Agent工作的核心“Harness工程“,到底是什么?

快速上手!LLaMa-Factory最新微调实践,轻松实现专属大模型 近日,源2.0开源大模型与LLaMA-Factory框架完成全面适配,用户通过LLaMA-Factory,即可快捷、高效地对不同参数规模的源2.0基础模型进行全量微调及高效微调,轻松实现专属大模型。 阅读详情

图片
图片

图片

图片

图片

Prompt Engineering 解决的是"AI 怎么回答得更好"

Harness Engineering 解决的是"AI 怎么才能真正把活干好"

真正有壁垒的能力,不是"会调模型",而是:

能把模型真正接进生产系统,并持续稳定地产出结果。

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”!

保姆级教程:用RAGFlow从零搭建本地知识库,并实现精准检索(附Python代码) 本文提供了一份详细的RAGFlow实战指南,帮助用户从零搭建本地知识库并实现精准检索。通过Docker部署、PDF文档处理、高级配置技巧和检索API优化等步骤,结合Python代码示例,全面提升知识库的构建效率和检索精度。特别适合需要处理技术文档的开发者和团队。 阅读详情

相关推荐

“Agent Harness”和“Harness Engineering”

摘要:2026年AI工程化领域,"Agent Harness"(AI代理运行控制系统)与"Harness Engineering"(马具工程方法论)常被混淆。前者是管理AI代理非推理事务的技术实体(工具调用、记忆管理、安全约束等7层架构),后者是设计优化该系统的工程学科。研究表明,优化的Harness设计可使同一模型性能提升10倍。两者关系如同"马具"与"制具工艺":Harness Engineering指导Agent Harn

几十年资深高级架构师,技术专家的技术笔记。专注C、Java、Python、微服务、云原生、AI工程化及高并发系统分布式架构实战,分享源码剖析、性能调优与架构治理经验。 856

一文读懂RAGFlow:从 0 到 1教你搭建RAG知识库

RAGFlow是一种融合了数据检索与生成式模型的新型系统架构,其核心思想在于将大规模检索系统与先进的生成式模型(如Transformer、GPT系列)相结合,从而在回答查询时既能利用海量数据的知识库,又能生成符合上下文语义的自然语言回复。该系统主要包含两个关键模块:数据检索模块和生成模块。数据检索模块负责在海量数据中快速定位相关信息,而生成模块则基于检索结果生成高质量的回答或文本内容。

python12345_的博客 8029

Agent Harness:构建大模型自我进化闭环的工程实践

Agent Harness 是一种支撑大模型自主迭代的执行框架,其核心在于将模型能力从静态推理扩展为可调用工具、可读写记忆、可验证执行的动态系统。它通过结构化工具注册、分层记忆管理、闭环执行编排与多级验证门禁,重构了传统微调中数据生产低效、反馈延迟严重、能力迁移脆弱等瓶颈。该范式不依赖更高参数或更多标注,而是提升单位算力的知识转化效率(迭代效率因子η),已在代码修复、数据生成、RLHF自动化等场景实现分钟级反馈与稳定收敛。本文基于M2.7技术细节,提供可复现的轻量级Harness搭建路径与工业级质量控制方法

weixin_30689307的博客 2991

RAGFlow:基于OCR和文档解析的下一代 RAG 引擎

在对 RAGFlow 的探索中,我们可以清晰地看到其在RAG(Retrieval-Augmented Generation)领域中的重要地位和显著优势。RAGFlow作为一款下一代开源RAG引擎,不仅在问答对话方面表现出色,还具备高级内容生成的能力,例如长文生成等。这使得RAGFlow能够为用户提供更为全面和深入的服务,满足不同场景下的需求,尤其在企业级应用中发挥着重要作用。

FrenzyTechAI的博客 4万+

2026版AI Agent开发实战:Hermes框架与Harness工程化实践

AI Agent作为人工智能技术的重要分支,其核心原理是通过大语言模型(LLM)结合工具调用和环境交互实现自主任务执行。在工程实践中,Prompt Engineering和RAG(检索增强生成)技术为Agent提供了基础对话能力和知识检索功能。随着应用复杂度提升,传统的提示词工程已无法满足生产环境需求,需要引入系统化的工程方法论。Harness Engineering通过标准化的工作流编排、上下文管理和质量控制,确保AI应用的可维护性和扩展性。在实际场景中,这种工程化实践特别适用于需要长期记忆、多轮对话和技

