深入理解 DeepSeek 与企业实践(五):知识库、Manus、代码生成三大场景的原理、评测与部署

browser-use 深度技术解析,开启智能体网页浏览新时代 此次进行技术分享,主要是面向可能会在智能体产品或团队中应用 browser-use 的相关人员。我将重点聚焦于 browser-use 工具的技术原理解析,以及个人发掘的一些有趣技术点。 阅读详情

在我们前几篇文章中,我们深入探讨了 DeepSeek-R1 系列模型(蒸馏版7B、32B,以及671B 量化版和非量化版)的部署和推理原理。

然而,面对如此多样的模型选择,企业在实际应用中常常困惑:哪种模型适合特定场景?该使用推理模型还是通用模型?不同模型的投入成本与性能表现如何平衡?本文将针对这些问题,先对目前最常见也火爆的知识库、代码辅助和智能体(Manus)场景进行分析,最后结合当前硬件成本和实际企业应用场景,提供系统的分析和建议。

本文目录

一、场景 1:知识库

二、场景 2:代码辅助

三、场景 3:智能体(Manus)

四、企业 AI Infra 建设方案建议

五、总结与展望

场景 1:知识库

企业知识库应用是大模型落地最常见的场景,对于简单的、对幻觉容忍度较高的场景,例如旅游景点问答或内部辅助等场景,业界已经形成了非常标准的 RAG 三件套——embedding + LLM + rerank(文档切片、向量化、检索内容重排、大模型总结答案),在上述简单场景中已经可以运用到实践中。

图片

但在要求更高的企业场景中,知识库常常是“Demo 三天、优化半年”,这是因为在企业实际应用中,知识库的核心技术 RAG 往往会面临诸多挑战。根据业内实践,知识库部署主要存在以下难点:

  1. 多跳问题处理
    多跳问题常见于企业报告数据整理环节、大量同义近义用语乃至指代等场景,如"从多份报表中找出企业近三年的复合增长率并与竞对比较"。这类问题需要模型具备理解意图、拆分实体和进行多步推理的能力。

  2. 上下文内容丢失问题

    企业文档中的关键信息如时间、区域标记往往分散在文档不同位置,传统 chunking 方法容易造成信息丢失。例如,财报中年份信息可能只在文件名和大标题出现,导致分割后的文本片段失去时间背景。

  3. 结构化数据处理
    企业需要同时处理结构化数据(如数据库、Excel 表格)和非结构化数据。大模型原生处理的是非结构化数据,但企业场景中结构化数据同样重要。

  4. 计算与逻辑推理问题

    在一些场景里,需要对输入信息进行综合计算和推理,例如已知某些配件的价格,需要计算总体的成本等。

  5. 多模态内容解析
    企业文档中包含大量图表、思维导图等复杂视觉内容,需要布局识别和理解能力,而非简单的 OCR。

对此,业界也提出了诸如问题分类(Routing)、问题优化(Rewriting)、知识图谱(GraphRAG)、复杂文档提取等方法,但这些方法往往涉及不同模型的配合,那么如何选择模型、如何让模型快速配合、确保每个步骤的落地就变成了关键问题。

图片

(图片来自网络)

接下来,我们将这些业界方案分为“知识构建”、“知识检索”和“答案生成”三个阶段来看。

阶段 1:知识构建

图片

不难发现,知识构建阶段会涉及到多种大小各异的模型,例如 embedding、OCR 之类小模型可能最低仅需要几 GB 显存,而企业级的知识图谱提取、大语言模型则通常需要上百 GB,因此,在 AI Infra 层面一定要考虑到对显存的灵活切分,以适应各种模型的测试、推理需求。

如图,通过 ZStack AIOS 智塔所支持的显存切分,可以将 24GB 卡切分出 4GB,足以满足高性能向量模型的需要,并能够提供 360 以上 QPS。

图片

图片

阶段 2:知识检索

图片

结构化输出 是指大语言模型(LLM)生成的具有预定义格式的输出,如JSON、XML、表格或其他特定结构的数据,而不是自由形式的文本。这种输出方式使模型的回答具有一致的格式和明确的数据结构,便于后续程序处理和解析。

如下图所示,ZStack AIOS 智塔支持结构化输出(这里通过 Swagger UI 演示),这样开发者不需要处理小模型不遵循指令的情况,这样用小模型处理问题分类或问题优化会方便很多。

