- 博客(46)
- 收藏
- 关注
RSS订阅原创 适配华为昇腾 NPU 的交互式监控工具
在人工智能开发的过程中，我们常常希望能够实时了解计算设备的使用情况。对于使用华为昇腾 NPU 的团队来说，传统上只能通过命令行工具（如 `npu-smi`）来查询性能指标。但这些命令输出的信息分散且不易一目了然，有时需要执行多条命令才能获得完整视图。有没有想过，如果也有一款像 NVIDIA GPU 那样的可视化监控工具，该多方便？这正是 `nputop` 诞生的背景：作者受 NVIDIA 社区中流行的 `nvitop` 项目启发，将其理念移植到昇腾 NPU，最终开发出适合华为 Ascend 平台的交互式监控
2025-05-14 16:09:53
888
原创 nputop：交互式 Ascend NPU 进程查看器（nvitop昇腾版）
项目链接：https://github.com/youyve/nputop[该仓库创建于2024年12月9日]nputop是一个专为监控和管理运行在上的进程设计的。受流行的项目的启发，nputop为 Ascend NPU 生态系统带来了类似的直观用户体验，提供利用率、内存使用情况、温度、功耗等的实时洞察。
2025-05-08 14:33:16
886
原创 第十章：Deployment Abstraction
在上一章的中，我们已经能让系统记录运行状态和错误信息。但你是否想过：如果希望将天气助手部署到云服务器，或者在朋友的笔记本电脑上运行，如何确保所有依赖和配置一致？就像搬家时需要打包所有物品并适配新环境一样，本章将介绍如何通过让AI系统轻松适配不同环境。
2025-04-28 17:13:47
883
原创 第九章：Logging and Monitoring
2024-01-01 10:00:00] [DEBUG] [代理模块] 正在连接天气API...
2025-04-28 17:13:07
864
1
原创 第八章：Error Handling
app/exceptions.py中的异常定义"""工具调用时的通用错误"""pass"""文本长度超过限制时的专用错误"""self.message = f"超过最大token限制(
2025-04-28 17:12:26
903
原创 第七章：Server/Client Communication
在上一章的中，我们已经能让AI调用真实世界的工具。但你是否想过：如果多个用户同时请求天气查询，或者需要远程控制AI代理，该怎么办？就像快递公司需要统一的包裹格式和运输方式一样，本章将介绍如何通过实现跨设备的AI协作。
2025-04-28 17:11:47
541
原创 第六章：Tool and LLM Integration
config.toml中添加天气工具配置name = "天气查询"description = "获取实时天气数据""location": "城市名称","unit": "返回温度单位（C/F）"
2025-04-28 17:11:01
938
原创 第五章：Execution Flow Framework
创建并发型流程，同时处理票务和酒店# 执行任务并等待结果result = await flow.execute("预订北京到上海的高铁并安排酒店")
2025-04-28 17:10:21
702
原创 第四章：Messaging and Memory
在上一章的中，我们已经能让系统记住所有参数设置。但你是否想过：如果用户连续提问“今天天气如何？”和“明天呢？”，AI如何知道“明天”是接续之前的查询？这就像给指挥官配备一个记忆力超强的副官，专门记录对话历史！本章将介绍如何通过让AI记住之前的对话内容，保持上下文连贯。
2025-04-28 17:09:01
937
原创 第三章：Configuration Management
在上一章的中，我们已经能让AI代理完成复杂任务了。但你是否想过：如果我们的天气查询工具需要切换API密钥，或者需要为不同环境（开发/生产）设置不同的参数，该怎么办？这就像给指挥官的手册增加不同场景的作战方案！本章将介绍如何通过轻松管理这些复杂参数。
2025-04-28 17:08:16
1230
原创 第二章：Agent System
在上一章的用户界面抽象中，我们已经能通过命令行与AI简单对话了。但你有没有好奇过：输入的问题是如何变成“北京今天晴，气温25°C”这样的回答的？就像你按下手机拨号键后，信号塔和基站是如何传递声音的？这一章将揭开“代理系统”的神秘面纱——它是整个AI系统的大脑，负责指挥工具、模型和流程协同工作！想象你是一名指挥官，需要协调多个士兵完成任务：代理系统就像这位指挥官，通过以下核心组件协调这些“士兵”：就像足球有单人突破和团队配合，代理系统有两种模式：2. 代理生命周期：从出生到死亡每个代理都会经历三个阶段：
2025-04-28 17:07:32
861
原创 第一章：User Interface Abstraction
