ZStack Zentrix 首发:企业 AI 从分散接入走向统一管理与治理

「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

过去企业接入 AI,事情相对简单。

业务系统调用一个模型,配置好接口和 API Key,能访问、能统计、出了问题能查日志,基本就能跑起来。

但随着 Agent、MCP 工具和 Skill 开始进入企业,AI 的调用链正在迅速变长。

一次用户请求,可能先进入 Agent,由 Agent 调用模型完成判断,再调用 MCP 工具读取数据、修改工单或执行某项操作;过程中还可能加载多个 Skill,并继续调用其他 Agent。

这时候,企业面对的已经不再是一个“模型接口”。

它正在变成一条真正参与业务运行的 AI 能力链。

而问题也随之发生变化。

模型是谁提供的、Agent 能调用哪些工具、谁有权限执行、敏感数据能不能发出去、一次异常调用为什么被拦截、最终消耗了多少 token、成本应该算到哪个项目——这些事情,如果仍然分散在不同客户端、Agent、工具和模型平台里分别管理,很快就会失去统一视角。

所以,当 AI 从单一模型调用走向 Agent 化执行之后,企业需要解决的已经不只是“怎么把模型接进来”,而是:

如何把进入企业的 AI 能力统一接入、统一控制,
并让每一次调用都能够被看见和追溯。

这也是我们要解决的问题。

ZStack Zentrix 是一款面向企业的 AI 网关,为模型、MCP 工具、Agent 和 Skill 提供统一接入与治理能力。

ZStack Zentrix 产品界面

它位于 AI 能力提供方与业务使用方之间,将原本分散的能力接入同一个受管入口,并统一承接发布、授权、路由、安全控制、运行审计与成本核算。Zentrix 不负责训练模型,也不替代业务系统的 Agent 编排;它解决的是 AI 能力如何进入企业、谁可以使用、调用时如何受控,以及使用后如何追溯。

企业要管理的,是四类不同的 AI 能力

第一类是模型。

当不同团队分别直连模型供应商、各自保存 API Key,企业很难统一管理凭据、配额和成本。尤其大模型按 Token 计量,一次调用是否成功,并不能说明它消耗了多少资源。

例如,在一次内部测试中,一个挂载完整工具集的 Agent,在用户尚未提出实际问题时,首轮请求就因携带工具定义消耗了约 14.1k Token。但在传统访问日志里,可能只剩下一条记录。请求成功了,Token 消耗和成本归属却没有被解释清楚。

第二类是 MCP 工具。

MCP 工具把 AI 与企业数据和业务系统连接起来,能够读取知识库,也可能写数据库、发送邮件或修改工单。

如果这些工具主要由工程师在本地客户端中分别配置,企业就很难统一掌握工具来源、凭据、调用范围和操作记录。相比模型输出错误,具备写入和执行能力的工具一旦失控,影响会直接进入真实业务系统。

第三类是 Agent。

Agent 开始通过 A2A 等方式协作后,企业不仅要管理单个 Agent,还要管理 Agent 之间的发现、身份、调用权限和责任链路。

当一个 Agent 调用另一个 Agent 时,对方的地址、能力、版本和权限都可能发生变化。如果仍靠团队手工维护这些关系,很难支撑持续运行和统一治理。

第四类是 Skill。

Skill 作为可复用能力被持续挂载到不同 Agent 上,也带来了版本、来源、依赖和安装范围问题。

同一个 Skill 可能存在多个副本和版本。一旦发现风险,企业需要知道它安装在哪里、能否统一停用,以及后续版本如何重新分发。

模型、MCP、Agent 和 Skill 承担的角色不同,带来的管理问题也不同,但进入企业之后,都绕不开同一组要求:

谁可以获得、谁可以调用、调用时如何控制、发生了什么,以及出了问题之后能不能追溯。

这也是 Zentrix 将四类能力纳入同一个分发与治理平面的原因:

