AI智能体开发指南：大模型+智能体的核心技术全解析（值得收藏）

冻感糕人~ 冻感糕人~ 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 800+累计阅读 853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 2026-05-07 15:11:25 发布 853 阅读 AI 写同款· GEO 优化 ›
什么是大模型？ 大模型是指具有数千万甚至数亿参数的深度学习模型。近年来，随着计算机技术和大数据的快速发展，深度学习在各个领域取得了显著的成果，如自然语言处理，图片生成，工业数字化等。为了提高模型的性能，研究者们不断尝试增加模型的参数数量，从而诞生了大模型这一概念。大模型通常由深度神经网络构建而成，拥有数十亿甚至数千亿个参数。大模型的设计目的是为了提高模型的表达能力和预测性能，能够处理更加复杂的任务和数据。大模型采用预训练+微调的训练模式，在大规模数据上进行训练后，能快速适应一系列下游任务的模型。 阅读详情

本文系统介绍了AI智能体的概念、特点及20个关键技术术语，并详细阐述了构建AI智能体的八个步骤：定义目标与范围、设计系统提示、选择大语言模型、工具集成、记忆系统、编排逻辑、用户界面设计以及测试评估。文章指出，智能体作为大模型的应用延伸，正逐步在各行业实现效率优化与数字化转型，是新质生产力的核心载体。

20个AI技术常用术语

  1. 智能体 (Agent): 一种自主实体，利用提示和环境来感知并行动以达成目标。

  2. 环境 (Environment): AI 智能体运行并与其他工具交互的上下文或沙箱。

  3. 感知 (Perception): AI 智能体理解和解释环境数据的能力。

  4. 行动 (Action): AI 智能体根据用户提供的提示或反馈执行的当前过程。

  5. 状态 (State): 智能体的环境、过程或系统为了特定目的所处的当前条件。

  6. 大语言模型 (LLMs): 大型语言模型 - 智能体进行思考和执行行动背后的 “大脑”。

  7. 大型推理模型 (LRMs): 一种推理型语言模型，用于 AI 智能体中更多基于上下文的推理。 它们比 LLMs 慢，但提供更好的结果。

  8. 工具 (Tools): 智能体使用的原生或第三方 API，用于执行超出其内置能力的专门任务。

  9. 记忆 (Memory): 用于存储当前上下文以及过去的用户互动和过程。

  10. 知识库 (Knowledge Base): 智能体的数据库，主要用于根据输入来推动和生成结果。

  11. 编排 (Orchestration): 开发智能体交互的过程，从输入和推理到输出。

12 规划 (Planning): AI 智能体确定一系列行动以实现目标的过程。

  1. 评估 (Evaluation): 对 AI 智能体在实现其目标方面的性能和准确性的评估。

  2. 架构 (Architecture): AI 智能体的蓝图，定义了其组件如何交互和运作。

  3. 思维链 (CoT): 一种推理技术，智能体将复杂问题分解为顺序步骤。

  4. ReAct: 一种推理框架，用于迭代地结合推理和行动。

  5. 多智能体系统 (MAS): 在共享空间中交互的多个 AI 智能体。

  6. 群体 (Swarm): 通过自组织交互集体表现出智能行为的智能体。

  7. 移交 (Hand-offs): 多个 AI 智能体之间任务或责任的转移。

  8. 智能体辩论 (Agent Debate): AI 智能体进行结构化的论证或讨论，以创造更好的结果。

如何构建 AI 智能体

如果说大模型如：ChatGPT 是“大脑”，那么 AI Agent（智能体） 就是“大脑+身体+记忆+行动力”的结合体。
它不仅能回答问题，更能主动执行任务、与系统交互、记忆上下文并持续学习。

下面这张信息图，用 8 个模块讲清楚了——从 0 到 1 搭建一个 AI 智能体的完整路径。

在这里插入图片描述

八步打造一个智能体

① 定义目标与范围（Define Purpose & Scope）

明确智能体要解决的问题、目标人群、成功指标与约束条件。

📌提示：从一个具体场景出发，如“AI 财务分析师”或“AI 办公助理”。

② 设计系统提示（System Prompt Design）

设定智能体的角色、语气、目标与边界。

这一步是**“灵魂塑造”，定义它是谁、能做什么、不能越界的底线。**

③ 选择大语言模型（Choose LLM）

根据需求选择合适的模型（GPT-5、Claude 4.5、Gemini 2.0、Mistral 等），平衡性能、上下文长度与成本。（这句话说起来只要一秒钟，做起来却是用绳命在做）

