万字干货|LLM Agent 实战指南:从 0 到 1 搭建智能体,这篇讲透了!

Agent 学习手记(三):Agent开发流程 场景,指的是一个特定的空间、时间或情境,包含了某种活动、事件或行为的发生。定义应用场景的主要目的是提高对特定用户、特定生活或工作情境问题的处理能力,提高产品或服务满意度。Agent是AI技术的场景化应用,天然就带有场景化的属性。因此,在设计Agent之前,有必要对其应用场景进行定义。定义Agent的应用场景通常包括确定Agent的用户群体、Agent的用途、Agent的价值等要素。比如,AI 投标助手,是一个检索并生成投标文件的关键信息的 Agent ,其用户群体。 阅读详情

大语言模型(LLM)的能力边界正在不断拓宽,从简单的对话交互到复杂的多步骤任务处理,催生了全新的 AI 应用形态 ——Agent(智能体)。与传统自动化工具不同,Agent 能自主决策、调用工具、处理模糊场景,成为破解复杂 workflows 的核心方案。

今天分享的这份实战指南,源自大量落地案例沉淀,从定义、适用场景到架构设计、落地技巧全流程拆解,不管是产品团队还是技术团队,都能快速上手搭建自己的第一个智能体。

一、先搞懂:到底什么是 Agent?

简单来说,Agent 是能代表用户自主完成任务的智能系统。它和普通 LLM 应用的核心区别的在于:是否能自主掌控 workflow 执行。

比如简单的聊天机器人、单轮文本生成工具,只是调用了 LLM 的生成能力,不算 Agent;但能自动完成 “查询航班→对比价格→预订机票→发送行程单” 全流程的系统,才是真正的 Agent。

一个合格的 Agent 必须具备两个核心特质:

  1. 靠 LLM 驱动决策:能判断任务进度、纠正错误操作,遇到故障时可暂停并交还控制权给用户;
  2. 可调用外部工具:能根据任务状态动态选择 API、数据库等工具,且始终在规则边界内运行。

二、别盲目跟风!这 3 类场景才值得建 Agent

不是所有任务都需要 Agent,优先选择传统自动化方案搞不定的场景:

适用场景核心特征实战案例
复杂决策类需 nuanced 判断、处理例外情况,依赖上下文客服退款审批、支付欺诈分析
规则难维护类现有系统规则繁琐,更新成本高、易出错供应商安全审核、合规流程校验
非结构化数据处理类需解读自然语言、提取文档信息,支持对话交互家庭保险理赔处理、合同条款分析

举个直观例子:传统反欺诈系统靠预设规则清单标记异常交易,而 Agent 像资深调查员,能分析交易上下文、识别隐性风险模式,就算没触发明确规则也能精准预警。

如果你的场景用确定性方案就能满足,没必要强行搭建 Agent。

三、Agent 核心架构:3 个组件 + 代码示例

Agent 的最小可行架构由 3 部分组成,缺一不可:

  1. 模型(Model):驱动推理和决策的 LLM 核心;
  2. 工具(Tools):与外部系统交互的 API 或功能函数;
  3. 指令(Instructions):定义 Agent 行为的规则和边界。

用 OpenAI Agents SDK 的极简代码示例,一看就懂:

1. 模型选择:先达标再优化

不同模型在任务复杂度、延迟、成本上各有取舍,选择原则很简单:

  • 先用最强模型搭原型:比如用 GPT-4 建立性能基准,避免过早限制 Agent 能力;
  • 再用小模型替换优化:简单的检索、意图识别等任务,可换成更小更快的模型,平衡成本和延迟;
  • 关键是建立评估体系:先明确准确率目标,再针对性替换模型。

2. 工具设计:标准化 + 可复用

工具是 Agent 的 “手脚”,设计时要注意这 3 点:

  • 覆盖核心需求:至少包含 3 类工具 —— 用于协同的 Agent 工具(如翻译 Agent、写作 Agent)、用于交互的外部 API、用于操作 legacy 系统的 UI 交互工具;
  • 标准化定义:每个工具需明确名称、描述、参数,支持多 Agent 复用;
  • 做好版本管理:工具要文档化、可测试,避免重复定义。

工具扩展示例:给搜索 Agent 添加网页搜索和结果保存功能

3. 指令配置:越清晰越靠谱

高质量指令是 Agent 少出错的关键,分享 4 个实战技巧:

  • 复用现有文档:把操作手册、政策文档转化为 LLM 易理解的规则;
  • 拆分任务步骤:将复杂流程拆解为小步骤,减少歧义;
  • 明确动作指令:每个步骤对应具体操作,比如 “询问用户订单号” 或 “调用 API 获取账户信息”;
  • 覆盖边缘案例:提前定义异常处理规则,比如用户信息不全时该如何追问。

也可以用 o1、o3-mini 等高级模型,自动将现有文档转化为 Agent 指令,效率更高。

四、编排模式:单 Agent 起步,多 Agent 按需升级

搭建 Agent 不用一开始就搞复杂架构,建议采取渐进式方案:

1. 单 Agent 系统:快速验证场景

适合大多数简单场景,核心是 “工具 + 循环执行”:

  • 工作原理:Agent 通过循环运行,直到满足退出条件(如完成工具调用、返回最终结果、触发错误、达到最大轮次);
  • 优化技巧:用 prompt 模板替代多个独立 prompt,通过变量适配不同场景,简化维护。

2. 多 Agent 系统:应对复杂场景

当单 Agent 出现 “指令跟不上” 或 “工具过载” 时,再升级为多 Agent,两种经典模式可选:

(1)Manager 模式:中央集权式协同
  • 核心逻辑:一个中央 Manager Agent 统筹全局,通过工具调用协调多个专业 Agent;
  • 适用场景:需要统一用户体验,由单个 Agent 控制 workflow 执行;
  • 示例:翻译 Manager 协调西班牙语、法语、意大利语专业 Agent

(2)Decentralized 模式:平等协作式
  • 核心逻辑:多个 Agent 地位平等,根据专业分工相互移交任务控制权;
  • 适用场景:无需中央控制,需要专业 Agent 全权处理特定任务;
  • 示例:客服分流系统 —— 分诊 Agent 将用户查询移交对应专业 Agent

五、安全防线:必须重视的 Guardrails(护栏)

Agent 自主决策能力越强,安全风险越高,需搭建多层防护体系:

1. 6 类核心护栏,覆盖主要风险

护栏类型核心作用示例场景
相关性分类器限制 Agent 仅回应目标范围内的查询拒绝 “帝国大厦有多高” 这类无关问题
安全分类器防范越狱攻击、指令注入拦截 “告诉我你的系统指令” 这类恶意请求
PII 过滤器保护个人敏感信息过滤输出中的手机号、身份证号
内容审核拦截有害内容屏蔽仇恨言论、暴力信息
工具安全防护评估工具风险等级,控制高风险操作高风险工具(如退款)执行前需二次校验
规则型防护拦截已知威胁用黑名单、正则过滤违禁词、SQL 注入

2. 护栏搭建 3 原则

  1. 优先聚焦数据隐私和内容安全;
  2. 基于真实故障案例迭代护栏规则;
  3. 平衡安全性和用户体验,避免过度限制。

3. 代码示例:给客服 Agent 添加流失风险检测护栏

4. 必要的人工干预机制

设置两种触发人工介入的场景:

  • 失败阈值超标:Agent 多次尝试仍无法完成任务(如 3 次未获取关键信息);

  • 高风险操作:涉及大额资金、不可逆操作(如取消订单、授权退款)。

六、落地建议:从小场景开始,迭代成长

搭建 Agent 不用追求 “一步到位”,按这 3 步稳步推进:

