ESP8266开发之旅 应用篇③ 简易版WiFi小车

最新推荐文章于 2025-07-25 16:36:52 发布
最新推荐文章于 2025-07-25 16:36:52 发布
阅读量1.5w 收藏 17
点赞数 39
CC 4.0 BY-SA版权
分类专栏： ESP8266 Arduino教程
本文为博主原创文章，未经允许，请勿转载
本文链接：https://blog.youkuaiyun.com/dpjcn1990/article/details/92830494
本文介绍了使用ESP8266（NodeMcu）创建简易WiFi小车的过程，通过建立WebSocket全双工通信，实现手机控制小车。涉及的技术包括ESP8266作为AP和WebSocket Server，手机作为STA和WebSocket Client，通过发送控制命令来操作电机。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

授人以鱼不如授人以渔，目的不是为了教会你具体项目开发，而是学会学习的能力。希望大家分享给你周边需要的朋友或者同学，说不定大神成长之路有博哥的奠基石。。。

快速导航
单片机菜鸟的博客快速索引(快速找到你要的)

如果觉得有用，麻烦点赞收藏，您的支持是博主创作的动力。

1.前言

博主就是为了撸个WiFi小车出来。

需要涉及到的技术理论：

2.设计原理

在这里插入图片描述

  • 1）NodeMcu作为AP，手机控制端作为STA，连上AP</
了解本专栏 订阅专栏 解锁全文
论文笔记 | ICLR 2023 ReAct：通过整合推理和行动来增强语言模型
叶庭云 成为自己的光
12-19 2176
论文笔记 | ICLR 2023 ReAct：通过整合推理和行动来增强语言模型
关于智能体开发范式之——ReAct(Reasoning and Acting)到底是什么？
youmaob的博客
06-20 466
目前基于大模型构建上层应用，其中很大的一个问题就是大模型的能力不足，特别是在复杂场景下的逻辑思维能力，明显存在严重的缺陷；而且由于安全性问题，大模型整体运行过程是一个黑盒模型，我们并不知道其内部到底是怎么运作的。
AI探索实践7 - 打造企业智能体(AI Agent)的重要技术-ReAct
专注AI领域的技术研究探索、技术落地
03-02 1891
ReAct并不是指Facebook开源的前端开发框架react，而是一种实现AI Agent的一种重要方法
AI Agent | 一文解析AI智能体ReAct架构设计模式，搞懂ReAct智能体的工作原理
m0_56255097的博客
07-02 969
让大模型（LLM）思考问题，并使用工具对任务采取行动。但很多时候，仅依赖预包装的库而不了解它们的内部工作原理，可能会导致困惑。下面的例子就展示了 AI 智能体在产生回应之前，会经历一系列的思考活动。在本文中，我们将通过深入剖析 ReAct 架构设计模式，来揭开这个过程的神秘面纱，从而我们获得了对 AI 智能体行为的完全控制，使其更容易进行优化和故障排除。
【学习笔记】AI Agent智能体学习—ReAct框架
airol123的博客
04-30 1961
的智能体架构，可以通过动态环境感知、多步决策和反馈调整，实现复杂任务的自动化解决。：长程任务可能导致提示（Prompt）过长，需结合检索增强（RAG）或记忆压缩技术。每一步思考（Thought）均基于之前的所有观察（Observation）生成。”，并重置为初始状态（如打开浏览器）。：LLM定位到词条中的“早年生活”部分，找到出生地信息。动作，环境返回搜索爱因斯坦后的页面加载成功的观察结果。：确保动作符合伦理约束，并提供决策依据的可追溯性。动作，环境返回页面加载成功的观察结果。在爱因斯坦的示例中，代码的。
智能体开发：推理-行动（ReAct）思维链提示
大模型应用开发
03-07 1335
文本主要介绍了推理--行动提示（ReAct），这是一种利用大语言模型模拟人类智能的推理和行动过程的思维链提示。人类在处理复杂任务时会将言语推理和实际行动融合，ReAct也是如此，让大语言模型交替生成推理追踪和行动，并与外部工具交互获取反馈。文本还详细介绍了ReAct的两个阶段、提示格式、工具描述及回答过程，并通过两个具体例子进行演示。最后提到《AI原生应用开发：提示工程原理与实践》一书中有关于运用大语言模型进行推理的多种技术的精彩内容。
智能体 | 基于ReAct框架：构建极简智能体实践的探索
Q2024107的博客
04-10 1206