④ 工具与集成（Tools & Integrations）

让智能体“动起来”——接入 API、数据库、MCP 服务器或自定义函数，实现对外部世界的感知与控制。

⑤ 记忆系统（Memory Systems）

赋予智能体“记忆力”：包括对话记忆、工作记忆、向量数据库、文件存储等，让它能持续学习而不是“一问一答的鹦鹉”。

⑥ 编排逻辑（Orchestration）

设计智能体之间的调用流程（Agent-to-Agent），触发器、消息队列、错误处理——这一步让AI能“自主协作”。

⑦ 用户界面（User Interface）

打造交互前端：Chat窗口、网页应用、API接口或Slack机器人。好的界面让AI“看起来更聪明”，更易于部署。

⑧ 测试与评估（Testing & Evals）

包括单元测试、延迟测试、质量评估与持续改进。这是让AI从“能用”走向“可靠”的关键环节。

当前，智能体技术已从实验室走向各行各业，其应用创新正逐步显现于效率优化、个性化服务以及跨行业集成等多个方面。智能体作为新质生产力的核心载体，通过全域智能化升级，推动产业效率跃迁与创新，加速各领域数字化转型。虽伴随安全风险挑战，但对社会生产力解放与人类价值拓展具有深远影响。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

在这里插入图片描述

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

在这里插入图片描述

在这里插入图片描述

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

img

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

在这里插入图片描述

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

img

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

img

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

img

适用人群

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

标签
#人工智能 #langchain #学习 #设计模式 #大模型
#java #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。
Rerank模型哪款最强？详解如何轻松集成到你的项目中！ 新的reranker模型：发布跨编码器模型 BAAI/bge-reranker-base 和 BAAI/bge-reranker-large ，它们比嵌入模型更强大。所以，当在RAG 项目中，使用Embedding 求出topN的时候，N可以大一点儿，然后重新组织问题和检索出来的答案。比如，question是问题，top_n_answers是Embedding返回的结果，得到Rerank的新数据结构。几乎所有的Embeddings都在重排之后显示出更高的命中率和MRR，所以rerank的效果是非常显著的。 阅读详情

相关推荐

什么是大模型

大模型（Big Model）是指在机器学习和人工智能领域中处理大规模数据和复杂模型的一种方法或技术。随着数据量的不断增加和模型的复杂度提高，传统的机器学习方法已经无法有效处理，因此大模型成为了解决这一挑战的重要工具之一。本文将介绍大模型的基本概念、应用场景以及一些常见的大模型技术。大模型是指在处理大规模数据和复杂模型时所采用的一种模型和算法。大模型通常需要处理海量的数据，这些数据可能来自于互联网、传感器、日志文件等各种来源。

私聊前往站内信：https://i.youkuaiyun.com/#/msg/chat/weixin_44976692 2万+

什么是大模型？一文读懂大模型的基本概念

大模型通过训练海量数据来学习复杂的模式和特征，具有更强大的泛化能力，可以对未见过的数据做出准确的预测。引申到模型层面，涌现能力指的是当模型的训练数据突破一定规模，模型突然涌现出之前小模型所没有的、意料之外的、能够综合分析和解决更深层次问题的复杂能力和特性，展现出类似人类的思维和智能。ChatGPT对大模型的解释更为通俗易懂，也更体现出类似人类的归纳和思考能力：大模型本质上是一个使用海量数据训练而成的深度神经网络模型，其巨大的数据和参数规模，实现了智能的涌现，展现出类似人类的智能。

weixin_46880696的博客 11万+

如何用python开发“跳一跳”游戏【附源码】

jump_start_time = pygame.time.get_ticks() # 记录跳跃开始时间。jump_duration = current_time - jump_start_time # 计算跳跃持续时间。current_time = pygame.time.get_ticks() # 获取当前时间。jump_velocity = -15 # 设置跳跃的初始速度。# 如果小球跳跃结束，重置跳跃状态。# 根据跳跃持续时间计算跳跃高度。# 移除超出屏幕的障碍物。