不改变它们原有的使用方式,
而是在企业侧建立统一的可见、可分发、可控制和可审计机制。

一个管理入口,一套治理表达

真正的问题,并不是企业完全没有管理这些 AI 能力的工具,而是不同能力往往各有一套管理方式。

模型有自己的网关、API Key 和配额体系;MCP Server 由不同客户端分别配置;Agent 由各个业务团队维护身份和调用关系;Skill 又跟随具体的 Agent 或运行环境进行安装和升级。

能力越多,权限、凭据、限额、策略和审计也越容易被拆散在不同系统里。

如果每增加一种 AI 能力,企业就重新建设一套管理体系,那么 AI 能力越丰富,治理反而会越碎片化。

Zentrix 的核心判断是:

能力形态可以不同,治理语言应当统一。

在平台中,模型、MCP、Agent 和 Skill 都被抽象为可以分发、授权和审计的企业能力。策略既可以定位某一类能力,也可以进一步定位具体模型、MCP Server、单个工具、Agent、调用方、会话或部署环境。

这种“多轴”表达的价值,不只是让平台支持更多类型的对象,而是让不同 AI 能力复用同一套组织、身份、权限、策略和审计框架。企业新增能力时,可以减少重复建设新的治理系统。

需要说明的是,统一治理有一个前提:相关调用必须经过受管入口。如果客户端绕过网关直接连接上游,这次调用自然不会进入网关的策略、账本和审计。因此,落地时需要由网关集中持有上游凭据,业务侧只使用可撤销、可过期、可审计的网关访问凭据。

从获取到追溯,覆盖三个治理阶段

将不同 AI 能力放进同一个管理入口,只解决了“统一管理对象”的问题。真正进入运行之后,企业还需要把管理要求落实到一次能力使用的完整过程里。

一项 AI 能力从进入企业,到被某个用户或系统获得,再到实际调用,最后形成运行记录,大体经历三个阶段:

事前 解决“谁能获得、谁能使用”

事中 解决“这次调用能不能通过、应该如何执行”

事后 解决“发生了什么、为什么发生、成本归谁”

Zentrix 围绕这三个阶段,将权限、凭据、运行策略、安全、审计和成本管理串联在同一条治理链路中。

阶段

需要回答的问题

主要能力

事前

谁能获得哪些能力

多轴权限、发布与开放、审批、凭据生命周期

事中

这次调用能否通过、应该走向哪里

路由分发、限流与熔断、安全护栏、WASM 插件

事后

发生了什么、成本归谁、能否追溯

可观测、操作审计、运行记录、成本账本

三个阶段不是彼此割裂的功能集合,而是一条连续链路:能力先被登记和授权,每次调用再经过策略判断,最终沉淀为可查询、可核对的记录。

事前:把能力、人员和凭据管起来

多轴权限:让四类能力进入同一套组织关系

在 Zentrix 中,组织架构、工作空间和职能组可以作为权限主体,模型、MCP、Skill 和 Agent 统一作为企业能力进行分发。同一个职能组可以同时获得某个模型、某个 MCP 服务、某个 Skill 和某个 Agent,不再需要分别维护多份名单。

平台同时提供 SSO、账号和会话安全配置。企业可以将 IdP 中的组映射为职能组,让人员变动跟随已有组织体系同步,减少在 AI 平台中重复维护成员关系。

由此,“某个人可以使用哪些 AI 能力”可以在统一关系中查询;权限变化也能沿着同一套组织结构生效。

发布、开放与审批:进入目录不等于可以使用

能力被登记到平台,只代表它已经进入管理范围,并不意味着所有用户都可以直接调用。发布与开放用于区分能力的管理状态和可用范围:平台先确认能力是否可以进入企业目录,再决定向哪些组织、工作空间或职能组开放。

对于高风险能力,还可以加入人工审批。例如,用户上传的 Skill 可能包含不安全逻辑或不当依赖。平台对 Skill 进行统一安全扫描,并在管理员审核通过后上架,降低未经验证的能力直接进入生产环境的风险。

