当 AI 学会“造 AI”:ModelEngine Nexent 亮相 GOSIM 2025

ModelEngine介绍及使用场景 ModelEngine 是华为 DCS(Data Center Stack)全栈的 AI 训推全流程工具链。 阅读详情

上周末,杭州的科技氛围因一场盛会而变得格外热烈。GOSIM 2025 全球智能体峰会汇聚了众多关注人工智能的企业与开发者,议题涵盖了从智能体前沿技术到真实落地应用的方方面面。

在大会上,华为高级工程师、ModelEngine Nexent(以下简称Nexent) 项目负责人 陈双瑞 带来的题为《如何用 AI 制造 AI,智能体如何落地真实企业》的分享,引起了不少关注。他系统梳理了智能体在企业应用中面临的挑战,并介绍了 Nexent ——一个 零代码多模态多智能体平台,为智能体的开发与应用提供了开源化的解决方案。以下是演讲的精彩内容回顾。

图片


🌐 智能应用技术路线与未来展望

在演讲初始,陈双瑞全面分析了AI应用平台的发展趋势,指出传统的纯RAG平台因缺乏环境感知与互动能力已逐渐退出主流。 而应用编排类平台凭借图形化、流程化的开发方式,成为企业级应用的主流选择,具备极高的精确度和稳定性,但对开发人员能力要求较高。

2025年,基于灵活工具调用的智能体平台迅速崛起,其依托ReAct理论框架,通过“思考-执行-观察”机制实现高精度、高扩展性的任务处理,尤其适合多角色复杂场景。 此外,类似Manus的GUI操控型智能体平台也引发关注,它以多模态和沙箱环境支持广泛任务,泛化能力强、适合ToC用户,但因执行时间长、可控性弱,难以适用于企业级需求。
综合来看,具备规划、记忆与工具调用能力的智能体平台,才是当前最具发展前景的技术方向。

图片


🧬 生信育种科研智能体的案例分析:智能体企业化落地的痛点与挑战

尽管智能体技术日渐成熟,但在真实的企业应用中,其落地仍面临诸多挑战。陈双瑞以某生物信息育种企业的科研智能体项目为例,深入分析了当前智能体应用的典型难题。 该项目旨在自动解析学术论文,并复现实验流程。这一目标虽然看似简单,但实际操作中却暴露了许多难题。

在项目的执行过程中,团队遇到了高并发数据处理、大量实验数据的精准解析以及与现有工具链的深度集成问题。尤其是在 生信实验执行智能体 的应用中,智能体需要处理复杂的实验流程和数据分析,而传统的流程管理无法应对快速变化的需求,导致必须频繁进行人工干预。

这一案例充分暴露了智能体在企业落地时普遍面临的问题:不仅需要处理高并发的数据,还要确保任务执行的精确性和稳定性,并与现有系统深度整合。无论是在多智能体协作还是长周期任务执行中,企业都面临着提高效率的巨大压力,同时也面临高昂的开发和管理成本。

图片


🚀 Nexent:让智能体更强大,助力企业智能化转型

面对这些挑战,陈双瑞随即重磅介绍了Nexent智能体开发平台,并重点解读了其“开发态”与“运行态”中的关键技术。Nexent是一个革命性的智能体平台,凭借其领先的技术和创新的解决方案,正在推动企业迈向智能化未来。无论是智能体的开发,还是智能体的运行时管理,Nexent都具备独特的技术优势。

🔧 智能体开发态关键技术:

1. 自动生成:让智能体开发更简单

在传统的智能体开发中,企业往往需要强大的技术团队和专业的开发人员来进行构建和调试。而Nexent的自动生成(NL2Agent)技术,极大地降低了智能体开发的门槛。即使是没有编程背景的业务人员,也能轻松创建符合需求的智能体,真正实现了“零代码”开发。

简化开发过程

Nexent的智能体自动生成技术使得智能体的创建变得简便且直观。用户只需通过自然语言描述需求,Nexent便能自动生成智能体,并快速调试与优化。例如,一个企业希望生成一个能够自动回答客户问题的智能体,用户只需要输入简单的需求,例如:“请创建一个可以回答客户售后问题的智能体”,Nexent便能深入分析需求、获取缺失信息、快速配置所需工具、自动生成完整可用的智能体。

