Manus、OpenClaw、Hermes一路爆火

「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

导读:上周去某大学做了一场关于 Agent 的分享,另外比较惊讶的是:大家对于 Agent 是什么是比较陌生的!

另一方面,我也比较惊异于自己居然无法站在小白的角度描述什么是 Agent!所以有些必要的科普还是得捡起来啊:

由此,有了几天这篇 Agent 概述类文章,软硬适中:

不知道大家是什么时候开始接触 Agent,我们作为 AI 行业的一线参与者/开发者,最早接触 Agent的 应该是 cursor、windsurf 这类 AI 编程工具,当时我们用它写代码,修 bug,输出接口文档等等。

其实当时我根本不知道它们是 Agent,我们只是把它当成了一个开发工具,我相信行业很多人都是同样认知,直到拐点事件爆发:

2025年3月,Manus AI 在 YouTube 发布了公开视频《Introducing Manus: The General AI Agent》,视频中给出的一些案例简历分析,股票分析,房产分析,云端执行。

这些案例看起来让人兴奋,市场情绪也被点燃,为了抢先体验manus,本来免费的邀请码,一度炒到上万元的价格!

当时我们做的AI应用 还只是一般的知识问答、意图识别,文本分类等,复杂一点的再加上一个 RAG。

Manus 的发布,让我们看到了原来 AI 还可以完全自主运行,完成任务,同时也让 Agent 这个词进入大众的视野,More Context Less Control 的 ReAct 范式逐步为大家所接受:

什么是 Agent

其实在 Manus 之前就已经有很多类似产品了,比如:

  1. 2022 年的论文《ReAct: Synergizing Reasoning and Acting in Language Models》;
  2. 然后早期、又出圈的 Agent 的话是 2023 年 3 月的开源项目 Auto-GPT;

但国内的话,还是 Manus 的发布给我们打开了 AI 应用新的视野。

于是我们团队开始马不停蹄的研究如何实现一个 Manus,经过我们研究和讨论发现,Manus 实现起来好像不难?

我们可以预先定义一些工具函数,让模型再做推理的时候选择一个工具,应用层负责执行工具把结果回传给模型,让模型继续推理,直到问题解决:

如果让我们给 Agent 下一个定义,我想可以这么说:

Agent 是一个能够自主感知环境,做出决策,调用工具并执行任务,最终完成目标的任务执行系统

这句话里面的每一个词都很重要(只不过现阶段的要点逐渐变成了构造环境了Harness):

  • 自主:Agent不需要人一步一步的指示,它会根据任务目标自动做决策
  • 感知:意味 Agent可以和外部环境通信,可以观察外部环境
  • 工具:这个是Agent能够做事的前提,它有什么样的工具,就有了什么样的能力
  • 目标:Agent需要围绕用户任务目标而存在,不是在哪里瞎聊天

我们再来看看普通的聊天机器人和 Agent 有什么区别,以 deepseek 来举例 ,在官网网站提供的聊天框里面输入:

帮我整理一下上个月的销售数据,按区域分析一下增长率,做成PPT

Deepseek 会给出一个文本的回答

我没办法直接帮你整理数据或生成PPT文件但我可以教你一步步整理数据、计算增长率、提炼分析结论并给你PPT的结构和内容建议。你需要先提供以下信息......

基座模型更像是一个百科全书,什么都知道,你问它什么,它就回答你什么。

而Agent,我们可以把它比喻成一个数字员工,你给它一个任务,它会自己拆解任务,自己想办法完成任务,比如上面的问题,它会去打开 excel,查看数据,自己写公式 计算增长率,自己做 ppt…

中途它可能回来找你确认一些事情,销售数据的 excel 在哪里,PPT 你喜欢什么风格等等。

这就是 Agent 和 ChatBot 的区别,ChatBot 是被动的对话伙伴,你问一句它回一句,Agent 是主动的任务执行者:

Agent 由什么组成的

如果把一个 Agent 拆开来看,我们可以发现 Agent 其实由几个核心模块组成:

  • 大模型:提供基础的语言理解和生成能力,负责处理输入信息并输出推理结果
  • 角色与人格:定义Agent的应答风格,身份和行为约束,让输出符合预期场景
  • 记忆:包括短期记忆和长期记忆,用于跟踪任务进度和提供个性化响应
  • 工具:外部功能的接口和函数
  • 规划:将复杂任务分解为可执行的子步骤,用于处理多不推理和流程化的任务
  • 循环:控制Agent反复执行的过程,包含思考,工具执行,观察结果等直到任务完成