凭据集中托管:业务侧不再保存上游密钥

每个接入方在平台中作为独立消费者,拥有自己的凭据、配额和统计口径。凭据可以设置有效期,也可以重置或停用。当人员离职、项目结束或密钥疑似泄露时,管理员可以在平台侧统一处置,不必逐个检查业务系统配置。

模型供应商和外部系统的真实鉴权信息保留在网关侧,对用户侧 Agent 不可见;客户端拿到的是受控的访问凭据。这样既能减少上游密钥扩散,也为按用户、项目和系统计量提供基础。

事中:让每一次调用都经过明确判断

路由分发:业务条件和合规条件共同参与决策

ZStack Zentrix 产品界面

路由规则可以组合请求路径、模型、请求头、URL 参数、数据分级、个人信息类型、数据来源、调用方、流量标签、时段、灰度 Cookie、客户端 CIDR 等条件。

这意味着,路由不只根据“调用哪个模型”进行判断,也可以把业务和合规要求放进同一条决策链。例如:普通问答可以调用外部模型;如果请求被标记为机密、命中特定个人信息,或数据来自财务系统,则改走内部推理服务或直接拒绝。

将合规条件与路由动作统一配置,可以减少安全策略和流量策略分别维护造成的不一致。

ZStack Zentrix 产品界面

规则命中后,平台可以改走指定模型,也可以拒绝请求。分流支持加权请求哈希和加权轮询:前者让同一逻辑请求稳定命中同一目标,后者让连续请求在多个目标间平滑分布,可用于模型灰度、流量调权和不同业务线的服务分配。

例如,在新模型上线初期,企业可以先将少量流量导向新模型,其余请求继续留在原有服务;也可以按业务线、数据等级或调用方,将不同请求绑定到不同模型档位。路由在这里不只是负载均衡,也承担成本、质量和合规要求之间的协调。

规则还可以返回原因码,便于调用方理解结果并在日志中定位。对于改写失败等异常情况,可以采用拒绝请求的安全默认值。

限流、并发和熔断:避免一个异常调用影响整条链路

Agent 的调用方式与传统人工请求不同。一次任务可能连续调用多个模型和工具,也可能因为异常逻辑产生循环调用或突发并发。

因此,Zentrix 分别从调用方和上游服务两个方向进行隔离。

针对调用方,可以按消费者设置请求频率、并发数量和累计调用量,避免单个 Agent、项目或业务系统占用过多资源;针对上游模型和服务,则通过熔断机制识别持续异常,在依赖故障时让相关请求快速失败,避免问题继续向整条调用链扩散。

平台同时提供并发限制、限速、调用总量、非法尝试保护和豁免等控制方式,并支持根据运行资源设置软、硬上限。

这些机制解决的并不只是“限制调用次数”,而是让企业能够在多个 Agent、业务系统和模型共享同一套 AI 基础设施时,对资源和故障影响范围进行隔离。

ZStack Zentrix 产品界面

类型

解决的问题

熔断

上游连续失败时暂时断开

并发限制

控制同时进行的调用数量

限速

控制单位时间内的请求频率

调用总量限制

控制累计调用次数

非法尝试保护

对反复无效或异常请求进行暂停

豁免

为指定关键链路设置例外范围

安全护栏:覆盖输入、输出和多种规避方式

当 AI 只负责生成文字时,错误往往停留在输出层;当 Agent 可以访问知识库、读取业务数据甚至调用工具执行操作之后,输入和输出中的敏感信息与风险内容就会进一步影响真实业务系统。

Zentrix 因此在网关调用链中提供统一的安全护栏,对用户输入和模型输出分别进行检测和处置。

平台覆盖 PII、密钥凭据、内容风险、企业词库等常见风险类型。对于姓名、证件、银行卡、Access token、API Key 等敏感信息,可以根据不同规则进行审计、脱敏、阻断,或者结合数据敏感等级调整后续路由。

