一个夜市摊主用AI算账后，发现去年白干了三个月

AI_小站 AI_小站 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 249平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄3年
关注
原创 最新推荐文章于 2026-11-14 14:45:05 发布 249 阅读 AI 写同款· GEO 优化 ›
「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

老周去年算了笔账，发现从九月到十一月，他几乎白干。

不是没生意，是根本没算清。进货、损耗、平台抽成、人工、摊位费，杂七杂八搅在一起，他只知道每天微信到账两三千，年底一看银行卡，多了不到两万块。那一刻他坐在摊位的塑料凳上，点了根烟，沉默了很久。🚬

老周今年40岁，之前在互联网公司做运维。三十五岁那年公司优化，他被"毕业"了。投了一年简历没结果，他索性拿出积蓄，在夜市盘了个炸串摊。刚开始他觉得，卖吃的总比写代码简单吧？结果干了三年，才发现小生意的坑一点也不比大厂少。

他的摊子不大，但SKU不少。鸡腿、鱿鱼、豆腐、土豆、金针菇、香肠、年糕，一共三十多种。每种原料的进货价、损耗率、毛利都不一样。他每天凭感觉进货，天气好就多备点，天气差就少备点。听起来合理，实际上三天两头要么卖断货，要么剩一堆。

更难受的是，他根本不知道哪个品赚钱。比如鱿鱼串，售价八块，但处理起来麻烦，损耗高，算下来毛利还不如三块钱一串的土豆。他一直以为鱿鱼是招牌，结果AI一算，发现它拖后腿。🦑

他第一次接触AI，是在一个摊主群里。有人发了个视频，说用AI做了个进销存表，能自动算损耗。老周点开看了三遍，还是没看懂。后来他私信那人，对方说：“你先去学个大模型应用课，里面会讲Text-to-SQL和Agent，不用编程，照着做就行。”

老周心想，我都40了还学啥课。但看着那惨淡的账目，他还是报了。

课程里的第一个作业就让他开窍了：用AI分析自己的经营数据。他把三个月的进货单、销售记录、退款记录、天气情况全导进一个表格，然后用Text-to-SQL问AI各种问题。他问：“下雨天哪种串销量最高？”“周末和工作日的客单价差多少？”“哪种原料损耗率超过15%？”

以前这些问题他想都不敢想。现在AI几秒钟给他答案。📊

老周第一次把数据喂给AI的时候，紧张得手抖。他问了一个问题："我上个月到底是赚了还是亏了？"AI给了答案：名义收入四万八，扣除进货、损耗、摊位费、平台抽成和人工成本，净利润八千二。老周看着这个数字愣住了。他原来以为自己一个月能赚两三万，结果连一万都不到。

更让他震惊的是AI的下一句话："如果优化进货结构和减少损耗，预计下个月净利润可提升35%。"老周第一次觉得，自己这个小摊也许真的能"算"明白。他开始拆解自己的三个核心困境。

第一个困境：进货凭感觉，天天浪费钱。

以前他每天晚上收摊之后，凭经验写第二天的进货单。卖得多就多加，卖得少就少加。但经验这东西不准，尤其遇到天气、节假日、旁边新摊位竞争，经常翻车。

有一次隔壁新开了个臭豆腐摊，他以为会抢客流，故意少备了货。结果那天下大雨，大家不想走远，全挤在他这个有棚子的摊位，不到九点就卖断货。他眼睁睁看着客人去别家，心疼得不行。还有一次他进了一批高价牛肉串，结果那周旁边工地停工，客流少了一半，牛肉全臭在冰柜里，亏了三千多。😩

他用AI做了一个简单预测。把历史销量、天气、星期几、周边活动这些因素喂进去，AI告诉他明天大概需要备多少货。一开始他半信半疑，试了一周，发现准确率有八成。光减少的损耗，一个月就省下来一千多。