这种自动化的生成方式不仅提高了开发效率,也大幅降低了开发成本。企业无需依赖专业的技术人员,业务人员也能轻松定制自己的智能体,快速响应市场需求。

智能体快速迭代

通过自动生成,智能体的迭代速度也大幅提高。当业务需求发生变化时,Nexent可以自动调整并生成新的智能体版本,快速适应企业的变化需求。企业无需从零开始构建新的智能体,只需进行少量调整和配置,便能实现快速部署。

图片

2. 自动调优:让智能体越用越聪明

Nexent不仅仅让智能体的创建变得简单,它还通过自动调优技术,使得智能体在实际使用过程中不断提升性能和准确度。智能体的调优过程通过智能飞轮机制得以实现,确保智能体的不断优化。

收集反馈:智能体的自我学习

智能体的成长始于用户反馈。Nexent会自动收集用户在使用过程中的显式反馈(例如点击“不满意”)和隐式行为(如频繁修改输出)。这些反馈信息会被实时记录,并传递到系统中,为后续的优化提供数据支持。

根因分析:找出问题症结

平台会调用大模型对用户的反馈进行分析,找出智能体在任务执行中的潜在问题。无论是提示词不够精准,还是上下文理解不清,系统都能够通过深度分析,找出问题的根本原因,并提供优化建议。

自动生成改进方案:从反馈到优化

根据分析结果,Nexent会自动生成改进方案。这些方案包括:

• 自动生成优化后的提示词;

• 调整智能体的调用链路或操作逻辑;

• 给出模型微调的建议,帮助提升智能体的准确性和效率。

验证与评估:确保优化有效

每一次改进后,Nexent会通过内置的评估系统,对新版本进行验证,确保其性能优于旧版本。如果优化成功,智能体会进入新一轮的使用周期,不断学习与适应。

这种自动调优的机制,让智能体能够在持续使用中不断变得更智能、更高效,不仅帮助企业提高工作效率,也降低了人工干预和维护成本。

图片


🛠️ 智能体运行态关键技术:

3. 流程控制:确保智能体任务执行的精确与高效

智能体在处理复杂任务时,往往需要协调多个步骤和判断。为了保证智能体在执行任务时不偏离预定目标,Nexent引入了流程控制技术,确保每个任务都能够按部就班、精准无误地完成。

精确控制任务执行

在企业应用中,任务通常涉及多个步骤,并且需要根据实时数据做出判断。Nexent的流程控制模块能够帮助智能体按预定的流程和逻辑执行任务,确保不会漏掉任何重要步骤。例如,在客户服务领域,智能体需要根据用户问题的不同,逐步判断并提供最佳解决方案,而Nexent能够精准控制每一个环节的执行顺序。

任务追踪与日志记录

Nexent的任务追踪功能让企业能够实时监控智能体的执行过程。如果任务出现偏差或错误,系统会及时发出警报,确保问题得到快速解决。每个任务的执行都有详细日志记录,方便事后审计和分析。

图片

4. 运行时隔离:确保智能体的安全与稳定

在智能体的实际应用中,尤其是在处理敏感数据和高风险任务时,智能体的运行时隔离变得至关重要。Nexent通过容器化技术为每个智能体提供独立的运行环境,确保智能体之间互不干扰,极大增强了平台的稳定性和安全性。

防止系统间干扰

Nexent的运行时隔离技术,保证了智能体的独立性。例如,在一个多任务并行的场景中,不同智能体执行各自的任务,但它们的运行环境完全隔离,彼此之间不会互相干扰,这避免了数据污染和任务冲突的发生。

保护敏感数据

通过运行时隔离,Nexent还能够确保敏感数据的安全性。例如,医疗数据、金融数据等高度敏感的行业数据在智能体操作时,不会被其他智能体访问或修改,确保数据的隐私性和安全性。

图片

5. 人在回路(Human-in-the-loop):确保决策的准确性与安全性

智能体虽然可以高效执行任务,但在关键环节,人工的判断和监督依然不可或缺。为了解决这一问题,Nexent引入了人在回路(Human-in-the-loop)机制,使得智能体在执行高风险任务时,能够及时得到人工干预,确保任务的安全性和准确性。

例如,在金融行业,涉及资金转移或交易决策时,智能体会自动向人工发起审批请求,确保资金操作不会出错。在医疗领域,智能体可以辅助医生分析病情,但最终的治疗方案仍然需要由专业医生确认。这种设计不仅增加了智能体的可控性,也保证了重要决策的准确性。

