- 博客(265)
- 收藏
- 关注
RSS订阅原创 内网垂直领域大模型的训练方法
在内网（即私有网络、企业内部网络）环境下训练垂直领域大模型，通常出于数据安全、合规性、业务定制化等需求。这类训练方法需要兼顾模型性能、资源效率和隐私保护。如 LLaMA-2/3、Qwen、ChatGLM、Baichuan、InternLM 等支持商用许可的模型。硬件：多卡 GPU 集群（如 A100/H100）、高速互联（NVLink/InfiniBand）。领域预训练：用10亿 token 的脱敏财报、研报、客服对话继续预训练（CLM）定义评估指标（准确率、F1、BLEU、ROUGE、人工评估等）。
2025-12-23 14:34:31
217
原创 大模型技术如何应用在目标检测业务中
大模型（Large Models），尤其是视觉大模型（如 Vision Transformers、SAM、DINOv2、Grounding DINO 等）在目标检测业务中的应用正迅速发展。大模型对长尾类别（出现频率低但重要的类别）有更好的识别能力，因其在预训练阶段接触过更广泛的数据分布。✅ 应用场景：智能零售（“找出货架上缺货的商品”）、自动驾驶（“注意穿黄色雨衣的行人”）。✅ 应用场景：城市治理（识别“乱堆垃圾”“违规广告牌”等长尾事件）。✅ 应用场景：遥感图像分析、机器人抓取（需精确定位边界）。
2025-12-23 14:32:17
270
原创 具身智能如何与大模型结合
具身智能（Embodied Intelligence）与大模型（如大型语言模型、多模态大模型等）的结合，是当前人工智能研究的重要前沿方向。其核心思想是：让智能体不仅具备强大的认知和推理能力（来自大模型），还能在物理或虚拟环境中通过感知、行动与环境交互来学习和完成任务。利用视觉-语言大模型（如 LLaVA、Flamingo、GPT-4V）理解场景语义。大模型生成高层指令（如“去厨房拿水杯”），再由下游模块分解为具体动作序列。角色：大模型充当高级决策中枢，提供常识推理、任务规划、语言理解等能力。
2025-12-22 16:31:01
304
原创 多模态数据集怎么构建
构建多模态数据集是一个系统性工程，涉及多个步骤，包括需求分析、数据采集、对齐处理、标注、质量控制、存储管理以及伦理合规等。公开数据集复用：如 COCO（图像+文本）、AudioSet（音频+标签）、HowTo100M（视频+语音+文本）、MMIMDb（电影海报+剧情文本）等。确定模态组合：常见模态包括图像、文本、音频、视频、传感器数据（如IMU、EEG）、3D点云等。定义应用场景：如视觉问答（VQA）、图文检索、语音-图像生成、医疗多模态诊断等。格式标准化：统一采样率（音频）、分辨率（图像）、编码格式等。
2025-12-22 16:24:19
481
原创 对于pdf、excel、word、ppt文档如何进行有限的最有效的标注
对 PDF、Excel、Word 和 PPT 文档进行有限但最有效的标注，关键在于：聚焦核心信息、保持简洁、便于后续检索或协作。协作工具：使用支持实时协同的平台（如 Microsoft 365、Google Workspace、Notion），替代本地文件反复传递。版本控制：标注文件命名含日期/版本（如“报告_v2_批注_20251212”）。模板化：为常见任务创建带预设标注样式的模板（如“论文审阅模板.docx”）。只标真正关键的内容（如结论、数据异常、逻辑漏洞、核心论点）。目的不同，标注策略不同。
2025-12-20 11:49:07
241
原创 驾驭AI新物种：智能体如何赋能
我们将深入智能体的“大脑”（规划与决策）与“四肢”（工具调用与执行），解剖顶尖项目的架构精髓。在这里，你将获得的不是知识点，而是一套完整的“生产流水线”：从智能体原型设计、多智能体协作框架，到真实业务场景的落地部署与效能评估。大模型的第一波红利属于会提问的人，而下一波、也是更大的一波红利，将属于会“创造智能”的人。智能体（Agent）——这个能接管复杂任务流、具备记忆与决策能力的AI新物种，正在成为技术精英与商业洞察者之间最新的“分水岭”。模块二：掌握基于Dify的智能体搭建。模块四：掌握智能体开发技巧。
