- 博客(246)
- 资源 (13)
- 收藏
- 关注
RSS订阅原创 企业 Agent 落地的两场战争：内部经营闭环与 ToB 外部规模赋能
当前讨论企业 Agent 时，人们经常把两个不同问题混在一起：一类是企业如何让 Agent 在内部真正产生经营结果；另一类是技术或平台厂商如何把 Agent 能力卖给外部企业，并实现规模化交付。前者面对的是一个组织内部的流程、数据、权限和岗位重构，后者面对的是跨客户的产品标准化、多租户隔离、合同承诺、客户成功和单位经济模型。两类场景共享模型、知识、工具、评测和安全底座，但失败方式完全不同。内部 Agent 最常见的问题是“做出来却用不深，使用了却算不清价值”；
2026-10-02 18:05:00
474
1
原创 Paperclip_Agent编排平台
Paperclip 是目前少见的从"公司运营"视角而非"Agent 开发"视角构建的 AI Agent 编排平台。它的核心价值不是教你怎么造 Agent，而是教你怎么管 Agent 组成的公司——组织架构、任务分配、预算控制、审批治理、成本追踪、定期调度，这些是 20 个 Agent 同时运行时真正需要的东西。适配器体系：BYOA（Bring Your Own Agent）设计，任何能接收 Heartbeat 的 Agent 都可接入，11 种适配器覆盖主流 AgentHeartbeat 调度。
2026-08-13 00:55:10
138
原创 Hermes 与 ReAct 模式对比分析_2
ReAct 经典三段式Thought ─────→ "Thought: 我需要查天气" (文本)│Action ──────→ "Action: search(北京天气)" (文本，需解析)│Observation ─→ "Observation: 晴，32°C" (文本，拼回上下文)Hermes 结构化三段式Thought ─────→ assistant.reasoning (结构化字段)assistant.reasoning_content (6 种格式统一提取)
2026-08-10 22:28:25
224
原创 Hermes 与 ReAct 模式对比分析_1
Hermes = ReAct 的思想 + Function Calling 的工程实现 + 并行 + 委派ReAct 思想层 Function Calling 工程层Thought → reasoning/scratchpad → API 原生 reasoning 字段Action → tool_calls → 结构化 JSON + schema 校验单线程 → 一次一个 Action → 多 tool_calls 并行执行无委派 → 不支持 → delegate_task 子 Agent。
2026-08-10 22:21:23
246
原创 hermes解读
设计亮点详细说明1🔵 三协议统一用 api_mode 抽象层统一处理 OpenAI Chat Completions / Codex Responses / Anthropic Messages，上层逻辑无感知2🟢 防御性编程极强几乎每个可能失败的操作都有 try/except、重试、fallback，从管道断裂到 JSON 解析失败到连接失效全覆盖3🟠 上下文生命周期Preflight 压缩 → 运行中压缩 → 压力预警 → Grace Call，形成完整的上下文溢出防护链4。
2026-08-10 22:12:05
384
原创 deepseek3.2 exp tilelang
https://mp.weixin.qq.com/s/Ci-t9U70A_LFkzXCUaqPMA
2025-10-04 21:49:25
193
原创 DeepSeek v3.2 exp技术详解
与之前模型最大的不同是，DSA不再让每个Token关注序列中的所有其他Token。而是通过 Lightning Indexer 和 Top-k Token Selection 组件，使模型在处理长文本时只关注关键的历史Token，将注意力计算复杂度从 O(L²) 降至 O(LK)，其中K远小于L。这在处理长文本时，无疑带来了巨大的效率提升。
2025-10-02 11:51:29
1372
转载 BERT的3个Embedding的实现原理
本文将阐述BERT中嵌入层的实现细节，包括token embeddings、segment embeddings, 和position embeddings.目录概览1 Token Embeddings作用实现2 Segment Embeddings作用实现3 Position Embeddings作用实现4 合成表示概览下面这幅来自原论文的图清晰地展示了BERT中每一个嵌入层的作用：和大多数NLP深度学习模型一样，BERT将输入文本中的每一个词（token)送入token
2021-12-13 19:52:45
4288
原创 loss集合
hinge loss loss=output-output_y+self.margin#contains i=y #remove i=y items loss[torch.arange(0,y.size()[0]).long().cuda(),y.data.cuda()]=0 #max(0,_) loss[loss<0]=0
2021-04-13 21:11:29
428
原创 pytorch应用结构
1 模型类1.1 init()1.2 forward()2 怎么使用2.1 模型类初始化model = Model_Class(args...)2.2 model.train()2.3 model(具体数据)，参数是按照forward()来的
2021-02-24 16:16:57
282
转载 pytorch框架的使用
介绍相比TensorFlow的静态图开发，Pytorch的动态图特性使得开发起来更加人性化，选择Pytorch的理由可以参考：https://www.jianshu.com/p/c1d9cdb52548，这里也顺便介绍一下TensorFlow静态图和Pytorch动态图开发的区别：总的来说，在TensorFlow里你只能通过定义数据、网络等，然后直接训练、预测啥的，中间过程到底发生了什么对我们来说都是未知的，只能等待训练完毕后查看结果如何，想要debug都debug不了，于是在学了一段时间以后还是一
2021-02-20 17:38:58
668
原创 torch cpu版本安装
torch安装cpu版本直接从官网安装由于网络问题，安装不成功，所以先把对应的包下载到本地然后再安装https://blog.youkuaiyun.com/Jwenxue/article/details/107899734pip install "torch-1.6.0-cp36-none-macosx_10_9_x86_64.whl" "torchvision-0.7.0-cp36-cp36m-macosx_10_9_x86_64.whl"...