此外,Nexent还提供了多方案选择功能。当智能体生成的解决方案存在不确定性时,系统会提供多个备选方案,由人工来做最终决定。这种灵活性使得智能体在应用时不仅高效,还能兼顾实际操作中的安全性。

图片

6. 多智能体协作与多模态数据流动:释放协同效应,提升整体效率

在复杂的业务场景中,单个智能体往往无法满足所有需求。Nexent通过多智能体协作与多模态数据流动技术,打破了单一智能体的局限,释放了虚拟团队的协同效应。

多智能体协作:虚拟团队协同工作

在一个典型的企业项目中,数据收集、建模分析、报告撰写等任务往往需要不同团队配合,周期可能长达数周。而在Nexent平台上,不同的智能体可以像虚拟团队一样协作:

• 一个智能体负责爬取数据;

• 一个智能体负责分析和建模;

• 一个智能体负责报告撰写;

• 最后,由一个“协调智能体”整合所有结果。

这些智能体通过Nexent的DataBus进行无缝通信,确保数据在各个智能体之间自由流动,任务得到高效协作,极大地提升了工作效率。

多模态数据流动:打破数据隔阂

Nexent的多模态数据底座,支持文本、图像、音频等多种数据类型的流动,确保了不同类型的数据可以在智能体之间自由流动。无论是处理多媒体数据,还是进行复杂的文本分析,Nexent都能高效地处理和整合各种模态的信息。

图片


✨ Nexent:解决智能体在企业落地的瓶颈

Nexent 的核心目标是通过 零代码多模态多智能体平台,帮助企业实现智能体技术的高效落地。它为企业提供了一个灵活、可扩展的智能体解决方案,显著降低了开发和运营成本,同时解决了智能体在企业应用中的技术瓶颈。

对于企业而言,Nexent 的应用已经实现了智能体的快速部署与高效管理。它为企业提供了一种灵活、高效的智能体解决方案,减少了开发过程中的风险,并确保了企业在快速变化的市场中能够灵活应对需求变化。

对于开发者,Nexent 提供了一个强大且开放的工具平台,使他们能够在无需从头构建复杂系统的情况下,轻松创建、调整和优化智能体。更重要的是,Nexent 还为普通用户提供了无代码开发工具,让任何人都能参与到智能体的开发过程中。

通过不断降低技术门槛,Nexent 不仅提升了企业的智能化转型能力,也推动了智能体技术在个人用户中的普及,让更多人能够轻松利用智能体技术提升工作效率和创新能力。

图片


快速部署

Nexent的安装部署非常简单,只需四行命令,即可快速启动:

git clone https://github.com/ModelEngine-Group/nexent.git
cd nexent/docker
cp .env.example .env
bash deploy.sh

无论是开发者还是企业用户,都可以快速部署自己的智能体平台,立即开始体验Nexent的强大功能。

加入共创,推动未来

Nexent已经在GitHub上完全开源,欢迎所有开发者和企业加入我们的生态系统,一起为智能体技术的未来贡献智慧。无论是参与代码贡献,还是为Nexent点个Star,都能为智能体的进步提供动力。

🌐 官网:nexent.tech
💻 GitHub:

github.com/ModelEngine-Group/nexent

通过点亮GitHub上的星标,你不仅是在支持Nexent,也是在推动全球智能体技术的开源进程。每一个星标背后,都是对更高效、智能世界的共同期许。

让我们携手共创智能体的未来,让AI成为每个企业、每个开发者手中的得力助手。

— END —
技术穿刺 | 陈双瑞、边思梦
编辑排版 | 边思梦、贾晨雪

18、AI在基础设施管理与运维中的应用及未来趋势 本文探讨了人工智能(AI)在基础设施管理和运维中的广泛应用,包括性能优化、成本节约、网络安全等多个场景。文章详细介绍了AI在不同领域的应用工具、实际案例以及面临的挑战,并展望了未来AI在基础设施管理中的发展趋势。此外,还分析了AI与Site Reliability Engineering(SRE)框架的结合优势,展示了AI如何提升运维效率和系统可靠性。 阅读详情

