Loop Runtime 架构拆解:别再手动催 Agent,先把工程闭环跑起来

Agent执行闭环:Runtime、Loop与契约化设计实战 Agent执行闭环是构建可靠AI应用的核心工程范式,其本质是将大模型的‘思考—行动—观察’链路转化为可状态管理、可资源隔离、可契约校验的生产级系统。它源于对传统Prompt链和黑盒SDK的深度反思——当LLM调用失败、工具超时或输出格式混乱时,真正决定系统韧性的不是模型能力,而是底层Runtime的资源管控能力、Loop的状态机健壮性,以及输入/输出的Schema契约机制。本文聚焦Agent Loop状态机设计、基于cgroups v2的轻量沙箱Runtime实现、以及JSON Schema驱动的执行闭环契 阅读详情

导语

过去一段时间,很多人使用 Coding Agent 的方式其实还停留在"远程结对":把需求写清楚,补一段上下文,等它返回结果,再继续追问。这个办法有用,但杠杆不高。人始终站在循环中心,Agent 只是被动响应。

Loop Engineering 想解决的是另一件事:让人从每一轮对话里退出来,改去设计一套会自动启动、自动分派、自动验证、自动记账的运行系统。Agent 仍然负责读代码、写代码和调用工具,但驱动它们的已经不是人的即时输入,而是一条稳定运行的工程闭环。

inline-01.jpg

图:从"写好一次 Prompt"转向"设计会持续运行的 Loop"

这听起来像换了一个名词,其实不是。Prompt 关心"这一轮怎么说清楚",Loop 关心"这件事以后如何反复、可靠、可审计地发生"。前者偏技巧,后者更像软件工程。

从人肉循环到系统循环

传统 Prompt 模式里,循环由人手动推进。发现问题、整理上下文、选择下一步、判断是否完成,全都压在操作者身上。Agent 做得再快,人也要不断回到键盘前接下一棒。

Loop 模式把这条链路拆开,让系统接管大部分机械动作:

mermaid-01.png

图:Loop Runtime 将触发、分派、执行、验证和写回连成闭环

这张图里的关键不是 Agent,而是 Agent 周围的控制面。没有控制面,Agent 只是一个聪明的命令行工具;有了控制面,它才有机会变成一段可运行的工程流程。

Prompt 模式和 Loop 模式的差异可以压缩成一张表:

维度Prompt 模式Loop 模式
驱动者人手动发起每一轮系统按事件或计划触发
上下文临时粘贴、临时解释从文件、Issue、日志和历史状态中读取
执行环境当前工作区,容易互相踩文件Worktree 或独立沙箱
验证方式人读一遍,再让模型自查独立 Reviewer/Verifier 复核
记忆方式依赖会话上下文写入仓库、任务系统或数据库
人的角色操作者、追问者、兜底者流程设计者、权限裁剪者、最终审查者

Loop Runtime 的六块基础设施

一个能工作的 Loop 不只是"每隔几分钟跑一次 Agent"。真正的 Loop Runtime 至少要有六块东西:触发器、隔离层、知识层、工具连接层、角色分工层和外部状态。

mermaid-02.png

图:Trigger、Controller、Isolation、Agent Pool、Memory、Connectors 和 Skills 共同构成控制面

inline-02.jpg

图:Loop 不是单个工具,而是一组围绕控制面的工程基础设施

Trigger:让系统自己醒来

触发器是 Loop 的心跳。它决定系统什么时候开始工作,也决定它会盯住哪些信号。

常见触发源有几类:

  • 每天固定时间扫描 CI、Issue、依赖版本和告警。
  • PR 创建后自动做风险检查、补测试建议和文档核对。
  • CI 失败后拉取日志,尝试定位失败范围。
  • Commit 合入后检查高风险目录、权限变更和配置变更。
  • 线上监控出现异常后聚合日志,生成初步归因。

触发器越随意,Loop 越像一个乱跑的脚本。触发器越明确,Loop 越接近真正的工程系统。这里最需要设计的是边界:哪些事件只能分析,哪些事件允许改代码,哪些事件必须等人确认。