2025-12-20 11:47:27
345
原创 大模型训练细节（附小白转型AI学习路径）
大模型（Large Language Models, LLMs）的训练是一个高度复杂、资源密集的过程，涉及数据准备、模型架构设计、分布式训练、优化策略、评估与调优等多个环节。张量并行（Tensor Parallelism）：将单层计算拆到多个设备（如 Megatron-LM）自动评估指标：Perplexity、BLEU、ROUGE、MMLU、HumanEval（代码能力）位置编码：RoPE（旋转位置编码）、ALiBi、经典绝对/相对位置编码。
2025-12-19 14:25:47
259
原创 如何对RAG进行评估（附AI学习路径）
对RAG（Retrieval-Augmented Generation，检索增强生成）系统的评估是一个多维度任务，需综合考虑检索模块、生成模块以及整体系统性能。注：需要构建“黄金标准”相关文档集（ground-truth passages），通常来自 SQuAD、Natural Questions、HotpotQA 等数据集。BLEU / ROUGE-L：衡量与参考答案的 n-gram 重叠（适用于有标准答案的任务）。Top-k 准确率（Hit@k）：正确文档是否出现在前 k 个结果中。
2025-12-19 14:22:14
427
原创 大模型技术如何应用在多自由度机械臂与灵巧手的控制应用
大模型（Large Models），特别是大型语言模型（LLMs）和多模态大模型（Multimodal Large Models, MMLMs），近年来在机器人控制领域展现出巨大潜力。大模型在多自由度机械臂与灵巧手控制中，主要扮演语义理解者、任务规划者、技能调度者的角色，而非直接控制器。通过与底层运动控制、感知模块、技能库的协同，可实现高语义层级、强泛化能力、人机自然交互的智能操作系统。灵巧手（如Shadow Hand、Dex3-1）具有高维状态空间（>20 DoF），传统控制方法难以泛化。
2025-12-18 15:06:01
1054
原创 大模型的私有化部署细节
大模型整合温度、压力、气体成分等实时数据，预测炉况稳定性（如“炉冷”“炉热”），并提出风量、燃料配比等优化建议，提升效率。大模型在钢铁行业的应用正快速推进，覆盖从原料处理、冶炼、轧制到环保与管理的全流程。基于煤炭配比、加热曲线等参数，预测焦炭强度、灰分、硫含量，优化配煤方案。分析VOCs、颗粒物等排放数据，优化脱硫脱硝设备运行策略，实现超低排放。融合气象、生产与排放数据，预测污染趋势，动态调整生产负荷或治理措施。分析炉渣、粉尘、废水成分，优化回收路径，提升资源循环利用率。点击下方微信名片，获取更多资源！
2025-12-18 14:49:01
797
原创 Transformer架构对于车间复杂场景的关键行为识别改进有哪些帮助
Transformer优势：通过自注意力机制（Self-Attention），Transformer能够对视频帧或传感器序列中的任意两个位置建立关联，从而有效建模跨时间、跨空间的行为上下文。可设计多模态Transformer（如Multimodal Transformer、Perceiver）将不同模态嵌入统一语义空间；结合时空Transformer（如TimeSformer、ViViT）可从多帧中重建被遮挡行为。效果提升：即使部分身体被机器遮挡，仍能通过历史帧和上下文推断关键动作（如“未佩戴安全帽”）。
2025-12-17 09:14:32
524
原创 RAG知识库构建策略