相关推荐

旋转矩阵推导

推导前提: 坐标使用右手坐标系,角度逆时针旋转为正。 绕X轴旋转角度为 俯仰角 即Pitch 绕Y轴旋转角度为 偏航角 即Yaw(Head) 绕Z轴旋转角度为 翻滚角 即Roll 一、平面二维坐标点的旋转 如右图所示,根据三角函数关系,可以列出向量OP与OP’的坐标表示形式: x = |OP|•cosα x′ = |OP|•cos(α+β) y = |OP|•sinα y′ = |OP|•sin(α+β) 将P′(x′,y′)表达式展开: x′ =

suixinger_lmh的随笔 1384

华为 ModelEngine Nexent 零代码平台智能体能力深度实践评测

在 AI 技术加速落地的当下,智能体已从概念走向产业实践,但传统开发模式依赖复杂编程与 Prompt 工程,高门槛成为制约其规模化普及的核心瓶颈。而华为 ModelEngine Nexent 作为零代码级智能体开发平台,精准切中这一行业痛点,以自然语言驱动开发、MCP 工具生态为核心支撑,成功实现了低门槛构建多模态智能体的核心目标。平台在开发效率、生态扩展性与实际易用性上表现突出,不仅能满足专业业务人员、技术开发者的高效开发需求,即便是刚入门的新手,无需深厚技术积累也能快速打造出具备专业能力的智能体。下面,

鸽芷咕的博客 6534

Plot3d 网格数据格式

PLOT3D是一个计算机图形程序,旨在可视化计算流体力学的网格和解决方案。PLOT3D文件可以是ASCII, 也可是Fortran unformatted 或 C binary形式。PLOT3D文件分为网格文件(XYZ 文件), 空气动力学结果文件 (Q 文件)和通用结果文件(函数文件 + 函数名称文件)。网格文件中可加入所谓的IBlank参数。

weixin_62592231的博客 3722

华为 ModelEngine Nexent低代码平台单智能体评测:数据分析智能体 —— 零代码实现数据洞察与可视化闭环

华为ModelEngine Nexent低代码平台推出单智能体数据分析解决方案,通过Docker一键部署实现快速安装。该方案支持配置大语言模型、向量模型和视觉语言模型,并集成本地文件操作工具和网络搜索功能。通过接入魔搭社区的MCP服务,可实现对数据的智能分析和可视化展示。整个流程无需复杂编程,从数据接入到图表输出实现全自动化,有效降低技术门槛,帮助用户快速将原始数据转化为决策依据。该平台特别适合缺乏编程基础的业务人员,实现"人人都是数据分析师"的目标。

ai领域探索者,欢迎一起交流,目前从事具身智能行业。 7818

西电微原课设——矩阵式键盘数字密码锁设计

内容要求:根据设定好的密码,采用4x4矩阵键盘实现密码的输入功能。当密码输入正确之后,锁就打开(绿灯亮),10秒之后,锁自动关闭(红灯亮);如果连续输入三次密码不正确,就锁定按键5秒钟,同时发出报警(黄灯闪),5秒后,解除按键锁定,恢复密码输入。...

Polaris的博客 1万+

【比较器仿真】

比较器tran noise、pnoise仿真、噪声仿真、MC失调仿真

pickweb的博客 1万+

Nexent 与 ModelEngine 生态:零代码智能体开发平台的深度实践与创新探索!

AI智能体开发迎来重大革新:Nexent作为ModelEngine生态下的开源智能体平台,以"零代码、自然语言驱动"为核心,显著降低开发门槛。通过Docker一键部署后,用户仅需自然语言描述需求,平台即可自动生成完整智能体,包括知识库自动总结、提示词优化、工具集成等功能。其特色MCP协议支持丰富的插件扩展,实现多智能体协作。相比传统开发方式,Nexent大幅提升效率,使开发者能专注于业务逻辑而非技术细节。该平台在智能办公、数据分析等场景展现出强大潜力,为AI应用落地提供新范式。

喵手的博客 1023

墨水屏高效开发:架构、开源库与实战优化指南

嵌入式显示技术中,电子墨水屏以其类纸观感和超低功耗特性,在电子书阅读器、智能办公本及工业仪表等场景中占据独特地位。其工作原理基于微胶囊电泳技术,仅在画面刷新时消耗电能,静态显示时功耗近乎为零,这带来了极致的续航优势。为实现流畅的交互体验,开发者需构建分层渲染架构,通过硬件抽象层统一驱动接口,并引入帧缓冲与差异比较算法智能决策局部刷新区域,从而大幅降低刷新延迟与功耗。开源库如GxEPD2和LVGL为墨水屏适配提供了关键支持,结合波形文件管理与电源优化策略,能有效解决残影与卡顿问题。本文聚焦于eink墨水屏高效

