Vibe Coding 时代：Vue 消失了还是 React 太强？

Llama-Turbo Llama-Turbo 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 100+累计阅读 189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4年
关注
原创 最新推荐文章于 2026-11-13 16:21:24 发布 189 阅读 AI 写同款· GEO 优化 ›
Vibe Coding：现代前端开发工具链集成与工程化实践 在现代软件开发中，工具链集成与工程化实践是提升开发效率和保障代码质量的核心环节。其原理在于通过自动化工具和标准化配置，将代码格式化、静态检查、提交规范等最佳实践内嵌到开发流程中，从而减少人工干预和潜在错误。这一技术的核心价值在于显著降低项目启动成本、统一团队协作规范，并帮助开发者快速进入高效编码状态。典型的应用场景包括快速初始化新项目、统一团队代码风格、自动化代码检查与提交验证等。本文以 vibe-coding 项目为例，深入解析了如何通过集成 ESLint、Prettier、Husky、Vite 等工具， 阅读详情

image.png

最近一段时间，“vibe coding” 的项目在夜晚的技术社区里密集涌现：几乎零门槛、即时生成、所见即所得。开发者只需要描述需求，AI 就能快速拼装出一个完整的前端应用。而在这些不断刷新的 demo、开源仓库和教程中，一个现象逐渐变得清晰——React 正在成为默认答案。

与之形成对比的是，曾经在中文开发者社区中被广泛推崇、甚至被称为“前端开发神器”的 Vue.js，却在这一波 AI 驱动的开发浪潮中逐渐“隐身”。它并没有消失，也没有衰落，但在 AI 的输出中，它不再是那个优先被选择的选项。

这并不是一个简单的“框架优劣”问题，而更像是一种技术生态在 AI 时代的映射：当代码生成开始依赖数据分布，当开发习惯被模型学习并放大，曾经由人主导的选择，正在悄然被“统计结果”所重塑。

于是，一个值得被重新审视的问题浮现出来——
在 AI 参与开发的时代，谁才在真正决定技术的默认路径？

一篇关于框架生态、AI 偏见与技术传播的认知小的思考

一、先看现象

当你用任何主流 AI（Claude、GPT、Gemini）说一句：

“帮我写一个前端项目”

十次有九次，出来的是 React。

这不是巧合，也不是 AI 在推销什么，而是一连串结构性原因叠加的结果。

二、数据层面：React 从未被"平起平坐"

image.png

关键数据对比（2023 年 npm 周下载量）

框架周下载量主要用户群
React~2200 万全球，尤其美国
Vue~450 万中文圈、亚洲、欧洲部分
Angular~350 万企业级、金融
Svelte~80 万追求极致体积的开发者

Vue 从来不是"消失了"，而是在全球绝对数量上本来就没有和 React 持平过。

三、为什么 AI 默认输出 React？

3.1 训练数据的地理偏差
flowchart TD
 A[互联网英文内容主导训练集] --> B[美国工程师文化主导英文技术内容]
 B --> C[React 是 Meta 美国公司产品]
 C --> D[React 相关博客/教程/GitHub 项目海量]
 D --> E[AI 训练后 默认前端 = React]
 F[中文 Vue 内容丰富] -->|权重被降低| G[对 AI 偏好影响有限]

本质：AI 的训练集是互联网的快照，而这张快照严重偏向英文/美国视角。Vue 在中文互联网极其流行，但中文语料在大模型训练集中的权重远低于英文。

3.2 JSX 对 AI 生成更友好

React 的 JSX 语法天然适合 AI 生成代码：

  • 结构 + 逻辑 + 样式写在同一个文件
  • 单文件即可表达完整组件
  • 不需要在 .vue、.html、.css 之间协调
  • 生成出错率更低、可运行率更高

AI 在 RLHF（人类反馈学习）阶段，"能跑起来的代码"会获得高分，于是 React 的路径被不断强化。

3.3 训练数据截止时间的锁定效应
timeline
 title AI 训练数据截止窗口 vs 框架格局
 2020 : React 市场份额顶峰期
 : Vue 3 刚发布，生态尚不成熟
 2021 : Vite 发布，但影响尚小
 2022 : 多数主流大模型训练数据截止
 : React 占据绝对语料优势
 2023 : Vibe Coding 概念兴起
 : AI 已"学死"了 React 偏好
 2025 : Vue / Svelte 复兴
 : 但 AI 的偏好已固化