第二个困境：不知道啥赚钱，瞎忙活。

老周一直以为自己的招牌是秘制酱料和鱿鱼串。AI一算，酱料确实复购率高，但鱿鱼串的毛利只有18%，远低于摊位的平均水平35%。反倒是五块钱一份的炸土豆和两块钱一串的金针菇，毛利高、出品快、点单多。

他调整产品结构：把鱿鱼串从C位撤下来，换成土豆和金针菇的套餐组合。还把秘制酱料单独包装，卖给想回家自己做的客人。一个月后，客单价从18块涨到24块，毛利反而更高了。🥔

第三个困境：每天对账对到半夜，人累心更累。

夜市收摊通常是凌晨一两点。老周回家之后还要一笔笔对账：微信、支付宝、现金、外卖平台。有时候困得眼皮打架，算错一笔，第二天还得重来。有次他发现现金少了两百，怎么也对不上，跟老婆吵了一架。后来才知道是找零时记错了。

他用课程里学的Agent思路，做了一个自动对账流程。各个平台的收款截图和账单，自动识别、分类、汇总。他只需要每天早上花十分钟看一眼总账，就知道昨天赚了还是亏了。

老周现在每天十二点收摊，一点到家，倒头就睡。他说：“以前觉得AI是年轻人玩的东西，现在发现它就是给我这种老炮儿省命的。”

他的转变也影响了旁边摊位的老板。大家看他现在备货准、算账快、整个人气色都不一样，纷纷来问。他也不藏着，把那个大模型课程推荐给了他们。他说：“咱们摆摊的，不需要懂算法，但需要懂自己的生意。AI就是一面镜子，照得清楚，你才能知道自己到底赚没赚。”

最近老周又算了一笔账。今年前四个月，他的净利润比去年同期多了将近两万。他把其中一万块给女儿报了钢琴班，剩下的准备再学点新东西。他说：“我不能一辈子炸串，但在我炸串这几年，我得把该赚的钱赚到。”

这话听着踏实。

很多失业的程序员、被优化的中年人，总觉得自己除了老本行啥也干不了。其实不是。你算账的能力、整理数据的能力、找规律的能力，都是本事。AI只是把这些本事放大了。

你要是也在一个小生意里死磕，先别急着扩大规模。先把账算清楚，把数据用起来。你可能也会发现，自己去年也白干了某几个月。🔍

但发现问题的这一刻，就是你开始赚钱的那一刻。

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。

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👇👇

​

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”！

标签
#人工智能 #java #数据库 #prompt #RAG
#LLM #Agent
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
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

瑞萨MCU定时器API实战：从Smart Configurator配置到中断与输入捕获应用

在嵌入式系统开发中，定时器（Timer）是实现精准时序控制、PWM输出和信号测量的核心硬件外设。其工作原理基于计数器在稳定时钟源驱动下递增或递减，达到预设值后触发中断或改变输出电平，从而为系统提供节拍和事件基准。通过图形化配置工具（如瑞萨的Smart Configurator），开发者可以高效地将复杂的硬件寄存器操作转化为清晰、标准化的C语言API函数，这极大地提升了开发效率并降低了出错风险。这种从硬件抽象到软件接口的技术价值在于，它使得开发者能更专注于应用逻辑，而非底层细节，尤其适用于工业控制、汽车电子等

weixin_42519733的博客 277

视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 386

李宏毅机器学习hw3

Homework 3 - Convolutional Neural Network 1作业概述 在food_11文件中有三个文件分别是training、validation、testing，打开training和validation可以看见总共有11种食物（0-10的类别编号），而testing是没有类别编号的。 然后用卷积神经网络对食物图片进行分类。 2导入用到的库 torch库 这个我弄了半天，直接pip总是timeout，用镜像源下下来又出现OSError: [WinError..