2021-02-20 10:26:31
1850
转载 TensorFlow模型保存和载入方法汇总
目录一、TensorFlow常规模型加载方法 保存模型 加载模型 1.不加载图结构，只加载参数 2.加载图结构和参数 3.简化版本 二、TensorFlow二进制模型加载方法 三、二进制模型制作 四、从图上读取张量 从二进制模型加载张量 从当前图中获取对应张量 从图中获取节点信息 『TensorFlow』第七弹_保存&载入会话_霸王回马回到顶部一、TensorFlow常规模型加载方法保存模型tf.train.Saver...
2021-01-21 15:10:53
470
转载 Key-Value Memory Networks for Directly Reading Documents
前两天在看MemN2N的代码，自己动手又实现了一遍，收获挺多，自己也写了挺多注释，应该对理解有帮助，而且之后的Gate MemNN、KVMemNN等Memory Network都可以在此基础上进行改进，需要的同学自取：caijie12138/Memory-Networksgithub.com前言在Memory Networks这个大家庭中有很多成员，我们介绍了MemN2N，GMemNN（给神经网络增强记忆|一文看懂Gate Memory NN的原理与实现），今天我们来聊聊从阅读文章开始就能回答
2020-12-11 21:16:31
459
转载 知识图谱Multi-hop QA
前言之前的记忆网络BAM模型是取每个实体的two-hop以内的范围作为关系的候选区，因为WebQA数据集里问题基本能在two-hop以内解决，但是这样只是针对具体情况而缺乏泛华性，最近看到一些论文可以解决KBQA中的多跳问题具有一定参考性，并且这些年做多跳的还是比较少的，SimpleQA数据集精度都差不多登顶了（数据及本身有限制），隔壁用GNN系列在Multi-hop阅读理解上做的也是风生水起，KBQA也可以考虑一下多跳的问题了。多跳问题就是问句中包含多个关系甚至多个实体，个人认为一方面可能是用到多个
2020-12-11 21:02:53
2074
转载 Pycharm使用虚拟解释器导入numpy报错：Importing the multiarray numpy extension module failed
错误：Importing the multiarray numpy extension module failed原因：环境变量的问题其中Pycharm虚拟环境变量引用了系统环境变量，而系统环境变量起初并没有引入C:\ProgramData\Anaconda3\Library\bin所以才导致了Pycharm虚拟环境导入numpy失败，原因就在于包混乱，所以在系统环境变量中导入，也一定要导入到bin 级目录才会解决问题。...
2020-12-06 13:39:59
803
原创 好网站
1 论文以及对应codehttps://paperswithcode.com/sotahttps://paperswithcode.com/paper/graph-convolutional-networks-for-text2 论文搜索http://arxiv-sanity.com/3学术论文视频https://vimeo.com/359708144...
2020-11-28 22:44:25
205
转载 知识图谱研究最新综述论文: 表示学习、知识获取与应用
导读】知识图谱一直是学术界和工业界关注的焦点。最近Shaoxiong Ji, Shirui Pan, Erik Cambria, Pekka Marttinen, Philip S. Yu等学者发表了关于知识图谱的最新综述论文《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》，25页pdf涵盖107篇参考文献，对知识图谱进行了全面的综述，涵盖了知识图谱表示学习、知识获取与补全、时序知识图谱、知识感知应用等方
2020-11-13 15:21:13
7061
原创 课程
1 meta learninghttps://blog.youkuaiyun.com/shine19930820/article/details/108960901
2020-10-09 17:20:27
151
转载 计算机会议的排名
计算机会议的排名AREA: Artificial Intelligence and Related SubjectsRank 1: AAAI: American Association for AI National Conference CVPR: IEEE Conf on Comp Vision and Pattern Recognitio
2020-09-20 18:51:13
1890
原创 tensorflow全链接层
1 denselogits = tf.layers.dense(sent_feature, clf_params["class_num"], name="softmax")2 matmul和biashidden_size = output_layer.shape[-1].valueoutput_weights = tf.get_variable( "output_weights", .