想象一下：你刚安装好一个AI助手，但发现它只能通过复杂的命令行参数使用，或者必须用特定格式输入问题。这就像给手机充电时，必须拆开手机壳才能连接充电线一样麻烦！就像一个贴心的翻译官，让AI系统能用简单自然的方式和你对话。本章通过一个核心场景——让AI回答“今天天气如何？”——带你理解这个概念如何让交互变得友好。
2025-04-28 17:05:23
788
原创 OpenManus详细解析
是一个多功能智能代理系统，能够通过工具和大型语言模型（LLM）完成复杂任务。它支持多代理协作交互式对话和服务器通信，并提供配置管理日志监控以及错误处理等核心功能，帮助开发者轻松构建和部署智能代理应用。fill:#333;color:#333;color:#333;fill:none;依赖配置使用消息存储调用工具/LLM执行多步骤流程连接服务器记录日志触发异常依赖部署环境启动代理。
2025-04-28 17:04:25
1375
原创 第八章：Community Ecosystem
社区生态的三层架构：官方标准、企业集成、用户创新如何快速组合现成服务器：从查找、安装到配置的完整流程安全与信任的平衡：根据需求选择不同层级的服务器接下来，我们将深入探索高级用例（假设存在后续章节），学习如何通过社区生态构建企业级AI系统！🌍 现在尝试访问MCP社区资源库，为你的项目挑选一个有趣的社区服务器！
2025-04-24 16:50:36
1042
原创 第七章：Contribution Governance
贡献治理的四大支柱：标准化流程、字母排序、安全审查、协议遵循如何提交新服务器：从代码规范到文档更新的完整流程为什么这些规则重要：保障代码质量与社区协作效率接下来，我们将深入探索社区生态系统，学习如何与全球开发者协作、参与讨论以及成为社区贡献者！🌍 现在尝试为MCP贡献你的第一个PR，例如为某个服务器添加中文文档或修复小漏洞！
2025-04-24 16:47:28
661
原创 第六章：安全最佳实践
四层安全防护体系：输入验证、身份认证、错误处理、日志监控如何具体防御路径遍历等攻击：通过代码示例学习关键策略安全与开发并重：在快速开发的同时不忘基础防护接下来，我们将深入探索贡献治理，学习如何通过流程保障开源项目的安全与质量——例如如何通过代码审核防止漏洞进入生产环境！🔒 现在尝试为你的服务器添加路径验证和日志记录功能，让攻击者无机可乘！
2025-04-24 16:46:45
701
原创 第五章：Framework/Tooling Abstraction
框架如何简化开发流程：用标准化工具和代码生成器快速搭建服务器安全默认设置：无需手动编写也能保证基础安全如何通过框架快速验证概念：从0到可用服务器只需10分钟接下来，我们将深入探索MCP安全最佳实践，学习如何进一步强化服务器的安全防护——比如如何防御高级攻击，以及如何审计工具访问日志！🚀 尝试用EasyMCP框架创建自己的数据库服务器，体验"代码即服务"的开发快感！
2025-04-24 16:45:44
660
原创 第四章： 服务集成抽象
服务集成抽象的三层结构：统一接口、注册表、逻辑层如何让多个服务器协同工作：通过配置和服务调用标准化带来的好处：LLM无需关心底层差异接下来，我们将深入探索工具抽象框架，学习如何通过框架快速构建自己的MCP服务器——例如用几行代码创建数据库查询工具！🚀 尝试将本地文件系统和云端API整合到一个项目中，让AI助手同时操作两者！
2025-04-24 16:44:56
1155
原创 第三章：Transport Mechanisms
两种协议的“方言”差异：STDIO适合单次问答，SSE适合实时流如何配置混合服务器环境：在同一个项目中同时使用不同协议选择标准：根据需求场景决定使用STDIO还是SSE接下来，我们将深入探索MCP服务集成抽象，学习如何将多个服务器整合成“超级工具”——例如让文件服务器和数据库服务器协同完成复杂任务！🚀 尝试在你的项目中混合使用STDIO和SSE协议，比如同时操作本地文件和实时监控云端数据！
2025-04-24 16:44:12
663
原创 第二章：MCP服务器分类
三类服务器的区别：官方示例→高信任，官方集成→强功能，社区开发→高创新选择方法：根据需求类型快速定位服务器配置示例：如何在客户端注册不同类别的服务器接下来，我们将深入MCP传输机制，探索服务器与LLM如何通过不同协议（如STDIO、HTTP）高效通信——这将解答“为什么某些服务器启动更快”等问题！🚀 下一步：尝试在你的项目中混合使用不同类别的服务器，比如同时配置文件系统和GitHub分析工具！
2025-04-24 16:43:21
1237
原创 第一章：Model Context Protocol (MCP)
MCP如何成为LLM与工具间的“翻译官”通过简单配置就能让模型安全访问资源标准化协议如何简化复杂系统的协作接下来，我们将深入探索MCP服务器分类，了解不同类型的服务器如何解决具体问题——例如有的服务器连接数据库，有的则用于网络爬虫！📚 接下来，你将学会如何根据需求选择或定制自己的MCP服务器！
