大角几何 MCP 服务上线:让 AI Agent 直接完成几何作图

最新小旋风蜘蛛池X6.21解密版+绕过授权带教程 介绍: 1.站群管理:用你的域名在这里添加网站 2.站点优化:站点互链,内容优化 2.系统设置:开启蜘蛛池 3.采集管理(可开启自动采集) 4.缓存设置:推荐开启tkd缓存 其他的用户根据自己的实际情况后台进行配置,通常以下: 1.后台首页(这里显示系统的大致概况) 2.系统设置:蜘蛛池的基本设置(访问开关、跳转、统计等等) 3.站群管理: 1.网站管理(用你的域名在这里添加网站) 2.模型管理(可构建不同类型站点:电影、文章、论坛等等) 3.TKDB调用模板(即:title、keywords、descri 阅读详情

我们正式上线了 大角几何 MCP 服务。

通过 MCP,Codex、Claude Code、Cursor、VS Code 等支持 MCP 的 AI 客户端,可以把大角几何作为一个外部工具来调用:创建几何图形、修改画板内容、设计分步演示过程、导出 PNG 图片、导出结构化项目,也可以在后续会话中重新导入项目继续编辑。

这意味着几何作图和数学动态演示不再只是用户手动完成的一项操作,也不再只是 AI 在文本里描述“连接某点”“作一条中线”“拖动点观察角度变化”。

现在,AI Agent 可以在真实的几何工具中执行这些操作,并把结果带回到你的内容生产、教学讲解、题库配图、动态课件或产品工作流里。


一句话说,大角几何 MCP 要做的是:

让 AI Agent 直接调用大角几何作图,并进一步组织数学动画和动态演示。


MCP 是什么?

MCP 可以简单理解为一种让 AI 客户端调用外部工具的标准连接方式。

过去,我们和 AI 对话时,AI 主要输出文字。它可以告诉你“三角形的三条中线交于重心”,也可以写出作图步骤,但它本身并不能稳定地操作一个几何画板,更不能把结果作为可导出的项目沉淀下来。

有了 MCP 之后,AI 客户端可以连接到一套专业的几何作图能力。

当你在 Agent 里提出需求:

请画一个三角形 ABC,构造三条中线,并标出重心 G。

AI 不需要只用文字解释这道题。它可以通过大角几何 MCP 调用作图工具,在画板中创建点、线、辅助线和标注,再根据需要导出图片或项目数据。

这就是 MCP 对几何作图最直接的价值:让 AI 操作几何。


大角几何 MCP 能做什么?

当前,大角几何 MCP 服务主要提供五类能力。

1. 调用几何 REPL 完成作图和动画编排

AI 可以通过 algeo_repl 调用大角几何的交互式命令能力,创建和修改几何对象,也可以编排数学动画和交互演示。

REPL 是大角几何画板的命令接口。它不只是画点线圆的入口,也覆盖画板管理、对象定义、标签与样式、表达式求值、交点构造,以及动画与交互控制。

例如,AI 可以通过 REPL 完成这些操作:

  • 创建三角形、线段、圆、曲线、函数图像和几何变换对象。
  • 构造中点、垂线、平行线、角平分线、切线、交点和辅助线。
  • 修改标签、颜色、线型、显隐状态和画板样式。
  • 使用 eval 计算和验证表达式结果。
  • 创建滑动条,让点、参数或图形对象随参数变化。
  • 创建播放按钮,并用事件动作序列控制播放、暂停、显隐、等待和并行动作。
  • 管理多画板,把一个讲解过程拆成多个演示页面。

这和一次性生成图片不同。AI 操作的是几何画板里的结构化对象和动态控制逻辑,后续仍然可以继续修改、补线、调整标注、编排动画和导出。

比如,一个圆周角定理动画可以由 AI 通过 REPL 拆成几步:先创建圆和弦,再创建圆上可移动点,接着用滑动条驱动点的位置变化,最后添加按钮控制播放,并在画板中保留用于课堂讲解的标注。