图片

阶段 3:答案生成

图片

答案生成阶段对大参数模型的依赖更重,需要更加庞大的 GPU 算力集群,也意味着更高昂的硬件成本,企业需要重视集群架构、网络传输及存储系统的规划和性能提升方案,力求将硬件性能发挥到极致。

如下面视频所示,ZStack AIOS 智塔支持 Nvidia、Huawei、Hygon 等 GPU/NPU 的大模型推理,充分发挥多芯片集群的性能,并且在横向扩展方面具备出色的灵活性,为企业优化算力资源、降低成本提供了有力支持。

ZStack AIOS智塔支持多芯片大模型推理

小结

知识库是企业应用中常见且需求旺盛的部分。然而,RAG 知识库 “Demo 易,上线难” 的问题,始终困扰着大模型应用开发者。这不仅依赖大模型能力提升、工程应用创新微调,更离不开底层平台的支撑优化,多方协作才能构建线上 AI 服务。

如今,知识库不再由单一的大语言模型包揽所有问题,而是在多种工具、模型配合实现,特别是大小模型配合、向量多模态语言模型、OCR 类传统模型和生成式模型配合,

在实践中不断运用各类工具,充分结合业务数据的多样性和特定场景达到比较好的效果,这都需要底层平台的强大支撑。

若想了解 ZStack 在 RAG 场景的经验,可参考此前文章《DeepSeek 企业应用落地:智能客服如何助力科技企业》

场景 2:代码辅助

得益于大量的开源高质量代码,目前 AI 在代码生成上是非常擅长的,我们将 AI 代码辅助分成几种场景,以方便我们在效果、成本之间进行权衡。

1. 开发者以对话形式向 AI 提问

2. 开发者完成代码后由 AI 进行代码评审

3. 开发者通过 IDE 集成 AI 来完成代码补全

4. 开发者提出思路或目标由 AI 完成代码或任务

1、对话场景

目前适合代码辅助的 AI 主要分为通用模型、推理模型和专用模型,其中推理模型意味着模型在生成最终答案之前会输出“思考过程”,专用模型意味着模型为代码场景专门调优。

图片

从上述表格可知,HumanEval 测试生成的代码较短,多数模型已经可以取得较高分数,所以在小规模函数生成以及特定代码的 UT 生成方面,大部分模型基本可以胜任。但想要更好效果,一方面需要较长上下文(开发者常对代码片段反复修改),另一方面则需要得分更高的模型。据我们经验,LiveCodeBench 分数达到 DeepSeek V3,对辅助编写代码就会有很大帮助。

如下图所示,ZStack 产品研发中心每日 Token 消耗量在 300 万至 500 万左右(周末用量会减少),主要使用 Qwen2.5 - 72B、DeepSeek 等模型 。

图片

2、代码评审场景

代码评审任务的实现门槛较低,但其上限颇高。最基础的代码评审,仅需将代码的 diff 补丁发送至模型即可,开发者依据常见代码风格或其他要求设计 prompt,待 AI 回复后,再将回复发送至 Gitlab、Gerrit 等内部评审系统。

然而,这种方式效果欠佳,主要存在以下问题:

  • AI 难以洞悉整个代码库的代码风格;

  • AI 无法掌握代码片段的依赖关系与上下文;

  • AI 无法结合传统 lint 工具进行细致检查。

因此,当下 AI 代码评审常采用一系列手段来增加模型输入,以提升评审效果:

  • 在虚拟机(适用于测试代码涉及复杂现有环境操作的情况)或容器(适用于仅进行静态 lint 检查等场景)中运行测试及代码扫描;

  • 支持用户对话,并将相关内容结合 Jira 等问题跟踪平台存入向量数据库,便于搜索;

  • 借助依赖分析工具为代码搜索更丰富的上下文。

图片

以上架构目前在 ZStack 产品研发中心也得到运用,平均每天 200 多个 contributions(包含代码总结、评论),Review 30 多个 PR,给出 50 多条可行的建议。

图片

下面是 AI 评审的一个具体例子,可以看到 AI 指出了原本在调用的 ZStack 内部库函数 subprocess.call 不够安全,建议改用内部的  check_call 库函数,并给出了示例。

图片

接下来这个例子中,AI 评审的效果更为显著,AI 指出了代码中使用的 SystemTag 可能有误用,这里无论 DataVolume、SystemTag 都是 ZStack 内部的代码概念。这一成果表明,AI 已深度理解 ZStack 的专有概念与架构思路,不仅能够精准发现问题,还能提供切实可行的指导建议 。

