大模型智能体效率革命:收藏必备,小白程序员必看,从“能用”到“好用”的关键一跃!

CANoe UDS $27服务DLL生成实战:从工程配置到算法修改全流程 本文详细介绍了在Vector CANoe中为UDS(统一诊断服务)的$27安全访问服务生成定制化DLL(动态链接库)的全流程。从定位官方参考工程、配置Visual Studio开发环境,到深入解析核心的GenerateKeyEx函数接口,并重点演示了如何修改和实现自定义的种子-密钥安全算法,最终完成DLL的编译、部署与CANoe集成测试,为汽车电子诊断开发提供实战指导。 阅读详情

大模型智能体(LLM-based Agents)在AI领域备受关注,但面临效率瓶颈,成本高昂。一篇系统性综述论文指出,高效智能体需在保证成功率前提下最大限度降低资源消耗。文章从记忆、工具学习和规划三大核心组件入手,详细分析了各组件的效率优化策略,如记忆的压缩与召回、工具选择的精准定位、规划模块的预算控制等。同时,文章还探讨了效率评估基准和未来发展方向,强调“跑得起”比“跑得通”更关键,未来智能体需在有限预算和延迟内高效完成任务。# 智能体效率优化最新综述:从Token狂飙到成本可控的进化之路

img

“

论文链接:https://huggingface.co/papers/2601.14192

大模型智能体(LLM-based Agents)正在成为AI领域的新焦点。但随着应用场景越来越复杂,一个残酷的现实摆在面前:这些智能体虽然功能强大,但实在太"费"了——费时间、费token、费算力。一个简单的任务,可能需要调用几百次API,消耗数万个token,等待数分钟才能得到结果。这种高昂的成本,让智能体离真正的大规模应用还有不小距离。

来自上海人工智能实验室等多家机构的研究团队,在2026年1月发布了一篇系统性综述论文,首次从效率这个关键维度,全面梳理了智能体领域的研究进展。论文明确提出:高效的智能体不是简单地用更小的模型,而是要在保证任务成功率的前提下,最大限度降低资源消耗。img

从LLM到智能体:效率为什么成了大问题?

要理解智能体的效率瓶颈,首先要搞清楚智能体和普通LLM的区别。普通LLM就像一个"一问一答"的对话机器,输入问题、输出答案,整个过程相对线性。但智能体完全不同——它会主动与外部环境交互,执行复杂的多步骤任务。

论文用一个公式形象地展示了智能体的工作流程:

输入记忆上下文规划决策工具学习行动观察反馈解决方案

这个循环会重复n次,每一轮都需要:从记忆中提取相关信息、制定行动计划、调用外部工具、处理返回结果。更要命的是,第n步的输出会成为第n+1步的输入,token像滚雪球一样越积越多。

论文给出了一个简化的成本对比:

  • 普通LLM: 成本 ≈ α × 生成token数
  • 智能体: 成本 ≈ α × 生成token数 + 工具调用成本 + 记忆访问成本 + 重试成本

这就是为什么智能体的效率优化,不能只盯着模型本身,而要从记忆、工具学习、规划这三大核心组件入手。

记忆模块:历史信息的"压缩与召回"艺术

img

记忆是智能体的"大脑存储系统"。想象一个智能客服,需要记住几个月前和某个用户的所有对话历史——如果每次回复都要把这些历史全部塞进prompt,token开销会直接爆炸。

记忆的三大生命周期

论文将记忆管理分为三个阶段:

1. 记忆构建:从海量信息到精简表示

工作记忆分为两类:

  • 文本记忆: COMEDY采用"两阶段蒸馏",先提取关键事件,再压缩成紧凑摘要;MemAgent更激进,直接用固定长度的记忆槽,每次更新就覆盖旧内容
  • 隐式记忆: 将信息编码成KV缓存或隐藏状态。比如Activation Beacon把长文本压缩成少量"信标token",MemoRAG则构建全局记忆的KV表示

外部记忆则更加结构化:

  • 基于项目的记忆: MemoryBank按日期存储对话,但会根据"遗忘曲线"定期淘汰不重要的内容;Expel提炼"经验洞察",把试错过程浓缩成可复用的知识
  • 图结构记忆: AriGraph构建语义-情景双层图,Zep建立时序知识图谱,让多跳推理更高效
  • 分层记忆: MemGPT模仿操作系统的虚拟内存,MemoryOS设计三层存储(短期/中期/长期),HiAgent用子目标作为索引

2. 记忆管理:防止"仓库爆仓"

记忆不能无限增长,否则检索速度会急剧下降。管理策略分三种:

  • 基于规则: MemoryBank用遗忘曲线自动衰减记忆,MemGPT用FIFO队列淘汰旧内容。优点是快速可预测,缺点是可能误删关键信息
  • 基于LLM: Memory-R1和Mem0让模型自己决定是添加、更新还是删除记忆。灵活但成本高
  • 混合方案: MemoryOS用规则触发层间迁移,仅在必要时调用LLM;Agent KB先用相似度去重,再让LLM做最终筛选

3. 记忆访问:找到最相关的那根针

检索策略直接影响响应速度:

  • 规则增强: Generative Agents结合"新近度、重要性、频率"三重评分;MemInsight给记忆打上属性标签,支持精准过滤
  • 图检索: AriGraph从语义三元组入口,扩展相关子图;GraphReader从粗到细逐步探索
  • 分层检索: H-MEM用多层索引递归查找;MemoryOS在短/中/长期存储中分别检索
  • 训练优化: RMM用强化学习训练重排序器,Memento学习Q函数来选择最高价值的案例

img

多智能体的记忆共享难题

当多个智能体协作时,记忆管理更复杂:

  • 共享记忆: G-Memory构建三层图(洞察-查询-交互),双向检索高层抽象和底层细节;MemIndex用意图索引的二分图加速增删改查
  • 本地记忆: AgentNet为每个智能体维护固定大小的记忆模块,用频率、新近度动态剪枝
  • 混合方案: SRMT每个智能体有私有向量,同时共享循环记忆;LEGOMem按角色路由记忆访问

论文指出,记忆的核心取舍在于压缩率与性能的平衡。LightMem的实验清楚地表明:过度压缩会损失准确率,而轻度压缩能保持性能但成本更高。另一个关键选择是在线vs离线更新——在线更新响应快但增加延迟,离线更新节省推理时间但适应慢。

工具学习:从"疯狂调用"到"精准出击"

img

工具是智能体连接外部世界的桥梁。但问题在于:面对数千个API,如何快速找到需要的那几个?如何避免重复调用?如何在保证准确的前提下减少调用次数?

工具选择:从海量候选中快速定位

外部检索器方案最直接——用一个独立模型计算查询和工具描述的相似度。ProTIP用对比学习训练检索器,选中一个工具后,从查询中"减去"该工具的语义,再选下一个,避免显式任务分解。Toolshed更进一步,不仅优化检索器,还通过自我交互改进工具文档,双管齐下。

多标签分类把选择变成分类问题。TinyAgent在边缘设备上跑DeBERTa-v3小模型,概率超50%的工具就入选。这种方法极快,但添加新工具需要重新训练。Tool2Vec的解决方案是:不用静态描述,而是基于合成的使用示例生成工具嵌入,缩小查询和工具的语义鸿沟。

词汇表检索最激进——把工具编码成特殊token。ToolkenGPT冻结主模型,只训练工具嵌入,绕过上下文窗口限制。Toolken+加入重排序和拒绝机制,减少幻觉。但这类方法需要构造训练数据,对未见工具泛化较弱。

工具调用:并行化与成本感知

原地参数填充最简单——CoT生成过程中直接填参数。Toolformer开创了这一范式,CoA通过符号抽象替代中间结果,推理时间减少30%以上。

并行调用是效率提升的关键。获取一个省的天气,没必要逐个城市串行调用API。LLMCompiler借鉴编译器思想,生成执行计划并并行分发;LLM-Tool Compiler更进一步,运行时融合相似工具操作。CATP-LLM把成本约束融入规划,用离线强化学习训练策略。

成本感知调用把预算当硬约束。BTP将工具调用建模为背包问题,动态规划预算分配;Xu等人用一致性采样估计模型置信度,仅在"不确定且值得"时才调用;TROVE免训练地构建可复用函数库。