ZStack Zentrix 产品界面

针对不同企业和行业,安全规则也不需要完全从零建设。平台提供通用、证券、医疗和研发安全等策略模板,并允许企业继续维护自己的敏感词、项目名称、内部术语和特殊规则。

风险内容也不一定以标准文本形式出现。针对字符替换、隐藏内容、编码文本、图片和二维码等不同载体,平台会尽可能先还原为可识别内容,再进入后续检测,降低仅依赖关键词规则带来的绕过风险。

ZStack Zentrix 产品界面

安全判断并不会停留在一个简单的“允许/拒绝”结果。命中了什么规则、采取了什么动作、最终为什么放行或阻断,都会进入运行记录,为后续排查和策略优化留下依据。

对于必须按照统一口径回答的问题,平台还可以通过必答题库维护标准答案;对于不同类型的请求,则可以结合本地意图识别,将其分配到更合适的模型或服务。

通过这些能力,安全护栏不再是独立于 AI 调用之外的一套检查系统,而是直接进入一次调用的运行链路。

WASM 插件:为企业定制规则保留扩展空间

内置策略无法覆盖每家企业的全部要求。Zentrix 支持将企业自定义逻辑以 WASM 插件形式挂载到网关请求处理链中,用于扩展特定的鉴权、处理和策略逻辑。

为避免第三方插件影响网关稳定性,平台同时对插件的计算资源、执行时间和运行对象进行约束,使定制逻辑能够运行在受控环境中。

事后:把调用、变更和成本关联起来

可观测:从汇总指标下钻到单次调用

ZStack Zentrix 产品界面

每笔受管调用都可以记录调用方、时间、目标模型或工具、命中规则以及 token 消耗等信息,并从汇总视图下钻到调用明细。

对于流式对话,平台单独关注首次返回时间。它更接近用户感知到的等待时间,而总耗时更适合衡量完整请求的处理过程。网关自身耗时与上游服务耗时也分别呈现,便于在故障现场判断延迟发生在哪一层。

这两组指标解决的是不同问题:首次返回慢,用户会直接感到“没有响应”;总耗时长,则可能说明生成内容较多或下游工具链较长。与此同时,如果只看端到端耗时,也无法判断延迟来自上游模型还是网关本身。将这些指标拆开,排障时才不会把上游服务问题误判为网关性能问题,或者反过来。

两类审计:谁改了配置,以及调用为何得到这个结果

ZStack Zentrix 产品界面

配置审计记录谁创建、修改或删除了模型、MCP、Agent、凭据和策略;运行记录则解释一次调用经过了哪些判断、最终为何成功、失败、改写或阻断。

将配置变更和运行时调用分别记录并相互关联,可以帮助企业区分“策略被谁改过”和“请求为什么得到这个结果”,缩短排障和取证路径。

例如,一次请求突然被拒绝,运行记录可以指出它命中了哪条规则;配置审计则继续回答这条规则由谁在什么时间修改。两条线分开保存,又能通过策略和调用信息相互关联,才能从故障现象追溯到配置变化,而不是把所有事件堆进同一条日志流中再人工筛选。

成本账本:从总额拆到部门、项目和系统

平台可以按模型、模型分类、项目、消费者和接入系统统计用量,查看趋势、Top 排名,并下钻到单笔调用。财务或平台团队不再只看到一张供应商总账单,而可以继续追踪成本来自哪个部门、项目或业务系统。

告警根据预设阈值自动触发,并关联后续处置入口,帮助运营人员从发现异常继续进入处理流程。

从后台看见治理是否真正生效

ZStack Zentrix 产品界面

Zentrix 管理后台按照搭建、组织与权限、护栏、质量、运行与排障、用量与成本、告警与处置、审计与取证、系统设置等模块组织,分别承接事前、事中和事后的管理任务。