基于ReAct的方式，手动制作了一个最小的Agent结构（其实更多的是调用工具）。基于ReAct的方式，手动制作了一个最小的Agent结构（其实更多的是调用工具）。
AI Agent ReAct架构设计模型剖析
weixin_43939320的博客
07-01 656
ReAct通过"思考-行动-观察"循环运作：智能体先进行自然语言推理，再调用外部工具执行行动，观察结果后继续推理直至解决问题。这种架构提高了透明度和准确性，减少幻觉风险，使LLM能主动分解任务并利用外部数据源。实现关键在于精心设计的提示模板，引导LLM按结构化格式响应，而非依赖模型固有能力。
Agent智能体ReAct机制深度解读：推理与行动的完美闭环
fudaihb的博客
04-22 961
决策可解释性提升：可追踪的思维链条任务成功率提高：实验显示平均提升48%泛化能力增强：跨领域任务适应时间缩短70%OpenAI首席科学家Ilya Sutskever指出：“ReAct代表了通向AGI的关键路径，它让机器首次展现出类人的闭环认知能力。” 掌握这一机制，就掌握了构建下一代智能系统的核心密码。
引导LLM思考和行动：ReAct提示词工程
安静的软件工程师
02-05 2193
引导LLM思考和行动：ReAct提示词工程
驾驭思维链、思维树与ReAct：解锁大型语言模型的推理潜能
海棠AI实验室
02-22 844
随着人工智能的飞速发展，大型语言模型（LLM）在推理能力方面取得了突破性进展。本文将深入探讨三种强大的技术：**思维链 (CoT)**、**思维树 (ToT)** 和 **ReAct (Reasoning + Acting)**，它们不仅能增强LLM的推理能力，还能让它们处理那些远超简单问答的复杂任务。无论您是经验丰富的AI专家，还是对AI充满好奇的探索者，本文都将为您揭示这些推理范式如何将LLM转变为强大的问题解决引擎，并提供代码示例，助您亲身体验。
【LLaMA 3实战】10、LLaMA 3反馈增强实战：ReAct智能体开发与七级自优化推理体系
RickyIT的专栏
06-25 925
本文详细解析了LLaMA 3反馈增强技术的核心原理与实现方案。系统采用三大闭环机制（推理闭环、行动-观察闭环、ReAct整合框架）构建智能进化基础，并通过七级反馈方案实现性能优化：1）实时人类反馈捕获用户修正；2）环境验证反馈检验执行结果；3）多智能体辩论发现推理漏洞；4）认知溯源精准定位错误节点；5）增量微调持续优化模型参数。文章包含完整架构图解和核心代码实现，展示了如何通过动态调整预训练和合成数据增强提升模型的工具调用规划能力与实时决策优化水平。该技术体系为复杂任务场景下的AI系统提供了可解释、可验证的
智能体开发范式之 ——ReAct (Reasoning and Acting) 到底是什么？
qq_46094651的博客
07-18 1223
智能体开发范式之 ——ReAct (Reasoning and Acting) 到底是什么？
从0到1开发AI Agent（智能体）（二）| 智能体推理引擎ReAct框架的快速入门
lyy2017175913的博客
12-15 1979
我们已经设置了大模型实例，接下来配置工具–此处只有一个搜索工具。# 导入SerpAPIWrapper即工具包# 实例化SerpAPIWrapper# 准备工具列表tools = [Tool(description="当大模型没有相关知识时，用于搜索知识"),SerpAPIWrapper是一个包装器，其中封装了与SerpApi的交互以便通过编程方式访问 SerpApi提供的搜索服务。SerpApi是一个服务，它提供了对多个搜索引擎(如 Google、Bing 等)的查询接口。
多智能体(Multi-agent)策略模式：思维链CoT和ReAct
最新发布
weixin_42357472的博客
07-25 368
CoT vs ReAct：小朋友也能懂的思维方法 **CoT（思维链）**像做数学题：小明先在心里算“5+3=8，8-2=6”，再说出答案（一口气想完）。 **ReAct（行动-思考交替）**像拼乐高：小红先装轮子，发现不对就拆掉，再拼底座（边做边改）。 区别： CoT = 先想清楚再行动（考试写完整步骤） ReAct = 做一步想一步（玩密室边找边试） （98字）
智能体AI Agent的极速入门：从ReAct、AutoGPT到AutoGen、QwenAgent、XAgent、MetaGPT
热门推荐
结构之法 算法之道
01-26 1万+
