AARCH64 Real-time Extension技术展望

人工智能驱动下的软件开发变革:从意图到代码的智能跃迁

你有没有过这样的经历?深夜加班,盯着空白的编辑器发呆,脑子里明明清楚要实现什么功能,手指却迟迟敲不出第一行代码。或者面对一段“祖传”遗留系统,想重构又怕踩雷,改一行崩三处。这些曾经困扰无数开发者的日常难题,正在被一股看不见的力量悄然化解—— 人工智能已经不再是未来的技术预言,而是实实在在嵌入我们每一次 Ctrl+S 的现实生产力引擎 。

这不是科幻电影,也不是实验室里的概念演示。今天,一个普通开发者只需输入一句注释:“写个函数计算斐波那契数列第n项”,AI就能在毫秒间生成出结构清晰、逻辑正确的完整实现。这背后,是大语言模型(LLM)对万亿级代码语料的深度学习,让它不再只是“猜字游戏”的高手,而是真正开始理解 程序的语法、语义乃至开发者的深层意图 。

🤖 “我需要一个能处理高并发用户请求的登录接口。”
✅ AI 回应:自动生成带速率限制、JWT鉴权、密码加密和异常处理的 Spring Boot 控制器。

这种从“人工编码”到“意图驱动开发”的范式转移,标志着软件工程正式迈入智能化新纪元。AI的角色,也完成了从“工具”到“协作者”的质变。它不仅能补全一行代码,更能理解整个项目的上下文,识别潜在缺陷,甚至预测某段逻辑在未来可能引发的故障。这已经不是简单的效率提升,而是一场 重塑开发流程、降低技术门槛、释放人类创造力的根本性变革 。


智能IDE:你的专属编程搭档已上线

想象一下,你的IDE不再只是一个文本编辑器,而是一位24小时在线、知识渊博、耐心细致的资深同事。你刚打出一个函数名,它就已经预判了你的下一个动作;你写下一句模糊的需求描述,它便能为你铺开一条通往实现的路径。这就是现代AI增强型开发环境的真实写照。

GitHub Copilot、Tabnine、Amazon CodeWhisperer…… 这些名字早已成为开发者工具链中的标配。它们基于强大的Transformer架构,在海量开源与私有代码库上进行训练,实现了前所未有的 上下文感知能力 。它们看到的不只是你当前光标所在的位置,更是整个文件的结构、项目依赖、甚至是跨模块的调用关系。

# TODO: 写一个函数,检查字符串是否为有效的邮箱格式
def is_valid_email(email):
    import re
    pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
    return re.match(pattern, email) is not None

看,就这么简单。你甚至不需要回忆正则表达式的具体语法,AI会替你完成所有细节工作。但这仅仅是冰山一角。真正的价值在于,当团队规模扩大、项目复杂度飙升时,AI如何帮助我们对抗熵增,维持代码的一致性与健壮性。

如何选择适合你的AI编程助手?

市面上的AI工具琳琅满目,但没有“最好”的,只有“最合适”的。选择的关键,在于平衡 功能、性能、安全与成本 这四大维度。

工具名称 模型架构 是否支持离线部署 上下文范围 支持语言 数据隐私策略
GitHub Copilot Codex(GPT-3衍生) 否 单文件+局部上下文 多语言(JS/Python/Java等) 提交内容可能用于模型训练
Tabnine 自研小型Transformer 是(Enterprise版) 全项目级上下文 超30种语言 可选完全本地运行,无数据外传
Amazon CodeWhisperer 定制模型 部分支持 文件级上下文 主流语言(含Go、Rust) 提供VPC内网接入选项
Sourcegraph Cody LLM + 符号索引 是(自托管) 跨仓库级上下文 多语言 支持私有代码索引,数据不出域

👉 初创公司 or 个人开发者? 追求快速上手,不涉及敏感业务,Copilot无疑是首选。它的集成度最高,社区生态最完善,“开箱即用”的体验无可挑剔。

👉 金融、军工、医疗等强监管行业? 数据安全是生命线。此时,Tabnine Enterprise 或 Sourcegraph Cody 的 私有化部署 能力就成了刚需。你可以把模型和代码都锁在自己的内网里,彻底杜绝信息外泄的风险。