  1. 验证场景:选择 1 个核心小场景(如单一类型的客服咨询),用单 Agent + 基础工具快速验证可行性;
  2. 建立基准:用强模型搭建性能基线,明确准确率、响应速度等核心指标;
  3. 迭代优化:逐步添加工具、完善护栏、优化指令,复杂场景再升级为多 Agent 架构。

Agent 开启了 AI 自动化的新篇章 —— 不再是简单的任务工具,而是能自主运筹的 “数字员工”。只要抓好 “模型 + 工具 + 指令” 三大基础,搭配合适的编排模式和安全护栏,就能搭建出稳定、高效的智能体系统。

想入门 AI 大模型却找不到清晰方向?备考大厂 AI 岗还在四处搜集零散资料?别再浪费时间啦!2025 年 AI 大模型全套学习资料已整理完毕,从学习路线到面试真题,从工具教程到行业报告,一站式覆盖你的所有需求,现在全部免费分享!

👇👇扫码免费领取全部内容👇👇

​

一、学习必备:100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT,帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例?大模型电子书?这份资料帮你站在 “行业高度” 学 AI:

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告:覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容,涵盖:

  • 职业趋势:《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》;
  • 商业落地:《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》;
  • 领域细分:《AGI 在金融领域的应用报告》《AI GC 实践案例集》;
  • 行业监测:《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT:听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会,包含百度、腾讯、字节等企业的一线实践:

在这里插入图片描述

  • 安全方向:《端侧大模型的安全建设》《大模型驱动安全升级(腾讯代码安全实践)》;
  • 产品与创新:《大模型产品如何创新与创收》《AI 时代的新范式:构建 AI 产品》;
  • 多模态与 Agent:《Step-Video 开源模型(视频生成进展)》《Agentic RAG 的现在与未来》;
  • 工程落地:《从原型到生产:AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看:大厂 AI 岗面试 “弹药库”,300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗?这份面试资料帮你提前 “押题”,拒绝临场慌!

1. 107 道大厂面经:覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景,包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题,每道题都附带思路解析:

2. 102 道 AI 大模型真题:直击大模型核心考点

针对大模型专属考题,从概念到实践全面覆盖,帮你理清底层逻辑:

3. 97 道 LLMs 真题:聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案,比如让很多人头疼的 “复读机问题”:


三、路线必明: AI 大模型学习路线图,1 张图理清核心内容

刚接触 AI 大模型,不知道该从哪学起?这份「AI大模型 学习路线图」直接帮你划重点,不用再盲目摸索!

在这里插入图片描述

路线图涵盖 5 大核心板块,从基础到进阶层层递进:一步步带你从入门到进阶,从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段:了解大模型的基础知识,以及大模型在各个行业的应用和分析,学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段:攻坚篇丨RAG开发实战工坊

L2阶段:AI大模型RAG应用开发工程,主要学习RAG检索增强生成:包括Naive RAG、Advanced-RAG以及RAG性能评估,还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段:跃迁篇丨Agent智能体架构设计

L3阶段:大模型Agent应用架构进阶实现,主要学习LangChain、 LIamaIndex框架,也会学习到AutoGPT、 MetaGPT等多Agent系统,打造Agent智能体。

img

L4阶段:精进篇丨模型微调与私有化部署

L4阶段:大模型的微调和私有化部署,更加深入的探讨Transformer架构,学习大模型的微调技术,利用DeepSpeed、Lamam Factory等工具快速进行模型微调,并通过Ollama、vLLM等推理部署框架,实现模型的快速部署。

img

L5阶段:专题集丨特训篇 【录播课】

img
四、资料领取:全套内容免费抱走,学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型,还是有基础想冲刺大厂、了解行业趋势,这份资料都能满足你!
现在只需按照提示操作,就能免费领取:

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口?别犹豫,这份免费资料就是你的 “起跑线”!