weixin_42545636的博客 414

ModelEngine 支持 MCP 服务接入了!应用开发效率进一步提升

大模型 MCP(Model Context Protocol,模型上下文协议)是 Anthropic 推出的开源标准化协议,被业界称为“AI领域的USB-C”接口。1. 这里我们使用了 modelscope 的 MCP 服务,以 time 的服务为例,进入页面:https://modelscope.ai/mcp/servers/@modelcontextprotocol/time。4. 更多精彩内容请查看官网文档(https://modelengine-ai.net/#/docs) 中的应用工程栏目。

openDataStorage的博客 267

点云从入门到精通技术详解100篇-基于三维点云的机器人抓取位姿检测(续)

集到的深度信息会存在噪点,因此需要将生成的场景点云进行预处理,获得平滑、降采样处理场景点云,本文设计的预处理操作更能从冗杂的场景点云中提取清晰、平滑的目标点云,便于后续的抓取位姿采样,提高后续算法的处理效率。因此需要对场景点云进行适当的分割,仅保留目标物体的点云,整个过程可以通过。场较小时,空间中的点云密度会更加提高;觉子系统的效率,再保持全局点云几何形状不改变的前提下,通过对目标点云进行。体素降采样可以快速地减少点云数据并同时保持点云的形。个点,由于我们实施抓取的目标物体只占整个场景点云图的一部分,

getusushu的博客 776

14.建立时间、保持时间以及vivado时序report的参考使用

在设计数字系统时,需要仔细考虑电路元件的选择和布局以及时序设计来满足建立时间和保持时间的要求。建立时间,又称为建立时间窗口或建立期,是指数字信号在触发器的时钟信号前沿到来之前,必须已经稳定存在的时间。在本章节将结婚扫建立时间和保持时间的基本原理,以及如何通过vivado处理建立时间和保持时间。通过使用同步电路,可以更好地控制数据传输的时序并满足建立时间和保持时间的要求。例如,在D触发器中,选择具有适当充电和放电特性的D端口元件可以确保在时钟信号前沿到达前数据已经稳定存在,并在时钟信号前沿到达后保持稳定。

FPGA/MATLAB学习教程/源码/项目合作开发 2989

从「好像很强」到「真能落地」:为何又一个 AI 平台仍然值得认真试一遍?-- ModelEngine

传统「知识库」功能一般只支持上传 PDF/Word,简单切块,然后直接交给向量库。很多企业文档质量参差不齐,存在模板冗余、目录占比过大、历史版本重复等情况;直接切块可能会把「章节语义」切断,影响后续检索与生成质量。在 ModelEngine 中,我更推荐使用其提供的数据处理与知识生成能力统一数据入口文档来源包括:OSS 存储、Git 仓库、知识库系统导出的 HTML/PDF、内部 Wiki 等;通过预置算子完成格式统一与编码检查。文本清洗与结构化提取。

喵手的博客 1272

QT+OSG/osgEarth编译之七十六:gltf+Qt编译(一套代码、一套框架,跨平台编译,版本:osgEarth-3.3插件库osgdb_gltf)

通过一套gltf代码和框架,实现osgdb_gltf跨平台编译。 在Qt环境下,集成头文件、库文件,构建跨平台编译的pro文件。 通过构建的一套配置工程,基于Qt Creator IDE,完成跨平台的编译实践。 在Windows、Linux、MacOS等操作系统上进行测试,成功编译,形成的成果(头文件、库文件等)可在不同系统下调用或使用,从而更好地构建跨平台解决方案。 采用的是osgEarth3.3版本。 读者可参考博客中的集成原理,构建不同版本的osgdb_gltf跨平台包。

LuckyHanMo的博客 1802

ModelEngine系统架构深度解析:构建下一代企业级AI应用平台的技术实践

ModelEngine通过其创新的技术架构和完整的企业级特性,为构建生产级AI应用提供了坚实的技术基础。其在插件扩展、可视化编排、多智能体协作和多源集成等方面的深度优化,使其成为企业AI转型的理想技术平台。自主运维智能体:实现系统的自我修复和自动优化边缘云协同架构:支持边缘计算场景的智能体部署联邦智能体生态:建立跨组织的安全智能体协作网络行业解决方案库:积累更多经过验证的行业架构模式。