图片

3、代码补全场景

前面我们看到大部分模型在 HumanEval 上得分都是比较高的,这意味着简单“代码补全”场景使用以上模型基本都可以正常使用,使用小模型可能更有速度和性价比上的优势。但如果我们希望 AI 更加智能,当前的 AI IDE 或插件往往采用了 Plan+Act 的架构,可能需要推理模型和通用模型配合使用,例如 DeepSeek R1 + DeepSeek V3 或者 DeepSeek R1 Distilled Lllama 70B + Qwen2.5 72B。

4、AI 直接完成任务

以上场景都是以人为主,AI 辅助的形式,哪怕是代码补全不断 Tab 或者 Plan+Act 也往往需要人去验证、测试代码。我们最终期望的形式是人只要提要求,AI 就可以自动完成了,这个对系统的要求与代码评审类似,但是沙盒的重要性会更高,此外需要更多的存储来存放运行过程的记录,下面以 OpenHands 为例进行分析,涉及对象存储、向量模型、大语言模型、容器沙盒:

图片

当前,AI直接执行任务大多仍处于实验阶段,效果高度依赖大模型自身性能。在2024年的测试里,Claude 3.5 Sonnet 是表现最为出色的模型,DeepSeek v2.5 的得分仅为 Claude 3.5 Sonnet 的50% 。虽然尚未对DeepSeek V3展开测试,但鉴于 DeepSeek V3 在 SWE Verified 测试中的表现相较于 V2.5 提升了86%,大致可推断其性能能够达到 Claude 3.5 Sonnet 的水平。

不过,仍存在以下情况:

- OpenHands目前无法基于推理模型制定计划,后续仍有优化空间;

- DeepSeek系列模型暂不支持Vision功能,在支持任务的多样性方面相比 Sonnet存在一定差距。

图片

5、小结

企业应搭建基于本地化基础设施的AI辅助编码体系,结合自身代码库与工作流特性,灵活融合AI技术,进而提升开发效率与代码质量。具体体现在以下几方面:

  • 多样化应用场景:目前 AI 在代码辅助领域应用广泛,涵盖对话问答、代码评审、IDE 补全以及自动化任务执行等场景。在不同场景中,企业可按需选用通用模型、推理模型或专用模型,实现精准适配。

  • 合理权衡模型选择与性能:在短小函数生成和基本代码补全方面,多数模型已能获得较高分数。但面对复杂代码片段以及需反复修改的上下文场景,就需要得分更高且支持长上下文的模型,如 DeepSeek V3、Qwen2.5 系列等进行规划。企业应依据实际需求,综合考量成本效益,合理调整模型部署。

  • 代码评审和上线检验:尽管最简单的评审方式只需传递 diff 补丁,但为了更准确识别代码问题与安全风险,需要结合传统的 lint 工具、虚拟机/容器测试环境,以及依赖分析工具。通过将 AI 评审建议与内部版本控制、 issue 跟踪系统结合,能够更好地满足企业级质量控制要求。

  • 本地化部署的重要性:通过自建本地化基础设施,企业可以利用内部代码库和专有工作流来对 AI 模型进行调优,确保模型能更好地理解项目代码风格、依赖关系和特定业务逻辑,从而在安全性、准确性与效果上取得更高保障。与此同时,本地化部署也便于整合企业现有工具体系(如 Gitlab、Gerrit 等),推动 AI 辅助编码方案的落地。

总体而言,企业在构建 AI 辅助编码方案时,不仅要关注 AI 模型的原始生成能力,更要整合内部资源,构建一个包含代码生成、评审、补全及全自动任务执行的闭环体系,实现高效、可靠的编码辅助与质量管控。 

场景 3:智能体(Manus)

自上周 Manus 发布以来,智能体直接执行通用任务进入了大众视野,社区中也涌现出 Open Manus、Owl 等各类开源复现成果。这实际上是随着平台支撑能力的发展,上层应用综合运用多种工具所呈现出的成效。

其实在上个月 OpenAI Deep Research 凭借模型+自主搜索+自主阅读已经让很多人感到 AI 的便利,随着 Manus 发布,让更多人看到了 AI 直接完成报告、计划、游戏、网页、声音的可能性。