测试时扩展通过搜索提升质量。ToolChain用A搜索+学习的代价函数,提前剪枝错误分支,避免穷举搜索。

后训练优化让模型主动学会"少调用"。OTC-PO在强化学习目标中加入工具使用惩罚;ToolOrchestra训练专用编排器,用效率感知奖励;ToolRM用结果奖励模型引导高效轨迹。

工具集成推理:何时该用、何时该想

不是所有问题都需要工具。SMART构建CoT数据集,教模型判断"何时用参数化知识、何时调工具"。TableMind针对表格推理,设计计划-行动-反思循环,用监督微调预热后,再用RAPO强化学习优化排序。

ARTIST将智能体推理与基于结果的强化学习紧密耦合,无需步级监督就能学习最优策略。ReTool把代码解释器直接集成到推理循环,动态交织自然语言和可执行代码。ToolRL设计格式奖励+正确性奖励,匹配工具参数和真值。

为了减少不必要的调用,A²FM和IKEA都训练自适应路由器,优先用内部知识,必要时才搜索。AutoTIR显式惩罚冗余工具使用;SWiRL过滤并行轨迹中的冗余动作;PORTool用衰减因子γ强调接近最终结果的步骤。

论文总结道:工具学习的前沿正从"启用工具"转向"优化交互循环"。未来的智能体不再最大化工具使用来提升准确性,而是通过强化学习最小化冗余交互,实现帕累托最优的性能-成本权衡。

规划模块:从"无限搜索"到"预算控制"

img

规划是智能体的"决策大脑"。传统规划假设算力无限,但现实中必须在严格的延迟、token和通信预算下做决策。论文将规划效率分为单智能体和多智能体两大类。

单智能体规划:深度优化

推理时策略在执行过程中动态优化:

  • 自适应控制: SwiftSage设计"快慢双系统",简单任务用启发式,复杂任务才启动规划器;Budget-Aware根据预算约束动态调整工具策略;Reflexion从失败中学习,避免重复试错
  • 结构化搜索: LATS把智能体展开建模为蒙特卡洛树搜索,自我反思引导探索;CATS在搜索树中集成成本感知,提前剪枝昂贵分支;ToolChain用A搜索导航动作空间
  • 任务分解: ReWOO和Alita将规划与执行解耦,生成蓝图避免逐步token冗余;HuggingGPT将子任务路由到专用模型;BudgetMLAgent优化智能体路由成本

基于学习的演进通过训练内化规划逻辑:

  • 策略优化: QLASS用Q值评论家指导搜索;ETO通过试错偏好学习(DPO)改进策略;RLTR和Planner-R1用过程级奖励反馈推理序列
  • 记忆与技能: VOYAGER构建可复用技能库,避免重复规划;GraphReader和GAP用图表示支持并行化;Sibyl证明高效是涌现属性——更好的记忆结构直接降低未来规划负担

多智能体协作:广度优化

多智能体系统提升推理能力,但通信成本可能呈平方增长。优化重点是拓扑和协议:

拓扑稀疏化将通信从O(N²)降到O(N):

  • Chain-of-Agents和MacNet用链式或DAG结构限制上下文增长
  • GroupDebate在密集讨论和稀疏摘要间交替
  • MARS和S²-MAD仅在观点分歧时触发辩论
  • AgentPrune、AgentDropout动态学习剪枝低效边

协议压缩减少通信内容:

  • CodeAgents用简洁伪代码编码推理
  • Smurfs丢弃失败搜索分支防止上下文膨胀
  • Free-MAD和ConsensAgent通过prompt工程加速收敛
  • SMAS用监督器提前终止冗余循环

协作蒸馏把集体智慧内化到单模型:

  • MAGDI和SMAGDi将交互图或苏格拉底式分解蒸馏到学生模型
  • D&R用师生辩论生成偏好树做DPO
  • 保留多样性视角的质量,同时降到单智能体的推理成本

论文总结:高效规划将推理从无界生成重构为预算感知控制问题。单智能体侧,从自适应预算到结构化搜索,再到策略改进和技能记忆;多智能体侧,从拓扑剪枝到协作蒸馏。统一趋势是:将计算从在线搜索迁移到离线学习或结构化检索,让智能体在严格资源约束下完成复杂目标。img

评估基准:效率到底怎么量化?