👉 混合云或微服务架构复杂的大型企业? CodeWhisperer 的 VPC 接入和 AWS 原生集成提供了不错的折中方案,既享受云端模型的强大,又能通过网络策略控制数据流动。

💡 经验之谈 :别一上来就追求“大而全”。先让团队试用一段时间,观察AI生成建议的准确率、响应速度以及对现有工作流的干扰程度。有时候,一个轻量级但精准的提示,远比一个重型但迟钝的“智囊团”更有价值。

私有化部署:在自己的地盘上跑AI

对于很多企业而言,将核心业务代码上传到第三方服务器,是绝对不可接受的红线。幸运的是,随着开源模型的成熟, 在本地部署属于自己的AI编程助手 已成为现实。

方案一:直接运行开源大模型

像 Meta 的 CodeLlama 或 BigCode 社区的 StarCoder ,都是专为代码生成优化的开源模型。你可以使用 Hugging Face 的 Transformers 库轻松加载:

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

# 加载CodeLlama-7b模型
model_name = "codellama/CodeLlama-7b-hf"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16,  # 使用半精度,节省显存
    device_map="auto",          # 自动分配GPU/CPU资源
    low_cpu_mem_usage=True      # 降低CPU内存占用
)

# 构建提示词
prompt = """# 写一个快速排序函数
def quicksort(arr):"""

inputs = tokenizer(prompt, return_tensors="pt").to("cuda")

# 生成代码
outputs = model.generate(
    inputs['input_ids'],
    max_new_tokens=150,
    temperature=0.2,      # 低温度值,使输出更确定、更保守
    top_p=0.9,
    do_sample=True
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

这段代码会在你的本地GPU上运行,生成结果不会经过任何外部服务器。不过,代价也很明显:你需要至少一块16GB显存的消费级显卡(如RTX 3080/4080),或者专业的A10/A100。这对于个人开发者或许可行,但在大规模团队推广时,硬件成本和运维负担就成了挑战。

方案二:采用向量数据库 + RAG 架构

一个更优雅、更高效的方案是 检索增强生成 (Retrieval-Augmented Generation, RAG)。其核心思想是:我不需要一个能记住全宇宙代码的超大模型,我只需要一个能快速从我的 内部代码库 中找到相似片段的小模型。

流程如下:
1. 构建知识库 :使用爬虫或Git钩子,定期扫描公司所有代码仓库。
2. 向量化存储 :将每个函数、类、文档字符串转换成高维向量,存入 Weaviate、Pinecone 或 Milvus 等向量数据库。
3. 实时检索 :当你在编写代码时,AI插件实时搜索知识库,找出历史上类似功能的实现。
4. 上下文增强 :把这些相关的代码片段作为额外上下文,喂给一个较小的本地LLM(如Phi-2, TinyLlama),让它基于“公司最佳实践”来生成建议。

🔍 优势 :模型可以做得非常小(<3B参数),能在笔记本电脑上流畅运行;生成的代码风格天然与公司规范一致;安全性极高,知识库完全自主可控。

这就像给AI植入了一个“企业大脑”,让它说的每一句话,都带着你们团队特有的“口音”。


从写代码到“管”代码:AI驱动的重构与质量守护

如果说代码生成是AI的“面子”,那么 代码重构、缺陷检测和安全防护 就是它的“里子”。真正的生产力飞跃,发生在那些枯燥、重复、容易出错的维护性工作中。

别再手动写测试了,让AI替你完成TDD闭环

“测试驱动开发”(TDD)的理念人人都懂,但坚持下去的人却不多。为什么?因为写测试太累了!尤其是给那些没有测试覆盖的旧代码补测试,简直就是一场噩梦。

现在,这个痛点被AI彻底击穿了。

# 被测函数
def calculate_tax(income, rate=0.1):
    if income <= 0:
        return 0
    return income * rate

只需选中这段代码,右键点击“Generate Tests with AI”,几秒钟后,一份高质量的单元测试集就生成好了:

import unittest

class TestCalculateTax(unittest.TestCase):

    def test_positive_income(self):
        """正常收入应正确计算税额"""
        self.assertAlmostEqual(calculate_tax(1000), 100.0)

