge(start: str, end: str):添加普通边
  • add_conditional_edges(source: str, condition: Callable, path_map: dict):添加条件边
  • set_entry_point(node: str):设置入口节点
  • compile():编译图,返回可执行的 CompiledStateGraph 实例

add_messages

所属库:langgraph.graph

描述:内置的 reducer 函数,用于将新消息追加到消息列表中,而非覆盖。

用法:

from langgraph.graph import add_messages

class AgentState(TypedDict):
    messages: Annotated[Sequence[BaseMessage], add_messages]

create_react_agent(参考)

所属库:langgraph.prebuilt(0.3 版本后移至 langgraph-prebuilt 包)

描述:创建 ReAct 风格的工具调用智能体的工厂函数。

注意:该函数已被标记为弃用(deprecated),官方推荐使用 LangChain 的 create_agent 替代。

Demo 示例

运行说明

  1. 创建项目目录 multi_agent_demo/,将上述完整代码保存为 main.py。
  2. 创建 .env 文件,填入 OPENAI_API_KEY。
  3. 创建 requirements.txt:
    langgraph>=0.2.0
    langchain-openai>=0.2.0
    langchain-core>=0.2.0
    python-dotenv>=1.0.0
    
  4. 执行 pip install -r requirements.txt。
  5. 运行 python main.py。

代码说明

  • 状态管理:AgentState 定义了所有节点共享的数据结构,messages 使用 add_messages reducer 实现消息累积。
  • 监管者路由:supervisor 节点通过简单的关键词匹配决定路由目标,实际生产环境可替换为基于 LLM 的意图分类。
  • 条件边:add_conditional_edges 根据 next_worker 字段动态选择下一个节点。
  • 流式输出:使用 app.stream() 而非 invoke(),可实时观察每个节点的中间输出。

技术点总结

  • StateGraph 的声明式图构建 API
  • 共享状态与 reducer 机制
  • 条件边实现动态路由
  • 多智能体协作的监管者模式

参考文档

官方文档

参考链接

总结

多智能体架构为复杂 AI 应用提供了强大的组织能力,LangGraph 则是实现这些架构的核心编排框架。本文系统介绍了五种常见的多智能体架构模式,并通过一个监管者系统的完整代码示例,展示了如何使用 StateGraph 构建有状态的多智能体协作工作流。

核心技术要点包括:共享状态与 reducer 机制、条件边实现动态路由、以及节点化的智能体封装。掌握这些基础后,开发者可以轻松扩展到分级架构、评估-修正循环、群体协作(Swarm)等更高级的设计模式。

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。 阅读详情

相关推荐

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 1307

AI Agent从无到有67: 多智能体实战——构建基于LangGraph的数字人客服助手

本文介绍了一个支持数字人交互的多智能体客服系统——小浪助手多智能体版。该系统整合了单智能体与多智能体技术,采用监管者模式,将用户问题自动分派给搜索专家或AI程序员处理。系统架构包含前端(HTML+数字人)、通信层(WebSocket)和后端(FastAPI+LangGraph)。核心实现包括FastAPI WebSocket服务、LangGraph监管者Agent构建以及情绪检测与数字人动作映射功能。文章提供了完整可运行示例的项目结构、依赖安装和核心代码,展示了多智能体+WebSocket文本聊天的简化版本

Wang的专栏 771

RK3568点不亮EK79007 MIPI屏?别急着改时序,先检查这个初始化命令

本文深入解析RK3568开发板调试EK79007 MIPI屏幕时初始化命令的关键作用,揭示80%的时序问题实际源于命令配置不当。通过典型故障案例,详细拆解初始化命令的调试方法、寄存器映射及系统化排查流程,帮助工程师快速定位和解决屏幕点亮问题。

weixin_33657090的博客 350

人机协奏设计:从AI Agent落地失败到可信协同的工程实践

AI Agent不是替代人类的‘超级实习生’,而是需与人类专业判断、经验直觉和伦理权衡动态校准的协作者。其核心原理在于建立可审计的交互接口、分层可控的决策边界与实时反馈的进化机制。技术价值体现在降低人机错频风险、提升高后果场景下的系统可信度,并支撑GMP、ISO 13485、金融风控等强合规领域的落地。典型应用场景包括医疗客服中的危急值协奏响应、制造业供应链的弹性加急决策、保险理赔的非标件人机共判。本文聚焦‘人机协奏’这一关键范式,结合状态机架构、能力光谱图与接管驱动的数据飞轮,提供可复用的工程化落地路径。