四、Vibe Coding 是什么？为什么放大了这个问题？

Vibe Coding = 用自然语言描述需求，AI 直接生成完整可运行代码，开发者几乎不写代码，只做「验收」。

代表工具：Cursor、Bolt、v0.dev、Lovable

sequenceDiagram
 participant 用户
 participant AI
 participant 浏览器

 用户->>AI: "帮我做一个待办事项 App"
 AI->>AI: 内部推理 → 选框架
 Note over AI: 没有指定框架？<br/>默认 React + Vite
 AI->>用户: 输出完整 React 项目
 用户->>浏览器: npm run dev
 浏览器->>用户: 跑起来了

问题在于：在 Vibe Coding 流程里，用户几乎不审查框架选择。只要能跑，就认可了。于是 AI 的 React 偏好被大规模、无意识地复制进了新项目。

五、Vue 消失了吗？客观答案

没有消失，但处境发生了变化
graph TD
 subgraph Vue 的真实处境
 A[国内大厂仍大量使用 Vue]
 B[uniapp / 小程序生态绑定 Vue]
 C[Nuxt 3 在 SSR 领域强势]
 D[中小团队入门首选]
 end

 subgraph Vue 的相对弱化
 E[Vibe Coding 工具几乎不默认 Vue]
 F[英文开源社区以 React 为主]
 G[Next.js 生态形成护城河]
 H[AI 生成代码强化 React 惯性]
 end

客观结论：

  • Vue 在中文圈、亚洲市场、小程序生态依然强势
  • Vue 在全球 AI 生成代码、英文开源社区的曝光度极低
  • Vue 没有消失，但在 Vibe Coding 时代几乎被 AI 忽视

六、React 为什么这么强？

React 的领先不是偶然，有深层的结构性原因：

6.1 生态护城河
mindmap
 root((React 生态))
 元框架
 Next.js
 Remix
 UI 组件库
 shadcn/ui
 MUI
 Ant Design
 状态管理
 Zustand
 Redux
 Jotai
 测试
 React Testing Library
 移动端
 React Native

任何竞争框架都要面对这个生态的「重力场」——用 Vue 做项目，就意味着放弃上面大部分工具。

6.2 Next.js 的绑定效应

Next.js 是目前最流行的全栈 Web 框架，它绑定了 React。只要 Next.js 持续统治 SSR/SSG 领域，React 就不可能失去主流地位。

6.3 就业市场的正反馈
graph LR
 A[招聘要求 React] --> B[开发者学 React]
 B --> C[开源项目用 React]
 C --> D[AI 训练数据 React 多]
 D --> E[AI 默认生成 React]
 E --> F[新项目用 React]
 F --> A

这是一个自我强化的循环，很难从外部打破。

七、模型互相蒸馏是原因吗？

有人认为各大 AI 互相蒸馏数据，导致 React 偏好被放大传播。这个观点部分成立，但不是主因：

观点评估
蒸馏确实存在存在但规模有争议，各家 ToS 明确限制
蒸馏传播了 React 偏好蒸馏传递的是推理风格，不太可能精确传递框架偏好
原始训练数据本身就偏 React这才是根本原因
英文互联网地理偏差更底层的原因

八、给开发者的实用建议

如果你想用 Vue / Svelte / 原生 JS

明确告诉 AI，不要让它「自由发挥」：

用 Vue 3 + Composition API + Vite 实现一个...
用原生 HTML + CSS + Vanilla JS，不要任何框架...
用 Svelte 5 写一个组件...
用 Nuxt 3 构建一个 SSR 页面...
框架选择的实用原则image.png

九、总结

Vue 没有消失。React 确实太强。AI 的偏见放大了这个差距。

  • React 的强势有其历史、生态、就业市场的结构性原因
  • AI 的默认偏好本质上是英文互联网 + 美国科技文化主导训练数据的结果
  • Vibe Coding 时代，AI 的框架偏好被大规模无意识地复制
  • Vue 在中文生态依然健康，但在 AI 生成代码的世界里几乎隐形
  • 解决方案很简单：明确告诉 AI 你要用什么框架

最后一个思考题：如果未来中文语料在大模型训练集中的权重提升，Vue 会重新出现在 AI 的默认选择里吗？

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇
在这里插入图片描述

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。
在这里插入图片描述

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，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。（书籍含电子版PDF）