weixin_33834137的博客 473

AI工程实践:从Agent=Model+Harness公式看智能体系统构建

在人工智能工程化领域,大语言模型(LLM)作为核心计算引擎,提供了强大的推理和生成能力,但其固有的非确定性、幻觉问题和上下文限制等特性,使得直接应用于生产环境面临挑战。为解决这一问题,需要引入一套完整的工程化框架——Harness,它通过提示工程、工作流管理、工具集成、记忆系统、安全护栏和可观测性等组件,将模型能力有效“驯服”并接入现实业务场景。这种“Model + Harness”的架构模式,正是当前构建可靠、可控AI智能体(Agent)系统的关键技术路径,能够显著提升智能体在复杂业务流中的稳定性和实用性

weixin_33946020的博客 691

AI编程助手核心差异:从模型能力到工程化框架的深度解析

在AI编程领域,大语言模型(LLM)作为核心引擎,提供了代码生成、理解和推理的基础能力。其工作原理基于海量代码和文本数据的预训练,通过Transformer架构实现对编程语言语法、逻辑和模式的深度理解。这一技术价值在于将自然语言指令转化为可执行代码,极大提升了开发效率。然而,模型能力仅是基础,真正决定工具体验上限的是其工程化框架——即如何将模型能力有效“驾驭”并导向具体开发任务。这涉及工具调用、上下文管理、工作流编排等关键技术。在实际应用场景中,开发者需要根据快速原型开发、大型项目重构等不同需求,选择合适的

weixin_34221773的博客 541

Agent任务失败别只换模型,Harness工程才是稳定交付关键

在AI应用开发中,模型能力常被视作项目成败的决定性变量,但复杂Agent任务的表现实则由更广泛的工程系统所支撑。Harness作为围绕模型构建的外部工程底座,负责上下文管理、工具调用、执行治理等关键环节,其价值在于将模型的单点智能转化为可稳定交付的系统能力。理解Harness与Agent的区别,有助于开发者跳出“换更贵模型”的思维定式,从工程视角优化任务完成率、成本与可观测性。本文从Harness的基本概念与原理出发,结合DeepSeek Harness的本地部署与最小示例,展示如何通过工程底座弥补模型差距

weixin_34248705的博客 438

0基础入门Agent Harness工程(01):Agent Loop让模型真正执行任务

前置知识已经说明,大模型可以生成回答或工具调用意图,却不会自行进入外部环境执行;Agent 因此需要一条能够行动、观察并继续判断的反馈循环。本篇把这条抽象循环写成第一个 Python 程序,并始终围绕“查找当前目录中的 Python 文件”这次请求,观察模型如何提出动作、Harness 如何执行、结果怎样回到下一轮,以及程序最终怎样停止并形成完整闭环。

AI_001001的博客 2174

DeepSeek Harness 实战:构建可编排的 Agent 插件与工作流

在大模型应用开发中,AI Agent 的落地常面临逻辑耦合、工具接入繁琐、流程难以编排等工程化痛点。DeepSeek Harness 作为一种面向 Agent 运行时的开发层,将模型调用、插件扩展、工作流编排与执行状态统一收敛,为开发者提供可维护、可观测的控制框架。它并非替代 LangChain 或 Dify,而是更聚焦于模型为核心的应用组装范式:插件承载可复用的能力单元,工作流定义节点间的条件跳转与数据传递,从而让复杂业务既能可视化设计,又能通过代码深度定制。从客服知识库到 PRD 评审助手,这类模式适用

weixin_33805743的博客 336

LLaMA-Factory可视化界面微调chatglm2;LoRA训练微调模型 简单案例

lore模型训练 参考:https://github.com/huggingface/peft。

weixin_42357472的博客 7798

什么是Harness Agent?Harness与OpenClaw有什么区别?OpenClaw可以直接迁移到Harness?