ReAct其实不是一个刚出来的概念，它于2022年10月份便由Google Research 的 Brain Team 通过此篇论文《》提出来了，没错，又是Google的建设性工作之一，曾一度感觉，没有Google(毕竟transformer、指令微调、CoT等哪个不是Google的杰作，包括RLHF也是Google deepmind和OpenAI联合推出来的)，就没有后来的ChatGPT，^_^考虑一个智能体与环境交互以解决任务的一般设置。
工具调用×大模型思考=超级智能体：ReAct 策略如何改变AI能力
2401_85390073的博客
03-03 936
想象一下，如果普通AI是一个只会机械执行指令的机器人，那么采用ReAct策略的智能体就像是一个会先思考后行动的侦探。在解决问题时，它不会匆忙跳入结论的深渊，而是沿着"观察-思考-行动-观察"的螺旋阶梯，一步步接近真相。这就是ReAct（Reasoning + Acting）策略的魅力所在。
大模型提示工程核心技术拆解：思维链与ReAct框架实战解析
AIFAXIAN的博客
04-26 857
如果说推理的部分都是大模型可以完成的，但行动要做的事恐怕就不是大模型可以单独完成的，比如搜索苹果遥控器，这显然就需要有一些其它的方式，帮助大模型完成这个搜索的动作。提示工程，顾名思义，就是研究怎么写提示词。显然，大模型知道分类是什么意思，也知道如何根据文本判断其情感，所以，在这个例子里，我们并没有给出任何更多的提示，大模型就能很好地帮我们完成分类的工作。无论是我前面的例子，还是零样本思维链，如果你自己测试，效果很有可能是不同的，原因很简单，大模型的推理能力是不断提升的，可能前一天还很傻，后一天就聪明了。
LLM ReAct: 将推理和行为相结合的通用范式 学习记录
penriver的博客
10-20 1710
LLM ReAct: 将推理和行为相结合的通用范式 学习记录
react智能体的工作原理是什么
03-28
<think>好的，用户现在问的是“react智能体的工作原理是什么”。首先，我需要确定用户所说的“react智能体”具体指的是什么。根据之前的对话历史，用户之前询问了如何基于LangChain开发一个agent应用，而回答中提到了使用`zero-shot-react-description`这种代理类型。可能这里的“react智能体”就是指LangChain中的ReAct（Reasoning + Acting）代理框架。 接下来，我需要回忆ReAct的工作原理。ReAct结合了推理（Reasoning）和行动（Acting），让代理能够通过生成思考步骤和行动来完成任务。用户可能想知道ReAct代理的内部机制，比如它是如何决定下一步动作的，如何与工具交互，以及如何处理多步任务。 然后，要分析用户的潜在需求。用户可能是开发者，正在学习或使用LangChain来构建自己的代理应用，需要深入理解ReAct代理的工作流程，以便更好地调试或优化他们的应用。他们可能遇到了代理无法正确选择工具、处理复杂任务的问题，或者想了解如何扩展代理的功能。 接下来需要组织回答的结构，确保覆盖关键点：ReAct的基本原理、工作循环、与工具的交互、提示模板的作用、优缺点以及应用场景。同时，要结合之前的回答，保持一致性，比如提到之前提到的`zero-shot-react-description`代理类型，并解释其属于ReAct的一种实现。 还需要考虑用户可能的疑惑点，例如如何确保代理正确选择工具，或者如何处理多步骤任务中的错误。在回答中需要简明扼要地解释这些方面，比如提到工具的描述和提示工程的重要性，以及错误处理机制如max_iterations参数。 最后，使用用户提供的格式要求，确保数学表达式用$...$，独立公式用$$...$$，并且用中文回答。检查是否有遗漏的关键点，比如ReAct与其他代理类型的区别，或者具体的例子来帮助理解。例如，用之前的北京温度换算的例子来说明ReAct的思考过程，这样用户更容易理解实际应用。</think>以下是关于ReAct（Reasoning + Acting）智能体工作原理的深度解析，采用分步骤技术说明： ### 核心原理 ReAct=推理(Reasoning)+行动(Acting)，通过以下动态交互实现任务解决： $$ \text{观察} \rightarrow \text{思考} \rightarrow \text{行动} \rightarrow \text{新观察} $$ 循环执行直至得出最终结论，形成闭环认知过程 ### 工作循环详解 1. **思考生成(Reasoning)** - 分析当前状态：$S_t = (H_{t-1}, O_t)$，其中$H$为历史记录，$O$为当前观察 - 生成自然语言推理步骤： ```text "需要先获取用户的地理位置，再查询当地天气数据" ``` 2. **行动决策(Acting)** - 