构建一个高效的RAG（Retrieval-Augmented Generation，检索增强生成）知识库，是提升大模型问答质量、准确性和可控性的关键。用户需求：高频问题类型、答案形式（摘要/原文/多跳推理等）。应用场景：客服问答、企业内部知识助手、医疗/法律咨询等。性能要求：响应延迟、召回率、准确率、可解释性等。权限控制：不同用户只能访问授权知识子集。审计日志：记录谁在何时检索了什么内容。写在最后：RAG知识库构建核心原则。✅ 评估驱动迭代，而非一次性构建。✅ 混合检索 > 单一向量检索。
2025-12-17 09:11:06
919
原创 大模型如何赋能智能制造
大模型（Large Models），特别是以大语言模型（LLM）和多模态大模型为代表的通用人工智能技术，正在深刻赋能智能制造（Smart Manufacturing），推动制造业向更高效、柔性、智能和可持续的方向演进。生产调度优化：大模型可整合历史生产数据、设备状态、订单信息等，通过强化学习或推理能力，生成最优排产方案。质量预测与控制：结合传感器和视觉数据，大模型可实时识别缺陷模式，预测产品质量问题，并提供改进建议。利用大模型分析全球市场、物流、库存等多源数据，实现动态需求预测与供应调配。
2025-12-16 16:15:02
330
原创 边缘计算所使用的知识蒸馏、轻量化模型具体依据什么进行操作
边缘计算中使用知识蒸馏（Knowledge Distillation）和轻量化模型（Lightweight Models），主要是为了在资源受限的设备（如移动终端、IoT设备、嵌入式系统等）上实现高效、低延迟、低功耗的推理。知识蒸馏是一种模型压缩技术，通过将一个复杂、高性能的“教师模型”（Teacher Model）的知识迁移到一个结构更简单、参数更少的“学生模型”（Student Model）中，从而在保持较高精度的同时降低计算开销。先用知识蒸馏训练一个小型学生模型；总结：操作依据的核心原则。
2025-12-16 16:11:49
424
原创 物理神经网络如何与大模型结合
物理神经网络（Physics-Informed Neural Networks, PINNs）与大模型（如大型语言模型 LLMs 或视觉大模型）的结合，是近年来人工智能与科学计算交叉领域的一个前沿方向。这种融合旨在利用大模型的通用表征能力与物理神经网络对物理规律的嵌入能力，实现更高效、可解释、泛化能力强的智能系统。思路：大模型（如 LLM）可以理解自然语言描述的物理定律、方程或实验设置，并将其转化为数学形式（如偏微分方程 PDE），供 PINN 使用。大模型是目前非常好用的工具，可以赋能千行百业。
2025-12-15 14:57:21
389
原创 大模型在空中博弈中的应用
大模型在空中博弈中的应用，是当前人工智能与军事技术融合的前沿方向之一。随着深度学习、强化学习和多模态大模型的发展，空中智能博弈正从传统的“规则驱动”或“数据驱动”向“认知驱动”演进。中国“动能大模型”：据2025年报道，该模型已赋能歼-20B与攻击-11/12无人机协同，在西太区域实现对F-16/F-35的有效压制。跨域融合：空中博弈与天基（卫星）、地面（机械狼/无人坦克）、海上（航母AI系统）联动，形成全域智能杀伤网。从“单机智能”走向“集群认知”：构建空中“蜂群大脑”，实现群体涌现智能。
2025-12-15 14:53:10
476
原创 使用大模型处理涉密工作时如何保障不出现失泄密问题，同时还能在使用互联网内的语料训练优化模型？
在使用大模型处理涉密工作时，既要防止失泄密，又要利用互联网语料训练优化模型，这是一个典型的“安全与效能”平衡问题。输出审查：模型生成内容需通过敏感信息过滤引擎（如关键词匹配、正则规则、AI辅助检测）进行自动审查，防止模型“记忆”并泄露训练数据。输入脱敏：若需将外部数据用于模型训练，必须经过脱敏、去标识化、泛化处理，确保不包含国家秘密、商业秘密或个人信息。在涉密环境中，基于通用大模型的冻结主干，仅训练轻量级适配模块（如LoRA、Adapter）或微调部分参数。