摘要 Harness Agent是一种围绕大模型构建的完整工作环境系统,包含工具链、反馈循环、约束机制和上下文工程等核心组件,将大模型的原始智能转化为可用系统。OpenClaw是Harness概念的具体实现之一,两者的主要区别在于: 定位差异:OpenClaw是具体产品框架,Harness是行业通用概念范式 技术范围:Harness包含更广泛的设计哲学和架构标准 兼容性:OpenClaw主要适配Claude系列模型,Harness是模型无关的架构理念 OpenClaw可以迁移到Harness框架,迁移可行性

猫头虎技术团队:授渔优于赠鱼,兴趣引领智慧,探索之乐尤显珍贵。商务合作+:Libin9iOak ,万粉变现+:优快云WF,猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务!全网搜:猫头虎技术团队,点击文章底部名片或直接私信我一切皆可谈,快找虎哥! 8121

STM32F407硬件IIC驱动OLED避坑实录:从‘不显示’到‘稳定刷屏’的完整调试过程

本文详细记录了使用STM32F407硬件IIC驱动OLED屏幕的完整调试过程,从初始的‘不显示’问题到最终实现‘稳定刷屏’。文章涵盖了硬件接线、I2C外设配置、常见问题排查及性能优化技巧,特别针对STM32标准库开发中的难点提供了实用解决方案,是嵌入式开发者驱动OLED屏幕的实用指南。

weixin_30315723的博客 306

DeepSeek Harness内测开启,AI Agent竞争升级

摘要: DeepSeek 正从“大模型竞争”转向“AI Agent 竞争”,推出内测项目 DeepSeek Harness,旨在构建 AI 参与软件开发的执行框架(官网)。Harness 作为 AI Agent 的“身体”,连接模型、开发环境与工具链,实现任务分析、代码修改、测试部署等全流程自动化,超越传统文本生成模式。其潜在能力包括全项目代码理解、多文件协同修改及错误自动修复,对标 Claude Code、Cursor 等方向。未来竞争将聚焦“模型+Agent+工具链”生态,推动程序员角色向“AI 工程管

猿小白的博客 4297

TCS34725颜色识别模块实战调校:从“一坨”例程到精准RGB

本文针对TCS34725颜色识别模块初始数据不准的问题,提供了从基础例程到精准调校的实战指南。核心在于通过白光校正与黑白光校正两种方法,补偿传感器偏差与环境光影响,将原始数据准确映射为标准RGB值。文章详细阐述了校准原理、操作步骤与代码实现,并分享了进阶调试技巧与避坑指南,帮助开发者显著提升颜色识别的准确性与项目可靠性。

weixin_29188043的博客 289

5.FxBlue跟单常见问题

fxblue喊单ea和fxblue跟单会在mt4/mt5客户端ea栏目里记录fxblue在跟单复制订单过程中的全面记录。在遇到问题时,我们首先要恢复默认参数尝试,然后再到ea栏找报错提示。 ​ 需要注意的是,是EA选项卡,而不是日志选项卡。 此外,您可以在 MT4/5 软件终端面板的"EA"选项卡中查看跟单记录,您可以通过右键单击 Experts 日志并从 MT4/5 的弹出菜单中选择“打开”来打开每日日志文件以及历史文件。 5.1 No “heartbeat” received 没有收到“心跳” 接收方

weixin_44406393的博客 1874

DeepSeek Harness保姆级实战:一文搞懂Agent Harness

DeepSeek Harness 是官方开源的 Agent 运行时框架,其核心价值在于将大模型能力转化为可执行任务的工作流(如代码分析/修改/测试)。与直接调用 API 不同,它通过插件化架构(Cordis)整合模型、工具、沙箱、会话等组件,支持 Standard/Code/Minimal/Creator 四种运行模式。本文详解其架构原理、Web UI/Headless/Python SDK 三种使用方式,并梳理权限控制、会话复用等实践要点。当前处于开发者预览阶段,适合需要定制 Agent 基础设施的团队。

CodeBlog-star 2493

C#上位机+YOLO工业视觉全实战:从ONNX部署到产线缺陷检测落地(2026年工业级实战指南)

在2026年,工业视觉落地的核心挑战不是“能不能做”,而是“能不能在产线实时跑起来C#为何成为最优解?

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 733

LLM - 一文读懂Agent Harness

摘要: 2026年,大模型的核心竞争力从“智商”转向长流程任务的耐久性与可靠性,而Agent Harness成为支撑这一能力的关键基础设施。与传统Agent框架不同,Harness如同“操作系统”,系统化解决长流程中的三大难题:上下文管理(压缩与卸载)、任务协作(并行拆分与编排)和实时纠偏(监控与回滚)。实践表明,Claude Code等案例通过系统级工程显著提升稳定性。设计Harness需遵循轻量化与模块化原则,避免过度工程化,从最小原型(如原子工具+基础监控)逐步演进,聚焦可删除的灵活架构。最终,Har