helloshili2011的博客 2496

使用大模型检索增强 Rerank 模型，检索效果提升太明显了！

RAG 是一种结合了信息检索和文本生成的语言模型技术。简单来说，当你向大语言模型（LLM）提出一个问题时，RAG 首先会在一个大型的文档集合中寻找相关信息，然后再基于这些信息生成回答。Rerank 的工作就像是一个智能的筛选器，当 RAG 从文档集合中检索到多个文档时，这些文档可能与你的问题相关度各不相同。有些文档可能非常贴切，而有些则可能只是稍微相关或者甚至是不相关的。这时，Rerank 的任务就是评估这些文档的相关性，然后对它们进行重新排序。它会把那些最有可能提供准确、相关回答的文档排在前面。

2201_75499313的博客 7132

OpenCV教程：超详细的OpenCV入门教程，值得收藏

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，它提供了很多函数，这些函数非常高效地实现了计算机视觉算法（最基本的滤波到高级的物体检测皆有涵盖）。 OpenCV 使用 C/C++ 开发，同时也提供了 Python、Java、MATLAB 等其他语言的接口。 OpenCV 是跨平台的，可以在Windows、Linux、Mac OS、Android、iOS 等操作系统上运行。 OpenCV 的应用领域非常广泛，包括图像拼接、图像降噪、产品质检、..

pythonandaiot的博客 14万+

联想ThinkServer SR588 重装raid5阵列信息（装完centos7后，找不到硬盘）

这里写自定义目录标题找不到硬盘选择光盘启动 找不到硬盘 装完centos7之后，提示重启，重启之后，就一直无法启动。 进入bios 看了，确实是有设置硬盘为第一启动选项。 选择光盘启动 本地标准硬盘也是找不到。 1、 重启进入bios在系统手设置里找到存储信息， 然后找到如图选项回车进入。 选择主目录进入。 进入Configuration Management 里面 先清除原来的设置信息 选择已启用在yes 提示清除成功。 返回上一目录选择，选择 Create Virtual Drive 再选择S

熠铭心时空的博客 2万+

【建议收藏】AI智能体架构全解析：9大核心技术，大模型开发者必学指南

文章详细解析了构建AI智能体的9大核心技术，包括智能体基础概念、多智能体协作、工作流设计、RAG、模型微调、函数调用、MCP协议、A2A通信和AG-UI交互。这些技术共同构成了AI智能体的完整架构，使其从简单执行工具转变为具备自主决策能力的数字合作者。文章强调，理解智能体架构是参与AI未来的关键，为不同背景的学习者提供了系统的大模型学习路径和资源。

2401_85373691的博客 1751

ABAP 百科全书的阅读目录(2024版)

909 篇 ABAP 技术文章的目录

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 4247

AI Agent开发与应用：基于大模型的智能体构建

本文主要介绍了AI Agent开发与应用：基于大模型的智能体构建，希望能对学习大模型的同学们有所帮助。 文章目录 1. 前言 2. 书籍推荐 2.1 内容简介 2.2 本书作者 2.3 本书目录 3. 购买链接

weixin_43178406的博客 1万+

ESP-SPARKBOT AI 智能机器人：v1.2 全流程复刻指南

本文介绍 ESP-SPARKBOT AI 智能机器人 v1.2 版本的全流程复刻，包含 PCB 、3D 打印、固件烧录、常见问题解决、参考资料等

举世誉之而不加劝，举世非之而不加沮，定乎内外之分，辩乎荣辱之境，斯已矣。 9255

UFS软件分区介绍

本文主要介绍了ufs软件分区管理的概况，能够使大家对软件分区有个大体的认识

肥匪斐's blogs 1万+

【2025必学】AI智能体开发全攻略：从入门到精通，收藏级大模型应用指南

本文全面介绍AI智能体的概念、分类、工作流设计与开发方法，解析其与直接使用大模型的区别及适用场景。详解智能体四大设计模式（Reflection、Tool Use、Planning、Multi-agent协作）和开发流程，从需求分析到界面设计，提供构建AI智能体的完整知识框架，助开发者掌握2025年AI智能体核心技术。