2020-09-11 19:37:06
271
转载 Few-shot learning（少样本学习）和 Meta-learning（元学习）
目录（一）Few-shot learning（少样本学习） 1. 问题定义 2. 解决方法 2.1 数据增强和正则化 2.2 Meta-learning（元学习） （二）Meta-learning（元学习） 1. 学习微调 (Learning to Fine-Tune) 2. 基于 RNN 的记忆 (RNN Memory Based) 3.度量学习 (Metric Learning) 4.方法简单比较 5.未来方向 5.1 更好的 meta-learn
2020-09-10 22:37:42
2335
转载 tensorflow中的loss函数总结
回归和分类是监督学习中的两个大类。自学过程中，阅读别人代码时经常看到不同种类的损失函数，到底 Tensorflow 中有多少自带的损失函数呢，什么情况下使用什么样的损失函数？这次就来汇总介绍一下。一、处理回归问题1. tf.losses.mean_squared_error：均方根误差（MSE） —— 回归问题中最常用的损失函数优点是便于梯度下降，误差大时下降快，误差小时下降慢，有利于函数收敛。缺点是受明显偏离正常范围的离群样本的影响较大# Tensorflow中集成的函数mse =
2020-09-01 14:50:12
4698
原创 bert代码学习
基于官方的https://github.com/google-research/bert if mode == tf.estimator.ModeKeys.TRAIN: train_op = optimization.create_optimizer( total_loss, learning_rate, num_train_steps, num_warmup_steps, use_tpu) logging_hook = tf.train.Logging
2020-08-28 10:50:30
385
原创 word2vec and fasttext操作
1 word2vec训练#coding=utf-8import jiebaimport jieba.posseg as psegimport smart_openimport xlrdimport codecsfrom gensim.models import Word2Vec# 读文件def read_file(): jieba.load_userdict("dic.txt") user_query_segment_list = [] with open("
2020-08-21 23:27:41
512
原创 tensorflow bug
1 ValueError: An initializer for variable kernel of type <dtype: 'string'> is检查下word embedding的dtype，看是否是float32
2020-08-07 14:51:43
324
1
转载 零次学习（zero-shot learning）基本概念
零次学习（zero-shot learning）基本概念每次在实验室做工作汇报的时候，总会把ZSL的基本概念讲一遍，但是每次的效果都不是很好，工作都讲完了，提的第一个问题依然是：ZSL到底是什么？这让我一度认为我的表达能力有问题。。。。。。不过回忆起我第一次接触这个题目的时候，也花了挺长的时间才搞清楚到底在做一件什么事情，那篇入门的文章[1]看了很久才基本看懂。因此，我尽量用最简单的，不带任何公式的方式来讲一下这到底是个什么问题。假设小暗（纯粹因为不想用小明）和爸爸，到了动物园，看到了马，然后爸爸告
2020-05-28 19:37:53
1745
2
转载 tensorflwow pytorch 控制gpu使用量指令
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.333)TensorFlow设置GPU占用量：https://www.cnblogs.com/jiu0821/p/9501665.html1 pytorch设置GPU占用量的指令是哪个？（未解决，）是这个p['momentum'] =0.9么？不是，这个是动量帮助训...
2020-04-05 16:35:29
1136
原创 OIE
https://openie.allenai.org/https://www.jianshu.com/p/a1994336af2dhttps://meta-guide.com/data-processing/etl/open-information-extraction
2020-03-29 19:50:30
303
1
转载 Self-Attention概念详解
一、Self-Attention概念详解Self-Attention详解了解了模型大致原理，我们可以详细的看一下究竟Self-Attention结构是怎样的。其基本结构如下对于self-attention来讲，Q(Query), K(Key), V(Value)三个矩阵均来自同一输入，首先我们要计算Q与K之间的点乘，然后为了防止其结果过大，会除以一个尺度标度，其中为一...
2020-03-15 17:04:52
16867
8
原创 torch语法常见操作
1 降纬a = torch.IntTensor([[1, 2, 3], [11, 22, 33]])b = torch.IntTensor([[4, 5, 6], [44, 55, 66]])c = a.view(3, -1)print(a.shape)print(c.shape)
2020-02-25 10:52:04
1293
转载 GCN
图卷积网络(Graph Convolutional networks, GCN) 简述1 背景卷积神经网络（CNN）的输入是图片等具有欧几里得结构的图结构，也就是这样的图：这样的“图”并不是广义上的“图”。我们经常需要提取广义的具有点和边的图的特征：2 问题描述我们的目标是提取出这种广义图结构的特征，进而完成一些任务，如标签补全等。3 解决思路在问题描述中我...
2020-02-13 22:05:39
5216
claude design system prompt
2026-04-19
知识图谱白皮书2019
2020-11-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人