ddffhhvbnk的博客 1171

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

从简历海啸到智能初筛:我用 ModelEngine Nexent 零代码搭建了一个招聘 Agent

2026年AI招聘初筛革命:Nexent智能体平台深度评测 本文揭示了当前AI招聘初筛的四大痛点:无法批量处理、标准不统一、流程未闭环和数据流失。通过对比OpenClaw等主流平台,发现ModelEngine Nexent凭借三大优势成为最佳解决方案:1)零代码自然语言生成智能体;2)本地化部署保障数据安全;3)内置知识库管理、多格式文件解析等直击招聘痛点的功能。文章详细演示了5分钟Docker部署Nexent的全过程,并重点介绍了其知识库自动总结和提示词自动生成两大核心能力。测试显示,该平台可帮助HR实现

m0_68635815的博客 9万+

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")

用AI来“造AI”!Nexent部署本地智能体的沉浸式体验

本文介绍了Nexent智能体平台的本地部署与使用体验。首先通过官方演示体验了Nexent的快速响应能力,随后详细讲解了基于Docker的轻量级安装部署过程,仅需执行几行命令即可完成配置。文章重点说明了应用和模型的环境配置步骤,包括接入阿里云Qwen模型的方法。最后通过测试问答验证了部署效果,展示了该平台操作简便、响应迅速的特点,特别适合个人开发者快速搭建AI应用。整个部署过程仅需几分钟,体现了Nexent的低门槛优势。

叶落秋白的博客 7073

ModelEngine nexent 智能体平台探索

文章概要:本文深入探讨了ModelEngine智能体平台的多个核心模块,包括nexent的零代码智能体开发、MCP工具生态与模型集成、知识库管理与数据处理能力,以及智能体生成速度与稳定性优化。通过详细的功能介绍、示例和图表,展示了平台如何降低开发门槛、提升效率并优化性能。 ## nexent 的零代码智能体开发 在 ModelEngine 的智能体平台中,nexent 模块以其零代码开发能力...

gitblog_00894的博客 1042

ModelEngine智能体平台深度评测:从创建到部署的全流程实践与创新应用编排

本文全面评测ModelEngine智能体平台的功能特性、开发体验与实战能力。通过创建智能体、构建知识库、优化提示词、集成MCP服务、设计多智能体协作等完整流程,展示平台在AI应用开发方面的优势。深入分析工作流编排、自定义插件、智能表单等核心功能,并通过三大实战案例验证平台能力。最后与Dify、Coze、Versatile等主流平台进行多维度对比,为开发者提供选型参考。

caj的博客 1275

ModelEngine Nexent 开源智能体平台:从零代码自然语言驱动到企业级多模态应用的完整实践指南与生态展望!

2025年智能体开发迎来范式变革,Nexent作为开源智能体平台,以自然语言驱动和零代码自动生成颠覆传统开发模式。支持多模态、知识库自动接入、提示词智能生成及多智能体协作,基于MCP协议构建完整工具生态。部署仅需2核CPU/6GiB内存,提供可视化调试与性能优化,大幅降低开发门槛。通过案例实践,展示其从环境搭建到高级应用的完整路径,为CTO、架构师等提供高效智能体开发解决方案。

欢迎来到菜鸟不学编程的博客 1633

ModelEngine之Nexent:打破“玩具级”Agent开发天花板——从零代码构建到企业级MCP生态编排实战!

ModelEngine Nexent是一款面向企业级开发者的开源智能体SDK与平台,旨在解决大模型应用开发中的"黑盒困境"。文章通过构建"企业级招投标分析助手"的实战案例,展示了Nexent的核心特性: 自然语言编程:通过简单指令自动生成智能体配置,支持零代码创建 智能知识库处理:采用语义感知切片策略,自动生成精准文档摘要 提示词优化:内置提示词优化器,提升交互质量 可视化工作流:支持复杂逻辑编排,可自定义插件扩展功能 MCP协议支持:实现标准化外部数据连接...

喵手的博客 1147

ModelEngine Nexent 智能体从创建到部署全流程深度体验:自动化利器让 AI 开发效率拉满!