2025-12-12 10:13:13
294
原创 在移动端如何部署本地知识库+大模型
在移动端部署本地知识库 + 大模型，主要目标是在设备上（如手机、平板）实现离线问答、语义理解、内容生成等功能。由于移动端资源有限（CPU/GPU 性能、内存、存储），需要对模型和知识库进行轻量化处理，并选择合适的推理框架。可选报由工业和信息化部教育与考试中心颁发《人工智能应用工程师》（高级）职业技术证书，可通过工业和信息化部教育与考试中心官方网站查询，并纳入工信部教育与考试中心人才库，该证书可作为有关单位职称评定、专业技术人员能力评价、考核和任职的重要依据。缓存机制：缓存常见问题的答案或检索结果。
2025-12-12 10:07:11
1393
原创 大模型在发动机行业的应用
大模型在发动机行业的应用近年来取得了显著进展，尤其是在航空发动机和汽车动力系统领域。其核心价值在于：将复杂、高维、多通道的时序数据与自然语言理解能力融合，实现智能诊断、优化设计、预测性维护和人机协同决策。未来趋势是：“工业大模型 = 行业知识 × 时序理解 × 自然语言交互”，真正实现从“专家经验驱动”到“AI认知驱动”的跃迁。大模型不是简单套用 GPT，而是针对发动机“强时序、多物理场、高耦合”特性，重构输入表征、注意力机制与任务范式。二、汽车发动机与混动系统的应用。一、航空发动机领域的应用。
2025-12-11 15:01:14
326
原创 如何对大模型进行微调
对大模型（如 LLaMA、ChatGLM、Qwen 等）进行微调是使其更适用于特定任务或领域的重要手段。微调的核心思想是在预训练模型的基础上，利用特定领域的数据进一步训练模型参数，从而提升其在该任务上的表现。Axolotl / Unsloth 一键微调脚本（支持 QLoRA）Hugging Face Transformers 模型加载、训练。三、技术实现步骤（以 Hugging Face 生态为例）bitsandbytes 4-bit/8-bit 量化。PEFT LoRA/Adapter 等高效微调。
2025-12-11 14:56:12
924
原创 如何内网环境中进行大模型搭建、数据处理和应用
在内网环境（无互联网访问）中搭建大模型系统，是许多政府、军工、金融、医疗等对数据安全要求高的机构的常见需求。这类场景下，需解决模型获取、依赖安装、数据处理、推理/训练部署、应用集成等一系列挑战。以下是从零开始，在完全离线内网环境中进行大模型搭建、数据处理与应用的完整指南，涵盖技术选型、流程设计和实操建议。智能体（Agent）：LangChain + 本地工具（如SQL查询、文档检索）F --> G[应用服务（Web/API/Agent）]D --> E[大模型部署（推理/微调）]
2025-12-10 11:09:04
349
原创 如何利用大模型进行研究热点和趋势的挖掘，数据处理等
LLMs 不仅能处理海量非结构化文本（如论文、专利、新闻、报告），还能通过语义理解、知识抽取和推理能力，辅助识别新兴方向、技术演进路径和跨学科融合点。学术论文：arXiv、PubMed、IEEE Xplore、Springer、CNKI、Web of Science、Scopus。技术报告与白皮书：政府机构（如NSF、DARPA）、企业（Google AI、Meta AI）、智库。提取标题、摘要、关键词、作者、机构、引用、发表年份、领域标签等字段。
2025-12-10 11:07:21
1052
原创 多智能体如何实现协同决策与控制
多智能体系统（Multi-Agent Systems, MAS）中的协同决策与控制是实现复杂任务（如自动驾驶车队、无人机编队、智能制造、智能电网等）的关键。其核心目标是让多个具有自主性、局部感知能力和决策能力的智能体，在信息有限、环境动态甚至存在冲突的情况下，通过交互与协调达成全局或局部一致的目标。使用分布式一致性算法（如平均一致性、最大一致性）使所有智能体对某个变量（如目标位置、速度）达成一致。独立学习（IQL）：每个智能体独立训练，忽略其他智能体的策略变化（非平稳性问题）。