小工匠 5161

educoder中Hive综合应用案例 — 用户搜索日志分析

Hive综合应用案例 — 用户搜索日志分析

weixin_46026136的博客 4800

【Agent从入门到实践】40 容错优化:异常处理、重试机制、降级策略

各位小伙伴,咱们的多Agent框架一路优化到现在,决策快、执行效率高、资源用得省,看似啥都行,但只要一遇到网络波动、工具故障、数据异常调用web_search工具时网络超时,整个检索任务直接失败,写作Agent没数据可用向量库连接异常,向量检索直接崩掉,依赖检索结果的Agent全趴窝单个Agent执行出错,整个并行任务流程直接中断,前功尽弃高并发下部分工具调用失败,框架没有备用方案,只能返回任务失败说白了,咱们之前的框架只有正常执行逻辑,没有异常兜底逻辑。

人工智能AI技术 912

DeepSeek Harness 开源:一切皆插件、省 Token、Agent 还能改装自己

DeepSeek 发布开源 AI 框架 DeepSeek Harness,采用 MIT 协议,支持插件化架构与四种预设模式,基于 TypeScript 设计,旨在构建灵活可扩展的 AI Agent 系统。其核心技术源自论文《A Programming Paradigm for Spatiotemporal Composability》,解决了插件系统的时间与空间可组合性问题。该框架与旗舰模型 V4Pro 同步推出,形成从模型到开发工具的全栈能力,GitHub 首日即获近 4 万星。项目由前量化交易专家崔添翼

优快云资讯 6912

【麒麟系统】Rsync文件复制与同步工具

本文摘要: Rsync是一款Linux/Unix系统标配的高效文件同步工具,支持增量传输、SSH加密、断点续传等核心功能,相比SCP具有显著优势。文章详细解析了Rsync的五种标准语法格式和常用参数组合,重点介绍了本地同步、远程SSH同步(推送/拉取)的实操方法,并提供了密钥免密登录配置方案。针对企业运维场景,还讲解了文件过滤、镜像同步(--delete)、迁移同步(--remove-source-files)、空运行预校验(--dry-run)等高级功能,以及带宽限速等优化技巧,帮助用户安全高效地完成各类

信创运维工程师 · 银河麒麟 & 容器实战 | 金融生产环境迁移·等保加固 | 142篇原创·17万+阅读 1001

Harness工程:不是新词,而是Agent工程终于被讲明白了

回头看 memo code,我越来越确认一件事:我当时真正做的事情,不只是「做一个 coding agent」。我其实一直在做一套Harness。prompt 分层装配skills 自动发现工具 DSL风险分级审批缓存危险命令拦截子进程管理system hint 反馈输出裁剪多 workspace / web 控制台这些东西单拿出来都不性感。一个 demo一个玩具一个会写几段代码的聊天机器人还是一个真的能在环境里持续做事的系统。

python123456_的博客 645

PD3.0详解 电源规则,全解!!!全解!!!

电源规则 大师匈今天谈一下PD3.0的电源规则,PD3.0标准标定的规则。 USB协议声称,为了世界和平世界环境,让大家用上统一标准的充电器,不用再为每一个用电设备都配一个专门的充电器,这些充电器各种各样的都有,所以有时候大师匈也很烦!!!那么为了维护世界和平,USB协议呢就制订了这个PD快充协议,还有它的规则,只要全世界都用PD,就解决了这个大问题。 在这里先了解一个关键字,PDP: Power Delivery Power PD电源的功率。 每个PD充电产品的功率要以0.5W的精度上报,比如大师匈做的P

大师匈的博客 1万+

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")

腾讯汤道生:从「养虾」到Agent生产力,Harness工程决定AI落地成败

AI落地不只是一道算法题,更是一道工程题。最近爆火的OpenClaw,标志着人工智能的应用范式,正从“Chatbot”向“AI Agent”跃迁,让越来越多的企业客户认知到,AI Agent深入业务场景、解决实际问题的价值和能力。比起ChatBot,AI Agent落地过程更复杂。智能体的“干活”质量,很大程度上取决于大模型工程化的精细程度——给模型什么工具、喂什么上下文、如何处理多轮对话中的记忆衰减、怎么把复杂任务拆解为可执行的工作流。这些问题仅靠算法本身难以回答。

HUANGXIN9898的博客 736

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

上一篇: AI 让我一人顶一队,效率高了但更充实了
下一篇: 什么?部署大模型要多少显存你都不知道?
Llama-Turbo
博客等级 码龄4年 9901粉丝 2025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