2. 导出 PNG 图片

完成作图后,可以通过 export_image 导出 PNG 图片。

这类图片可以直接用于:

  • 课件
  • 讲义
  • 题目解析
  • 公众号文章
  • 教研材料
  • AI 解题报告

对教师、教研和内容团队来说,这个能力很直观:你可以用自然语言让 AI 生成一张几何配图,再把它导出为可发布素材。

3. 导出结构化项目

除了图片,大角几何 MCP 还支持通过 export_project 导出项目 JSON。

图片解决的是分发,项目导出解决的是复用。

当一张几何图以结构化项目的方式保存下来,它就不只是一个截图,而是一份可以继续编辑、导入、修改和二次生成的几何资产。

这对题库系统、课件平台、AI 数学产品和教研内容团队都很重要。因为真实工作流里,几何图往往不是一次画完就结束,而是会经历反复修改和多场景复用。

4. 导入已有项目继续编辑

通过 import_project,AI 可以把已有项目导入当前 MCP 会话对应的项目中,并在原有基础上继续修改。

比如你已经有一张三角形基础图,下一次可以让 AI 在这张图上继续添加外接圆、三条高、角平分线或新的标注,而不必从零重画。

这让几何内容更适合进入长期生产流程:创建、保存、复用、修改、再导出。

5. 组织数学动画和动态演示

大角几何 MCP 不只适合生成一张静态几何图,也适合辅助生成数学动画和动态演示内容。

这里的数学动画不是简单的视频特效,而是围绕数学对象和几何关系组织出来的动态过程:点可以移动,参数可以变化,辅助线可以逐步出现,不变量可以被观察,证明思路可以被拆成一帧一帧的演示步骤。

通过当前的 MCP 能力,AI Agent 可以先调用 algeo_repl 创建基础项目,再继续补充关键对象、参数、辅助线、滑动条、播放按钮和事件动作序列,把一个数学概念整理成适合课堂讲解或产品展示的动态项目。后续可以通过大角几何项目继续编辑、播放、嵌入或配合 SDK 进入课件和产品页面。

例如,AI 可以帮助设计这些动态数学内容:

  • 拖动三角形顶点,观察三条中线始终交于重心。
  • 改变圆上点的位置,观察同弧所对圆周角的变化关系。
  • 移动割线或切线,展示圆幂定理中的线段乘积关系。
  • 调整参数,展示函数图像与几何交点的变化。
  • 分步显示辅助线,让证明过程像动画一样逐层展开。

对教学和 AI 数学产品来说,这一点很重要。很多概念不是画出来就结束,而是要让学生看到它如何变化、为什么不变、证明中的关键线索怎样一步步出现。


为什么几何作图特别适合 MCP?

几何作图和数学动画天然适合被 AI Agent 调用。

因为几何不是一段纯文本,它有清晰的对象、步骤和状态:点在哪里,线连到哪里,圆心是谁,辅助线从哪一点作出,哪些对象先出现,哪些对象后出现,哪个点在移动,哪个关系要被观察,当前画板中有哪些对象,最后要导出什么结果。

这些都很适合由 Agent 拆成步骤,再调用工具执行。

以“三角形三条中线”这个例子来说,AI 可以把需求拆成一组操作:

  1. 创建三角形 ABC。
  2. 构造 BC、CA、AB 的中点。
  3. 分别连接顶点和对边中点。
  4. 标出三条中线的交点 G。
  5. 导出 PNG 图片。
  6. 如有需要,再导出项目 JSON。

过去,这些步骤要么由人手动完成,要么由模型写成文字说明。现在,它们可以变成 Agent 对几何工具的真实调用。

这也是大角几何 MCP 和普通“AI 生图”的关键区别。

大角几何 MCP 的目标不是只生成一张看起来像几何图的图片,而是生成可以继续编辑、可以导出、可以复用、可以承载动态演示过程的几何项目。它更像是给 AI Agent 装上一个专业几何工具箱。

如果说静态作图解决的是“把图画准确”,那么数学动画解决的是“把变化讲清楚”。MCP 的价值就在于,AI 可以把一个教学目标拆成图形对象、构造步骤、动态变化和导出结果,让几何内容更自然地进入课堂、课件和 AI 产品。


它适合谁使用?