Worktree Isolation:并行之前先隔离

多 Agent 并行的第一道坎不是智能,而是文件冲突。两个 Agent 同时改同一份代码,结果通常不会比两个工程师抢同一个工作区更好。

Git worktree 的价值很朴素:每个任务有自己的工作目录、自己的分支、自己的修改空间。它不保证方案正确,但能先把机械冲突隔开。

mermaid-03.png

图:多个 Agent 可以并行工作,但每个任务都应有独立 worktree 和分支空间

但隔离不是免费的午餐。工具可以让十个 Agent 同时开工,不代表人能认真审十份改动。Loop 的吞吐上限最后往往不是模型,而是 Review 带宽。

Skills:把团队的隐性知识写成可执行上下文

Agent 每次启动时都像新人入职。如果项目的测试命令、目录红线、提交规范、历史事故约束没有写下来,它就会用猜的。

Skill 的作用不是把所有背景都塞进 Prompt,而是把稳定知识沉淀成运行时会读取的上下文。适合写进 Skill 的内容包括:

  • 项目如何安装依赖、构建、运行测试和做本地验证。
  • 哪些目录不能自动修改,哪些文件需要人工确认。
  • 日志、错误上报和埋点里不能出现哪些敏感信息。
  • 某些字段、接口或配置为什么不能随便删。
  • 线上事故后形成的工程禁区。
  • Review 时必须检查的性能、安全和兼容性约束。

没有 Skills,Loop 每一轮都在重新理解项目。有 Skills,Loop 才能把过去的坑变成下一轮的护栏。

Connectors:让 Loop 进入真实工程现场

只会读本地文件的 Agent,能做的事很有限。真实的软件工作发生在 Issue、CI、日志、监控、PR、IM 和数据库之间。Loop 要闭环,必须能连接这些系统。

MCP 或类似 Connector 的价值就在这里:它们把 Agent 从"看代码"扩展到"处理工作流"。

一条完整链路可能是这样:

mermaid-04.png

图:Loop 通过 Connector 进入 Issue、日志、CI、PR 和协作通知系统

这也是 Loop 和普通自动化脚本的分水岭。脚本通常按固定路径执行;Loop 会读真实输入,选择下一步,并把结果写回协作系统。

Agent Roles:写的人不要自己给自己判卷

让同一个 Agent 完成实现、解释和验收,风险很高。模型一旦在某个方案上投入上下文,就容易替自己的选择辩护。人类团队不会让开发者独自合并自己的核心改动,Loop 里也不应该这么做。

更稳的分工是把角色拆开:

角色主要职责设计要点
Explorer读代码、看日志、缩小问题范围只读权限,速度优先
Builder修改代码、补测试、整理 Patch写权限受控,必须记录假设
Reviewer审查变更、找回归和规范问题独立上下文,标准要严格
Verifier跑测试、核对停止条件不参与实现,只看证据

inline-03.jpg

图:Loop 不是让一个 Agent 从头包到尾,而是让不同角色接力完成发现、执行、验证和写回

这个分工会多花 token,也会拉长一次任务的链路。它不适合所有小事,但适合那些"错了会很麻烦"的任务:权限、数据迁移、核心链路、兼容性和安全相关改动。

State / Memory:把进度写在模型之外

Loop 最容易被低估的一层是状态。单次会话会结束,上下文窗口会被压缩,模型会忘记自己昨天试过什么。仓库、Issue、数据库和 Markdown 文件不会。

State 至少要记录几件事:

  • 当前待处理队列。
  • 每个任务已经尝试过的方案。
  • 失败原因、测试输出和 Review 结论。
  • 哪些任务被人确认过,哪些还不能自动推进。
  • 下一轮启动时应该从哪里继续。