智能体的概念并不稀奇,但 Manus 相比最早的 Agent 在多个方面实现了革新:

  • 充分运用 Browser Use,即通过 AI 使用浏览器阅读网页

  • 充分运用 Computer Use,即通过 AI 操作电脑,编写文件、运行代码等

  • 通过沙盒运行代码,模仿熟悉计算机和编程的人类来完成任务

接下来,我们将逐一对这几项技术进行介绍。

1、Browser Use

浏览器自动化是个非常“古老”的课题。在 UI 测试中,对浏览器进行各类自动化操作的需求极为迫切。因此,从 Selenium 到 playwright,无论是采用 headless 设计,还是结合截图的设计方式,UI 自动化领域几乎探索了所有可能的途径。自 Vision 模型发布后,尤其是 GPT - 4o、Claude 3.5 展现出对网页极为出色的理解能力以来,人们开始尝试运用模型以端到端的方式去理解和操作浏览器,并且取得了良好的效果。

例如,我们使用开源模型 Qwen2.5 - VL - 72b,成功实现了从 ZStack 官网进入了“帮助与支持”菜单,进而跳转至最新版本特性页面的操作过程。不过该过程存在较高的延迟,Manus 团队或许已针对此情况进行了一定程度的优化。

图片

通过测试集测试也可以看到目前 Qwen2.5-VL-72B 已经在多个测试上超过 Claude 3.5,甚至 7B 模型目前的性能也不错且可以大幅提升运行速度。

图片

2、Computer Use

除了操作浏览器之外,有些情况可能需要 AI 编写代码、调用程序甚至运行一些测试等,测试需要运用到 Computer Use,例如在下面的演示中我们让 AI 自动打开了浏览器,浏览了一些网页最后生成了 Markdown 格式的文件(视频已经过加速)。

图片

Computer Use 对模型的能力要求和 Browser Use 基本是类似的,区别在于目前 Computer Use 往往需要大量编写代码,通过文件来一步步完成工作,对代码的要求比较高,因此推荐使用代码能力强、支持 Tool Use 的模型。

3、沙盒技术

通过上面的分析可以看到,Browser Use 、特别是 Computer Use 在实际运行过程中是存在一定安全风险的,因此需要考虑通过沙盒来确保安全性,因此我们在看 Manus 工作的时候可以看到右侧始终有一个 Manus 的电脑,从最终效果来猜测应该是一个虚拟机或轻量虚拟机而非容器。在我们测试 OpenManus 和 Owl 等 Agent 平台时,均采用了在 ZStack AIOS 平台智塔上启动 Ubuntu 的云主机来测试。

图片

4、小结

Deep Research 基于深度网页搜索构建报告,为我们的调研与学习带来了极大便利。Manus 在此基础上更进一步,尽管不少网文认为其技术壁垒不高,主要依靠工程实现,但我们认为 Manus 这类应用的发展,为企业运用 AI 开辟了广阔的想象空间:

  1. 模型能力提升驱动优化:随着模型不断进步,其对 Computer Use 的理解将愈发迅速且深入,制定计划的能力也会相应增强。当下,Manus 存在多 Agent 配合时错误可能逐步放大的隐患,但随着模型能力提升,这一问题有望得到缓解。

  2. 解决企业老旧应用自动化难题:企业内部存在大量无法 API 化的老旧应用,或缺乏 API 支持的业务。借助Browser Use、Computer Use 实现自动化不失为一种可行方案。相较于 RPA,编写 Prompt 更为灵活、便捷。

  3. 推动生成式 AI 融入企业业务:目前生成式AI主要以文字形式输出,然而文字难以直接对接业务。唯有通过工具调用、函数调用、网页调用等方式,才能加速生成式AI融入企业业务流程。

企业 AI Infra 建设方案建议

通过上面的介绍可以看到企业完整落地各类 AI 应用需要:

  • 不同的模型,例如小尺寸的 embedding、rerank、语音,中等尺寸的图形理解、文生视频,大尺寸的推理模型和通用模型等;

  • 不同的算力形式,例如沙盒需要启动云主机,模型启动可能通过容器;

  • 充分测试工具,快速检验模型服务可支撑的线上并发、比较模型之间的能力差距等;

  • 良好的运维辅助,监控和分析模型负载状态、GPU 的工作状态,提供掉卡报警等。

图片

因此如果要构建一个整体化的 AI 平台,可以通过几种方式,我们把各自优缺点和适合场景整理到了下面的表格中:

图片

得益于 ZStack AIOS 智塔的灵活架构,我们给客户提供了多样性的解决方案,不同的客户可以根据自身的机房条件、业务需求和未来规划进行选择,而且得益于同一品牌的软件,现有集群可以通过升级版本纳管 GPU,一体机既可以加入现有平台也可以独立使用,如果处于业务安全诉求不能升级也可以通过云管来统一管理、统一监控、统一运维,给予用户充分的自由度。

总结与展望

在刚过去的2024 年,AI 落地的关键场景聚焦于文生图、知识库与代码辅助领域。在设计、影视、广告及游戏行业,文生图技术已广泛落地应用。随着知识提取技术的精进以及大量开源知识库软件的兴起,知识库也为更多人所熟知。而代码辅助更是成为多数开发者工作中不可或缺的部分。

然而,生成式 AI 融入业务的路径与上一代决策式 AI 有所不同。决策式 AI 往往直接切入业务,如提升风控准确率、优化商品推荐等。新一代 AI 则率先从赋能个体的生产效率起步,首先提升了设计师、软件工程师以及客服技术支持人员的工作效率。基于此,企业有必要搭建起支撑底层创新的平台。这一平台应确保无论有无代码基础的业务人员,都能在无需担忧 “Token” 费用及 “信息安全” 问题前提下,借助流畅且高性能的模型 API,充分释放自身创造力,快速尝试各类新兴的 AI 应用 。

图片

   因此 ZStack AIOS 智塔实现了上述的三层架构:

  • 智算底座:确保运维人员能够安全、便捷的运维智算集群,通过多芯片兼容保障供应链安全;

  • 模型层:允许用户及时使用到新发布的模型、简化模型的运维,如果企业自身具有 AI 的团队,AI 团队也可以将自身优化过的模型或测试的模型直接发布到云上,供业务部门测试和对比;

  •  运营层与应用层:不仅提供了服务评测对比不同模型的效果和性能,还内置了一些常用的 AI 应用方便企业快速部署搭建常见应用,加速创新,如果有门户运营的需求,也可以实现多租户管理、计费账单等功能。

    基于上述三层架构,充分融合云平台本身具备的云主机、VPC 网络、多租户等功能,ZStack AIOS 智塔为多个企业打造了智算创新的底座,为企业发挥 AI、落地 AI 奠定了坚实的基础。

用ESP32和HomeSpan自制HomeKit智能灯,手把手教你从零接入苹果家庭App 本文详细介绍了如何使用ESP32开发板和HomeSpan开源库自制原生HomeKit智能灯,从硬件搭建到软件配置,再到通过苹果家庭App控制的全过程。项目绕过了苹果MFi认证,成本低廉但功能完整,支持Siri语音控制、自动化场景等高级功能,是智能家居DIY的实用指南。 阅读详情

相关推荐

汽车OBD接口实战:如何用STM32读取CAN总线数据(附完整代码)

本文详细介绍了如何利用STM32微控制器通过汽车OBD接口读取CAN总线数据的完整实战方案。内容涵盖硬件连接(如OBD引脚定义与TJA1050收发器接线)、STM32的CAN外设初始化与滤波器配置,并深入解析OBD-II诊断协议,演示了如何请求和解析发动机转速、车速等关键数据。文末提供了构建稳定数据读取系统的代码框架与错误处理建议,为嵌入式开发者和汽车电子爱好者提供了从零到一的实践指南。

9q8w7e6r5的博客 304

手搓Manus+DeepSeek,企业私有化 AI 场景实战全攻略

哪种模型适合特定场景?该使用推理模型还是通用模型?不同模型的投入成本与性能表现如何平衡?

ZStack_io的博客 1672

时序分析-由D触发器结构来理解Tsu、Th

FPGA逻辑单元内的D触发器(D-FF)是一种在时钟的上升沿(或下降沿)将输入信号的变化传送至输出的边沿触发器。 数字电子技术基础-闫石(第五版)边沿D触发器内部结构见下图: 而FPGA原理与结构(日)一书中,内部结构较之上图多了俩反相器: 由传输门和俩个反相器组成一个循环电路(锁存器),再由前后两级锁存器按主从结构链接而成。这里的传输门起开关作用,随着CLK的状态变化切换开关。只看输出的话,前级锁存器的值会随着时钟输入的变化井然有序地传入后级锁存器。为了防止时钟信号变化时输入信号发生冒险,从而使稳定.