weixin_30791095的博客 446

Linux 使用rm -rf /*命令后,恢复系统方法

Linux 使用rm -rf /*命令后,恢复系统方法 个人学习记录 这里实验环境采用的是radhel7.1的版本: 个人认为核心就是缺失什么组件,就从别的地方复制什么组件过来,先把系统拉起来,再慢慢恢复配置 进入救援模式 1、将/dev/sda两个分区分别挂载看看,里面的内容,有内容的就是根存在的分区 2、ifconfig eno16777777 192.168.8.2 3、从另外一台一样系统的根 。用 tar打包,一个个文件夹拷贝过来 4、到坏系统,scp另外一个系统的etc.tar.gz 5

weixin_43603476的博客 1万+

ros_control硬件接口实战:从零构建机器人控制框架

本文详细介绍了ros_control硬件接口在机器人控制框架中的核心作用与实践方法。通过解析硬件接口类型、实现标准接口、构建主控制循环及自定义功能扩展,帮助开发者从零构建高效的机器人控制系统,提升硬件与ROS的协同效率。

lstm7chronicler的博客 500

免费视频马赛克修复工具 Jasna 完整指南:4 步从安装到出片

逐帧抠马赛克是噩梦。**Jasna** 把它交给 GPU 自动完成,而且免费。它是一个图形界面加命令行的视频马赛克修复工具,找码、修复、编码全自动;RTX 5090 上修一段 1080p 视频只要 **34 秒**左右。 ## 你的显卡跑得动 Jasna 吗? 结论先行:**NVIDIA GTX 16 / RTX 20 系列或更新能跑,GTX 10 系列及更早不行**(1050/1060/10

gitblog_00112的博客 899

Tessent MBIST SDC

主要是两个PROC,tessent_constrain_${design_name}_mentor_ijtag_non_modal和tessent_constrain_${design_name}_mentor_memory_bist_modal。其中,Memory/MBIST controller/MEM Interface可以从func_clk_1来(用func_clk_1和func_clk_2的高频时钟),如图中红色线。其中,SIB和BAP用ijtag_tck的clock,如图绿色线。

po_poo的博客 1994

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 332

在 VS Code 里配置 SAP Joule for Developers 的 ABAP AI side-by-side 能力

摘要: 随着ABAP开发工具链的演进,VS Code逐渐融入ABAP开发流程,SAP Joule for Developers的ABAP AI能力通过side-by-side模式(基于BTP中央服务)为多系统开发提供统一AI支持。该模式避免了各ABAP后端独立升级AI能力的碎片化问题,由管理员配置BTP订阅URL后,开发者可在ADT或VS Code中全局调用。实际落地需注意角色分工(管理员配置服务,开发者填写URL)、AI units资源规划及配置细节(如区分全局与项目级设置)。建议将Joule URL纳入

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 121

数据分析案例-2024年裁员数据集可视化分析

本实验数据集来源于Kaggle,原始数据集为2020-2024年裁员数据,共有3577条,12个变量,该数据集提供了不同公司的裁员信息。它包括以下几栏:Company:裁员发生的公司名称。Location_HQ:公司总部位置。Industry:公司所属的行业或部门。Laid_Off_Count:公司解雇的员工数量。Percentage:公司员工被解雇的百分比。Date:裁员发生的日期。Source:信息来源网址。Funds_Raised:公司募集资金的信息。

m0_64336780的博客 1万+

【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 612

600份国家自然基金申报书--模板

600份国家自然基金申报书--模板

需要远程指导仿真实验、代码有问题的,请后台私信或者关注公众号 4201

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 264

【LangChain编程:从入门到实践】实现多模态代理

【LangChain编程:从入门到实践】实现多模态代理 关键词:LangChain, 多模态代理, 自然语言处理, 机器学习, 知识图谱, 对话系统, 代码生成, AI代理 1. 背景介绍 随着人工智

欢迎来到我的优快云空间!这里聚焦AI大模型应用实战,分享前沿技术、实战案例与开发经验。 581

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

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 201

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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 334

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!

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

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 341

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 83

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 156

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! 508

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 609

【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。

390

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 401

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 5134

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 554
上一篇: AI Agent从无到有59: 容器化部署——用 Docker Compose 打包多服务应用
下一篇: AI Agent从无到有61:LangGraph 核心组件与工作流控制完全指南
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