renjt01的博客

原创 知识图谱构建

知识图谱构建

原创 2025智能体（Agent）框架全景：构建自主智能的基石

在这个人机共生的新时代，智能体框架的发展将不仅仅是工程师关心的技术问题，而是需要社会各界共同参与设计的社会技术系统。特别值得注意的是“人机协作回路”的兴起，即智能体在遇到不确定或高风险决策时，能够主动向人类寻求指导，形成人机共商的决策模式。早期的人工智能系统多是被动响应指令的工具，而如今的智能体框架则强调自主感知、规划、决策与协作能力。这一转变源于多模态大语言模型的突破性进展，使得智能体能够理解更丰富的上下文信息，处理更复杂的环境交互，并在不确定性中做出适应性决策。2.掌握基于Dify的智能体搭建。

原创 国内外知名大模型及应用

国内外知名大模型及应用近年来，随着人工智能技术的迅猛发展，大模型（Large Models）已成为推动科技进步的重要引擎。大模型通常指参数量巨大、训练数据广泛、具备强大泛化能力的深度学习模型，尤其在自然语言处理（NLP）、计算机视觉和多模态任务中表现突出。国内外科技企业与研究机构纷纷投入资源研发大模型，推动其在多个领域的实际应用。本文将系统梳理国内外知名的大模型及其典型应用场景。

原创 DNN案例一步步构建深层神经网络（3）

原创 智能体与大模型：谁是未来的“大脑”，谁是背后的“引擎”？

智能体与大模型：谁是未来的“大脑”，谁是背后的“引擎”？在人工智能迅猛发展的今天，两个术语频繁出现在科技前沿的讨论中——“智能体”（Agent）和“大模型”（Large Model）。它们如同人工智能世界的两股核心力量，一个被寄予“自主行动”的厚望，另一个则被誉为“知识爆炸”的代表。然而，尽管二者常常被并列提及，甚至在某些场景下被混为一谈，它们的本质、功能与未来定位却截然不同。要真正理解AI的演进方向，我们必须厘清：智能体与大模型，究竟有何区别？

原创 深度学习初学者指南

深度学习初学者指南在当今人工智能飞速发展的时代，深度学习无疑是其中最耀眼的技术之一。无论是语音助手、人脸识别，还是自动驾驶、智能推荐系统，背后都离不开深度学习的强大支持。对于许多刚接触这一领域的学习者来说，深度学习既充满吸引力，又显得神秘莫测。本文旨在为初学者提供一份清晰、实用的入门指南，帮助你迈出探索深度学习的第一步。

原创 DNN案例一步步构建深层神经网络（二）

DNN案例一步步构建深层神经网络（二）三、深层神经网络#人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿#Agent大模型#工信部证书#人工智能证书#职业证书

原创 DNN案例一步步构建深层神经网络

原创 什么是基于大模型的智能体构建？

什么是基于大模型的智能体构建？在人工智能迅速发展的今天，大语言模型（Large Language Models, LLMs）已经从单纯的文本生成工具演变为推动新一代智能系统的核心引擎。基于大模型的智能体构建，正是这一技术浪潮中最具前景的方向之一。它不仅仅是让机器“说话”或“写作”，而是赋予其感知、思考、决策和行动的能力，使其能够像人类一样在复杂环境中自主完成任务。

原创 一文了解图神经网络

一文了解图神经网络研究背景基本概念1.什么是图2.图神经网络实现方法1.空域图卷积2.谱域图卷积#人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿#Agent大模型#工信部证书#人工智能证书#职业证书

原创 多智能体系统的协同群集运动控制代码实现

随着分布式系统与人工智能技术的不断发展，多智能体系统（Multi-Agent Systems, MAS）在无人机编队、智能交通、机器人协作等领域展现出广泛的应用前景。其中，协同群集运动控制作为多智能体系统的核心研究方向之一，旨在通过局部交互规则使多个智能体在无全局指挥的情况下自发形成有序的群体行为，如聚集、避障、路径跟踪等。本文将介绍一种基于一致性算法和虚拟力模型的协同群集控制策略，并提供其核心代码实现思路。