    def test_zero_income(self):
        """零收入应返回零税"""
        self.assertEqual(calculate_tax(0), 0)

    def test_negative_income(self):
        """负收入被视为零,税额为零"""
        self.assertEqual(calculate_tax(-500), 0)

    def test_custom_rate(self):
        """自定义税率应被正确应用"""
        self.assertAlmostEqual(calculate_tax(1000, 0.2), 200.0)

    def test_float_income_precision(self):
        """浮点数收入应保持合理精度"""
        result = calculate_tax(1234.56, 0.15)
        self.assertAlmostEqual(result, 185.184, places=3)

亮点在哪?
- ✅ 覆盖了所有边界条件(正、零、负)
- ✅ 包含了核心功能验证
- ✅ 使用 assertAlmostEqual 正确处理了浮点数比较
- ✅ 测试用例命名清晰,描述性强,便于后续维护

这不仅仅是省了几个小时的手工劳动,更重要的是,它 极大地降低了引入回归错误的风险 。每次重构后,你都可以信心满满地运行测试套件,知道AI帮你守住了底线。

一眼识破“坏味道”:AI教你写出更优雅的代码

我们都有过这样的代码:为了赶工期,复制粘贴了一大段逻辑,加个if条件就交差了。短期内解决了问题,长期来看却成了技术债务的定时炸弹。这种“代码坏味道”(Code Smells),如“长方法”、“重复代码”、“过度耦合”,正是AI最擅长发现和解决的领域。

看看这个经典的JavaScript例子:

function processUser(user) {
    if (user.type === 'admin') {
        sendAdminNotification(user);
        logAccess('admin', user.id);
        updateUserLastLogin(user.id);
    } else if (user.type === 'editor') {
        sendEditorNotification(user);
        logAccess('editor', user.id);
        updateUserLastLogin(user.id);
    } else {
        sendGuestNotification(user);
        logAccess('guest', user.id);
    }
}

眼熟吗?大量的重复代码,新增一个角色就得修改多处。AI分析后,会立刻给出重构建议:

// 使用策略模式,消除重复
const USER_HANDLERS = {
    admin: (user) => {
        sendAdminNotification(user);
        logAccess('admin', user.id);
    },
    editor: (user) => {
        sendEditorNotification(user);
        logAccess('editor', user.id);
    },
    guest: (user) => {
        sendGuestNotification(user);
        logAccess('guest', user.id);
    }
};

function processUser(user) {
    const handler = USER_HANDLERS[user.type] || USER_HANDLERS.guest;
    handler(user);
    updateUserLastLogin(user.id); // 共同逻辑提取出来
}

改进立竿见影 :
- ✂️ 代码行数减少,可读性大幅提升
- ➕ 新增角色只需添加一个handler,符合开闭原则
- 🧪 核心逻辑解耦,单元测试更容易编写

AI在这里扮演的,是一个经验丰富的“代码审查员”角色。它见过太多次类似的反模式,所以能迅速指出最优解。

把漏洞扼杀在摇篮里:AI时代的安全左移

SQL注入、XSS攻击、硬编码密钥……这些老生常谈的安全问题,依然是大多数安全事件的根源。传统SAST(静态应用安全测试)工具靠规则匹配,误报率高,常常让开发者陷入“告警疲劳”。

AI的出现,让安全检测进入了“理解式分析”时代。

// ⚠️ 危险!存在SQL注入风险
String query = "SELECT * FROM users WHERE name = '" + userName + "'";
Statement stmt = conn.createStatement();
ResultSet rs = stmt.executeQuery(query);

AI工具(如Amazon CodeGuru)不仅会标记这一行,还会 理解上下文 ,并提供修复方案:

// ✅ 安全!使用参数化查询
String query = "SELECT * FROM users WHERE name = ?";
PreparedStatement pstmt = conn.prepareStatement(query);
pstmt.setString(1, userName); // 数据库驱动自动转义
ResultSet rs = pstmt.executeQuery();

更厉害的是,AI还能智能过滤误报。比如 eval(input()) 在CTF比赛平台是合法操作,而在普通Web应用中就是高危行为。AI结合项目类型和上下文,能做出更精准的判断,避免无效打扰。


CI/CD流水线的“自动驾驶”:AI让发布更稳更快

代码合并到主干,CI流水线开始运行。几分钟后,邮件来了:“Build Failed”。打开一看,上千行日志,关键错误被淹没在噪音里。这是多少DevOps工程师的噩梦?