qq_46094651的博客 4007

基于YOLOv26的护栏损坏检测系统原理讲解

本文介绍了一种基于YOLOv26深度学习的护栏损坏检测系统。该系统通过车载摄像头或固定监控采集道路护栏图像，利用改进的YOLOv26算法实现高效准确的损坏检测。系统采用分层架构设计，包含数据采集、检测处理、分析评估和应用服务四个层次，能够自动识别变形、断裂、缺失等五种常见损坏类型，并评估损坏严重程度。相比传统人工检测方法，该系统大幅提高了检测效率和准确性，降低了人工成本和安全风险。关键技术包括多尺度特征融合、注意力机制和自适应非极大值抑制等创新设计，使系统在复杂道路环境下仍能保持稳定的检测性能。

一键难忘的博客 328

AI Agent智能体开发实战：Qwen3大模型与多智能体应用案例详解（值得收藏）

本文介绍了《AI Agent智能体与MCP开发实践：基于Qwen3大模型》一书，系统阐述AI Agent开发技术栈及5个大型项目案例。内容涵盖基础理论、实战应用，包括多Agent智能客服、MCP服务开发、旅游规划智能体等。作者王晓华为AI技术专家，所有代码均经过测试。适合智能体开发初学者、大模型应用开发人员及高校学生学习，帮助读者掌握Agent开发完整技术栈、MCP服务集成方法和多智能体协作系统构建能力。

Trb701012的博客 1172

Python经典编程习题100例：第32例：相反顺序输出列表

不要自卑，去提升实力 互联网行业谁技术牛谁是爹 如果文章可以带给你能量，那是最好的事！请相信自己 加油o~ 本人初学Python，只为熟悉语法编写，大神请勿理会 点击下面链接 Python经典编程100例习题汇总 题目描述： 按相反的顺序输出列表的值。 解题思路： > 利用reverse函数逆序 代码： arr=['f','g','e','b'] print(arr) arr.reverse() print(arr) ...

优快云 精品推荐 1416

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")

深度解析AI大模型智能体（Agent）及十大开发框架和十大开发平台

AI 智能体（AIAgent）是一种能够自主感知周遭环境、进行分析决策以及执行行动的智能系统。其核心特质在于能够仿若人类一般拆解复杂任务，并调用工具逐步达成目标。譬如，倘若您让它“买咖啡”，它将会自行开启外卖 APP 进行选品、调用支付接口完成下单，全然无需人工予以干预。

大模型研究中心 8667

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

【粉丝福利社】AI Agent智能体与MCP开发实践：基于Qwen3大模型（人工智能技术丛书）

本文介绍了《AI Agent智能体与MCP开发实践：基于Qwen3大模型》一书的核心内容。该书系统阐述了智能体开发技术栈，涵盖大模型微调、RAG、提示工程、Agent架构设计等关键技术，并提供了5个实战案例，包括跨境电商智能客服、高德地图MCP服务等。书中所有代码经过测试可直接复用，适合智能体开发初学者、行业解决方案提供商及高校学生。作者王晓华是AI应用开发专家，本书是其最新力作，通过工程级案例帮助读者掌握智能体开发全流程。

愚公智库 8万+

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

值得收藏！大模型技术栈全解析：31个关键术语深度解读

这篇文章系统性地解读了大语言模型领域的31个核心概念，分为四大板块：时代基石、应用前沿与能力边界、效率优化与生态、核心技能与安全评估。每个概念均提供严谨定义和通俗解释，帮助读者理解从Transformer架构、预训练微调等基础知识，到RAG、智能体等应用技术，以及PEFT、模型量化等优化方法。文章旨在降低大模型领域的学习门槛，为初学者提供全面且易于理解的入门指南。构成整个大语言模型时代的根基，是理解一切的前提。当前最热门的应用范式，直接决定了LLM的实用价值和发展方向。

xxue345678的博客 2621

【粉丝福利社】LangChain大模型AI应用开发实践/人工智能前沿实践丛书

在人工智能的前沿领域，LangChain作为一个创新的开源框架，正定义着大型语言模型 (large language model,LLM) 应用的未来。随着技术的快速发展，开发者面临着如何高效构建、部署及优化基于LLM 的应用程序的挑战。为了帮助开发者应对这些挑战，本书将深入探讨LangChain, 从快速入门到高级应用，全面覆盖LangChain的核心概念和实际操作。LangChain不仅仅是一个开源框架，也是一扇通往创新世界的大门，为渴望在人工智能 领域探索的开发者提供了必要的工具和指南。