这些模块共同构成了 Agent 从接收输入到输出结果的完整流程,下面我们对这些核心模块逐一说明:

大模型

Agent的中枢神经,毫无疑问是大语言模型,无论是GPT、Claude、Gemini,还是国内的DeepSeek、通义千问等,它们在Agent中扮演的都是大脑的角色。

这里有一个很关键的点,很多人把大模型理解成了Agent,这里需要明确一下,大模型不是Agent,它是Agent的一部分,大模型它能思考,它是一个百科全书,知道很多事情,但是无法对外部世界产生任何影响。

大模型在Agent中负责三件事情,

  • 理解:理解用户的指令、外部环境信息
  • 推理:这件事情要怎么做,下一步需要做什么
  • 生成:输出文字,代码,工具调用的指令

我们可以理解成大模型是整个Agent系统的指挥官,但是他不会自己做任何事情

角色与人格

你有想过这个问题吗,都是基于Deepseek模型,我们可以开发出不同的Agent产品,有的Agent用来写代码,有的Agent 做客服,有的Agent当陪聊。

它们最核心的区别就是 System Prompt(系统提示词)

我们可以把System Prompt 当做的Agent的出厂基本配置,它会告诉大模型:

你现在是一个资深的Python工程师你需要保持耐心,永远不要和用户说脏话遇到不会的问题,你应该回答用户 不确定,而不是编造答案

这个设定,决定了Agent的人格,做事风格,能力边界,一个好的 System Prompt,能让同一个底层模型,演变成无数个不同的Agent。

记忆

人们能够高效的完成工作,很大程度上 是因为我们拥有记忆,今天的我,记得昨天发生的事情,也记得三年前的承诺,记得童年的味道,这些记忆塑造我们的判断和决策,甚至我们的个性。

Agent也需要记忆,因为大模型是健忘的(无状态),它没有任何持久化的记忆,每一次对话都是一次重新的开始,所以Agent需要一套记忆系统。每次新对话就把对应的记忆一起发送给大模型

我们通常把记忆分为2层

  • 短期记忆 对应当前对话或任务执行期间的上下文窗口,用于跟踪当前任务步骤,历史变量,中间推理结果等,一旦对话结束短期记忆通常会被清空
  • 长期记忆 把重要的信息保存下来,跨对话、跨任务复用,比如用户偏好,项目的关键决策,失败教训等等

实现长期记忆的方式也是五花八门的

  • 向量数据库做语义检索(如 Chroma、Pinecone)适合存储原文,模糊匹配,能根据语义相似度召回的相关记忆
  • 知识图谱做结构化存储:将记忆表示为实体和关系,能够沿着关系链条一步步查找信息,能够支持精确推理和多跳查询
  • 直接写到文件里面
  • 摘要式记忆:每次交互后让模型自动生成一段简短摘要,只保存要点,节省存储空间,也方便直接放进对话里。

这些方式并不是单独存在,一般都是混合使用。

Agent的记忆设计目前是做活跃的研究方向之一,是因为它从根本上决定了Agent能否实现成长,从经验中持续学习和改进,同时也决定了Agent能否保持行为的一致性、完成跨长时间尺度的复杂任务,以及在与环境或用户的反复交互中真正沉淀出个性化的智能。

工具

我们常常听到一个比喻,就是大模型是Agent的大脑,工具就是Agent的手脚,没有工具的Agent,就是一个Chatbox。

工具的本质,是一组Agent可以调用的函数,每一个工具有名称,描述,参数,有返回值。Agent在思考过程中,会根据工具的名称和描述来选择合适的工具来帮助完成用户的任务。

常见的工具大致可以分为以下几类:

  • 信息获取类:网页搜索、API查询、数据库读取
  • 文件操作类:读文件、写文件、列目录
  • 代码执行类:运行Python、执行SQL、调用Shell
  • 通信类:发邮件、发消息、打电话
  • 专业领域类:调用医疗诊断API、调用财务分析模型

工具的丰富程度,直接决定了Agent的能力边界,如果只有一个搜索工具的Agent,那么Agent还是一个百科全书,只能回答问题。而一个能读写文件,操作浏览器的Agent,就具备实际动手能力,可以自动完成任务。