原创 智能体大模型时代的AI革新者

智能体大模型时代的AI革新者一、为什么说智能体是“革新者”？二、智能体的核心技术支柱三、真实落地案例：智能体正在改变产业四、多智能体协同场景五、产业落地案例速览#人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿#Agent大模型#工信部证书#人工智能证书#职业证书

原创 一文读懂什么是智能体！

       在人工智能技术迅猛发展的今天，“智能体”（Agent）这一概念正逐渐走入大众视野。无论是自动驾驶汽车、语音助手，还是推荐系统和工业机器人，背后都离不开智能体的支撑。那么，究竟什么是智能体？它与传统程序有何不同？又如何在现实世界中发挥作用？本文将带你全面了解智能体的本质、特征、分类及其应用。

原创 什么是量子强化学习？

-- 十、总结项目内容🔹 定义将量子计算与强化学习结合，提升学习效率或实现量子智能决策🔹 核心思想利用量子叠加、纠缠等特性加速探索或直接构建量子智能体🔹 主要形式1. 量子加速的经典 RL2. 真正的量子智能体在量子环境中学习🔹 优势并行性强、表达能力强、适合量子控制任务🔹 挑战硬件限制、噪声干扰、理论不完善🔹 应用前景量子控制、自动纠错、量子AI、量子化学等---🚀 一句话概括： > 量子强化学习是让“量子大脑”学会在量子世界中做决策的科学，是通向自主量子智能的重要一步。

原创 深度学习之常用激活函数（2）

深度学习之常用激活函数（2）

原创 什么是多智能体强化学习？

什么是多智能体强化学习

原创 深度强化学习的现状与展望

  深度强化学习（Deep Reinforcement Learning, DRL）是深度学习与强化学习的融合，利用神经网络逼近策略或值函数，使智能体能在复杂环境中通过试错学习最优决策。自2013年DQN在Atari游戏中取得突破以来，DRL迅速发展，成为人工智能的重要方向。

原创 循环神经网络讲解（2）

循环神经网络讲解（2）四、举个例子，方便理解：五、什么是LSTM：六、揭开LSTM神秘的面纱：#人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿#Agent大模型#工信部证书#人工智能证书#职业证书

原创 卷积神经网络（CNN）详细介绍及其原理详解（2）

卷积神经网络（CNN）详细介绍及其原理详解（2）四、池化层五、全连接层六、输出层#人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿#Agent大模型#工信部证书#人工智能证书#职业证书

原创 卷积神经网络（CNN）详细介绍及其原理详解

卷积神经网络（CNN）详细介绍及其原理详解

原创 具身智能-视觉语言导航（VLN）（3）

具身智能-视觉语言导航（VLN）（3）

原创 具身智能-视觉语言导航（VLN）（2）

人工智能/具身智能/VLA/大模型/AI/LLM/Transformer 架构/AI技术前沿/Agent大模型/工信部证书/人工智能证书/职业证书。1. 模拟器与数据集。

原创 智能浪潮之巅：大模型的发展趋势与就业现状透视

大模型的发展趋势与就业现状透视

原创 具身智能-视觉语言导航（VLN）

具身智能-视觉语言导航（VLN）一.概述1.任务介绍2.任务类型3.场景类型人工智能/具身智能/VLA/大模型/AI/LLM/Transformer 架构/AI技术前沿/Agent大模型/工信部证书/人工智能证书/职业证书

原创 具身智能-多任务与元学习（2）

具身智能-多任务与元学习（2） 第三章：多任务学习的架构设计——共享与专属的平衡艺术3.1 硬参数共享3.2 软参数共享第四章：跨领域迁移——从仿真到实物的快速适应4.1 将仿真环境作为元训练场4.2 优势与展望人工智能/具身智能/VLA/大模型/AI/LLM/Transformer 架构/AI技术前沿/Agent大模型/工信部证书/人工智能证书/职业证书