2025-12-09 19:32:33
392
原创 大模型十大高频问题之五：如何低成本部署大模型？有哪些开源框架推荐？
中文为主 → 优先选 Qwen-7B / ChatGLM3-6B。硬件：一台 RTX 3090 服务器（二手约 ¥8,000）性能优先 → 上 Qwen-14B / Llama3-8B。成本极低 → 试试 Phi-3-mini（可在手机跑）实例：A10/A100 竞价实例（¥3~6/小时）llama.cpp（CPU/手机端部署）；方案 1：【个人开发者】本地运行（零成本）方案 2：【中小企业】私有化部署（万元内）四、硬件成本估算（以运行7B模型为例）成本：每天运行4小时 ≈ ¥100/月。
2025-12-09 19:07:50
176
原创 如何部署边端大模型
部署边端（Edge）大模型是当前AI落地的关键挑战——既要保留大模型能力，又要满足低功耗、低延迟、小体积、高安全的边缘设备约束。以下是系统性部署指南，覆盖选型、压缩、推理、工具链、典型硬件五大维度。一、核心原则：不是“把云端模型搬下来”，而是“为边缘重构模型”QPS/延迟：设置熔断机制（如超时>500ms自动降级）；模型更新：支持OTA远程升级（加密传输）。第1步：明确边缘场景需求（决定技术路线）第3步：推理引擎选型（决定性能上限）温度/功耗：工业设备需限制 TDP；第2步：模型选择与压缩（核心！
2025-12-02 18:08:57
297
原创 大模型十大高频问题之四：国产大模型（如通义千问、文心一言、GLM）和国外模型（如 GPT-4、Claude）差距有多大？
国产大模型与国外顶尖模型（如 GPT-4o、Claude 3.5）在整体能力上仍存在差距，但在中文场景、垂直领域和信创适配方面已实现“局部超越”或“高度接近”。差距不再是“代际鸿沟”，而是“场景化优劣”。高频原因：央国企受信创政策驱动，需评估国产模型能否替代。五、生态与工具链：国外成熟，国产追赶迅速。三、安全性与合规性：国产模型全面领先。行业适配能力（如电力、金融术语）。一、综合能力：仍有差距，但快速缩小。四、落地成本与效率：国产更具性价比。二、中文场景：国产模型显著占优。六、总结：如何选择？
2025-12-02 18:00:25
498
2
原创 大模型十大高频问题之三：如何防止大模型“胡说八道”（幻觉）？
防止大模型“胡说八道”（即幻觉，Hallucination）是大模型落地高风险场景（如科研、医疗、金融、工业运维）的核心挑战。大家好，我是张杰，一个专注于智能化、数字化专业技术人员培养的知识布道者，更多信息可看我主页。错误推理：“因为A发生，所以B一定成立”（逻辑不成立）✅ 第二层：知识层约束 —— 只让模型“说知道的事”；✅ 第一层：输入层控制 —— 引导模型“少犯错”✅ 第三层：生成层干预 —— 让模型“自我纠错”✅ 第四层：输出层验证 —— 人工+自动双重把关。六、给非技术科研人员的行动清单。
2025-12-01 15:21:07
188
原创 非人工智能专业人员如何搭建自己的智能体
下面是学习的具体内容（线上、线下同步进行）（发票可开专票、普票，科目培训费、会议费、资料费、咨询费等）（详情咨询张老师134，o114，917o）如何构建一个适合自己的智能体对于专业人员，特别是人工智能专业的人很简单，那非人工智能专业科研人员如何构建自己的智能体？6、适应性（Adaptability）：智能体可以适应新的或变化的环境，具有良好的泛化能力。1、自主性（Autonomy）：智能体能够独立运行，不需要持续的人工干预，能自主做出决策。总结：你不需要成为程序员，也可以搭建智能体，只需做到。
2025-12-01 15:01:45
318
原创 大模型十大高频问题二：如何在私有数据上微调大模型？需要多少数据和算力？