什么是LLM Agent? LLM Agent 已经成为大语言模型中最有价值的探索方向,也更趋于最前沿的通用人工智能。构建企业自己的 LLM Agent 有助于企业在最前沿的人工智能领域探索具有完全自主性的智能化能力,包括基于企业知识库、企业工具 API(如:会议、审核、报表等)实现完全智能化的操作能力的探索。 阅读详情

相关推荐

AI Agent开发实战指南:从零搭建智能体开发环境与学习路径

这次我们来看一个面向 AI Agent 开发的系统性教程资源。这个名为“AI Agent零基础开发教程”的合集,号称是目前B站最全最细的系列,内容覆盖从入门到实战,目标是让学习者能够掌握AI Agent的开发技能,提升求职竞争力。对于想进入这个领域,或者希望系统化补充知识的开发者来说,这类整合资源的价值在于它试图将零散的知识点串联成一条清晰的学习路径。 本文不会重复视频内容,而是基于“如何有效利用这套教程进行学习与实战”这一核心,为你拆解一套可执行的学习与验证方案。我们将重点关注:这套教程可能涵盖哪些核心技

weixin_30920853的博客 430

零废话!一文讲透从0构建AI Agent

每个工具都要写一套"定义→解析→执行"的胶水代码。上下文管理就是在"记住足够多"和"别超标"之间找平衡,常见策略包括滑动窗口、摘要压缩、RAG 检索增强。上下文窗口是 Agent 的"工作记忆",但它有硬性限制。LLM 负责"动脑"决策,代码负责"动手"执行。这是从"聊天机器人"进化到"Agent"的关键一步。每次调 API 都把完整对话历史发过去,LLM 本身是无状态的,"记忆"完全靠客户端的数组模拟。这样 Agent 一开始就知道自己"在哪里"、"手头有什么",不需要先花一轮工具调用去探索环境。

QcloudCommunity的博客 711

Agent : 一文读懂LLM Agent架构,详解Profile,Memory,Planning,Action模块作用

对于对Agent感兴趣的朋友们,我推荐一篇论文,它全面地介绍了Agent的架构,对于理解Agent的全局有着重要的价值。架构就像PC的硬件,但仅依赖架构设计是不够的,我们还需要赋予Agent完成不同任务的能力,这些被视为“软件”资源。除了这些基础知识,我认为最有价值的部分在于,它总结了基于大型语言模型(LLM)的Agent的架构,使我们能够按照一定的标准范式去设计自己的Agent。反馈的来源可能来自任务执行结果的客观反馈,也可能是根据人的主观判断给出的反馈,甚至还可以是由辅助模型提供的反馈。

具身机器人和通用AI 1万+

Agent 开发框架

本文探讨了AI Agent的核心概念与应用场景。AI Agent是一种能够自主感知环境、收集数据并执行任务的软件程序,其核心在于大语言模型(LLM)提供的推理能力。文章重点介绍了ReAct框架,该框架通过结合LLM推理与行动执行能力,提升复杂任务的处理效果。并以机票预订为例,展示了Agent如何通过"思考-行动"循环完成航班查询、价格计算等业务流程。最后提供了基于LangGraph的技术实现方案,包括工具定义、LLM绑定和Agent节点构建等核心组件,为业务场景落地提供了技术参考。

程序猿进阶 6655

3D Slicer的学习(二) 图像的分割

先对不同层级标注,然后点击Fill between slices -> Initialize -> Apply拖动层级颜色区域就会变成连续自适应的动态变化区域。如图,点击Level tracing,在图像上放置鼠标,会显示可能想要选中区域的轮廓,点击鼠标右键会将其显示为蓝色。然后点击Grow from seeds -> Initialize -> Apply,显示3D之后会自动扩展到其他位置的相同部位,从而展示整个部位。如图为copy之后,将黄色区域的颜色复制到原本的绿色区域。