一个没有外部状态的 Loop 很容易变成失忆的自动化:重复扫描、重复失败、重复解释。状态写清楚后,下一轮才有资格叫"继续",否则只是"重来"。

一次完整迭代应该怎么跑

下面是一条比较现实的 Coding Loop。它不追求全自动合并,而是把可自动化的部分交给系统,把高风险判断留给人。

mermaid-05.png

图:从 Scheduler 触发到 Explorer、Builder、Reviewer、Verifier 接力,再写回外部状态

这里有一个容易忽略的细节:停止条件也要设计。不能让 Builder 自己说"我完成了"就结束。完成必须有外部证据,比如测试通过、接口返回符合 schema、Reviewer 没有阻塞问题,或者人明确批准。

工程师的能力重心会变

Prompt 写得好仍然有用,但它不再是唯一的杠杆。Loop 做起来后,更值钱的能力会偏向系统设计:

过去更重要以后更重要
单轮 Prompt 写得清楚把任务拆成可重复运行的闭环
临时补上下文维护 Skills 和外部状态
手动判断下一步设计触发条件和停止条件
盯着 Agent 改代码设计 Maker/Checker 分工
靠人记住项目约束把约束写进工具和流程
让 Agent 多做一点决定哪些事绝不能自动做

这更接近 SRE、工作流编排和软件架构,而不是传统意义上的 Prompt 技巧。写 Prompt 是在影响一次回答;设计 Loop 是在影响一类工作以后怎么发生。

真正危险的地方

Loop 最大的诱惑是"我可以走开了"。这句话一半对,一半很危险。

第一,验证责任不会因为 Loop 存在而消失。Reviewer Agent 说通过,只能说明它没有发现问题,不等于代码已经被证明正确。线上配置、权限、资金链路、数据迁移这类任务,必须保留人工闸门。

第二,理解力会被产能反噬。Loop 产出越快,人越容易只看结论,不再理解细节。短期看效率很高,长期看会形成理解债:系统里有越来越多"不是我写的、我也没认真读过"的代码。

第三,舒适感会降低判断力。一个运行顺滑的 Loop 很容易让人误以为它理解业务,实际上它只是很好地执行了你设计的流程。流程没有覆盖的风险,它一样看不见。

所以 Loop 的正确姿势不是放弃判断,而是把判断放到更高的位置:少做机械追问,多做边界设计、证据审查和风险取舍。

落地前先回答这八个问题

如果要在团队里真正落一个 Loop,不建议一上来就追求全自动修复。先把下面八个问题写清楚:

问题需要明确的内容
什么时候启动定时、CI 失败、PR 创建、Issue 打标、线上告警
读取哪些输入代码、日志、测试报告、监控、Issue、最近提交
能执行哪些动作只分析、可改代码、可开 PR、可发消息、是否允许改配置
用什么隔离Worktree、容器、临时分支、只读沙箱
如何验证完成测试、Lint、Schema 校验、Reviewer 结论、人工确认
状态写在哪里Markdown、Issue、PR Comment、SQLite、任务队列
哪些必须人审权限、数据、安全、核心链路、外部可见行为
失败后怎么处理重试次数、降级策略、告警对象、回滚路径

这八个问题比"选哪个 Agent 工具"更重要。工具会变,Loop 的边界和责任不会自动变清楚。

结语

Loop Engineering 的重点不是让 Agent 看起来更勤奋,而是把 AI 协作从一次次聊天改造成可运行、可检查、可延续的工程系统。

我更愿意把它看成一次角色迁移:工程师不再只负责把话说给模型听,还要负责设计模型工作的轨道。轨道设计得好,Agent 可以在很多低风险、高重复的任务上持续给你省时间;轨道设计得烂,它也会很稳定地把错误放大。

所以不要只问"这个 Agent 能不能自动干活"。更应该问:它什么时候启动,拿什么证据判断,在哪个边界内行动,失败后写回哪里,最后谁负责拍板。

Loop 可以跑起来,但工程判断力不能下线。

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!2026 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。

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👇👇

​

2026 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”!