Key Words：人工智能入 AI入门 大数据培训 数字孪生培训 大模型培训 知识图谱培训 软件架构培训 强化学习培训 人工智能培训 具身智能培训 深度学习培训 学习路径 智能体 LLM VLA 世界模型。高频原因：企业希望用自有数据定制模型，但对成本、技术门槛（如LoRA vs 全参微调）、数据质量要求不清晰。安全合规：优先选择 国产大模型（通义、盘古）+ 私有化部署，满足信创要求；模型：Phi-3-mini（3.8B）、Qwen-1.8B；
2025-11-29 11:22:42
807
原创 大模型十大高频问题一：RAG（检索增强生成）和微调，哪个更适合我的业务场景？
Key Words：人工智能入 AI入门 大数据培训 数字孪生培训 大模型培训 知识图谱培训 软件架构培训 强化学习培训 人工智能培训 具身智能培训 深度学习培训 学习路径 智能体 LLM VLA 世界模型。RAG（检索增强生成）和微调（Fine-tuning）并非互斥，而是互补的技术路径。选择哪种（或组合使用），取决于你的业务目标、数据特性、成本预算和更新频率。如果模型“知道知识但不会用”（如答非所问、格式错误）→ 补充微调。
2025-11-29 11:19:29
476
原创 大模型微调效果评估方法
Key Words：人工智能入 AI入门 大数据培训 数字孪生培训 大模型培训 知识图谱培训 软件架构培训 强化学习培训 人工智能培训 具身智能培训 深度学习培训 学习路径 智能体 LLM VLA 世界模型。大模型微调（Fine-tuning）后的效果评估，不能仅依赖单一指标（如准确率），而需构建多维度、任务导向、可解释的评估体系。二、进阶评估技术（2024–2025前沿）（2）生成任务（如报告生成、维修建议）（3）检索增强生成（RAG）任务。一、评估框架：三层金字塔模型。
2025-11-27 12:32:52
534
原创 最新最前沿的大模型技术和大模型技术落地应用的方式
Key Words：人工智能入 AI入门 大数据培训 数字孪生培训 大模型培训 知识图谱培训 软件架构培训 强化学习培训 人工智能培训 具身智能培训 深度学习培训 学习路径 智能体 LLM VLA 世界模型。截至2025年中，大模型（Large Language Models, LLMs）技术已从“参数竞赛”进入“场景深耕、效率优先、安全可控”的新阶段。对装备运维、能源、制造等垂直领域而言，“大模型 + 行业知识 + 具身执行” 的融合模式，将成为新质生产力的核心引擎。
2025-11-27 12:30:35
1226
原创 具身智能在无人机领域的应用与部署
具身智能（Embodied Intelligence）是指智能体通过与物理环境的交互来体现其感知、认知和行为能力的一种智能形式。如无人清扫车、无人物流车，通过感知环境并执行操作（如拾取、运输），体现智能体的“身体”与“思维”结合。利用具身智能实现无人系统对复杂战场环境的实时响应与决策，如自动掩护、撤退、协同作战等。更强大的环境适应性：通过深度学习提升无人系统在复杂、动态环境中的感知与决策能力。人机交互与群体智能：多智能体协作、远程控制、语音/手势交互。感知系统：摄像头、雷达、激光雷达、IMU、声呐等；
2025-11-26 18:23:16
414
原创 如何将感知与控制有效高效结合
将感知与控制有效高效结合，是实现智能系统（如机器人、自动驾驶、工业自动化等）自主运行的关键。感知数据反馈到控制器，形成闭环，实时调整控制输出，提升系统稳定性与响应能力。感知层：通过传感器（如摄像头、雷达、激光雷达、温度传感器等）获取环境信息。结合多种传感器数据（如视觉、雷达、IMU），提高感知的准确性与鲁棒性。决策层：处理感知数据，识别状态，做出决策（如路径规划、行为判断）。控制层：根据决策结果，控制执行器（如电机、舵机、刹车等）实现动作。利用感知数据预测系统未来状态，优化控制策略，实现高效、平稳控制。