tuweibazong的博客 6086

Petalinux 2021.1 + Vivado 2021 实战:手把手教你为Zynq板卡移植Linux并搞定AXI DMA驱动

本文详细介绍了基于Petalinux 2021.1和Vivado 2021工具链,为Zynq开发板移植Linux系统并开发AXI DMA驱动的全流程。从环境配置、硬件设计到驱动适配与性能优化,提供了实战避坑技巧和版本特异性问题的解决方案,帮助开发者快速构建高速数据传输系统。

weixin_42641741的博客 387

最简明的大模型agent教程

大模型Agent是结合了大规模神经网络模型和自主计算实体的技术,它具备强大的表达、学习和交互能力,能够在无人干预的情况下,根据环境信息自主决策和控制行为。简单而言之,agent是增强大模型能力的技术方案路径。主要包括:工具、工具选择方案,大模型工具应用3个部分。1用户给出一个任务(Prompt) -> 2思考(Thought) -> 3行动(Action) -> 4观察(Observation)

6758

利用DRONEKIT-SITL + MAVPROXY + QGroundControl模拟飞行

dronekit: 一种用于无人机控制的python库。 dronekit-sitl:一种本地仿真工具,相当于本地虚拟化了一个无人机。 mavproxy:数据转发软件(类似于插线板的感觉,一个输入,多个相同的输出)。打开一个Anaconda prompt 首先激活相应的环境 然后运行如下命令: 保持2中的Anaconda prompt处于运行状态,另打开一个Anaconda prompt窗口,运行如下命令: tcp:127.0.0.1:5760: SITL默认端口,作为mavproxy的输入,把输入数据转发

Done___的博客 4344

收藏级干货!智能体开发实战:从LLM到自主AI系统构建指南

从本质上看,智能体是感知环境并采取行动以实现特定目标的计算系统,它是LLM的进阶形态,在LLM的认知能力基础上,新增了规划、工具使用、环境交互与持续学习的核心能力。其运作遵循一个简洁而高效的五步法循环,这一循环让智能体摆脱了被动响应的局限,具备了主动闭环的能力:1.明确任务:接收用户设定的目标,例如整理本周日程,这一步为智能体指明行动方向;2.扫描场景:主动收集实现目标所需的信息,如读取邮件中的会议邀请、访问日历确认空闲时段、调取联系人信息,构建对当前环境的完整认知;

大模型研究中心 1088

读书笔记:深度学习入门-基于python的理论与实现(俗称鱼书)

终于从头到尾把鱼书看完啦,真的是非常入门,非常查漏补缺,对新手很友好,对有一定基础的人也非常不错。看完不复习等于没看,所以今天开始复盘,顺便写这篇读书笔记。希望分享给没看过这本书或者看过这本书的同僚们参考,欢迎大家指教。我将从第三章神经网络开始复习,前两章内容书里已经非常基础and清楚了。(会持续更新滴).........

博客而已 1万+

吉林大学数据库期末考试试卷讲解

给出几套期末真题及解析,给出复习建议。

一杯水果茶!足矣~ 3145

深度干货 | 拒绝“人工智障”:万字详解 AI Skills 如何构建大模型的“手”与“脑”

AI Skills(技能)是一种结合经验、规则与最佳实践的“超级工具包”,能够将AI的“知道”转化为“可落地的做到”。相较于普通Prompt,AI Skills包含元数据、行动指南和资源文件三大核心组成部分,能够标准化执行复杂任务并提供必要的工具支持。其优势在于能力超越普通Prompt、标准化与稳定性、高效复用以及聚焦重复且可标准化的任务。AI Skills与Agent和MCP协同工作,分别负责任务执行、目标拆解和外部服务对接。核心应用场景包括频繁重复性工作、标准化输出需求和知识沉淀,显著提升开发与办公效率

m0_58782205的博客 1999

YOLOv11增量学习数据回放优化:解决新类别引入时的灾难性遗忘问题

本文提出了一种基于生成式潜在回放和提示学习的YOLOv11增量学习系统,旨在解决目标检测中的灾难性遗忘问题。系统采用改进的YOLOv11骨干网络,结合条件变分自编码器生成旧类别特征,并通过渐进式提示调优模块实现高效参数更新。关键技术包括:1) C3k2模块和C2PSA注意力增强特征提取;2) CLIP引导的VAE潜在空间数据回放;3) 类特定与超类别提示相结合的增量调优策略;4) 自适应特征金字塔与显式视觉中心融合机制。实验表明,该方法在保持原有检测性能的同时,显著降低了增量学习过程中的遗忘现象。