开发者和 AI Agent 使用者

如果你正在使用 Codex、Claude Code、Cursor、VS Code 或其他支持 MCP 的 AI 工具,可以把大角几何 MCP 加入自己的工具列表。

它适合用来验证一个很具体的工作流:让 AI 接到几何图需求后,自动完成构造、导出图片或保存项目。

对开发者来说,这不是一个需要从零集成 SDK 的重项目。你可以先通过 MCP 在自己的 AI 客户端里完成第一次调用,再评估它是否适合进入更完整的产品链路。

AI 数学产品和教育产品团队

如果你的产品里有几何题、AI 解题、题库配图、课件生成或作业报告,大角几何 MCP 可以作为 AI 工作流中的几何执行层。

模型负责理解题目、拆解需求和生成调用计划;大角几何负责把点、线、圆、辅助线和标注真正画出来,并输出图片或项目数据。

这会让 AI 数学产品从“只给文字解析”进一步走向“文字讲解 + 几何图生成 + 动态演示 + 内容沉淀”。

尤其是在数学动画场景中,AI 可以把一个概念拆成多个可演示状态:先展示基础图形,再逐步添加辅助线,然后通过拖动点或改变参数展示不变量。产品侧可以把这些项目继续嵌入到讲解页、互动课件或 AI Tutor 的学习流程中。

教师、教研和内容生产团队

如果你平时要做讲义、课件、公众号文章或题目解析,几何配图通常是一件费时的小事。

大角几何 MCP 可以把这件事变成一句 Prompt:

请调用大角几何 MCP,画一个直角三角形 ABC,其中角 C 为直角。构造斜边 AB 的中点 M,并连接 CM。请标注关键点和线段,最后导出 PNG 图片。

你不需要先关心底层协议,也不需要手动画每一个对象。只要 AI 客户端已经接好 MCP,就可以让 AI 先生成图,再根据需要继续修改。

如果你要做的是动态课件或数学动画,也可以把需求写得更像课堂脚本:

请调用大角几何 MCP,创建一个圆 O,在圆上设置可移动点 A、B、C,连接 AB、AC、BC,并设计一个用于讲解圆周角定理的动态演示项目:拖动点 C 时,保留弦 AB 不变,突出显示角 ACB 的变化关系,并标注关键观察点。

AI 可以先帮助搭出动态演示项目的几何结构,再根据讲解需要补充标注、辅助线和阶段性说明。对老师来说,这比从空白画板开始组织动画步骤要轻很多。


如何开始使用?

大角几何 MCP 的服务地址为:

https://api.dajiaoai.com/mcp

认证方式使用 Bearer Token。你可以在大角几何开放平台控制台获取 API Key,并在支持 MCP 的客户端中配置请求头:

Authorization: Bearer YOUR_TOKEN_HERE

配置完成后,可以先用一个简单作图任务验证服务是否可用:

请调用大角几何 MCP,画一个三角形 ABC,分别连接三个顶点与对边中点,构造三条中线,并标出重心 G。完成后导出 PNG 图片。

当前可参考的接入入口:open.dajiaoai.com/ai/mcp.html


调用成本也适合先试起来

为了降低首次试用门槛,大角几何 MCP 的调用成本设计得比较轻。

对外可以先这样理解:

  • algeo_repl、export_project、import_project 等普通工具调用约 0.0001 元 / 次。
  • export_image 图片导出约 0.01 元 / 次。

也就是说,一次常见的教学配图流程,即使包含多次作图调用和一次图片导出,成本通常也很低。


大角几何 MCP 常见问题

大角几何 MCP 是什么?