ModelEngine Nexent平台体验:智能体开发全流程自动化 本文详细记录了使用ModelEngine Nexent平台开发AI智能体的全过程体验。作者通过Docker部署平台后,从模型配置、知识库上传到智能体创建进行了完整测试。平台亮点包括:支持多种文件格式的知识库自动解析和智能总结;提供一键生成提示词功能;内置调试窗口实现即时修改;支持MCP服务拓展智能体能力。实测显示,平台能快速检索知识库内容并准确回答问题,大幅简化了智能体开发流程。特别是其知识库自动总结和提示词自动生成功能,显著提升了开发效

ai领域探索者,欢迎一起交流,目前从事具身智能行业。 7066

零代码构建智能工作流:Nexent智能体开发实战指南

当你需要构建一个企业级智能体时,是否遇到过这些困境: - 编写大量胶水代码连接模型、工具和数据源 - 复杂的流程编排让调试变成噩梦 - 不同团队开发的智能体无法复用和协作 - 业务人员无法参与智能体设计过程 Nexent作为开源智能体SDK和平台,彻底改变了这一现状。它能够将描述流程的自然语言直接转化为完整的多模态服务,无需编排,无需复杂拖拉拽。本文将带你从零开始,掌握使用Nexent开发智能体...

gitblog_00748的博客 1773

ModelEngine 与主流 AI 平台深度对比体验

AI开发平台深度评测:ModelEngine、Dify、Coze和FastGPT对比分析 本文从架构设计、开发效率等维度对主流AI开发平台进行系统评测。ModelEngine采用Java/Spring技术栈,独创三维架构(FIT函数引擎、WaterFlow流式编排、FEL引擎),适合企业级集成;Dify基于Python的Beehive架构提供可视化工作流编辑,降低开发门槛;Coze通过MCP协议实现插件生态,专注零代码智能体构建;FastGPT则聚焦知识库RAG应用。各平台在技术栈、目标用户和开源策略上形成

颜颜yan_的博客 1320

2025新范式:Nexent智能体生态如何重构AI应用开发?

企业AI应用开发正面临前所未有的困境:据2024年Gartner报告显示,85%的企业AI项目因工具链整合复杂、开发效率低下而失败。开发者需要在50+模型提供商、300+工具API和20+向量数据库之间反复切换,平均每个项目需集成7.3种不同技术栈。 Nexent作为开源智能体SDK和平台,通过**MCP工具生态系统**(Model Context Protocol)提供了突破性解决方案——将自...

gitblog_00671的博客 1090

ModelEngine是华为推出的一个‌全流程AI开发工具链‌打造数学解题小助手

华为ModelEngine是一款全流程AI开发工具链,提供从数据处理到模型部署的一站式解决方案。其核心优势包括:1)覆盖完整AI开发生命周期,支持低代码编排;2)基于昇腾芯片实现高性能计算;3)支持主流大模型本地化部署;4)内置行业模板,可快速适配智能制造、医疗等场景。该平台已开源,能显著缩短模型训练周期至72小时内,并降低企业AI应用落地门槛。通过可视化界面和自动化编排功能,即使非技术用户也能快速构建AI应用。

2301_79516858的博客 1151

华为 ModelEngine AI 向全球开发者开源!学AI大模型就选近屿智能

根据华为的介绍,ModelEngine所提供的强大数据处理工具,涵盖了文本、图像和文档数据等多种类型,极大地提升了数据的处理效率。这包括内置的数据清洗、数据评估和问答生成等关键能力,为AI模型的训练提供了丰富的语料库和知识基础。很多行业内的实践者们分享了使用AI工具进行副业项目的成功案例,他们在使用AI工具后,显著提升了自己的经济条件和就业状况。随着AI技术的普及,开发者们不应错过这次机遇,积极应用ModelEngine将带来意想不到的成果。作为一套全流程的AI工具链,

Oven_OJAC的博客 657

ModelEngine平台概述与核心价值

ModelEngine是华为开源的全流程AI开发工具链,提供从数据处理、知识生成、模型微调直到应用部署的完整解决方案。该平台以其可视化编排多智能体协作和开放生态集成为核心特色,旨在显著降低企业级AI应用的开发门槛。在当前的AI应用开发浪潮中,从演示原型到生产可用的智能体之间存在显著的工程化鸿沟。ModelEngine正是为弥合这一鸿沟而生,它通过全流程覆盖和开箱即用的特性,将语料生成时间从月级缩短到天级,为开发者提供了高效易用的开发体验。# 自定义插件示例:数据库查询。

Q2846417的博客 1179
上一篇: ModelEngine 支持 MCP 服务接入了!应用开发效率进一步提升
下一篇: 从代码看哲学:ModelEngine FEL 与 Coze Eino的AI编排之道
魔擎社区(ModelEngine)
博客等级 码龄2年 29粉丝 11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