act_as_list和act_as_tree

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 519平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄23年

关注

原创最新推荐文章于 2026-08-19 14:31:04 发布 519 阅读 AI 写同款· GEO 优化 ›

零基础手写ReAct Agent：从LLMClient到Mini Claude Code组装实战 ReAct（Reasoning + Acting）是一种将大语言模型推理与工具调用深度结合的智能体范式，其核心在于显式建模‘思考→行动→观察’闭环。理解ReAct不仅需要掌握prompt工程原理，更需厘清LLMClient协议抽象、agent状态机设计、安全工具执行等关键技术价值。它广泛应用于代码助手、自动化运维、低代码集成等场景，是当前AI工程落地的关键路径。本文聚焦零基础可复现的轻量级实现，通过手写agent.py和LLMClient解耦设计，深入剖析ReAct Prompt黄金三段式、token精算策阅读详情

收录于

当前文章被以下社区和专栏收录：

别再只盯着业务代码了！Flowable报‘No outgoing sequence flow’时，你的BPMN文件自查清单（附XML对比技巧）本文深入解析Flowable流程引擎中常见的'No outgoing sequence flow'错误，提供详尽的BPMN文件自查清单和XML对比技巧。从序列流连接性、排他网关路径覆盖到任务节点出口配置，系统化排查流程定义问题，帮助开发者快速定位并解决这一常见错误，提升流程引擎的稳定性和效率。阅读详情

相关推荐

智能体运行框架（Agent Harness）核心原理与实战指南：从概念到生产部署

在人工智能工程化实践中，智能体（Agent）作为能够感知环境、规划决策并执行动作的自主系统，其核心价值在于将大语言模型（LLM）的推理能力与外部工具（Tools）相结合，以完成复杂任务。其工作原理通常遵循感知-规划-执行循环，例如经典的Re-Act（Reasoning-Acting）模式，通过迭代的“思考-行动-观察”步骤驱动任务进展。从技术价值看，一个健壮的智能体运行框架（Agent Harness）能显著提升系统的可靠性、可维护性与可扩展性，它通过统一的任务编排、工具管理、状态维护和错误处理机制，解决了

weixin_30819085的博客 390

act as tree插件

act as tree插件用户名: 密码: 登录注册rails漫步追求,生活中不一而足的美丽,还有快乐; ...主页博客相册|个人档案 |好友查看文章acts_as_tree 插件应用2009-08-06 ...

149

agx orin适配xcDeserializer3.0+gmsl双sensor

这里固定双sensor使用portA口，vc0->/dev/video1 vc1->/dev/video0 //tegra234-p3737-camera-zuojisi-overlay.dts //z_ar0820_5300_9295.c //z_ar0820_5300_9295_mode_tbls.h //max9295A的寄存器初始化debug //pipeu 2、验证vc1单独出图 3、验证vc0+vc1出图 i2ctransfer -y 2 w3@0x40 0x00 0x02 0x03 i2ct

mantouyouyou的博客 174

rails笔记 activerecord 2

扩展的activerecord act_as_list act_as_list : one-to-many对象关系是通过list(默认是set)来完成, 既然有list, 就有了排序,首先对应表中必须有position(自动默认)字段,用来标示排序,如果不默认就得显示通过:order指定class Parent < ActiveRecord::Base has_many :ch...

weixin_30596735的博客 214

从Halcon到数学原理：3D点云平面拟合与距离计算的5个关键陷阱

本文深入剖析了3D点云平面拟合与点到平面距离计算中的五个关键陷阱，包括无限与有限平面的距离歧义、法向量方向随机性、拟合算法选择、点云密度不均以及实际部署中的性能衰减。文章穿透Halcon等工具的操作层面，回归数学原理与工程实践，为工业视觉和三维测量领域的高精度应用提供关键指导。

fire9的博客 449

Modem2G/3G/4G/5G：RFFE Driver(射频前端驱动)：高通平台GRFC配置方法

文 | GentlemanTsao 文章目录前言1.什么是GRFC2.GRFC的配置流程概览3.msm_sig_info的配置与分析msm_sig_info Table位置：msm_sig_info Table示例：Table元素解读：rfc_msm_sig_info_type结构体signal typemsm_gpio |grfc_num：GPIO到GRFC的映射output_typefunction_select4._sig_cfg的配置与分析_sig_cfg table位置：_sig_cfg tabl

GentelmanTsao的博客 7315

acts as list/acts as tree

[color=red]Acts As List[/color] 在子表中使用acts_as_list，便能从父表的“视图”中得到像子表的行为。父表将能够遍历子表，在列表内移动子表，或从列表内移除子表。通过给每个子表一个位置数来实现列表。这意味着子表必须有个列来记录此位置。如果我们称它为列position，Rails 会自动使用它。如果不这么称呼它，我们需要告诉Rails 它的...