AI正在把这个过程变成“自动驾驶”。

让机器读懂日志:从千行日志到一句话根因

考虑这个Maven构建失败的日志:

[ERROR] Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.8.1:compile 
(default-compile) on project user-service: Compilation failure
[ERROR] /src/main/java/com/example/UserController.java:[15,28] cannot find symbol
[ERROR]   symbol:   class UserDTO
[ERROR]   location: class com.example.UserController

传统做法是人工排查。AI的做法是:

  1. 结构化解析 :使用Drain等算法,将非结构化日志转化为结构化数据。
  2. 语义理解 :利用BERT等模型,理解“cannot find symbol”意味着编译期引用缺失。
  3. 关联分析 :查询Git历史,发现最近一次提交删除了 UserDTO.java 。
  4. 生成报告 :直接告诉你:“ UserController 编译失败,因为它引用了已被删除的 UserDTO 类。请检查相关PR并更新导入。”

📌 根因推测 :类 UserDTO 被移除或重命名,导致 UserController 编译失败。
建议操作 :检查最近涉及 UserDTO 的Pull Request,确认是否需同步修改导入语句或恢复文件。
相关文件 : UserController.java , UserDTO.java (已删除)

这相当于给你的CI流水线配了一个24小时待命的SRE专家。

给失败“打标签”:用聚类预测下一个问题

一个成熟的CI系统每天会产生大量构建记录。AI可以通过无监督学习,对这些失败进行聚类,发现高频模式。

假设分析过去三个月的数据,得到以下结论:

聚类编号 主要特征 占比 典型解决方案
C1 编译错误 + 引用缺失 38% 更新依赖或修复导入
C2 单元测试超时 + 数据库连接池耗尽 22% 增加连接池大小或优化测试隔离
C3 安全扫描失败 + CVE-2023-XXXX 15% 升级第三方库至安全版本
C4 部署失败 + Kubernetes Pod Pending 12% 扩容节点或调整资源请求

当下一个构建失败发生时,AI能瞬间判断它属于哪个类别,并推送相应的解决指南。这极大地缩短了MTTR(平均恢复时间),尤其对新入职的工程师是巨大的福音。


生产世界的“千里眼”:AI驱动的监控与反馈闭环

软件发布上线,真正的考验才刚刚开始。用户的每一次点击、每一个报错,都是宝贵的反馈信号。AI能帮我们从中提炼出最关键的洞察。

多维指标联动:揪出复合型异常

生产环境有成百上千个监控指标:CPU、内存、延迟、QPS、错误率…… 传统的单指标阈值告警,要么过于敏感(狼来了),要么反应迟钝(亡羊补牢)。

AI采用时间序列模型(如LSTM、Isolation Forest),对多维指标进行联合建模,捕捉那些“看似正常,实则危险”的组合模式。

from pyod.models.iforest import IForest
import numpy as np

# 特征矩阵:[错误率%, 延迟ms, CPU%, GC暂停ms]
X = np.array([
    [0.2, 120, 65, 10],
    [0.3, 130, 68, 12],
    ...
    [1.8, 850, 92, 150]  # 当前观测
])

clf = IForest(contamination=0.1, random_state=42)
clf.fit(X[:-1])  # 用历史数据训练
is_anomaly = clf.predict(X[-1:])  # 预测最新数据点

if is_anomaly:
    print("🚨 检测到异常模式!可能为内存泄漏早期征兆")

即使单项指标未超标,但“延迟飙升+错误增多+GC频繁”的组合,足以触发预警,让你在用户大规模投诉前介入。

用户声音直达产品会:从评论到Jira故事卡

最终,软件的价值由用户体验决定。AI能自动分析App Store评论、客服对话、用户工单:

"APP总是闪退,每次登录不到两分钟就崩溃,非常影响使用!"