概览页展示调用量、成功率、延迟分布和待处理告警,帮助管理员掌握当前运行状态。鉴权与流量规则页还会分别呈现控制面的配置版本和数据面的节点加载状态。管理员提交规则后,不仅能确认配置已保存,还能进一步判断规则是否已下发到数据面并被节点加载。

一套治理平面,最终带来什么

当权限、运行控制、安全、审计和成本被放进同一条调用链之后,Zentrix 的价值并不只是减少几套后台配置。

更重要的是,企业开始可以围绕同一次 AI 能力调用,将“谁获得了能力、调用了什么、经过哪些判断、产生多少成本、最终发生了什么”关联起来。

在此基础上,一套统一治理平面会进一步带来几个实际变化。

第一,帮助 AI 项目具备进入生产的治理条件。

从试点走向生产,安全、合规、财务和运维都需要可以验证的依据:敏感数据如何处理、谁调用过什么、策略是否生效、成本如何归属。Zentrix 将这些信息沉淀为可查询、可导出的记录,为项目评审和持续运营提供证据。

第二,降低 AI 能力变化对业务接入的影响。

Zentrix 将业务侧与具体模型和服务之间的连接收敛到统一入口。在协议兼容范围内,可以通过配置完成供应商切换、流量调权和故障转移,减少业务系统直接适配多个上游的工作量。

第三,新增能力时复用既有治理框架。

今天企业主要接入模型和工具,未来 Agent 之间的协作会越来越多。如果每增加一种能力,就重新建设一套权限、限额、护栏和审计,治理系统将持续碎片化。四类能力共用一套治理表达,可以让企业在扩展能力边界时复用已有的组织、凭据、策略和账本。

第四,支持私有化和离线交付。

Zentrix 支持私有化离线部署,使数据、模型凭据、审计日志和 token 账本保留在客户环境内。对于金融、能源、政务等对数据边界和网络环境有明确要求的行业,这是一项基础交付条件。

从分散接入,走向统一接入与治理

随着模型、MCP、Agent 和 Skill 持续进入业务,企业需要的不只是更多 AI 能力,更需要一套能够持续承接这些能力的管理方式。

Zentrix 通过统一入口,将分散的能力、权限、策略、调用、审计和成本关联起来,让 AI 能力可以持续扩展,而治理不必随之碎片化。


让每一次 AI 能力调用,都变得可以交代。

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

Cesium体渲染实战:从医学CT到气象数据的3D可视化全攻略

本文详细介绍了如何利用Cesium体渲染技术实现医学CT和气象数据的3D可视化。从数据预处理到交互式渲染,涵盖了DICOM和NetCDF格式的处理技巧,以及性能优化的实战策略,帮助开发者高效处理复杂的三维数据集。

weixin_28717431的博客 421

AI越用越分散?ZStack Zentrix帮企业拿回三大控制权

一家企业接入第一个大模型时,一个地址、一把 API Key,通常就能完成调用。此时,企业关注的主要问题是模型能不能用、接口能不能接通。但当 AI 从局部试验进入生产环境,企业需要管理的很快变成四类 AI 能力:不同团队使用的模型、负责规划和执行的 Agent、连接企业系统的 MCP 工具,以及安装在 Agent 上的 Skill。原来简单的“应用调用模型”,也随之扩展为两条同时运行的链路:业务应用 → 大模型用户 → Agent(加载 Skill)→ MCP → Tool → 企业系统。

xinyuan82的博客 9

【迁移学习】域对抗迁移网络 DANN

Domain-Adversarial Training of Neural Networks

这个博客太懒了什么都没说 8418

企业AI如何避免失控?ZStack Zentrix打通接入、安全与成本治理

模型是谁提供的、Agent 能调用哪些工具、谁有权限执行、敏感数据能不能发出去、一次异常调用为什么被拦截、最终消耗了多少 token、成本应该算到哪个项目——这些事情,如果仍然分散在不同客户端、Agent、工具和模型平台里分别管理,很快就会失去统一视角。对于姓名、证件、银行卡、Access token、API Key 等敏感信息,可以根据不同规则进行审计、脱敏、阻断,或者结合数据敏感等级调整后续路由。平台可以按模型、模型分类、项目、消费者和接入系统统计用量,查看趋势、Top 排名,并下钻到单笔调用。

xinyuan82的博客

4、设备树的处理(1)