XY_Chang的博客 3976

一码难求的Manus,聊聊它背后的趋势

因为Manus今天的爆火,我发现已经有一大批疑似AI写的文章开始满天飞,内容越来越离谱。比如,最开始只是说Manus推出了首个通用Agent助手,接着就演变成了“中国推出首个AI智能体,秒杀OpenAI,全球都跪了”这种标题党式的夸张说法。与此同时,也有不少同学问我什么是智能体。从广义上来说,

EnjoyEDU的博客 1676

Ubuntu桌面消失?可能是lightdm配置在捣鬼:详细解析/etc/lightdm.conf的优先级机制与实战修复

本文详细解析了Ubuntu系统因lightdm显示管理器配置错误导致桌面消失的问题。通过分析/etc/lightdm.conf的优先级加载机制,提供了从systemctl诊断、调试模式运行到实战修复配置语法错误(如缺失[Seat:*]组)的完整方案。文章还探讨了在系统无法启动时使用chroot或恢复模式进行高级救援,并对比了lightdm与gdm3在NVIDIA驱动环境下的不同表现,帮助用户高效恢复图形界面。

weixin_29313547的博客 420

STM32CubeMx + FatFs 实战:SD卡DMA传输中断回调问题深度解析

本文深度解析了在STM32CubeMx环境下,结合FatFs文件系统并使用DMA进行SD卡读写时,程序可能出现的“卡死”问题。核心原因在于HAL库的弱函数回调机制未被正确处理,导致DMA传输完成中断后,状态机锁死。文章提供了两种实战修复方案:直接修改HAL库文件或在用户代码中重写回调函数,并给出了关键的配置检查点与调试技巧,帮助开发者彻底解决SD卡DMA传输中断回调失效的难题。

weixin_29176179的博客 333

deepseek+OpenManus打造自己的manus

在E:\OpenManus-main\config目录中复制config.example.toml文件改名为config.toml,修改里边大模型接口参数。安装open_manus需要的python依赖并激活open_manus。git很多人不会用,这里直接下载openmanus的zip包到本地E盘。

qq_29644709的博客 1305

CAPL概述与环境搭建

CANoe和CANalyzer是Vector公司开发的两款用于汽车电子系统开发和测试的工具。CANoe主要用于网络开发、仿真和测试,而CANalyzer则主要用于网络分析和诊断。两者都支持CAPL脚本语言,可以用于编写复杂的测试脚本和仿真模型。CAPL Browser是CANoe/CANalyzer中用于编写、编辑和调试CAPL脚本的工具。它提供了一个集成的开发环境,支持语法高亮、代码自动补全、调试等功能。菜单栏:包含文件操作、编辑、编译、调试等功能。工具栏。

闲人编程的博客 1666

OpenManus+DeepSeek联合,打造一款超级强大的Agent工具

2025年标志着AI Agent时代的开启,这一观点在北京时间3月6日凌晨得到了验证,科技圈再次迎来了一个不眠之夜,继DeepSeek引起轰动之后,一款名为“Manus”的AI Agent工具,又一次见证了历史。他们彻夜未眠,只为抢到Monica.im公司发布的全球首款AI Agent产品「Manus」的使用邀请码。据介绍,「Manus」是Monica.im团队开发的一款真正自主的AI代理,它能够处理各种复杂且多变的任务。与传统的AI助手不同,Manus不仅能提供意见或答案,还能够直接完成任务并交付成果。

qq_38773993的博客 7498

RestFul API 详解

RESTful API 经常也被叫做 REST API,它是基于 REST 构建的 API。RESTful API 可以让你看到 URL+Http Method 就知道这个 URL 是干什么的,让你看到了 HTTP 状态码(status code)就知道请求结果如何。

wynn的博客 7585

基于sklearn实现LDA主题模型(附实战案例)

目录LDA主题模型1.LDA主题模型原理2.LDA主题模型推演过程3.sklearn实现LDA主题模型(实战)3.1数据集介绍3.2导入数据3.3分词处理 3.4文本向量化3.5构建LDA模型3.6LDA模型可视化 3.7困惑度 其实说到LDA能想到的有两个含义,一种是线性判别分析(Linear Discriminant Analysis),一种说的是概率主题模型:隐含狄利克雷分布(Latent Dirichlet Allocation,简称LDA)。 现在讨论的是主题模型

m0_64336780的博客 2万+

国产大模型Manus来袭,饭碗真的要 “保不住” 了?