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 2107

【珍藏干货】LangChain V1.0 智能体创建完全指南:从零构建你的第一个大模型应用

本文详细介绍了LangChain V1.0智能体创建的新机制,重点讲解了create_agent()作为标准入口如何封装LangGraph执行机制,简化了"模型调用→工具决策→执行→结果整合"的闭环流程。文章通过实例演示了如何准备模型、工具、记忆和提示词,快速构建生产级智能体,使开发者能够更高效地开发大模型应用。

Gaga246的博客 1446

TC3XX - MCAL知识点(二十四):UART MCAL配置及代码实战

UART驱动程序负责按照UART协议提供通信服务。ASCLIN模块为异步通信提供硬件支持,实现UART协议。UART驱动程序提供了配置、初始化、数据传输、接收等功能,还提供了中止传输和中止接收 abort等可选特性。软硬件匹配关系如下:UART驱动程序使用ASCLIN进行数据的传输和接收。驱动程序使用的关键硬件功能特性是:1、全双工异步工作模式2、支持半双工工作模式3、16字节的TXFIFO4、16字节的RXFIFO5、2 ~ 16位数据帧6、校验位生成/检查7、一个或两个停止位。

梦想技术家 1834

flash均衡磨损--实时保存设备数据

【代码】flash均衡磨损--实时保存设备数据。

Car12 480

AI进阶实战:大模型(LLM)、智能体(Agent)与提示词(Prompt)

【打造一款带记忆功能的AI智能通用问答产品】

m0_65555479的博客 2032

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")

吃透Agent Framework核心!从0到1搭建生产级差旅智能体

很多新手做智能体开发,最大的误区就是:以为调用一次RunAsync,就是单纯把用户一句话丢给大模型,等个回复就完事。说实话,这么想能跑通简单demo,但一上生产必崩。就像你点外卖,以为只是填个地址下单,殊不知背后有接单、配送、校验、风控、售后一整套流程。今天我就用咱们公司自研的差旅助手「小旅」,手把手拆解Agent Framework完整运行链路。从最基础的问答工具调用,到多轮记忆、长对话压缩、安全护栏、动态换模型,层层拆解每一层逻辑。

我是 二川兄,对Web开发、GIS开发、3D模型、机器学习、面试技巧等方面都有一些涉猎~ 欢迎您加入技术交流圈!你可以在我的文章末尾找到我~ 726

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

本地LLM智能体编排实战:轻量级Agent工作流落地指南

大语言模型(LLM)正从云端推理走向本地化部署,而‘本地智能体编排’成为中小企业AI落地的关键技术路径。其核心原理在于通过轻量级调度框架协调多个专用Agent,在有限硬件资源(如单卡GPU、16GB内存)下实现任务分解、状态管理与优雅降级。该技术显著降低AI工程化门槛,规避API依赖与高成本运维,具备强确定性与可复现性。典型应用场景包括合同初筛、客服工单分类、内部知识问答等高频低价值业务自动化。本期聚焦‘LLM-powered local agent orchestration’与‘llama-agents

weixin_30628801的博客 488

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

小白程序员必备:收藏这份大模型Agent实战指南,从入门到精通!