其实到第4节才写设备树的问题完全是因为忘记了,之前有一个版本是先关闭了设备树的,习惯性的认为设备树已经处理完了,失误了!!!前文说过,这个系统是依着荣品的开发板和核心板来的,使用的是5.1内核的SDK。它的SDK里是开发板全功能的,所以设备树也是的。

wsen2012的博客 417

Linux单独编译设备树,开发者分享 | Petalinux 工程中设备树的介绍

本文来自XILINX嵌入式产品应用工程师 Terry Ni设备树是 Petalinux kernel 的关键组件,接下来以 2020.1 版本为例,为大家介绍一下在Xilinx Petalinux 工程中的设备树是如何产生,配置以及修改的。Petalinux 工程中设备树的位置当我们创建了一个 petalinux 工程后(以zcu102为例),在编译的时候,会自动生成对应的设备树文件。这些设备树的...

weixin_28877107的博客 2619

Gartner报告聚焦Agent权限治理,ZStack Zentrix推动访问控制落到业务调用

Agent 正在更快地进入企业业务,身份与权限治理也必须跟上。2026 年 9 月 30 日,Gartner 发布《智能体安全:利用工作负载 IAM 架构保护 AI 智能体》(Agentic Security: Secure AI Agents With Workload IAM Architecture),指出企业内 Agent 的快速扩张,已让多数组织现有的身份与访问管理(IAM)能力难以应对。报告引用的调查显示,42% 的受访组织尚未建立正式的机器身份与访问管理策略。

xinyuan82的博客

【机械视觉】C#+VisionPro实战:位深图(CogImage8Grey)与Bitmap互转技巧及工业检测应用

本文详细介绍了在工业检测中如何使用C#和VisionPro实现位深图(CogImage8Grey)与Bitmap的高效互转技巧。通过实战代码示例和工业应用案例,帮助开发者解决图像处理中的常见问题,提升检测精度和系统性能,适用于半导体、汽车零部件等高精度检测场景。

weixin_29250573的博客 186

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 410

机器学习项目实战案例数据集

本专栏整理了《机器学习项目实战案例》,内包含了各种不同的机器学习项目,包含项目原理以及源码,每一个项目实例都附带有完整的代码+数据集。

优快云 精品推荐 3641

UNET改进77:全网首发-添加CFBlock |

本文介绍了在UNet模型中集成CFBlock注意力机制的实现方法。主要分为三个步骤:1) 创建CFBlock模块,包含卷积注意力机制和MLP;2) 在UNet连接处添加注意力模块;3) 在卷积层中嵌入注意力机制。具体实现包括:定义Conv、MLP和ConvolutionalAttention等基础模块,构建CFBlock核心结构;在UNet跳跃连接处插入注意力模块;将注意力机制整合到DoubleConv和Down模块中。该方法通过在不同位置引入注意力机制,可有效提升模型的特征提取能力。代码实现使用PyTor

AIcurator的博客 388

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 322

Open3D (C++) 计算点云坐标最值及其索引

使用C++版本的Open3D计算点云最值点及其对应的下标索引

点云侠的博客 731

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 254

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

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

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 277

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

【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 607

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

AI 应用开发工程师技术实践:大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战:模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移,封装对话、工具调用与RAG组件以解耦业务逻辑,结合前缀缓存、批处理与流式背压治理等性能优化手段,形成“接通→接稳→接快”的工程路径,最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 643

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 195

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 332

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 333

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 76

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! 495

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 593

【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。

381
上一篇: Windows云主机死机怎么查?先保现场,再定位五类根因
下一篇: AI 使用愈发分散与失控,企业如何重新拿回掌控权?
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