Agent Runtime 层 commoditization:从 context 管理到事件日志驱动的架构演进 AI agent 运行时(runtime)是支撑多步推理、工具调用与状态管理的基础层,其核心挑战在于上下文窗口的不可靠性与状态持久化的缺失。传统方案依赖 LLM 的 context window 存储历史,导致静默幻觉、调试困难与安全风险;而以 Anthropic Managed Agents 为代表的新型架构,通过‘session-as-event-log’范式,将状态解耦为外部可审计、可重放的结构化事件流,并结合沙盒隔离与凭证代理机制,显著提升可靠性、可观测性与合规性。该设计不仅解决了 context 阅读详情

相关推荐

Agent Runtime 正在商品化:从 Context State 到 Event-Log 架构演进

Agent Runtime 已不再只是模型调用的胶水层,而是承载可审计性、合规性与状态一致性的基础设施。其核心原理在于将模糊的 context 状态解耦为结构化的 event log,实现 session 全生命周期的可观测、可回溯与可治理。这一转变显著提升金融、医疗、电商等高合规场景下的故障定位效率与审计响应能力,并支撑多租户隔离、凭证安全注入与长时交互稳定性等关键工程需求。当前主流云厂商与开源项目正加速推动 runtime 层标准化,使技术价值重心持续向上游 trace store、policy gov

weixin_34075268的博客 382

【Dify解惑】在 Dify 中实现多 Agent 协作(如 Planner / Worker / Reviewer)有哪些典型模式?

在 Dify 中实现多 Agent 协作(如 Planner / Worker / Reviewer)有哪些典型模式?

人工智能(AI)技术,大模型技术,深度学习,机器学习,计算机视觉,AI工具实践应用等分享 1857

Claude Code Agent架构全景|拆解Query Loop与多Agent协作体系、强化工具调度与记忆管理、赋能研发全流程自动化开发

Claude Code Agent 核心价值是将静态文本生成模型升级为工程化自主运行平台。以Query Loop迭代循环为核心,构建“思考-行动-观察-迭代”的自主闭环,通过Tool/Skill分层体系实现能力与经验的标准化管理,依托三级记忆系统解决状态留存难题,借助多Agent集群协作突破单任务执行瓶颈。整套架构彻底解决了传统大模型无迭代、无记忆、无协同、落地难的核心痛点,可全面覆盖代码开发、缺陷修复、项目迭代、代码审计、运维自动化等全研发场景。

getusushu的博客 106

九步打造高效AI Agent团队:告别混乱,实现生产级落地

高效AI Agent团队构建指南:三层九步实现生产级协作 本文针对多Agent系统开发中的常见问题(如单Agent低效、任务冲突等),提出了一套结构化解决方案。核心框架分为三个层次: 单Agent优化层 定义严谨的Agent Loop循环机制 实施上下文管理(写/选/压/隔) 建立类型化工具Schema 协作层 创建隔离上下文的子Agent 设计专职规划的编排器 构建共享任务列表系统 生产化层 实现记忆持久化 设置沙箱环境 建立评估体系和权限管控 该方案强调工程化约束(如结构化返回、审批闸门等)比单纯提升模

2401_85375151的博客 295

深入了解AES_GCM算法

常见的对称加密算法,在解密过程中无法确认密钥是否正确的。这就意味着,密文可以用任何密钥执行解密运算,得到一组疑似密文;由于不知道密钥是否正确,故也不能确定解密出来的明文数据是否正确。因此,需要在对称加密算法上增加一层验证机制,常见思路为使用加密算法进行加密保证机密性,使用摘要算法计算MAC保证完整性和真实性,这就涉及到摘要计算和加密计算的前后顺序和参与计算的数据、密钥等,使用起来略微麻烦。

huaqianzkh的专栏 4199

MOOS-ivp 实验一 MOOS软件的安装与执行

MOOS-ivp实验一 实验一步骤总结 文章目录MOOS-ivp实验一前言一、实验一1.下载软件2.安装必要的插件3.安装后检查4.路径添加5.执行示例文件总结 前言 在moos学习过程中,我觉得最好把学习的每一步骤都总结一下,方便日后进行回顾。moos官网设置了十八个实验,涉及到了moos的各个方面,完成这些实验也是moos入门的好办法。 一、实验一 实验一主要内容仅仅是软件的安装,仅仅这一步就花费了我接近两天的时间。主要问题发生在linux系统的配置问题上。 1.下载软件 svn co https:

weixin_44151170的博客 6673

从手动Agent到自动化闭环:Loop Runtime架构设计与工程实践

在AI工程化实践中,工作流自动化是提升系统可靠性和效率的核心。其基本原理是通过事件驱动架构将离散任务串联为可自运转的闭环系统,涉及状态管理、条件触发、执行验证等关键技术组件。这种架构思维的价值在于将人工干预的临时性操作转化为可监控、可迭代的标准化流程,显著降低运维成本并提升任务一致性。在应用场景上,它广泛适用于报表生成、数据监控、智能客服等需要持续执行的AI任务。本文以销售报表分析为例,具体阐述如何通过构建包含感知触发器、Agent执行器、状态管理和验证路由的Loop Runtime系统,实现从手动触发到全

weixin_34159110的博客 405

微磁模拟实战指南:从OOMMF安装到首个3D模型运行

本文详细介绍了OOMMF微磁模拟软件的安装与使用,从环境配置到首个3D模型运行的完整教程。涵盖Windows、Linux和macOS平台的安装避坑指南,以及MIF文件编写、并行计算优化等实战技巧,帮助研究人员快速掌握这一开源工具在磁畴壁运动、磁滞回线等微磁学问题中的应用。

weixin_29294597的博客 155

从 Prompt 到 Platform:企业级 AI Agent 平台工程专栏导读

当 AI Agent 从 Demo 走向企业生产,工程重点会从 Prompt 扩展到 Context、Workflow、Runtime、数据闭环、多租户治理与协议生态。本文作为十篇专栏的总导读,梳理从 Prompt Engineering 到 Agent Platform Engineering 的技术演进路径,逐篇说明核心问题、适读人群与推荐阅读顺序,帮助开发者、架构师和技术负责人建立企业级 Agent 平台的完整认知框架。

i_k_o_x_s的专栏 1535

移位寄存器——用Verilog实现串入串出、串并和并串转换并进行Modelsim仿真

用Verilog实现串并转换 首先我们先要了并串和串并转换的原理 并串转换:先将八位数据暂存于一个八位寄存器器中,然后左移输出到一位输出端口,这里可以通过一个“移位”来实现,相当于实现了移位寄存器的功能。 串并转换:新输入的位值成为原来数据的最低位,将原来数据的最高位舍去,这里可以通过一个简单的“连接符”来实现。 我们这里采用两种方式来进行串并转换 一:lsb优先 Least Significant Bit,最低比特,最低位优先 二:msb优先 Most Significant Bit,最高比特,

H19981118的博客 2万+

R语言coxph函数对加权数据集进行竞争风险模型拟合、regplot包的regplot函数可视化竞争风险回归模型的列线图nomogram、计算特定病例的事件概率(控制了竞争风险的累计事件概率)

R语言coxph函数对加权数据集进行竞争风险模型拟合、regplot包的regplot函数可视化竞争风险回归模型的列线图nomogram、计算特定病例的事件概率(控制了竞争风险的累计事件概率)

statistics+insight+vista+power 360

从用户提问到 Agent 执行:拆解 Agent Runtime 与多智能体路由的完整链路

本文深入解析多智能体系统从请求到响应的完整执行链路。系统通过路由机制(规则/模型/消息队列)将用户请求精准分发至对应Agent;AgentRuntime作为"操作系统"负责加载上下文、工具链和安全沙箱;AgentLoop通过"推理-执行-反馈"的闭环迭代完成复杂任务。以Python脚本编写运行为例,展示了多步执行的典型流程。文章强调,Runtime提供的能力边界和Loop实现的迭代控制,与路由机制共同构成了多智能体系统稳定运行的核心支柱,是将模型能力转化为实际生产力的

m0_67391870的博客 530

真题库系列之 CCF GESP 2025年12月认证 Python 1级真题含正确答案与解析

学生通过计算机基础知识的学习,了解计算机的构成与操作,以及计算机的发 展历程。通过编程基础知识以及语句的掌握,可以独立完成简单功能的顺序结构、 分支结构、循环结构的程序。

iCloudEnd的博客 322

Agent 工程化 Loop 的一些必看小技巧!