2025-11-26 18:19:28
179
原创 具身智能如何在垂直场景应用落地
具身智能（Embodied Intelligence）要在垂直场景中真正落地，不能仅停留在“技术炫酷”层面，而必须紧扣行业痛点、匹配业务流程、控制实施成本、符合安全规范。Key words:数字孪生培训/具身智能培训/大模型培训/知识图谱培训/强化学习培训/嵌入式软件架构培训。国产化适配：采用信创芯片（昇腾、寒武纪）、操作系统（麒麟）、大模型（通义、盘古）；预测性维护闭环：从“坏了再修” → “快坏就修” → “不让它坏”。本质安全设计：防爆认证（Ex d）、电磁兼容（EMC）、紧急制动；
2025-11-25 17:51:49
245
原创 具身智能技术在装备运维中的核心技术、发展方向、应用场景
具身智能（Embodied Intelligence）在装备运维领域正从概念走向工程落地，其核心在于让智能系统具备“身体”与物理世界交互，并在“感知—决策—行动”闭环中持续学习与进化。相比传统自动化或远程监控，具身智能强调自主性、适应性与操作能力，是高端装备智能化运维的下一代范式。Key words：数字孪生培训/具身智能培训/大模型培训/知识图谱培训/强化学习培训/嵌入式软件架构培训。聚焦高ROI场景：优先选择高危、高频、高成本的运维任务（如高压电房、高空风机）；Level 1：智能巡检（看得见）→。
2025-11-25 17:25:07
1128
原创 如何用dify搭建agent工作流
Dify 从 v0.6+ 版本开始支持 “工作流”（Workflow）模式，可构建类似 AutoGen 或 LangGraph 的链式/分支式 Agent 流程。通过以上步骤，即可在 Dify 中搭建出具备多角色协作、工具调用、条件判断能力的 Agent 工作流，满足央国企常见的“智能公文”“合规质检”“数据问答”等需求。💡 提示：Workflow 模式支持可视化编排多个节点（Node），每个节点可视为一个“子 Agent”。创建新应用 → 选择 “Workflow” 类型（不是 “Chatbot”）
2025-11-24 20:28:33
423
原创 国资委“AI+”专项行动下，企业技术人才培训如何合规落地？
国务院国资委启动“AI+”专项行动，明确要求中央企业加快人工智能核心技术攻关，推动AI与产业深度融合，打造新质生产力。人工智能已被纳入国家“十五五”规划的重点任务，明确以“赋能千行百业、培育新质生产力”作为核心方向。在此背景下，高质量、可落地、合规安全的技术人才培训，已成为央国企数字化转型的“刚需”。✅ 所有课程均强调国产化适配、数据安全合规，完全响应国资委“自主可控、安全高效”的技术导向。🔹 重实战：每门课均含实操项目，确保学员“学得会、带得走、用得上”；知识图谱构建与应用（赋能设备管理、合规风控）
2025-11-22 11:09:41
193
原创 人工智能系列之FPGA学习路径
要求：熟悉FPGA的开发流程，了解Verilog硬件描述语言，IP核、SOC等概念。下面是个人整理的知识图谱学习路径，有需要对应资料的欢迎交流！三、FPGA神经网络RTL级静态时序基础以及时序优化。二、FPGA卷积神经网络RTL级开发基础。一、人工智能与FPGA概述。四、神经网络HLS加速基础。
2025-09-11 18:00:02
201
原创 人工智能系列之嵌入式人工智能学习路径
下面是个人整理的知识图谱学习路径，有需要对应资料的欢迎交流！八、实时在嵌入式Linux系统。六、嵌入式linux系统发展。七、嵌入式linux应用发展。三、Bootloaders。五、 Linux文件系统。四、linux内核介绍。一、嵌入式Linux。十二、嵌入式AI应用。
2025-09-11 17:56:44
473
空空如也
neo4j的具体操作方法
2025-09-05
TA创建的收藏夹 TA关注的收藏夹
TA关注的人