论文强调"效率优先但不牺牲效果"——便宜但无法完成任务的方法没有意义。效率的两种定义方式:

  1. 固定成本预算下比较效果
  2. 相同效果水平下比较成本

也可以看成效果-成本的帕累托前沿。

记忆评估

效果基准:

  • 间接评估:用HotpotQA、Natural Questions等QA数据集,或GAIA等交互式智能体基准
  • 直接评估:LoCoMo和LongMemEval专门测试记忆能力

效率基准:

  • Evo-Memory引入"步骤效率",衡量到达目标需要的环境步数
  • StoryBench报告运行时成本(总耗时)和token消耗
  • MemBench显式包含读取时间和写入时间(每次操作的秒数)

方法层面指标分四类:

  1. Token消耗与API成本: 多数研究报告token用量,部分换算成美元成本
  2. 时间指标: HiAgent报告总运行时间,SeCom/Mem0/MemOS测量端到端延迟(不含构建时间),A-MEM/H-MEM/Agent KB测量检索时间,MemoRAG区分索引延迟和检索延迟
  3. 资源指标: A-MEM和MemoRAG报告GPU内存使用
  4. 交互指标: MemoryOS报告每次响应的平均LLM调用次数,ReasoningBank跟踪推理步数

工具学习评估

工具学习尚缺统一效率基准,多数评估优先看效果。主要基准家族包括:

选择与参数填充:

  • Seal-Tools用LLM生成大规模工具和用例
  • UltraTool从真实场景用户查询评估工具创建
  • MetaTool专注"是否用工具"和"选哪个工具"的决策
  • BFCL包含真实应用工具和多轮对话
  • API-Bank提供73个手工标注工具
  • NesTools分类嵌套工具调用,τ-Bench和τ²-Bench覆盖零售/航空/电信领域
  • ToolBench收集16000+个RapidAPI,但稳定性有问题
  • T-Eval将工具使用分解为六种能力(规划、推理、检索等)逐步评估

基于MCP协议:

  • MCP-RADAR显式评估工具选择效率、计算资源效率和执行速度
  • MCP-Bench用LLM-as-Judge评估并行性和效率

智能体工具学习:

  • SimpleQA评估提供事实正确简短答案的能力
  • BrowseComp让人类创建需要浏览能力的挑战性问题
  • SealQA评估搜索增强LLM处理冲突/噪声/无用结果的能力

规划评估

效果基准: SWE-Bench、WebArena、WebShop等通过下游任务间接评估规划

效率基准:

  • Jobs等提出基于Blocksworld的结构化基准,报告端到端执行时间、规划尝试次数、token消耗和货币成本
  • TPS-Bench用token用量、端到端时间、工具调用轮数评估,并提出"通过成本"(每次成功完成的预期成本)
  • CostBench在动态变化下评估成本最优规划,用成本差距和路径偏差衡量

方法层面指标:

  • Token消耗和运行时间(SwiftSage、LATS、ReWOO等)
  • 搜索深度/广度:时间步数(SwiftSage)、试验次数(Reflexion)、平均节点/状态数(LATS)、平均迭代次数(CATS)
  • 通过成本类指标:TPS-Bench及后续工作普遍采用;常见做法是固定预算比较性能

未来方向:从理论到实践还有多远?

归根结底,这篇综述其实是给当下的 Agent 热潮提了个醒: 别光顾着堆功能,“跑得起”比“跑得通”更关键。

现在的痛点在于大家各玩各的,连个统一的效率评分标准都没有。未来的破局点,或许在于让 Agent 学会“心里默念”来省 Token(隐式推理),或者是搞定多模态任务里那些吞噬显存的视觉历史。一句话,Agent 的下半场不再是炫技,而是极致的“抠门”——只有在有限的预算和延迟里把活干漂亮,这玩意才能真正从实验室走进我们的生活。