大角几何 MCP 是大角几何面向 AI Agent 提供的几何作图工具服务。支持 MCP 的 AI 客户端可以通过它调用大角几何能力,完成几何作图、图片导出、项目导出和项目导入。

大角几何 MCP 适合做什么?

大角几何 MCP 适合用于 AI 几何作图、数学动画设计、几何题配图、教学讲义配图、动态课件生成、AI 数学产品、题库解析图生成和 Agent 工作流中的几何工具调用。

大角几何 MCP 能做哪些数学动画?

大角几何 MCP 适合辅助生成几何和函数相关的动态演示,例如拖动三角形顶点观察重心位置、移动圆上点观察圆周角、改变参数观察函数图像交点、分步显示辅助线讲解证明过程等。

大角几何 MCP 和普通 AI 生图有什么区别?

普通 AI 生图通常输出的是一张图片。大角几何 MCP 操作的是可继续编辑的几何项目,图中的点、线、圆、辅助线、参数和动态关系具有结构化关系,可以后续修改、演示、导出和复用。

大角几何 MCP 支持哪些 AI 客户端?

只要 AI Agent 客户端支持 MCP 服务配置,就可以接入大角几何 MCP。常见例子包括 Codex、Claude Code、Cursor、VS Code、WorkBuddy 等。具体配置方式取决于各客户端对 MCP 的支持形式。

大角几何 MCP 的服务地址是什么?

大角几何 MCP 的服务地址是:

https://api.dajiaoai.com/mcp

接入时需要配置 Bearer Token,请求头格式为:

Authorization: Bearer YOUR_TOKEN_HERE

大角几何 MCP 能导出图片吗?

可以。大角几何 MCP 支持通过 export_image 导出图片,适合用于课件、讲义、题目解析、公众号文章、教研材料和 AI 解题报告。

大角几何 MCP 能保存和复用项目吗?

可以。大角几何 MCP 支持通过 export_project 导出结构化项目 JSON,也支持通过 import_project 导入已有项目继续编辑。这使几何图不只是一次性图片,而是可以长期复用的几何资产。

大角几何 MCP 和大角几何 SDK 有什么区别?

大角几何 SDK 更适合把几何画板嵌入到网页或产品中,让用户在你的产品里查看、编辑和交互。大角几何 MCP 更适合让 AI Agent 调用几何能力,自动完成作图、修改、导出和项目读写。

大角几何 MCP 和几何 API 有什么区别?

几何 API 更适合系统对系统的批量调用,例如后台生成、渲染或导出。大角几何 MCP 更适合 AI 客户端和 Agent 工作流,让 AI 在对话或任务执行过程中主动调用几何工具。


一个典型使用场景

假设你正在准备一篇讲解三角形重心的内容。

过去的流程可能是:

  1. 打开几何画板。
  2. 手动画三角形。
  3. 分别找三边中点。
  4. 连接三条中线。
  5. 标注重心。
  6. 截图或导出。
  7. 如果要改图,再重新调整。

接入 MCP 后,你可以把需求直接交给 AI:

请调用大角几何 MCP,画一个三角形 ABC,构造三边中点 D、E、F,连接 AD、BE、CF,标出三条中线交点 G,并导出 PNG 图片。

AI 会负责调用工具完成作图。你可以继续补充:

请把三条中线改成虚线,把重心 G 用红色标出,并导出项目 JSON,方便下次继续修改。

这时,几何图就从一次性的配图,变成了一个可以被 AI 修改、保存和复用的结构化项目。

这正是大角几何 MCP 想带来的变化:让几何内容进入 Agent 工作流,而不是停留在手动画图和静态截图里。


一个数学动画使用场景

再看一个更适合动态演示的例子:圆周角定理。

如果只做静态配图,学生看到的是圆、弦和一个角。但圆周角定理真正适合用动画讲,因为学生需要观察:当圆周上的点移动时,同一条弦所对的圆周角有什么变化。

接入 MCP 后,可以让 AI 这样组织动态项目:

请调用大角几何 MCP,创建一个圆 O,在圆上固定 A、B 两点,并设置圆上可移动点 C。连接 AB、AC、BC,标注圆周角 ACB。请把这个项目设计成用于讲解圆周角定理的动态演示:拖动 C 时,重点观察同弦 AB 所对圆周角的变化,并保留必要标注。

这个任务的重点不是导出一张图,而是生成一个可继续演示的数学项目。AI 可以先创建圆、点、弦和角,再补充观察对象和讲解标注。老师或产品可以继续在大角几何中调整演示节奏,也可以结合 SDK 把它嵌入到课件、互动课堂或 AI Tutor 页面里。

类似的数学动画场景还包括:

  • 拖动三角形顶点,观察重心、垂心、外心的位置变化。
  • 改变参数,观察一次函数和圆的交点如何移动。
  • 分步显示辅助线,讲解一道几何证明题为什么要连接某一点。
  • 移动切点或割线,观察圆中线段关系如何保持。
  • 调整相似三角形的比例,展示对应边和对应角的关系。

这些内容都可以先由 AI Agent 调用大角几何 MCP 搭出结构,再进入后续的演示、修改、导出和复用流程。


写在最后

几何一直是 AI 数学里最难的部分。

模型可以解释定理,可以写证明步骤,也可以描述辅助线。但在真实教学和产品场景中,用户最终需要看到一张准确、清楚、可复用的几何图,也需要看到一个概念如何变化、一个关系为什么保持不变、一个证明步骤怎样逐层展开。

大角几何 MCP 服务上线后,AI Agent 可以直接调用大角几何完成作图、动态演示设计、导图和项目读写。它让几何从 AI 口中的描述,变成可以被创建、修改、演示、导出和沉淀的内容资产。

如果你正在使用 Agent 产品,可以从 MCP 接入文档开始,把大角几何加入你的 AI 工具链,试着让 AI 画出第一张几何图。

MCP 接入文档:open.dajiaoai.com/ai


让 AI Agent 直接调用大角几何作图,让每一道几何题都不再只停留在文字里。







第1课:开篇扫盲——OpenClaw是什么?能帮你解决什么问题?(入门必看) 核心目标:学会安装、卸载、管理OpenClaw技能,自定义AI代理的性格与权限,让AI贴合自己的使用习惯。核心内容技能市场详解:ClawHub市场核心技能分类(办公、学习、开发、生活),热门技能推荐(web-search、文件处理、邮件管理)[superscript:3][superscript:4]。技能安装与卸载:终端命令实操(openclaw skill install/uninstall),技能更新与版本管理[superscript:3]。 阅读详情

相关推荐

保姆级教程:从AD导出Gerber到HFSS 3D Layout导入,搞定PCB电磁仿真全流程

本文提供从Altium Designer导出Gerber文件到Ansys HFSS 3D Layout导入的完整PCB电磁仿真流程指南。详细讲解Gerber文件导出设置、HFSS中的3D模型重建技巧,以及电磁仿真中的常见问题解决方案,帮助工程师高效完成高速电路和射频设计的性能验证。

weixin_30379531的博客 707

如何在 WorkBuddy 中使用大角几何:从 MCP 接入到 AI 几何作图

WorkBuddy现接入大角几何MCP服务,用户可通过自然语言指令快速生成专业几何图形。操作流程包括:获取API Key、配置MCP服务、验证连接后即可用自然语言描述作图需求(如画三角形中线图)。系统支持实时修改样式、导出PNG图片(有效期1年)和项目JSON(有效期1天),便于教学课件制作与图形迭代编辑。关键技巧包括:明确描述几何对象与关系、区分已知条件与待证结论、分步骤调整样式,从而获得更精准的作图效果。

github_25505453的博客 296

详细Ubuntu 22.04 配置最新UR机械臂仿真环境(ros2-humble, ur-sim, ur-ros2-driver)