最近,Deepseek 掀起的热潮还没退去,没想到又杀出个 “程咬金”—— 国产大模型 Manus,它的出现,仿佛一颗重磅炸弹,直接把不少人的 “饭碗” 给震得摇摇欲坠。毫不夸张地说,Manus 已经初步展现出了接近通用人工智能(AGI)的实力。以往那些大模型想要替代人工干活,还得依靠精心编写的提示词,开发专门的接口,搭建复杂的 AI 工作流,操作起来既麻烦又不够智能。但 Manus 完全不一样,它就像是人类老板的专属 “天选打工人”,老板只需简单交代一句,它就能立马行动起来。

python123456_的博客 1435

把 ABAP Unit 测试放进本地类:让重构更安全、让测试更好找的组织方式

ABAP测试代码组织策略:单元测试与集成测试的合理存放位置 本文针对ABAP开发中测试代码组织混乱的问题,提出了一套系统化的解决方案: 单元测试应存放在被测类的本地测试include中(...CCAU或...T99),确保测试与代码同步演进且易于发现 跨对象测试(组件/集成/系统测试)应创建单独的全局测试类,并通过FOR TESTING和ABSTRACT进行防护 使用! @testing注释建立测试关系,使测试与被测对象明确关联,提高可发现性 针对不同技术栈(RAP/CAP/OData)提供了具体落地建议,

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1732

LangManus与Bisheng:AI自动化新利器完整实战指南

LangManus与Bisheng:AI自动化新利器完整实战指南——深度解析与实战指南。

热爱技术与前沿创新,深耕科技领域,在科创中精进自我;探索技术乐趣,分享技术干货与成长心得,以技术为伴,热爱生活,在科创与生活中双向成长。 531

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

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。

Browser-Use 的实现原理

是一个让的闭环系统。GitHub+1。

weixin_47420447的博客 1578

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

轻松玩转AI绘图,可私有化部署的Stable Diffusion

AIGC技术的未来发展前景广阔,随着人工智能技术的不断发展,AIGC技术也将不断提高。未来,AIGC技术将在游戏和计算领域得到更广泛的应用,使游戏和计算系统具有更高效、更智能、更灵活的特性。同时,AIGC技术也将与人工智能技术紧密结合,在更多的领域得到广泛应用,对程序员来说影响至关重要。未来,AIGC技术将继续得到提高,同时也将与人工智能技术紧密结合,在更多的领域得到广泛应用。感兴趣的小伙伴,赠送全套AIGC学习资料和安装工具,包含AI绘画、AI人工智能等前沿科技教程,模型插件,具体看下方。

A2421417624的博客 1390

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》。

supOS蓝卓工业互联网与iNeuOS工业互联网操作系统对比

​最近有一个企业正在调研工业互联网平台,其中调研的是supOS蓝卓工业互联网和iNeuOS工业互联网操作系统。让我们给出一个对比情况表,我们自己总结了一份,由于不太了解supOS,于是也问了deepseek。

iNeuOS工业互联网操作系统 1275

走进Browser Use:领略AI赋能UI自动化测试的魔法魅力

随着AI的飞速发展,各种创新的AI自动化测试工具如雨后春笋般涌现,为软件测试领域带来了全新的活力和可能性。往期文章中,糖糖给大家推荐了Shortest这款工具,它以其高效和易用性受到了广泛好评。

伤心的辣条 1921

Manus:颠覆人机协作的通用型AI智能体——​手把手教你使用Manus

Manus的发布标志着AI从“工具”向“协作者”的跃迁。尽管其技术细节(如与OpenAI的对比)仍需验证,但其“知行合一”的核心理念已为AI Agent的发展指明方向。随着团队持续迭代,Manus有望成为企业自动化、学术研究加速的核心引擎。

m0_65481401的博客 8879

AI大模型私有化部署:企业的明智之选

近期,一个热议的话题悄然兴起:为何部分企业倾向于将AI大模型私有化部署,而非直接采纳现成的云端解决方案?对此,我的回答是:两者各有其独到之处,选择背后往往蕴含着深思熟虑。在诸如金融、法律等高度敏感的行业中,数据的保密性与隐私保护被视为生命线。一旦客户数据或内部信息泄露,不仅可能引发社会恐慌和个人隐私危机,更可能导致企业信誉崩塌,客户大量流失。因此,这些行业在采用AI大模型时,更倾向于私有化部署,以确保从数据收集、存储、处理到应用的每一个环节都能严格把控,从而构建起坚不可摧的安全防线,增强客户信任。