在这里插入图片描述

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

在这里插入图片描述

4. 2026行业报告

行业分析主要包括对不同行业的现状、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。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

在这里插入图片描述

6. 大模型面试题

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，我们将提供精心整理的大模型面试题库，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。

在这里插入图片描述

7. 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👇👇
在这里插入图片描述

标签
#人工智能 #Agent #github #LLM #RAG
#AI #大模型开发
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。
「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

相关推荐

机器学习第四个算法ANN（人工神经网络）

我是在14年9月刚读研的时候听到一个说法叫“类人脑算法”很火热，之后搞了很长一段时间相关的蓄水池算法等，但大都没有摸到门路而中途放弃了。现今看来，还是缺少一些知识背景，也不善于在网络上学习，随时间推移，也逐渐明白这是机器学习的一小部分，并且逐渐发展的名称叫做人工神经网络的算法，如果网络层较多，又会有个别名，叫做深度学习。其中个用到的最著名的算法是背向传输算法（backpropagation），而这个

legalhighhigh的博客 1万+

coding云原生构建实现自动化部署(前端代码v3+vite)

CI/CD（持续集成/持续部署）是一种软件工程实践，通过自动化构建、测试和部署流程，提高开发效率和软件质量。CI（持续集成）旨在频繁地将代码集成到共享仓库中，并运行自动化测试。CD（持续部署）则自动将经过测试的代码部署到生产环境中，确保软件的快速交付。话不多说我们直接代码进行分析。

A_lose的博客 1745

android OTA升级之后，apk崩溃无法启动

也就是说，我们这个高低版本是fingerprint相同的情况，这个问题追述到jenkins编译，启动job时会初始化一个BUILD_NUMBER值，这个值正好跟Android的build系统的名称重复，这就导致Android build系统那一套拼接时间戳的值不会走，因为jenkins一启动就会定义该值，而我们jenkins服务器迁移过，这个值又会从1开始累计，导致前后版本都是16，从而导致fingerprint一致。问题背景：系统版本从低版本升级到高版本后，apk崩溃启动失败。硬件平台：QCS6125。

kevin's cache的专栏 1347

Vite 8.0 来了：这一次，它不只是升级，而是把整个前端构建逻辑都重写了一遍

像 Full Bundle Mode、灵活的 chunk 切分、模块级持久缓存、Module Federation 等，过去在双构建器模型下很难自然实现的能力，现在终于有了更合理的落点。真正重要的是，它终于不再满足于做一个体验很好的 dev server 外壳，而是开始把自己重新定义成一条完整、统一、可持续进化的现代前端工具链。从 esbuild + Rollup 的双轨模式，走向 Vite + Rolldown + Oxc 的统一体系，这一步不是普通升级，而是一次很彻底的方向切换。

粉丝们务必加入微信粉丝群 726

Springboot+Vue 实现鸿蒙商城管理系统开发实践

通过使用 Springboot 和 Vue 技术栈，我们成功实现了鸿蒙商城管理系统的开发。系统具备用户管理、商品管理、订单管理、库存管理和统计分析等功能，支持 Web 端和鸿蒙端的访问和操作。在开发过程中，我们充分利用了 Springboot 的快速开发优势和 Vue 的组件化开发特点，提高了开发效率和系统的可维护性。同时，通过与鸿蒙设备的集成，实现了多设备之间的数据交互和协同工作，提升了用户体验。

ZXJ_SXT的博客 1325

2023华为od机试C卷【启动多任务排序】C++ 实现

一个应用启动时，会有多个初始化任务需要执行，并且任务之间有依赖关系，例如A任务依赖B任务，那么必须在B任务执行完成之后，才能开始执行A任务。现在给出多条任务依赖关系的规则，请输入任务的顺序执行序列，规则采用贪婪策略，即一个任务如果没有依赖的任务，则立刻开始执行，如果同时有多个任务要执行，则根据任务名称字母顺序排序。