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

VMD分子可视化实战:5个隐藏技巧让你的科研图像秒变顶刊级别 本文深入探讨了VMD分子可视化软件在科研图像美化中的5个高阶技巧,旨在帮助研究者将分子结构图提升至顶刊级别。内容涵盖原子色彩与材质的艺术化定制、沉浸式分子环境构建、专业构图与视角控制、数据驱动的动态可视化以及自动化工作流建立,通过精细的色彩映射、光照调整、周期性边界展示和脚本自动化,显著增强图像的科学叙事性与视觉冲击力。 阅读详情

相关推荐

matlab内读取文件目录时斜杠和反斜杠的使用

@matlab内读取文件目录时斜杠和反斜杠的使用TOC matlab内读取文件目录时,斜杠和反斜杠的使用 最近被斜杠和反斜杠弄晕了,于是总结了一下,在此和大家分享一下。 代码 clear; clc; close all; I1= imread('..\zs1.jpg'); %和代码文件夹同目录的图片 (纯反斜杠) I2= imread('../zs2/zs2.j...

weixin_44456694的博客 6575

智能体效率优化最新综述:从Token狂飙到成本可控的进化之路

论文链接:https://huggingface.co/papers/2601.14192大模型智能体(LLM-based Agents)正在成为AI领域的新焦点。但随着应用场景越来越复杂,一个残酷的现实摆在面前:这些智能体虽然功能强大,但实在太"费"了——费时间、费token、费算力。一个简单的任务,可能需要调用几百次API,消耗数万个token,等待数分钟才能得到结果。这种高昂的成本,让智能体离真正的大规模应用还有不小距离。

yanqianglifei的专栏 914

告别信号干扰!手把手教你用INA333搭建高精度压力传感器电路(附PCB布线要点)

本文详细介绍了如何使用INA333仪表放大器搭建高精度压力传感器电路,解决工业测量中的信号干扰问题。从芯片选型、电路设计到PCB布线要点,全面解析INA333的低功耗、精密信号调理特性,并提供实用的抗干扰技巧和校准方法,助力工程师实现稳定可靠的传感器信号采集。

weixin_33738555的博客 570

2026首发版,自学AI大模型的正确顺序:最新最全学习路线全解析

在这个阶段,您需要打下坚实的数学基础和编程基础,这是学习任何机器学习和深度学习技术所必需的。 **前排提示,文末有大模型AGI-优快云独家资料包哦!** **1\. 数学基础** * **线性代数**:矩阵运算、向量空间、特征值与特征向量等。 * **概率统计**:随机变量、概率分布、贝叶斯定理等。 * **微积分**:梯度、偏导数、积分等。

Trb201013的博客 1189

Qt开发中彻底解决中文乱码问题

中文乱码问题主要源于编码不一致需要同时设置控制台和Qt应用程序的编码确保项目文件和环境配置的编码一致文件操作时注意指定正确的编码。

qq_53832058的博客 3406

【ECCV 2024】动态范围直方图自注意力DHSA,即插即用!

直方图自注意力机制,将空间特征按强度分段并进行分组,然后在各个分组内或分组间应用自注意力,以选择性地关注具有动态范围的空间特征,并处理长距离内相似退化的像素。

qq_43303160的博客 1848

【DevOps&SRE活动实录】经验+案例,教你如何打造易用DevOps工具链!

6月10日,优维科技与数人云、中生代联合举办了DevOps&SRE超越传统运维之道(北京站)。DevOps&SRE上海站将于7月15日举办,敬请期待! 任发科老师在此次活动中分享了《如何打造易用的DevOps工具链》,以下为演讲实录。 任发科 网名常新居士。曾任职于唯品会、会唐网、亚马逊和ThoughtWorks,是QCON,TOP100...

weixin_34295316的博客 264

ESP32S3开发板玩转多语言AI对话:小智语音机器人粤语/日语/韩语实测

本文基于正点原子ESP32S3开发板,实测了“小智AI”语音机器人的多语言对话能力。项目巧妙整合云端AI与嵌入式硬件,实现了对粤语、日语、韩语等语言的实时识别与合成,为开发者和爱好者提供了一个低成本、可玩性高的跨语言人机交互开发平台。

h9j8k7l6m5n的博客 545

告别复制粘贴!组装你的7x24小时AI智能体,程序员必备收藏指南,效率提升了10倍!