2025-04-24 16:41:48
1621
原创 MCP servers源码详细解析
是一个标准化协议，用于让大型语言模型（LLMs）通过结构化服务器安全地与工具和数据源交互。项目提供了参考实现官方集成和社区贡献的服务器，支持数据库、API、文件系统等场景。通过统一的通信标准和工具接口（如STDIO/SSE传输），MCP简化了LLM与外部系统的协作，并通过安全最佳实践（如输入验证、认证）保障使用安全。开发者可借助SDK和框架快速构建新服务器，社区生态持续扩展协议的实用场景。fill:#333;color:#333;color:#333;fill:none;定义分类标准。
2025-04-24 16:40:46
1181
原创 第十章： User Interface Integration
通过本章，你已掌握：✅ 通过Flask快速搭建Web监控界面✅ 使用代理协议实现前后端通信✅ 实现任务状态查看和指令发送功能至此，你已完成了AutoGPT项目的全部核心功能学习！从命令行接口到用户界面，从代理核心到安全防护，你已具备开发和部署智能代理的完整知识体系。扩展界面功能（如任务日志导出）添加更多控制指令（如“重启代理”）设计更美观的UI界面祝你在AI代理开发的道路上越走越远！🚀。
2025-04-23 17:19:06
714
原创 第九章：Agent Protocol Implementation
"data": {"current_task": "分析销售数据",通过本章，你已掌握：✅ 定义API端点和消息格式✅ 通过标准化协议实现系统间通信✅ 用简单示例构建可扩展的交互能力下一章我们将学习如何将代理与用户界面深度整合——用户界面集成，带你打造直观的代理控制面板！
2025-04-23 17:18:22
745
原创 第八章：依赖管理
通过本章，你已掌握：✅ 使用Poetry管理依赖项✅ 通过pre-commit执行预提交检查✅ 精确控制依赖库的版本下一章我们将学习代理如何与其他系统通信——Agent协议实现，带你了解代理如何遵守“沟通规范”与其他程序协作！
2025-04-23 17:17:29
779
原创 第七章：Workspace Security
通过本章，你已掌握：✅ 通过配置文件限制代理操作范围✅ 理解路径验证的核心逻辑✅ 使用沙箱进一步隔离风险下一章我们将学习如何管理代理的依赖项——依赖管理，教你确保代理运行所需的工具和库始终保持最新！
2025-04-23 17:16:35
745
原创 第六章：Multi-Backend Configuration
通过本章，你已掌握：✅ 如何通过配置文件和环境变量切换后端✅ 理解抽象层如何隔离具体实现✅ 让代理像变形金刚一样灵活应对不同环境下一章我们将学习如何保护代理的数据安全——工作区安全，教你为代理设置“安全防护罩”！
2025-04-23 17:15:47
939
原创 第五章：Benchmark Framework
通过本章，你已掌握：✅ 通过CLI运行和管理基准测试✅ 理解测试分类、用例和结果分析机制下一章我们将学习如何让代理适应不同存储环境——多后端配置，带你解锁代理在云端与本地间的无缝切换！
2025-04-23 17:14:51
609
原创 第四章：任务工作流编排
name="季度报告生成",execution_strategy=SerialExecution(), # 串行执行error_strategy=RetryStrategy(max_retries=2) # 失败重试2次# 添加任务workflow.add_task(Task("清洗数据", depends_on=None))workflow.add_task(Task("生成图表", depends_on="清洗数据"))
2025-04-23 17:13:52
978
原创 第三章：File Storage Backend
通过本章，你已掌握：✅ 理解文件存储后端的抽象设计✅ 如何安全操作本地/云端文件✅ 通过统一接口管理不同存储类型下一章我们将学习如何让代理像交响乐团一样协调任务——任务工作流编排，带你了解代理如何高效执行复杂流程！
2025-04-23 17:12:46
640
原创 第二章：ForgeAgent Core
1. 检查日程events = self.calendar_api.get_events("今天")# 2. 准备提醒内容', 'from forge . agent import ForgeAgent class ReminderAgent(ForgeAgent) : def execute(self) : # 1. 检查日程 events = self . calendar_api . get_events("今天") # 2. 准备提醒内容 message = f"今日待办： {
2025-04-23 17:09:15
829
原创 第一章：CLI Interface