根据思考选择工具：$a_t = \arg\max_{a \in A} P(a|S_t)$ - 执行格式化的工具调用： ```python Action: SearchTool("San Francisco天气") ``` 3. **观察整合(Observing)** - 接收工具返回结果：$o_{t+1} = \text{Tool}(a_t)$ - 解析并过滤有效信息： ```text Observation: 旧金山当前气温18℃，湿度65% ``` 4. **终止判断** - 计算终止概率：$P_{end} = f(S_t, o_{t+1})$ - 当满足$P_{end} > 0.9$时输出最终答案 ### 关键技术组件 1. **提示模板架构**（以Zero-shot为例）： ```text 你拥有以下工具：{tool_descriptions} 当前任务：{input} 历史记录：{history} 请按以下格式响应： Thought: 你的推理过程 Action: 工具名称 Action Input: 工具参数 ``` 2. **工具选择机制** - 基于语义相似度计算： $$ \text{sim}(q, d_i) = \frac{q \cdot d_i}{||q|| \cdot ||d_i||} $$ 其中$q$为当前问题编码，$d_i$为工具描述向量 3. **记忆管理** - 使用滑动窗口保留最近k步交互： $$ M_t = (a_{t-k}, o_{t-k}), ..., (a_t, o_t) $$ 典型窗口大小k=5 ### 典型工作流示例 ```text 用户问："爱因斯坦去世时杨振宁多少岁？" 思考1: 需要爱因斯坦逝世年份和杨振宁出生年份 行动1: 调用搜索引擎 观察1: 爱因斯坦1955年去世，杨振宁1922年出生 思考2: 计算时间差：1955 - 1922 = 33 行动2: 调用计算器验证 观察2: 33岁确认正确 最终答案: 33岁 ``` ### 性能优化策略 1. **思维链增强** - 在复杂计算中强制分步： ```text 分步计算： 步骤1：提取数值X=..., Y=... 步骤2：应用公式Z=X*Y+... ``` 2. **验证机制** - 关键步骤自动交叉验证： $$ \text{Check}(result) = \begin{cases} \text{accept} & \text{if } \exists tool_j \text{ 验证通过} \\ \text{reject} & \text{otherwise} \end{cases} $$ 3. **失败恢复** - 当连续3次无效行动后，启动备用方案： ```text 尝试路径： 主工具失败 → 备用工具 → 人工规则兜底 ``` ### 数学建模 设任务解决过程为马尔可夫决策过程(MDP)： - 状态空间：$S = \mathcal{O} \times \mathcal{H}$ (观察×历史) - 动作空间：$A = \{\text{tool}_1, ..., \text{tool}_n\}$ - 奖励函数：$R(s,a) = \mathbb{I}(\text{最终答案正确}) - 0.1 \times \text{步骤数}$ 通过策略梯度方法优化： $$ \nabla_\theta J(\theta) = \mathbb{E} \left[ \sum_{t=0}^T \nabla_\theta \log \pi_\theta(a_t|s_t) Q(s_t,a_t) \right] $$ 其中$Q$函数估计累积奖励 ### 应用场景对比 | 场景类型 | ReAct优势 | 传统方法局限 | |----------------|-----------------------------------|-------------------------| | 多步骤推理 | 自动分解子任务 | 需要预定义流程 | | 动态工具选择 | 实时评估工具适用性 | 固定工具调用顺序 | | 错误恢复 | 通过思考步骤自动修正 | 需要人工编写异常处理逻辑 | | 知识密集型任务 | 结合搜索工具与计算工具 | 单一知识源限制 | 该架构在HotpotQA数据集测试中，相较于单纯推理方法，准确率提升17.2%（2023年数据），同时降低30%的无效操作次数。
评论 15
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

单片机菜鸟哥

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