老问题的博客 4189

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 307

NPP/VIIRS夜间灯光数据：从下载到应用的完整指南

本文提供了NPP/VIIRS夜间灯光数据从下载、处理到应用的完整实战指南。详细介绍了如何从官方源获取数据、解读文件结构、进行坐标校正与数据清洗，并深入探讨了其在城市扩张监测、社会经济指标估算、重大事件影响评估等领域的核心应用。文章旨在帮助研究者与从业者快速掌握这一强大的空间数据，将其转化为研究中的实用工具。

gpu4optimizer的博客 870

pymol 动画简单制作，gif、mp4导出

参考： https://www.youtube.com/watch?v=G77K9Lro8js1、直接Movie下Program下，Camera Loop下Nutate下选择，这里选择30degover4 sec；如果要动画过渡自然，可以在这4sec后面再Append 1sec；如果需要两个视角，既可以再把窗口蛋白定位到比如配体，不用管中间过程怎么定位过去配体，再Program下，Camera Loop下Nutate下选择，这里选择30degover4 sec添加；最后如果要整体形成个循环播放，可以在这4s

weixin_42357472的博客 8447

【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 601

基于STM32设计的水质检测系统_333

水质安全对生态环境、农业生产、工业制造以及人类健康至关重要。针对传统水质检测方式检测周期长、成本高、实时性差的问题，本项目设计并实现了一种基于STM32的水质检测系统。系统采用STM32F103RCT6作为主控芯片，集成水温、pH值、电导率和浊度等传感器，能够实时采集水质数据，并通过OLED显示屏进行本地显示。同时，利用Air724UG 4G模块通过MQTT协议将数据上传至华为云IoT平台，实现远程监测。用户可通过Qt5开发的Android手机APP和Windows上位机查看水质数据，并接收超限报警提示。此

715

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 238

基于JeecgBoot 3.9.0 开源项目的企业管理平台

基于JeecgBoot 3.9.0 开源项目的企业管理平台

宁波阿成的博客 376

6D位姿估计系列（一）

本研究提出FoundationPose，一个统一的基础模型框架，支持基于CAD模型和无模型的6D物体姿态估计与跟踪。通过神经隐式表示实现高效新视图合成，结合大规模合成数据训练和对比学习策略，模型展现出强大的泛化能力。实验表明，该方法在LINEMOD、YCB-Video等多个基准数据集上显著优于现有专门化方法，处理速度达32Hz，且无需目标域微调。该工作为多场景物体姿态估计提供了通用解决方案。

qq625924821的博客 564

AI Agent之核心框架

A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。

剑雨巍巍的博客 272

AI应用工程师面试指南与参考答案

摘要：AnkerAI应用工程师职位面向2024/25届毕业生，要求计算机相关专业背景，强调工程实现与技术探索能力。岗位职责包括全栈开发、AI技术整合（如大模型、图像识别）、团队AI赋能及系统优化。职位更看重编程实践能力（Python/Java等）和学习潜力，而非单纯算法知识。成功候选人将参与智能化产品开发，获得导师指导和技术成长机会。面试准备应聚焦项目经验展示、业务需求理解和技术解决方案能力，通过结构化回答和实操案例体现工程思维与创新潜力。

郑伟强dev的专栏 414

AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 637

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

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")

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 184

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

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 328

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

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 316

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 69

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 145

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！ 478

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 556

【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。

364

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 386

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 5077

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 535

影视场景怎么用AI生成3D镜头预演？从概念图、场景白模到网页审片

概念图有氛围，不代表能直接用于镜头预演。本文围绕剧本拆镜、资料与尺度假设、场景白模、机位走位、动作节拍和网页审片，介绍 AI 生成 3D 场景的预演流程。通过稳定对象与相机编号、统一镜头表、意见关联版本和三轮审核，让讨论落到具体镜头，同时明确白模与网页预演不能替代真实场地勘景及现场安全判断。

Solange__的博客 604
上一篇： Loop Engineering又是啥？一文讲清企业Agent落地的四层工程进化论
下一篇： 我把公司的工单系统塞进了大模型：一次完整的实战复盘
点赞 7
评论 0
书签 书签 6
AI_小站
AI_小站
博客等级 码龄3年 6255粉丝 1154原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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