愚公智库 14万+

大模型核心技术全解析：从Transformer到智能体设计，一文掌握

本文系统介绍大模型核心技术，涵盖Transformer与MoE架构原理、5种高效微调技术(如LoRA及其变种)、传统与Agentic RAG对比、5种智能体设计模式与系统等级、文本分块策略、RAG技术变体对比，以及KV缓存优化技术，为开发者提供从基础架构到应用实践的全面技术指南。

aolan123的博客 1215

一文详解AI大模型智能体（Agent）的十大开发框架和十大开发平台

AI 智能体是 AI 技术发展演进的必然产物。在早期，AI 仰仗着固定的规则（诸如电话客服菜单之类），其后凭借机器学习来处置数据（例如推荐算法），现今则借助大模型达成自主的决策与行动，进而成为了“会思考的工具”。

大模型研究中心 6229

人工智能全景解析：0到智能体

人工智能发展全景：从早期符号推理到现代大模型革命，AI已历经三次浪潮。当前以大模型为核心的技术突破正重塑产业格局，Transformer架构、MoE和RLHF等技术推动智能体（Agent）进化。技术栈涵盖开源工具与商业平台，同时面临数据偏见、价值对齐等伦理挑战。未来趋势指向万亿参数模型和神经符号融合，2030年AI产业将覆盖芯片、服务和解决方案等领域。学习路径建议从Python基础到智能体开发，强调实践深耕。在AI与人共生的时代，需平衡技术创新与伦理考量，把握智能革命的发展方向。（149字）

JDT的专栏 1401

AI智能体深度解析：定义、关键特性与实现方法，一篇文章全掌握！

AI 智能体（Agent）是一种自主运行的人工智能系统，能够感知环境、做出决策并执行特定任务。它通常以任务驱动为核心，结合人工智能技术，实现高效的交互和智能化的服务。

2401_84494441的博客 2793

【收藏必备】AI Agent智能体深度解析：大模型时代的下一个风口，开发者必学

Agent（代理）一概念起源于哲学，描述了一种拥有欲望、信念、意图以及采取行动能力的实体。在AI领域，被赋予了一层新的含义：具有自主性、反应性、交互性等特征的智能“代理”。能够基于目标和对现状能力的认知，在环境约束中，依赖特定资源和现有工具，找到行动规则并将行动拆解为必要的步骤，自主执行步骤，达成目标。AI Agent智能体比较难理解，简单点，agent就好比你的私人代理。

大模型教程的博客 1823

AI智能体实战指南：从概念到开发，程序员收藏必备

本文全面介绍了AI智能体的概念、分类及工作流程，详细分析了六类常见智能体特点，并阐述了智能体与直接使用大模型的区别。文章重点讲解了智能体工作流设计方法、四大设计模式(Reflection、Tool Use、Planning、Multi-agent collaboration)及界面设计技巧，同时提供了开发流程、技术栈选择和效果评估方法，为开发者和产品经理构建高效AI智能体提供了实用指导。

yihanss的博客 1127

2025年AI智能体大模型终极指南：从概念拆解到落地实践，建议永久收藏

2025年AI智能体大模型终极指南：从概念拆解到落地实践，建议永久收藏

AI大模型的博客 1927
上一篇： 2025 AI风口已至：应用层爆发，掌握这些能力躺赢职场
下一篇： 保姆级教程：构建高效RAG系统的9步完整指南（含工具推荐）| 程序员必藏
点赞 30
评论 0
书签 书签 14
冻感糕人~
冻感糕人~
博客等级 码龄3年 8926粉丝 2384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