经过情感分析和主题分类,AI输出:

负面情绪: 0.998
功能缺陷: 0.976
性能问题: 0.961

系统立即创建一个高优先级工单,并关联到崩溃日志系统。更进一步,如果多个用户提到“夜间模式”,AI可以自动生成一个Jira故事卡:“Implement Dark Mode for iOS & Android”,初始优先级设为P1。

🔄 这就是一个完美的“开发→部署→监控→反馈→再开发”闭环。AI,就是这个闭环中最敏锐的神经末梢。


未来已来:AI原生开发与程序合成的星辰大海

我们正在见证一个新时代的开启。AI不再只是辅助工具,而是开发范式本身的核心。

从需求到原型:一键生成全栈应用

输入:“创建一个员工考勤管理系统,包含登录、打卡、请假审批和月度报表功能。”

AI瞬间生成:
- 前端 :Vue组件树、路由配置、状态管理
- 后端 :FastAPI/Spring Boot骨架、RESTful API设计
- 数据库 :ER图、SQL Schema脚本
- 文档 :API Swagger定义、用户手册初稿

这不再是科幻。像 Microsoft Power Apps、OutSystems 等低代码平台,正深度集成AI,让业务人员也能参与应用构建。

提示工程:新一代的“编程语言”

未来的开发者,不仅要懂Java或Python,更要精通“人机协作”的艺术—— 提示工程 (Prompt Engineering)。

一个高质量的提示,应该像一份清晰的产品需求文档:

“你是一名资深全栈工程师,使用React 18和Node.js 18。
任务:为电商网站实现购物车微服务。
要求:
1. 前端:商品列表、数量增减、总价实时计算
2. 后端:提供 /cart/add , /cart/list , /cart/remove 接口
3. 安全:使用JWT进行身份验证
4. 输出:TypeScript类型定义 和 Express路由代码
请分步说明设计思路,然后给出完整实现。”

这样的提示,能让AI产出接近专业水准的代码,极大减少后期修改成本。

AI代理:走向全自动开发的黎明

最前沿的探索,是构建 AI编程代理 (Agent)。它接收一个高层目标,然后自主完成分解任务、编写代码、运行测试、修复错误,直到任务完成。

{
  "agent": "DevAgent-v2",
  "task": "Implement user registration with email verification",
  "workflow": [
    {"step": "requirements_analysis", "output": ["email format check", "token expiration=24h"]},
    {"step": "code_generation", "files": ["auth.controller.ts", "mail.service.ts"]},
    {"step": "test_execution", "result": "passed: 3/4, failed: 1"},
    {"step": "self_repair", "action": "adjust token TTL handling logic"}
  ],
  "status": "completed"
}

虽然完全自治的AI程序员尚需时日,但这种ReAct(推理+行动)的架构,已经让我们看到了 自动化软件开发 的曙光。


这场由AI驱动的变革,其深远意义怎么强调都不为过。它不仅仅是在帮我们写代码,更是在 重新定义“开发者”这个角色 。我们将从繁琐的体力劳动中解放出来,把精力集中在更高层次的设计、决策和创新上。未来的软件世界,将是人类智慧与机器智能协同创作的杰作。

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1332

嵌入式处理器架构解析(八)——ARM架构分析

本文系统剖析了ARM架构的核心特点、产品演进和关键技术。作为RISC架构的典范,ARM凭借精简指令集、卓越能效比和IP授权模式,在移动计算和嵌入式领域占据主导地位。文章详细介绍了三大处理器系列(Cortex-A/R/M)的应用场景与选型指南,梳理了从ARMv7到ARMv9的指令集演进,重点分析了TrustZone安全技术、NEON/SVE矢量计算等核心扩展。通过典型开发流程示例,展现了ARM在嵌入式系统中的应用实践。最后指出ARM未来将在异构计算、安全增强和AI加速等方向持续创新,成为构建智能世界的技术基石