通过本章的学习，你已经掌握了：✅ 通过CLI初始化开发环境✅ 创建并运行AI代理✅ 基础代理管理操作接下来我们将深入代理的核心逻辑，了解它如何“思考”和执行任务，请进入ForgeAgent核心继续学习！
2025-04-23 17:08:02
979
原创 AutoGPT超详细教程
是一个强大的AI代理管理平台，允许用户通过直观的界面构建、部署和自动化复杂工作流程。其核心是，它管理代理逻辑、工具集成和任务执行，并通过安全访问文件。用户可通过创建代理、运行基准测试，或通过监控任务。平台支持多云存储（如S3/GCS）和安全沙箱，确保代理操作的和。fill:#333;color:#333;color:#333;fill:none;使用启动/停止管理配置通信实施执行依赖调用标准化我将从以下几个章节对AutoGPT进行简单易懂但是很全面的讲解。
2025-04-23 17:05:58
1025
原创 Video-RAG复现
Video-RAG是由厦门大学和罗切斯特大学联合推出的一种用于长视频理解的检索增强生成（Retrieval-Augmented Generation）技术。它通过提取视频中的视觉对齐辅助文本，帮助大型视频语言模型（LVLMs）更好地理解和处理长视频内容。具体来说，Video-RAG使用开源工具从视频数据中提取音频、文字和对象检测等信息，将这些信息作为辅助文本与视频帧和用户查询一起输入到现有的LVLM中，从而增强模型对长视频的理解能力。
2025-03-17 11:02:48
1129
原创 昇思25天学习打卡营第6天 | 基于MindSpore实现BERT对话情绪识别
BERT，全名为“变换器架构中的双向编码器表示”（Bidirectional Encoder Representations from Transformers），是谷歌在2018年底推出的一种先进的语言处理模型。该模型，特别设计来对自然语言处理的多种任务，例如文本问答、实体识别、语义理解和文本分类，提供强大的支持。BERT基于Transformer的编码器构建，并采纳了双向架构以增强语言理解能力。
2024-06-29 08:54:28
389
原创 昇思25天学习打卡营第5天 | MindSpore使用静态图加速
动态图的特点是计算图的构建和计算同时发生（Define by run），其符合Python的解释执行方式，在计算图中定义一个Tensor时，其值就已经被计算且确定，因此在调试模型时较为方便，能够实时得到中间结果的值，但由于所有节点都需要被保存，导致难以对整个计算图进行优化。在MindSpore中，静态图模式又被称为Graph模式，在Graph模式下，基于图优化、计算图整图下沉等技术，编译器可以针对图进行全局的优化，获得较好的性能，因此比较适合网络固定且需要高性能的场景。有关静态图模式的运行原理，可以参考。
2024-06-28 00:23:29
617
原创 昇思25天学习打卡营第4天 | “孢子”的模型训练、保存与加载
文章目录模型训练构建数据集定义神经网络模型定义超参、损失函数和优化器训练与评估保存与加载模型权重MindIR模型训练构建数据集复习：import mindsporefrom mindspore import nnfrom mindspore.dataset import vision, transformsfrom mindspore.dataset import MnistDataset# Download data from open datasetsfrom download im
2024-06-26 23:58:03
853
原创 昇思25天学习打卡营第3天 | “孢子”的网络构建
定义神经网络时，可以继承nn.Cell类，在__init__方法中进行子Cell的实例化和状态管理，在construct方法中实现Tensor操作。nn.ReLU(),nn.ReLU(),构建完成后，实例化Network对象，并查看其结构# 构造一个输入数据，直接调用模型，可以获得一个十维的Tensor输出，其包含每个类别的原始预测值。# 通过一个nn.Softmax层实例来获得预测概率。
2024-06-23 12:43:21
1010
原创 昇思25天学习打卡营第2天 | “孢子”的数据处理
Pipeline的设计理念使得数据集的常用操作采用dataset = dataset.operation()的异步执行方式，执行操作返回新的Dataset，此时不执行具体操作，而是在Pipeline中加入节点，最终进行迭代时，并行执行整个Pipeline。所有的Transforms均可通过map方法传入，实现对指定数据列的处理。map操作是数据预处理的关键操作，可以针对数据集指定列（column）添加数据变换（Transforms），将数据变换应用于该列数据的每个元素，并返回包含变换后元素的新数据集。
2024-06-23 01:25:50
932
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人