原创 具身智能-普通LLM智能体与具身智能：从语言理解到自主行动 （3）

具身智能-普通LLM智能体与具身智能：从语言理解到自主行动 （3）五、具身智能案例案例一：小鹏汽车的具身智能驾驶系统案例二：阿里云通义千问 Agent 平台六、迈向通用人工智能（AGI）的路径人工智能/具身智能/VLA/大模型/AI

原创 具身智能-普通LLM智能体与具身智能：从语言理解到自主行动 （2）

具身智能-普通LLM智能体与具身智能：从语言理解到自主行动 （2）三、多智能体结构案例：百度文心大模型的企业知识问答系统人工智能/具身智能/VLA/大模型/AI

原创 具身智能-普通LLM智能体与具身智能：从语言理解到自主行动

具身智能-普通LLM智能体与具身智能：从语言理解到自主行动 一、普通LLM智能体的本质二、普通LLM智能体的应用示例：中国企业中普通LLM智能体的应用——智能客服系统人工智能/具身智能/VLA/大模型/AI

原创 具身智能-高层任务规划（High-level Task Planning）

具身智能-高层任务规划（High-level Task Planning）一、概述二、标准化规划2.1 结构语言规划2.2 策略代码规划2.3 自然语言规划三、辅助规划3.1 视觉辅助规划3.2 先验知识规划3.3 反馈规划人工智能/具身智能/VLA/大模型/AI

原创 国内外具身智能VLA模型深度解析（4）

国内外具身智能VLA模型深度解析（4）

原创 国内外具身智能VLA模型深度解析（3）

国内外具身智能VLA模型深度解析（3）国内典型具身智能VLA模型1.星动纪元 —— ERA-422）模型训练人工智能/具身智能/VLA/大模型/AI

原创 国内外具身智能VLA模型深度解析（2）

国内外具身智能VLA模型深度解析（2）国外典型具身智能VLA架构2. Physical Intelligence（PI）—— π0模型1）模型整体架构2）模型训练3. Figure AI —— Helix模型4. 英伟达 —— GR00T N1人工智能/具身智能/VLA/大模型/AI

原创 八家国内外典型具身智能VLA模型解析

2. Physical Intelligence（PI）—— π0模型。2）联合微调（Co-Fine-Tune）人工智能/具身智能/VLA/大模型。国外典型具身智能VLA架构。3）动作Token化机制。

原创 具身智能-一文详解视觉-语言-动作（VLA）大模型（3）

具身智能-一文详解视觉-语言-动作（VLA）大模型（3）VLA的高层任务规划器VLA的数据集与基准VLA的挑战与未来人工智能/具身智能/VLA/大模型

原创 具身智能-一文详解视觉-语言-动作（VLA）大模型（2）

人工智能/具身智能/VLA/大模型。VLA的高层任务规划器。VLA的底层控制策略。

原创 具身智能-一文详解视觉-语言-动作（VLA）大模型

具身智能-一文详解视觉-语言-动作（VLA）大模型1.前言2.VLA的进化之路：从单兵作战到三位一体3.拆解VLA的大脑：核心组件全解析 预训练视觉表征

原创 大模型-详解 Vision Transformer (ViT) （3）

大模型-详解 Vision Transformer (ViT) （3）1.Transformer 编码器2.ViT 张量维度变化举例 3.归纳偏置与混合架构4.微调及更高分辨率5.超参数

原创 ‍大模型-详解 Vision Transformer (ViT) （2）

大模型-详解 Vision Transformer (ViT) （2）1.可学习的嵌入 (Learnable Embedding)2.位置嵌入 (Position Embeddings)3.Transformer 编码器

原创 面向强化学习的状态空间建模：RSSM的介绍和PyTorch实现（4）

面向强化学习的状态空间建模：RSSM的介绍和PyTorch实现（4）一、经验回放缓冲区实现二、智能体设计三、训练器实现与实验

原创 面向强化学习的状态空间建模：RSSM和PyTorch（3）

面向强化学习的状态空间建模：RSSM的介绍和PyTorch实现（3）一、RSSM 整体架构二、训练系统设计三、经验回放缓冲区实现