Dr.kangder的博客 474

基于LightGBM和多模型融合的量化交易研究:沪深300为例【附代码】

📊 数据科学与大数据专业 | 数据分析与模型构建 | 数据驱动决策✨ 专业领域:数据挖掘与清洗大数据处理与存储技术机器学习与深度学习模型数据可视化与报告生成分布式计算与云计算数据安全与隐私保护💡 擅长工具:Python/R/Matlab 数据分析与建模Hadoop/Spark 大数据处理平台SQL数据库管理与优化Tableau/Power BI 数据可视化工具TensorFlow/PyTorch 深度学习框架✅数据科学与大数据技术毕业论文【数据】

lagougongzuoshi的博客 1671

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 350

LC与RC滤波电路实战对比:从原理到选型指南

本文深入对比了LC与RC滤波电路的核心原理与实战应用。LC滤波利用电感与电容的无损能量搬运,适合高频、大电流电源滤波,效率高但需注意谐振风险;RC滤波通过电阻消耗能量实现滤波,结构简单、成本低,适用于低频信号处理或小电流供电场景。文章提供了从工作原理、性能维度到具体选型的完整指南,帮助工程师根据项目需求(如频率范围、负载电流、效率)做出精准选择。

weixin_29240711的博客 500

利用Sigrity的SPEED2000进行时域电源噪声分析

SPEED2000进行时域电源噪声分析

ZHENGSA的博客 3625

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 293

C++面试八股文

和静态多态(又称编译期多态,即在系统编译期间就可以确定程序将要执行哪个函数),其中动态多态是通过虚函数实现的,虚函数是类的成员函数,存在存储虚函数指针的表叫做虚函数表,虚函数表是一个存储类成员虚函数的指针,每个指针都指向调用它的地方,当子类调用虚函数时,就会去虚表里面找自己对应的函数指针,从而实现“谁调用、实现谁”从而实现多态。而C++符号表中的符号不是以函数名命名的,称为函数名修饰规则,虽然函数名相同,但是函数参数等其他属性不同,取的符号也不同,所以不会产生查询歧义的问题,使得函数可以重载。

qq_46676829的博客 906

【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 619

【四足机器人项目实战】cheetah 3/mini运动控制工程解读(附C++代码)

系列文章目录 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、主程序入口1.代码流程2.终端设置信息提示二、用MiniCheetahHardwareBridge类构造一个hw的对象并初初始化1.2.3.4.三、运行硬件桥驱动【MiniCheetahHardwareBridge】1.2.3.4.四、1.2.3.4.总结参考资料 前言 认知有限,望大家多多包涵,有什么问题也希望能够与大家多交流,共同成长! 本文先对cheetah3/m

qq_35635374的博客 2617

【实现100个unity特效之4】Unity ShaderGraph使用教程与各种特效案例(2023/12/1更新)

ShaderGraph是Unity中的一个可视化工具,用于创建和编辑图形着色器。其意义在于简化编写复杂着色器的过程,减少对具体编程语言的依赖,使艺术家和设计师可以更方便地创建各种美术效果。使用ShaderGraph可以通过图形界面设置着色器属性,包括颜色、纹理、光照等,并在视窗预览中即时显示结果,从而快速迭代和调整着色器。使用ShaderGraph需要先安装Unity 2018.1或以上版本,并添加ShaderGraph插件。打开ShaderGraph面板后,可以通过拖放节点并连接它们来创建着色器。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 4万+

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 211

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 345

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

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。

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 363

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...

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 89

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 163

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 520

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 625

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

411

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 402

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5178

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 580

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 182

面向工业对讲的双通道声学 DSP 模组 A-59(NR2050-A)方案解析与工程落地案例

A-59模组以NR2050-A DSP为核心,37.5×16mm邮票孔封装,支持-40℃~85℃工业温域,兼容A-06/A-09/A-29系列,可低成本替换存量设备。通过固件切换实现三种模式:模式一(低改版成本,适配矿井、电梯);模式二(最优AEC,用于医院呼叫);模式三(双波束独立输出,支持双人会议语音分离)。集成AEC、ENC、BF与AGC算法,有效抑制回声、噪声与串扰,解决对讲系统核心声学难题。选型需注意参考信号路径、麦间距与温度匹配,建议先做声学测试再量产。

R190_6589的博客 375
上一篇: ST双电机FOC与霍尔控制解析
下一篇: 初学者如何阅读 F407 的参考手册?
ruby5
博客等级 码龄15年 29粉丝 893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  | 博主筛选后可见
 
 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