使用ubuntu22.04.01和ur-sim, ur-driver进行ur机械臂的仿真

verloge的博客 1万+

如何在 WorkBuddy 中配置 TaoToken 并接入大角几何 MCP:从 API Key 到 AI 几何作图

在 WorkBuddy 中配置大角几何 MCP,只需在 mcp.json 填入 Bearer Token 即可让 AI 完成几何作图与 PNG 导出。本文给出可复制的 settings.json 片段与 config.toml 骨架,并附 401 报错、工具不调用等排查步骤。凭证可统一走 TaoToken 通道管理,详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 。

Ceshi01的博客 12

1.1.4 运用防火墙实现入侵防御

摘要:本文详细介绍了某公司网络拓扑中防火墙FW1的配置过程。主要内容包括:1)通过web界面登录防火墙;2)配置三个接口的IP地址及所属安全区域;3)创建两个入侵防御配置文件(anti_untrust和anti_trust);4)配置安全策略untrust2dmz和trust2dmz,分别允许公网/内网访问WWW服务器;5)保存配置。操作步骤配有详细截图说明,涉及接口配置、安全区域划分、入侵防御策略设定等关键环节,最终实现内外网对服务器Server1的安全访问控制。(149字)

Ljs040411的博客 2130

OpenBmc开发2:构建开发环境

编译环境VMware + ubuntu 18.04 编译环境构建:参考OpenBmc开发1:构建开发环境 1、打开一个Ternimal,进入openbmc目录下 2、查看有哪些不同的编译配置 find meta-* -name local.conf.sample 可以看到如下编译配置 3、生成编译配置 插入TEMPLATECONF,上边查询到的配置有很多,但是有一些...

master 2万+

如何在 WorkBuddy 中接入大角几何 MCP:从 API Key 配置到 AI 几何作图

在 WorkBuddy 中接入大角几何 MCP,先复制 mcp.json 配置并填入 Bearer Token,即可用自然语言完成 AI 几何作图。本文从 API Key 配置、连接验证到导出 PNG 与项目 JSON,附 401 报错排查与 Key 管理建议,配置一次即可复用。详见 TaoToken 官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_34064233的博客 29

区块链技术概述:从比特币到Web3.0

区块链技术正重塑数字世界的信任机制。本文系统梳理了区块链的发展路径:从比特币的PoW共识和UTXO模型,到以太坊的智能合约和账户体系,直至Web3.0的去中心化互联网愿景。文章详细解析了区块链的核心特性(去中心化、不可篡改等)和数据结构,通过流程图展示了比特币交易生命周期和智能合约执行流程,并对比了Web2.0与Web3.0的关键差异。最后,用Python代码实现了包含区块类、交易处理和挖矿机制的简易区块链系统,为理解区块链底层原理提供了实践参考。

闲人编程的博客 455

把大角几何接进 Agent 工作流:从需求到几何图导出的完整过程

本文介绍了一个基于Agent工作流的几何题配图生成系统。该系统通过大角几何MCP工具,将文字题目自动转化为结构化几何图形,并输出PNG图片和可复用的项目JSON文件。文章详细说明了从题目解析到图形生成的工作流程,包括几何对象识别、条件转换、图形约束处理等关键步骤,并强调了结构化项目在多轮工作流中的价值。该系统可应用于AI解题、题库建设、课件生成等多个教育场景,显著提升几何内容生产效率。最后提供了可直接试用的Prompt模板,帮助用户快速实现几何题自动配图功能。

github_25505453的博客 288

搭建自己的MQTT服务器,实现设备上云(Ubuntu+EMQX)

这篇文章教大家在ECS云服务器上部署EMQX,搭建自己私有的MQTT服务器,配置EMQX实现设备上云,设备数据转发,存储;服务器我采用的华为云的ECS服务器,系统选择Ubuntu系统。