文章讲述了如何从"AI操作员"转变为"AI架构师",通过像搭乐高一样"组装"AI智能体实现自动化处理复杂任务。介绍了Coze等零代码平台的四大核心部件:大脑(大模型+提示词)、记忆(知识库)、手脚(插件/API)和神经系统(工作流)。通过实战案例演示了如何15分钟内组装一个《热点新闻助手》,帮助读者创建能自主完成任务的专属AI智能体,提升工作效率。

Android23333的博客 1056

一个固定翼飞机仿真程序带你系统性上手如何实现配平(工具箱+脚本)

老规矩,该博客所用的模型和脚本已上传至百度网盘,名字为“固定翼配平训练例子”,自己自取。

zouxu634866的博客 2575

Keras中神经网络可视化模块keras.utils.visualize_util安装配置方法

Keras中神经网络可视化模块keras.utils.visualize_util安装配置方法

jacke121的专栏 2759

收藏!小白程序员必备:一文看懂OpenClaw智能体,开启大模型Agent革命

学术界和工业界对术语“智能体”提出了各种定义。大致来说,一个智能体应具备类似人类的思考和规划能力,拥有记忆甚至情感,并具备一定的技能以便与环境、智能体和人类进行交互,能完成特定的任务内容。在本AI全书看来,可以将智能体想象成环境中的数字人,其中智能体 = 大语言模型(LLM) + 观察 + 思考 + 行动 + 记忆这个公式概括了智能体的功能本质。大语言模型(LLM):LLM作为智能体的“大脑”部分,使其能够处理信息,从交互中学习,做出决策并执行行动。观察和感知。

xxue345678的博客 575

继电保护原理1.2-反时限过流保护

反时限过流保护

让你爱上电路设计 1万+

【程序员收藏】一文读懂大模型智能体与工作流:区别、融合与应用实践

保证100%免费。

python12345_的博客 1095

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

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。

2026 Agent元年!小白程序员必备:大模型学习路线图+精选资源,收藏这份高薪指南!

AI大模型已成为科技革命核心驱动力,2025年被称为"Agent元年"。掌握大模型应用开发能力可获25%-40%薪资溢价,且成为未来开发者必备技能。文章提供五阶段系统学习路线:炼气期(实践入门)、筑基期(提示工程)、金丹期(项目集成)、元婴期(深入核心)、化神期(部署优化),助开发者从快速成长为AI应用高手,附赠精选学习资源。

2301_80239908的博客 851

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

收藏!35岁+程序员必看:掌握大模型技术,突破职业瓶颈,升职加薪不是梦!

保证100%免费。

EnjoyEDU的博客 848

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

收藏必备!小白到专家的AI大模型学习全攻略,程序员必看

本文系统介绍了人工智能的基础知识、分类与应用,详细阐述了AI如何改变工作、医疗、交通等各领域。文章强调,随着AI大模型技术的迅速发展,掌握相关技能已成为程序员和职场人士的必备能力。文中提供了从入门到进阶的完整学习路线和实战资源,帮助读者系统学习大模型技术,抓住AI时代的机遇,实现职业发展突破。

2401_85325726的博客 615

AI大模型红利爆发!小白程序员收藏必备,抢占高薪风口!

AI应用正成为AI领域的新主线,国内大模型上市大涨,ChatGPT加速商业化。全球AI用户已超20亿,对标移动互联网早期。AI在营销、电商、视频、医疗、办公等五大板块快速落地,订单收入双兑现。2026年有望持续炒作,建议关注布局。掌握大模型技能,把握高薪未来。近期,AI应用接棒AI硬件,成为AI最强劲的支线板块,甚至和商业航天并肩,成为两大绝对主线题材AI应用为啥爆发?空间有多大?有哪些核心板块?今天快速帮朋友们讲清楚!01AI应用为啥爆发?关键2大核心催化:国内:国产大模型上市后大涨。

2601_95385583的博客 405

【建议收藏】2025程序员必看:大模型应用开发,百万年薪不是梦!

保证100%免费。

AI大模型的博客 837

收藏必备!小白程序员必看:开源大模型技术革命全解析,轻松追上GPT-5!