规划

复杂任务不是一蹴而就的。如果你让Agent 去分析 公司去年的财务报表,并给出改进的建议。它不能直接就给你答案,

他需要拆解任务,先要获取财务数据,做关键指标计算,再做同比环比分析,找出问题,再给出建议,最后整理成报告

这种把大任务拆成小步骤,理清先后顺序的能力,我们加它称为规划(Planning),业界探索了很多规划方法,我们把它分为3类

  • React (Reasoning + Acting)让模型在每一步都先思考再行动,思考和执行交替执行。
  • Plan-and-Solve 模型先把整个计划写出来,然后再逐步执行
  • Tree of Thoughts 让模型像下棋一样,同时推演多个可能得路径

每一种方法都各有优劣,也可以把不同的方式组合起来使用,比如 可以先用Plan-and-Solve把步骤都先写出来,然后每一步 都使用React来进行。 核心思想 就是:让Agent在行动之前先思考

循环

上面我们讲了Agent的 大脑,工具,记忆,规划能力,现在还差最后一步,让它们联动起来,这就是我们常说的感知,思考,行动循环,我们也称它为Agent Loop。

Agent Loop 的循环处理流程是这样的:

1、接收用户输入2、大模型思考,要完成用户的任务要怎么做,调用工具,还是直接回答用户?3、如果大模型决定调用工具,Agent就执行模型返回的工具,把工具结果作为添加到模型的消息数据里面,回到第2步 再次让模型判断4、如果大模型决定输出最终答案,就结束

这个循环可能执行5次就结束了,也有可能会跑500次。它的终止条件可能是任务正常完成,也可能是达到了Agent设置的步数上限,或者Agent自己决定放弃不再执行。

Agent Loop把前面讲将的模型,工具,记忆能力都串联起来,在一个循环中,大模型负责思考推理,决定下一步做什么,如果需要调用工具,则执行工具,将工具结果或者模型的推理输出保存为记忆。

这个看似简单的循环,让Agent从一个回答的工具,变成了一个能持续工作的数字员工。

Agent能干什么

前面我们聊了Agent的实现原理,那么今天,Agent到底能帮我们做些什么呢?

编程Agent

如果要让我们选一个Agent最成熟的应用领域,我觉得毫无疑问就是编程Agent。

Claude Code、Cursor 、CodeX、Trae等工具,从最初的代码补全,逐步发展成能完整完成功能开发的Agent,你只需要给它一个需求,比如:“帮我写一个登录界面,要支持短信验证码登录”,它就会自己读取完整的项目目录,分析技术路径,设计接口,然后写代码,跑测试,自己修改bug。

为什么编程领域的Agent会最先落地

  • 编程任务有大量的高质量训练数据,github上几十亿行代码,给模型提供了足够的学习素材
  • 编程任务有非常清晰的反馈信号,代码能不能跑通,有没有语法错误,测试是否通过,模型自己就可以判断。
  • 程序员天生爱偷懒,自己就会想方设法的搞工具来提高开发效率,只要能完成大部分体力工作,能节省时间,即便部分有错误,他们也愿意接受。
  • 很容易搜集反馈数据,比如接受/拒绝代码,可以反补模型训练
研究助手

模型擅长阅读海量文档、总结要点、生成综述,因此天然适合充当研究助手。无论是文献调研、数据整理,还是竞品分析,Agent都能在几分钟内完成人类数小时的工作。

客服与运营

客服和运营,这类自动化流程,才是Agent商业化最大的战场,智能客服,电商的售前和售后,企业内部工作台,工单系统等。

这些场景过去大量依赖员工,后面大部分的工作 都会被Agent接管,这个是真正发生的事情,很多企业都在内部提效,大量使用Agent来提高工作效率。将内部业务系统与Agent打通后,Agent就可以查订单,改地址,发优惠券,审核套餐等。

个人助理

普通人可能更加在乎的是一个个人助理Agent,那种你脑海里想象的,电影里面见过的,帮助你订机票,安排日程,提醒你别忘了 女朋友生日的全能助理,就像前段时间爆火的openclaw,目前这种Agent还没有一个真正成熟的产品,但我相信不久的将来它一定会出现:

这个个人Agent我觉得是最难的,如果要表现很亮眼,它需要打通的工具太多了,你的邮箱,日历,微信,支付宝,以及其他各种你经常使用的App,目前这些都没有对应的工具体系,账号和数据都是不通的,虽然技术上可以实现,但是厂商的壁垒挺高的。

结语:抓住大模型时代的职业机遇

AI大模型的发展不是“替代人类”,而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作,却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言,想要在这波浪潮中立足,不仅需要掌握Python、TensorFlow/PyTorch等技术工具,更要深入理解目标行业的业务逻辑(如金融的风险控制、医疗的临床需求),成为“懂技术、懂业务”的复合型人才。

无论是技术研发岗(如算法工程师、研究员),还是业务落地岗(如产品经理、应用工程师),大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情,紧跟技术趋势,就能在AI大模型时代找到属于自己的职业新蓝海。

最近两年大模型发展很迅速,在理论研究方面得到很大的拓展,基础模型的能力也取得重大突破,大模型现在正在积极探索落地的方向,如果与各行各业结合起来是未来落地的一个重大研究方向

大模型应用工程师年包50w+属于中等水平,如果想要入门大模型,那现在正是最佳时机

2025年Agent的元年,2026年将会百花齐放,相应的应用将覆盖文本,视频,语音,图像等全模态

如果你对AI大模型入门感兴趣,那么你需要的话可以点击这里大模型重磅福利:入门进阶全套104G学习资源包免费分享!

扫描下方csdn官方合作二维码获取哦!

在这里插入图片描述

给大家推荐一个大模型应用学习路线

这个学习路线的具体内容如下:

第一节:提示词工程

提示词是用于与AI模型沟通交流的,这一部分主要介绍基本概念和相应的实践,高级的提示词工程来实现模型最佳效果,以现实案例为基础进行案例讲解,在企业中除了微调之外,最喜欢的就是用提示词工程技术来实现模型性能的提升

img

第二节:检索增强生成(RAG)

可能大家经常会看见RAG这个名词,这个就是将向量数据库与大模型结合的技术,通过外部知识来增强改进提升大模型的回答结果,这一部分主要介绍RAG架构与组件,从零开始搭建RAG系统,生成部署RAG,性能优化等

img

第三节:微调

预训练之后的模型想要在具体任务上进行适配,那就需要通过微调来提升模型的性能,能满足定制化的需求,这一部分主要介绍微调的基础,模型适配技术,最佳实践的案例,以及资源优化等内容

img

第四节:模型部署

想要把预训练或者微调之后的模型应用于生产实践,那就需要部署,模型部署分为云端部署和本地部署,部署的过程中需要考虑硬件支持,服务器性能,以及对性能进行优化,使用过程中的监控维护等

img

第五节:人工智能系统和项目

这一部分主要介绍自主人工智能系统,包括代理框架,决策框架,多智能体系统,以及实际应用,然后通过实践项目应用前面学习到的知识,包括端到端的实现,行业相关情景等

img

学完上面的大模型应用技术,就可以去做一些开源的项目,大模型领域现在非常注重项目的落地,后续可以学习一些Agent框架等内容

上面的资料做了一些整理,有需要的同学可以下方添加二维码获取(仅供学习使用)

在这里插入图片描述

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

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1325

Manus、OpenClaw、Hermes 一路爆火,Agent 到底是什么?

导读:上周去某大学做了一场关于 Agent 的分享,另外比较惊讶的是:大家对于 Agent 是什么是比较陌生的!

m0_59163425的博客 303

FPGA DMA IP核使用指南

数据传输:支持从源地址到目标地址的数据传输。中断管理:提供中断信号,便于CPU处理传输完成事件。传输控制:支持传输大小、方向和暂停/恢复控制。

weixin_66634995的博客 2428

智能体工程全景:从提示词到图的演进与落地

一句话判据:判断一个系统是不是智能体,只看一条——下一步做什么,是它自己决定的,还是你事先写死的。"智能体"这个词被用得很滥。厘清它和三个近亲的边界,后面的讨论才有基础。它不是聊天机器人。聊天机器人的输出终点是一段文字,交付物是"话"。智能体的输出终点是世界状态的改变——文件被修改了、工单被创建了、参数被下发了。它交付的是"事"。它不是 RPA(机器人流程自动化)。RPA 走录制好的固定路径(数据搬运、批量填表、定时报表、对账等);智能体则在运行时根据当前观察决定下一步。