2万+

学Simulink--基于多物理场耦合与系统集成的储能系统场景实例:压缩空气储能(CAES)系统的热力学建模与效率分析

本文提供了一个基于Simulink的压缩空气储能(CAES)系统热力学建模教程。通过多物理场耦合方法,详细演示了从系统架构设计到仿真测试的全过程,包括多级压缩机/膨胀机系统搭建、显热蓄热系统设计以及效率分析。文章重点强调了热管理对提升CAES效率的关键作用,并给出了68%电-电效率的优化案例。最后提出了变工况建模、不同蓄热介质对比等高级优化方向,为开发零碳大容量储能系统提供了实用工具和方法。

amy_mhd的博客 130

“加一条辅助线”:用大角几何 MCP 和 Skills 让教研 Agent 继续改图

本文介绍大角几何MCP与Skill如何支持教研Agent实现图形的连续编辑:通过导入项目、逐步添加辅助线(如半径、垂线)、突出关键元素并导出讲义图,实现讲解过程与图形演变同步。核心优势在于沿用同一工程,避免重复绘图,提升备课效率。结合工具调用与操作规则,使数学教学可视化更精准、可复用。

github_25505453的博客 174

【以太网硬件六】1000base-T物理层编码究竟是怎么编的?

详述1000base-T物理层4D-PAM5的编码过程

highman110的博客 5324

MCP 是什么?为什么几何作图特别适合交给 AI Agent 调用

摘要: MCP是一种标准协议,使AI客户端能够连接并调用外部工具执行任务,尤其在几何作图中表现突出。传统AI仅能提供文字解释或步骤描述,而接入大角几何MCP后,AI可操作专业工具直接生成、修改和导出几何图形(如PNG图片或可编辑的JSON项目文件)。当前MCP支持四大功能:作图修改、导出图片/项目、导入项目复用,适用于教学配图、题目解析和Agent工作流。与AI生图不同,MCP确保几何关系的精确性,形成可迭代的内容资产,推动AI从“解释”迈向“操作”几何的实用化。

github_25505453的博客 233

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》。

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

用 AI 生成一道几何题配图:三角形四心作图案例

本文介绍了利用大角几何MCP快速生成三角形四心教学配图的方法。传统手工绘制几何示意图存在耗时、调整繁琐等问题,而通过自然语言Prompt调用AI工具可自动完成:1)创建锐角三角形;2)准确构造重心、垂心、外心和内心;3)智能处理辅助线与标注;4)导出可直接使用的PNG图片。该方法支持生成概念总览图、单一特性重点图(如重心)和对比图(不同三角形类型的垂心位置),并能保证几何关系的严谨性。这种AI辅助作图方式适用于课件制作、题目解析、教研资料等场景,将静态插图转化为可编辑的项目资源,大幅提升几何教学内容的产出效

github_25505453的博客 230

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

大角几何开放平台:面向教育产品的 AI 几何能力(附公测资源包)

大角几何开放平台目前已提供智能生图、图形渲染等 HTTP API,并通过 MCP 向 AI Agent 开放作图、项目读写和导出能力。本文介绍两类接入方式分别解决什么问题,以及适合哪些产品场景。

github_25505453的博客 279

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

大角几何开放平台 API 与 MCP 接入:TaoToken 统一 Key 配置与公测资源包验证

大角几何开放平台 API 与 MCP 接入实操:先创建应用拿 Key,再用 TaoToken 统一通道配置 endpoint 与 MCP settings,跑通几何题生成、渲染与批改验证,并排查 401、local proxy failed 等报错。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 提供统一 Key 与公测资源包。

weixin_35899324的博客 172

教研 Agent 生成的数学图,怎样才能继续改?认识大角几何生图模型

本文探讨了AI在数学教研中生成几何图形的全流程应用,以“垂径定理”教案为例,展示从教学设计到图形生成、修改与多场景使用的完整路径。通过大角几何生图模型,教师可获得可编辑的代码化工程文件,支持动态调整、导出不同版本(如课堂版、黑白讲义版),并实现对点、线、关系的精准控制。针对常规题与复杂题,推荐使用 dinogeo-1 与 dinogeo-1-pro 模型,兼顾效率与质量。最终,教研Agent结合API与MCP工具,使图形生成真正融入备课流程,提升教学素材的复用性与灵活性。

github_25505453的博客 57

粘贴一道几何题,把配图交给 AI:这款数学画图软件怎么用?