2026年的1月到2月,开源LLM(大语言模型)领域迎来了有史以来最密集的技术爆发期。这批模型不只是性能的提升,更是架构设计层面的全面创新。从千亿参数的MoE巨兽,到只有3B的本地推理小模型,开源社区正在以惊人的速度缩短与GPT-5、Claude 4.6 Opus之间的差距。本文带你深度解析这10款重磅模型背后的技术逻辑。纯标准注意力太慢,纯线性注意力精度不够。**混合架构(标准注意力 + 线性注意力)**正在成为新的设计范式,Qwen3-Coder-Next和Ling 2.5都是典型代表。

youmaob的博客 932

必收藏!Agentic RAG全面拆解(小白/程序员入门大模型必备)

检索增强生成(Retrieval-Augmented Generation,简称RAG) 作为大模型落地应用的核心支撑技术,其核心逻辑的本质的是为大语言模型“外挂”独立知识源,补充实时、专业且精准的上下文信息。这种方式不仅能大幅提升模型生成内容的准确性与时效性,更能从根源上抑制大模型常见的“幻觉问题”——也就是LLM在缺乏事实依据时,依然自信编造虚假信息的现象,这也是小白入门大模型、程序员落地大模型项目时最需要规避的痛点之一。无论是刚接触大模型的编程小白,还是有过简单业务落地经验的开发者,在实际操作中都会发

kaka0722ww的博客 385

大模型赋能办公协同:小白程序员必备的AI效率革命指南(收藏版)

2026年技术圈的分化愈发明显:降薪裁员潮持续蔓延,传统开发、测试等岗位大批缩水,不少从业者陷入职业焦虑;与之形成鲜明对比的是,AI大模型相关岗位迎来疯狂扩招,薪资逆势飙升150%,大厂更是直接开出70-100W年薪,疯抢具备实战能力的大模型人才,甚至放宽年龄限制,只求能快速落地技术、创造价值!1、窗口期红利,入门门槛友好:不同于成熟赛道的“内卷式招聘”,2026年大模型人才缺口巨大,简历只要达标(掌握基础AI应用+具备简单项目经验),年龄、学历均非硬性要求,小白可快速入门,转行程序员也能无缝衔接;

AI大模型的博客 306

收藏必备|智能体技术全拆解:从核心模块到业务落地完整指南

智能体(Agent) 是指能够感知环境、进行决策并采取行动以实现某种目标的系统。

2401_85375186的博客 1003

收藏!2026春招后端大变天:AI绑定才是出路,小白/程序员必看大模型学习指南

对于正在迷茫择业、想转行提升,或是刚入门的程序员、编程小白来说,有一个问题几乎人人都在问:未来10年,什么领域的职业发展潜力最大?答案只有一个:人工智能(尤其是大模型方向)当下,人工智能行业正处于爆发式增长期,其中大模型相关岗位更是供不应求,薪资待遇直接拉满——字节跳动作为AI领域的头部玩家,给硕士毕业的优质AI人才(含大模型相关方向)开出的月基础工资高达5万—6万元;即便是非“人才计划”的普通应聘者,月基础工资也能稳定在4万元左右。

大模型教程的博客 611

【必学收藏】RAG与智能体技术对比:为什么说智能体是更强大的大模型应用方向?

保证100%免费。

xxue345678的博客 534

【建议收藏】掌握AI大模型:程序员必备的核心技能与学习资源

人工智能(AI)作为变革性技术正深刻改变世界,从医疗、交通到个性化服务等领域。AI可分为窄域、通用和超人工智能三类。随着大模型技术发展,AI岗位需求激增,催生高薪新职业。文章提供系统学习资源,包括基础理论、RAG开发、Agent设计、模型微调与部署等模块,适合应届生、零基础转型者和传统开发者。掌握AI大模型技术已成为程序员抓住时代风口、提升竞争力的关键。

2401_85375186的博客 1124
上一篇: 收藏!2026大厂AI抢人真相:腾讯招1万、字节招7千,普通程序员该如何破局?
下一篇: 收藏!2026年AI大模型风口已至,程序员/小白入局正当时(错过25年别再亏)
冻感糕人~
博客等级 码龄3年 8926粉丝 2398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