ruby-j 304

ADS 使用教程（一）Workspace, Library and Cell

简要介绍ADS的基本内容

Dirge19的博客 6613

Rails源码研究之ActiveRecord:六，Acts

ActiveRecord自带了三种数据结构关系:acts_as_tree、acts_as_list、acts_as_nested_set 1，tree.rb [code] module ActiveRecord module Acts module Tree def self.included(base) base.extend(Cla...

hideto 215

抖音最新风控体系研究

小编从技术角度对抖音的风控史和落地目标，跟大家聊一聊抖音，包括海外版抖音TikTok的现状与生态。 1、非常非常早的时期，抖音刚出来的时候，没有任何封禁，这个阶段，导入一个开发库，加上一个请求头，咵咵咵的数据随便拿。 2、2018-2019年，抖音加入了设备id和xg机制，在绝大多数的接口中，携带了设备id参数，同时在请求头中加入了xg，如今的apk市场，能追溯到的最早xg是0200打头的，而小编见过的最早的xg是0000打头的。这个时期的接口，这些参数都还只是预设，没有实际的用处，设备随便写，

qq517348412的博客 1万+

深入剖析QWEN 2.5模型架构：从GQA到RoPE的技术实现

本文深入解析了QWEN 2.5模型架构，重点介绍了其创新的GQA（分组查询注意力）和RoPE（旋转位置编码）技术实现。通过详细代码解读，展示了这些技术如何提升模型的计算效率和长文本处理能力，适用于代码生成和数学推理等任务。文章还提供了实践部署建议和调优经验，帮助开发者更好地应用这一先进模型。

weixin_42548816的博客 390

Agent Loop：代码智能体的核心运行范式解析

Agent Loop 是一种基于大模型的代码智能体（Code Agent）运行架构，其本质是将复杂编程任务建模为规划（Plan）、执行（Act）、观测（Observe）、反思（Reflect）的闭环控制过程。它突破了传统代码补全工具的单次响应局限，通过结构化状态机与可验证工具链，实现对真实开发环境的持续交互与自主纠错。技术价值在于提升模糊需求下的端到端解决能力、增强错误可追溯性，并支持本地IDE深度集成。典型应用场景包括数据库迁移、遗留系统重构、自动化测试生成等工程实践。本文聚焦 queryLoop 状态机

cuml0912的博客 631

VN5620硬件接口介绍

VECTOR, VN5620, 诊断

Fecostar的博客 7484

K2.6 Agent工作流引擎：MoE原生、状态可溯、工具直驱的开源推理框架

Agent工作流是AI工程化落地的核心范式，其本质是将用户模糊需求自动拆解为可执行任务序列，并协同调用API、脚本、多模态工具完成闭环。传统方案依赖Prompt编排或外部Orchestrator（如LangChain），存在容错弱、状态丢失、调试困难等瓶颈。K2.6通过MoE稀疏激活实现Agent角色（Planner/Executor/Validator）的物理级分工，结合Task State Tree实现跨步长上下文记忆与状态持久化，并以Tool Schema Language统一抽象工具语义，达成端到端

weixin_33806914的博客 338

libfacedetection 框架阅读及扩展经验

libfacedetection 框架源码解析与扩展心得1. libfacedetection 框架简介2. 源码解析2.1 facedetectcnn.h2.2 facedetectcnn.cpp2.3 facedetectcnn-model.cpp3. 其他层的扩展--depthwise convolution 前段时间因为工作需要，对libfacedetection框架做了些扩展，在阅读源...

weixin_42616332的博客 1500

使用timeROC包的compare函数比较不同标记物下两个多时间AUC值是否具有统计显著性

时间依赖的接收器操作特征曲线（time-dependent receiver operating characteristic curve, time-dependent ROC curve）是评估和比较标记物在不同时间点上预测能力的重要工具。在R语言中，timeROC包提供了丰富的函数和工具，可用于分析和比较多时间点的AUC值。时间点（timepoints）表示观察的时间点，标记物1（marker1）和标记物2（marker2）分别表示在每个时间点上的预测概率。最后，我们输出比较结果。

2301_79331387的博客 921

Agentic RAG技术解析：如何构建智能Bug定位系统BLAgent

检索增强生成（RAG）是一种通过检索外部知识库来增强大语言模型生成能力的技术，其核心原理是将用户查询与向量化的知识库进行语义匹配，从而提供更准确、信息更丰富的回答。这项技术的价值在于有效缓解了大模型的“幻觉”问题，提升了生成内容的可信度与实用性。在软件工程领域，RAG常被应用于代码搜索、文档问答等场景。然而，面对复杂的软件故障定位任务，传统的一问一答式RAG显得力不从心，因为它缺乏多步骤推理和动态探索的能力。这正是Agentic RAG（智能体驱动的RAG）发挥作用的地方。Agentic RAG通过引入智能

weixin_33860528的博客 671

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

从零拆解ReAct架构：构建会思考的AI Agent核心原理与实践

在AI应用开发领域，智能体（Agent）已成为连接大语言模型与现实世界任务的关键技术。其核心在于模拟人类的决策过程，通过循环的推理与行动来解决问题。ReAct（Reasoning + Acting）架构正是这一思想的经典实现范式，它通过“思考-行动-观察”的循环，让AI在行动前进行规划，在行动后依据结果调整策略，从而克服了传统方法中“仅行动”的盲目性与“仅推理”的局限性。该架构的价值在于为AI赋予了处理复杂、多步、依赖实时信息任务的能力，广泛应用于智能问答、自动化工作流和数据分析等场景。本文将以**提示工程

weixin_33805992的博客 354

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。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版【x86|x64】