洪流之源 286

Android wifi源码分析(二) Wifi关闭流程

接着上一篇,这篇说一下Wifi的关闭流程。 由上一篇可以知道,framework层提供的wifi开关接口都是**setWifiEnabled**,只是参数不同而已。*true*表示开启wifi、*false*表示关闭wifi。

奋斗的菜鸟ing 3300

【低空经济】无人机充电站设计方案

随着无人机技术的快速发展和广泛应用,其在物流、农业、巡检、救援等领域的应用日益普及。然而,无人机的续航能力一直是限制其大规模应用的关键因素之一。为了解决这一问题,无人机充电站的设计与建设显得尤为重要。本项目旨在设计一套高效、智能、可扩展的无人机充电站系统,以满足不同场景下无人机的充电需求,提升其作业效率和应用范围。无人机充电站的设计将围绕以下几个核心目标展开:首先,充电站应具备快速充电能力,以减少无人机的停机时间,提高作业效率;

2960

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 341

Keras神经网络可视化模块keras.utils.visualize_util的安装配置方法

本文介绍了如何安装和配置keras.utils.visualize_util模块,并提供了一个简单的示例演示如何使用该模块来可视化神经网络的结构。在上述代码中,我们首先定义了一个简单的神经网络模型,该模型具有一个输入层、一个隐藏层和一个输出层,其中隐藏层具有512个神经元,输出层具有10个神经元。运行上述代码后,我们将在当前工作目录下找到一个名为model.png的文件,它显示了神经网络的结构图。这种方式有效地展示了整个过程,让我们能够更好地理解神经网络的结构,方便对其进行改进和调试。

. 893

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 280

【Flutter 面试题】 怎么减少Widget的重新构建?

关于 const 关键字的使用:在 Flutter 开发中,任何时候当你确定一个 Widget 在其整个生命周期内都不会发生变化时,使用 const 关键字声明这个 Widget。这样的声明告诉 Flutter 框架这个 Widget 可以在编译时生成,后续的构建周期中可以重用已经创建的 Widget,从而避免了重复的构建开销。这适用于静态文本、图标或整个不变的 Widget 树。

Code Metaverse 1579

Python爬虫:爬取健身平台运动数据(跑步、骑行轨迹)

通过分析这些运动数据,用户能够了解自己的运动趋势、运动成绩,并作出相应的调整。通过使用Strava的API,我们成功地获取了用户的运动活动信息和运动轨迹数据,并进行了存储与可视化。Strava的API提供了丰富的数据接口,能够通过OAuth2认证获取用户的运动数据,包括历史数据、运动轨迹等信息。Strava的API还提供了获取活动轨迹数据的接口,返回的数据格式通常是GeoJSON格式,适用于地图可视化。随着大数据技术的发展,运动数据的分析和可视化为个人健康管理、运动训练计划的优化等提供了强大的支持。

2201_76125261的博客 1076

【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 616

斑马算法优化变分模态分解ZOA-VMD数字信号去噪(优化K值 alpha值)【含Matlab源码 4887期】

斑马算法优化变分模态分解ZOA-VMD数字信号去噪(优化K值 alpha值) 完整的代码,包运行;运行操作视频见优快云资源!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 811

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 209

杰理SDK入门教程(六):自定义按键事件

这篇教程介绍了在杰理AC695N芯片上实现自定义按键功能的完整流程,包含三个核心步骤:首先在key_event_deal.h文件中添加按键枚举定义;然后在adkey_table.c配置按键映射表,按模式和行为类型设置按键值;最后在app_common.c的消息处理函数中添加自定义按键逻辑。教程强调需注意不同模式按键表的列定义差异,并提供了具体代码示例,最后指导完成编译测试验证。全文结构清晰,配有关键代码截图,适合开发者快速上手自定义按键功能开发。

qq_42014563的博客 1018

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

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 345

Statistics and Machine Learning Toolbox

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

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 363

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

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 87

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 163

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! 514

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 619

【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。

408

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 402

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5168

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 573

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 182
上一篇: 2026届应届生必看:AI行业就业风口全拆解(内含入行岗位)
下一篇: AI大模型应用开发成高薪香饽饽,想入行吗?
智泊AI官方
博客等级 码龄6年 8639粉丝 2667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