lvaolan的博客 1219

浏览器自动化库Browser-Use:让大型语言模型与网站互动的新工具

Browser-Use是一个开源的网页自动化库,它通过提供一个简单的接口,让LLM能够与网站进行互动。这个库支持多标签管理、XPath提取和视觉模型处理,使得自动化网页操作变得更加简单和高效。

u013818406的博客 1万+

Browser Use 原理解析 - 为什么一个小项目能融1700万美元

数据采集,让 Browser Use 的作者能更好知道项目被使用的情况,会收集一些使用数据上报到 posthog,Agent的执行过程都会上报,对数据敏感的可以关了。Browser Use 成为近期的明星项目,两个人的纯技术开源项目,核心代码 8000 行,融资 1700 万美元,让人好奇它具体做了什么,为什么这么值钱。例如要执行搜索,模型很容易判断搜索框是索引为[8]的元素,Agent只需要把元素[8]对应的 XPath 拿出来,获取到页面上对应的元素,执行操作就可以。也是开源+服务的模式。

Python猫 407

browser-use 的简单使用

BrowserUse是一个基于Python开发的开源库,它将先进的AI技术与浏览器自动化功能深度融合。通过集成Playwright等浏览器自动化工具,BrowserUse允许开发者使用任何支持LangChain的大型语言模型(如GPT-4、Claude、DeepSeek等)来自动化浏览网页、提取信息、模拟用户操作等。3、‘sk-xxxxxxxxx’替换为自己的DeepSeek的api-key即可运行。2、原文件要获取openai-key,下面的代码是以DeepSeek为例的修改版。

m0_67547784的博客 2万+

为什么Mendix重视私有化部署

私有化部署的诉求 现在很多企业在考察基础设施的时候,都会考虑许多因素。诚然云计算在目前和未来,因为它的灵活性、从节省时间到金钱、从提高敏捷性到更好的伸缩性,因此越来越受欢迎。但另一方面,如果上升到企业的IT治理这个高度,则需要考虑更多的因素。IT治理对任何希望上规模的复杂组织体的重要性在于,它早已超出传统IT管理部门的界限,上升到公司战略层面。有效的治理,能够推动IT战略与公司战略的一致性,提高IT的投资回报率,降低IT的风险,可视为与“公司治理”并列的“IT治理”阶段。其主要涉及因素包括: ...

西门子Intelligence Center X的博客 1570

Manus:代码生成与执行的艺术

希望这篇博客能够为你提供有价值的参考!它能够根据用户需求,自动生成高质量的代码,并直接执行任务,极大地提升了开发效率。:Manus不仅生成代码,还会对代码进行优化,并验证其正确性,确保代码的可靠性和高效性。:Manus生成的代码可能需要根据实际执行结果进行动态调整,以进一步优化任务执行。:Manus能够将复杂任务分解为多个子任务,并为每个子任务生成相应的代码。:根据任务的执行结果,Manus能够动态调整代码逻辑,进一步优化任务执行。:对于极其复杂的任务,可能需要分步骤生成代码,并逐步验证中间结果。

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 623

私有化AI部署秘诀:如何挑选适合的大模型GPU

随着人工智能技术的迅猛发展,选择合适的硬件对于大模型的训练和推理变得至关重要。本文将深入探讨大模型所需的硬件,特别是GPU(图形处理单元)和CPU(中央处理单元)的选择。通过对GPU和显卡、GPU Core与AMD CU、CUDA Core与Tensor Core的详细解读,帮助你更好地理解和选择适合自己需求的硬件。CPU是计算机的“大脑”,负责处理计算机中的所有指令和数据。我们可以把CPU看作一家餐厅的主厨,负责制定菜单、分配任务、并确保所有菜品按时完成。

m0_59164520的博客 1948
上一篇: 从公有云迁移到ZStack私有云:阿维塔汽车如何实现IT架构优化
下一篇: 云轴科技ZStack+华鲲振宇,一站式应对企业私有化DeepSeek应用难题
ZStack开发者社区
博客等级 码龄2年 682粉丝 257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
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