结合后面的源码可以看到,GitHub 页面增强发生在 content.js,GitHub API 请求发生在 downloader.js,而授权相关能力会牵涉到 options 页面中的 token 配置逻辑。最后才是 content.js,它负责把前面的能力接到 GitHub 页面上。options.js 是一个体量很大的文件,它承担了 GitZip Pro 的配置中心角色:主题、语言、按钮位置、文件大小显示、双击选择、token 模式、命名规则、忽略规则、下载历史、统计面板和首次欢迎弹窗都在这里。

rN1hjfrb6的博客 202

OpenCV实现文档扫描OCR识别(基于Python + OpenCV,含完整代码)

在当今数字化时代,文档处理的自动化需求日益增长。文档扫描OCR(Optical Character Recognition,光学字符识别)技术成为了将纸质文档转换为可编辑电子文本的关键手段。通过Python与OpenCV库的结合,我们能够实现高效、准确的文档扫描OCR识别。这一技术在办公自动化、数字图书馆、档案管理等众多领域都有着广泛的应用。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 2031

Codex 100个真实案例 - 用AI生成建筑平面图SVG(室内设计师的新武器)

本案例用 Codex 生成一套完整的 Python 脚本,自动绘制 SVG 格式的建筑平面图。我们会设计一个90平两室一厅的户型——客厅、主卧、次卧、厨房、卫生间一应俱全,还会自动摆放家具(沙发、床、餐桌、橱柜)、标注尺寸和面积、绘制水电路走向、生成多种配色方案。最终输出的 SVG 文件可以直接用浏览器打开展示,也可以转成 PNG 交给客户。室内设计师看了都说好!

yueyeguzhuo的专栏 771

【04】Harness Loop:Agent 如何实现自我修正?

Harness Loop 的价值不是让模型无限反思,而是在校验、权限、证据和人工审核约束下,让 Agent 有限地发现偏差并修正执行。

i_k_o_x_s的专栏 394

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Loop Engineering(循环工程)行业报告(2026)

《Loop Engineering行业报告(2026)摘要》 本报告系统阐述了2026年兴起的AI工程新范式——循环工程(Loop Engineering)的技术演进与产业实践。报告指出,从提示词工程到循环工程的四次范式跃迁(2022-2026)本质是控制权的转移,最终实现"目标驱动系统,系统驱动AI"的自主运行模式。 循环工程的核心在于设计全自动迭代闭环系统,使AI能够持续自主工作。其爆发源于2026年大模型能力的质变、工具链完备和效率焦虑三重因素。报告详细分析了循环工程的五大核心模块、经典模式及产业实践

后端研发工程师Marion的博客 652

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!

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

团队落地 Agent 工程化 Loop 的一些必看小技巧!

Wiki 是提前做过整理、交叉验证和时间线对齐的结果,Agent 读到的不是某个人某一刻的观点,而是一份经过清理的判断。更重要的是,报错本身就是最精准的提示:哪一行错了,为什么错,怎么改,全部在反馈里。让 Agent 像人一样出现在任务面板上,有身份、有进度、有审计,能领取任务、汇报 blocker、留下决策过程。需求讨论过什么,Agent 问过什么,哪个方案被排除,为什么最后选了这个实现,这些信息如果只在个人会话里存在,就会变成知识孤岛。比如每天早上扫描昨天的 CI 失败,能修的自动修,修不了的汇总;

DPN7v7P8C的博客 199

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。

上一篇: AI从“能聊“到“能干“:一文搞懂智能体(Agent)的本质、架构与未来
下一篇: AI Coding 不只靠 Prompt:Agent 工程闭环如何接入 DevOps
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