简单LLM和AI Agent的核心区别在于系统提示词(System Prompt),LLM是“被动响应”,而Agent是“主动执行”,这份主动性就来自于提前定义的控制逻辑。工具使用:自主判断“靠自身知识回答”还是“调用外部工具解决”,核心是“工具选择的合理性”;基础反思:生成答案后先自检、纠错,再返回给用户,解决LLM“一本正经说假话”的问题;ReAct(推理后行动):反复执行「推理→行动→观察结果」循环,直到完成任务,适配动态性强的场景;计划后执行。

2601_95363315的博客 613

【实战干货】从零构建深度研究智能体(Deep Research Agent)完整教程+开源代码,值得收藏!

本文介绍了一种深度研究智能体的构建方法,该系统能够自动执行主题研究并生成结构化报告。系统架构分为规划研究、拆解任务、数据收集与反思、报告生成四个阶段,通过DeepSeek-R1模型和Tavily搜索工具实现多次迭代优化。文章详细阐述了状态管理设计,使用dataclasses定义报告结构(标题、段落)和研究状态(搜索历史、摘要、迭代次数),并提供了优化的提示词模板以确保模型输出一致性。该系统通过自动化网络搜索、数据反思和Markdown报告生成,显著提升了研究效率,为构建智能研究助手提供了完整的技术方案和实施

qq_46094651的博客 555

万字长文,聊聊【前端转AI Agent开发】的干货经验

AI Agent(智能体)并非简单的人机对话程序,而是一套具备自主感知、任务规划、工具调用、记忆存储、迭代执行、结果复盘能力的智能化自主系统。其本质可以概括为:AI Agent = LLM大模型 + 记忆系统 + 任务规划引擎 + 工具调用编排 + 人机交互闭环传统的 AI 应用核心逻辑在于“被动响应”,用户输入指令、模型返回结果;而 AI Agent 的核心逻辑是“主动执行”,接收用户目标后,它能自主拆解任务、选择工具、迭代优化、完成全流程交付,真正实现低人工干预的智能化自动化。

2401_85375298的博客 197

2026爆款技术:AI多智能体系统(Multi-Agent)从0到1完整实战指南

摘要: 2026年AIAgent(尤其是多智能体系统)将成为技术风口,核心优势在于分工协作与可靠性提升。本文提供一站式实战指南:从趋势解读、架构设计(分层/对话/图状架构),到基于CrewAI搭建“AI技术周报生成系统”的完整代码(含研究、写作、审核多Agent协作),并涵盖进阶优化(LangGraph控制、RAG集成)、部署方案(Docker+FastAPI)及变现路径(教程/SaaS/职业提升)。开发者通过复用模板可快速落地高价值项目,抢占Agent技术红利。

小二丶的博客 1410

【干货收藏】AI Agent技术全解析:从1.0到2.0,小白到高手的系统学习路线图

AI Agent技术目前处于早期阶段,远未达到真正的智能体时代。当前Agent 1.0存在上下文溢出、目标迷失和无法恢复三大核心限制。Agent 2.0的探索方向包括显式规划、分层委托、持久记忆和极端上下文工程,但这些只是工程优化而非根本性突破。专家认为真正的智能体时代至少还需十年。文章提供了从基础概念入门到专业化进阶的系统化学习路线图,帮助读者在理性认知基础上建立扎实知识框架。

datian1234的博客 1177

【干货收藏】LangChain v1.0全解析:四大组件、中间件机制与Deep Agents实战

摘要: LangChain生态已从单一框架扩展为四大组件:基础框架LangChain、工作流引擎LangGraph、智能体执行框架Deep Agents和监控平台LangSmith。v1.0版本引入核心中间件机制,统一Runnable接口设计,强化智能体开发,并通过Deep Agents简化工业级智能体构建。新版本显著优化开发体验,建议开发者重构项目而非简单升级。注意LangGraph Studio已更名为LangSmith Studio,LangServe将逐步淘汰。

ytt0523_com的博客 1127
上一篇: 一文揭秘|如何速成RAG+Agent框架大模型应用搭建
下一篇: # 企业级 AI 知识库:开启企业高效运营新纪元
AI_小站
博客等级 码龄3年 6255粉丝 1156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