本文介绍如何利用AI几何工具“大角几何”将文字题干自动转化为精准的几何配图。通过一段清晰的作图指令,用户可快速生成包含圆、弦、半径与垂线的图形,并支持后续修改标签、调整样式、导出为讲义或试卷可用图像。无需掌握复杂绘图软件,从一道题开始,即可实现“题目→配图”的高效转化,适用于教学、教研及AI助教场景,提升数学内容创作效率。

github_25505453的博客 132

我已经有 AI,怎么让它准确画出几何图?

让 AI 准确画几何图,本质上不是一个图片生成问题,而是一个自然语言理解 + 几何约束构造 + 工具执行 + 结果校验的问题。大模型负责想清楚“要画什么、为什么这样画”,专业几何工具负责保证“确实这样画出来”。如果你的 AI 已经会解题,下一步不必重新训练一个更会画图的模型。更直接的做法,是给它接上一块真正能操作几何的画板。你可以前往大角几何开放平台,了解如何让现有 AI Agent 调用几何工具,画出第一张准确、可检查、可继续编辑的几何图。

github_25505453的博客 210

“加一条辅助线”:让 AI 在同一张几何图上继续画

一张圆与弦的图已经画好。讲到下一步,你想补两条半径;再往下,需要从圆心向弦作垂线;最后,把这一条辅助线改成醒目的颜色。可以把这些操作变成几句对话:“连接 OA、OB。“过圆心 O 作弦 AB 的垂线,垂足叫 M。“突出 OM,把两条半径调成浅灰色,导出图片。图形可以跟着讲解逐步展开:先有基础图,再补辅助线,最后得到适合课堂或讲义的版本。

github_25505453的博客 97

给教研 Agent 接上大角几何生图 API:从一道题到可编辑题图

本文介绍如何通过大角几何生图API,将圆与弦教学题目的文字描述自动转化为可编辑的几何工程文件,并最终生成高质量配图。流程包括:明确绘图需求、提交生成任务、查询状态获取工程、复核后渲染为PNG。支持异步任务与工程保存,便于后续修改与批量接入,实现从题目到讲义配图的自动化闭环,提升教研效率。

github_25505453的博客 328

大角几何最新版本:让几何教学、AI 与开放生态更进一步

大角几何2.6.0版本正式发布,围绕四大核心能力升级:1)新增演示模式工具,支持课堂实时标注和动态讲解;2)强化开放能力,支持AI Agent调用几何作图功能并嵌入教育产品;3)完善帮助中心,降低用户学习门槛;4)推出运动轨迹功能,直观展示图形变化规律。该版本还优化了编辑器体验、几何代数功能及移动端适配,旨在服务教学演示、内容生产、AI工作流等多场景需求,让动态几何更易用、开放和智能化。

github_25505453的博客 287

6 款电商 AI 图片生成软件实测|国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言,现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求,显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强",而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率,通用生图工具强在创意上限,模板类工具赢在上手速度。建议根据自身业务阶段,搭配 1-2 款主力工具 + 1 款辅助工具,形成适合自己的视觉生产流程。

Mardi_Ladin的博客 347

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 192

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型:把 PDF 发给一个自己部署的图文模型,让它提取发票类型、日期、交易双方和金额,再把结果交给同事核对。这个原型不用先接财务系统,先看看从部署到调用要走多少步,模型返回的内容能不能帮上忙。

鸽芷咕的博客 2万+
上一篇: DeepMind AlphaProof Nexus 拆解:AI 数学研究的 4 种系统范式
下一篇: 在线几何画板选型完全指南(2026)
Luhui Dev
博客等级 码龄12年 44粉丝 147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