从零搭建 OpenClaw：教你养一只“会自己干活”的数字小龙虾

先在测试环境玩不要一开始就把 OpenClaw 部署在存满重要资料的工作机上。先跑通最简单的流程先把 Web UI 聊天搞定，再接入钉钉 / 飞书。从 1–2 个 Skills 开始不要一口气装一堆 Skill，先让它稳定帮你干一两件事，比如：每天发一个“今日简报”自动整理某个文件夹的文档多看日志，多思考OpenClaw 很强，但也挺“野”，多观察它在干什么，别给陌生人递“钥匙”。你已经从“只会用 AI 聊天”升级到“会用 AI 真正干活”了。👏。

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。 7289

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

PyMechanical (R241) 实操：Python 批量导入 NX 导出 STP + 静力学仿真全流程（从 Ansys 安装→Pycharm 环境配置→代码调通）

本文基于 Ansys Mechanical R241 版本，依托pymechanical库实现外部 STP 模型（NX11 导出）一键导入、自动赋材料、网格划分、边界载荷施加、静力求解、应力 / 变形结果出图 + GIF 动画导出全自动化，告别手动在 Mechanical 中点鼠标建模，适合军工自动化仿真、批量零部件静力校核场景。

Circ 286

AI Agent从无到有3：智能体核心架构与工程范式解析

本文摘要：AI智能体（AI Agent）正成为核心技术趋势，其核心架构包含规划（Planning）、记忆（Memory）、工具使用（Tools）和行动（Action）四大模块，通过协同工作实现动态决策与执行。智能体在ToB（客户服务、营销、金融等）和ToC（个人助手、内容生成等）领域广泛应用，市场规模潜力巨大。开发者需掌握智能体的基本范式，结合业务需求选择合适的大模型、工具和记忆方案，构建高效实用的AI应用。未来，智能体有望重塑各行业软件形态，带来新一轮技术变革。

Wang的专栏 314

`javax.xml.transform` 是 Java 标准版（Java SE）中用于**XML 转换（XSLT）**的核心包

`javax.xml.transform` 是 Java 标准版（Java SE）中用于**XML 转换（XSLT）**的核心包，自 Java 1.5（JDK 5）引入，属于 JAXP（Java API for XML Processing）的一部分。它提供了一套面向接口的、可插拔的 API，用于将 XML 源（如 DOM、SAX、StAX 或 StreamSource）通过 XSLT 样式表转换为各种结果（如 DOM、SAX、StAX 或 OutputStream/Writer）。

[Blog][Domain] programb.blog.youkuaiyun.com 652

Zynq上MicroBlaze测试

支持外部复位串口回环若KEY按下则LED亮,否则LED灭。

qq_26074053的博客 795

50行Python实现ReAct智能体：从零理解AI Agent核心机制

AI Agent作为大语言模型（LLM）与外部环境交互的关键技术，其核心在于实现自主推理与行动的能力。ReAct（Reasoning and Acting）范式通过“思考-行动-观察”的循环机制，将LLM的推理过程外化，使其能够调用工具、处理任务并基于反馈进行迭代。这种模式不仅提升了模型解决复杂问题的能力，还使得决策过程变得可追踪、可调试，为构建自动化系统提供了基础框架。在工程实践中，开发者常借助LangChain等框架快速搭建Agent应用，但深入理解其底层原理对于优化性能和应对定制化场景至关重要。本文聚

weixin_34335458的博客 341

强化学习智能体在选择性观察下的结构化动作功劳分配实践

在强化学习领域，智能体在部分可观察环境中学习是一个核心挑战。其基本原理在于，智能体无法获取环境的完整状态信息，只能通过有限的观察进行决策。为了解决稀疏奖励和长序列决策下的功劳分配难题，结构化动作功劳分配技术应运而生，它通过引入额外的机制来更精准地评估每个动作的贡献。这项技术的价值在于能显著提升智能体在复杂序列任务中的学习效率和策略稳定性。其典型应用场景包括自动化运维、机器人控制和游戏AI等。本文聚焦于命令行界面自动化这一具体工程实践，探讨如何结合**选择性观察**和**注意力机制**，设计一个能理解关键动作

weixin_34280237的博客 381

上一篇： acts_as_list要单独安装，不是标配

下一篇： file_column更帅的剪切

智能体运行框架（Agent Harness）核心原理与实战指南：从概念到生产部署