MISAYAONE的博客 888

2026最新5款vibe coding入门工具实测 学生党平替之选全汇总

我自己总结下来，标准的vibe coding三段式开发流程非常简单：第一步用口语化的自然语言把你的需求完整描述出来，不需要写任何技术细节，只要把业务目标说清楚；第二步让AI生成第一版代码，这版代码大概率会有一些小bug或者不符合你预期的地方，你不需要逐行改，只要把你发现的问题用自然语言说出来做一次修正；第三步拿到最终的可用代码，做简单的逻辑校验之后就能直接运行。整个过程你不需要纠结语法细节、类型定义、样式兼容这些琐碎的问题，把精力全部放在业务逻辑本身就好。

lijgvnns的博客 258

OGRE 3D----2. QGRE + QQuickView

将 OGRE（面向对象图形渲染引擎）集成到使用 QQuickView 的 Qt Quick 应用程序中，可以在现代灵活的 UI 框架中提供强大的 3D 渲染功能。本文将指导您如何在 QQuickView 环境中设置 OGRE。

charce_you的专栏 915

【Vite】常用配置，一篇即可通吃

本文全面介绍了Vite的常用配置方案，涵盖基础配置、打包优化、性能提升等核心内容。主要内容包括：1) 项目初始化与基础配置方法；2) server开发服务器配置详解；3) 构建参数优化策略；4) 路径别名和CSS预处理的最佳实践；5) 多环境变量管理方案。文章特别强调了安全配置要点，如开发环境的安全风险、环境变量的前缀要求等，并针对不同场景提供了具体配置建议和常见问题解决方案。通过示例代码展示了从基础配置到高级优化的完整实现路径，是Vite项目开发的实用参考指南。

qq_38161537的博客 2111

用 ABAP 驾驭 OAuth 2.0：从 Authorization Code 到 SAML Bearer 的全栈落地指南

ABAP平台OAuth 2.0客户端开发实践 本文为SAP开发者详细解析ABAP平台内置OAuth 2.0客户端的使用方法，涵盖四种授权流的最佳实践： 授权流选择： Authorization Code：适用于用户交互场景 SAML 2.0 Bearer：适合已有SAML体系的企业 Client Credentials：系统间通信 Password Credentials：过渡方案（不推荐） 配置流程： 通过SE80定义Client Profile 使用SOAUTH2_CLIENT/OA2C_CONFIG配

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 310

Python-编写点云处理软件（二）点云软件ui制作之仿CC界面

至本篇结束，我们已经能够获得一个有点模子的界面了，但是具体的功能还没有编写，后续的文章将逐渐完善功能。

weixin_43894929的博客 3954

vite极速入门

Vite是一款现代化前端构建工具，提供极速开发体验。安装只需通过npm create vite@latest初始化项目，支持Vue/React等主流框架。启动开发服务器仅需npm run dev，利用ES模块和HMR实现毫秒级热更新。核心优势包括按需编译、快速启动和生产优化（使用Rollup打包）。可配置vite.config.js自定义端口、代理等，支持丰富的插件生态。相比Webpack更轻量高效，适合中小型项目快速开发。

Made In SQL 1267

以 Joule 驱动的生成式开发：把需求文档直接变成可运行的 SAP 应用

摘要：SAP BTP的AI助手Joule正在改变开发方式，支持从自然语言描述自动生成数据模型、服务、UI及测试代码。在SAP Business Application Studio中，Joule能根据业务需求生成结构化代码，并提供代码补全、重构、解释等功能。开发者需注意避免上传敏感数据，并对AI生成的代码进行人工审核。Joule特别针对ABAP开发进行了优化，提供符合SAP规范的代码建议，帮助迁移遗留系统。此外，它还能快速生成CAP项目原型，但所有AI生成内容都需经过严格测试验证。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 343

Vibe Coding 时代：后端程序员开发前端的最佳实践

摘要：本文为后端工程师提供AI时代前端开发的最佳实践，强调工程化思维而非单纯依赖AI生成代码。核心建议包括：采用分层架构（UI/状态/服务/模型/基础设施层），选择稳定技术栈（React/Vue+TS），将AI作为"结对程序员"分步骤协作，优先定义API契约，最小化状态管理，建立前端SLA标准，前置可观测性，并制定AI时代的代码评审清单。关键在于用后端架构思维保证代码质量，将AI作为效率工具而非替代品，最终实现从"写代码"到"设计协作系统"的能力升

qq_32278033的博客 320

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

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 398

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")

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 313

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

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 247

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 274

【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 605

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 640

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 190
上一篇： 前端、后端都想转 AI 应用， 但这个岗位到底需要会什么？
下一篇： 天天 AI Coding 的你，如果出去面试，你的竞争力是什么？
点赞 5
评论 0
书签 书签 2
Llama-Turbo
Llama-Turbo
博客等级 码龄4年 9901粉丝 2024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