Oracle AI Developer Hub:助力开发者构建AI应用,涵盖多领域资源与实践工作坊

企业级AI编程工具深度测评:Trae、Copilot、Q Developer等八款实战对比 AI编程工具已从开发者效率插件升级为企业级软件交付基础设施的核心组件。其本质是融合代码理解、上下文建模与安全合规能力的智能体系统,依赖本地推理引擎、分布式协同协议(如MCP)及云原生服务集成等关键技术。在金融、政务、制造等强监管场景中,私有化部署稳定性、信创环境兼容性、跨服务上下文理解与审计可追溯性构成核心技术价值。本文基于Spring Boot微服务、SAP ABAP遗留系统、AWS云原生架构等真实交付场景,实测Trae双模架构、Copilot Enterprise幽灵更新风险、Amazon Q Deve 阅读详情

Oracle AI Developer Hub介绍

本仓库包含技术资源,旨在帮助AI开发者和工程师利用Oracle AI数据库、OCI服务以及AI/智能体堆栈的其他关键组件,构建AI应用程序、智能体和系统。

内容概览

本仓库分为几个关键区域:

📱 应用程序 (/apps)

这里展示了应用程序和参考实现,演示了如何使用Oracle技术构建AI驱动的解决方案。这些完整且可运行的示例展示了利用Oracle AI数据库和OCI服务的AI应用程序、智能体和系统的端到端实现。每个应用程序都包含源代码、部署配置和文档,以帮助开发者理解架构模式、集成方法以及构建生产级AI解决方案的最佳实践。

具体应用如下:

名称描述链接
FitTracker一个使用Oracle 26ai JSON对偶视图(FastAPI + Redis)构建的游戏化健身平台,在网络研讨会上实时创建。
agentic_rag具有多智能体思维链(CoT)、PDF/网页/仓库处理以及与Oracle AI数据库26ai集成的智能RAG系统。
finance-ai-agent-demo以Oracle AI数据库作为统一内存核心,用于向量、图、空间和关系查询的金融服务AI智能体。
oci-generative-ai-jet-ui一个全栈AI应用程序,包含Oracle JET UI、OCI生成式AI集成、Kubernetes部署和Terraform基础设施。
tanstack-shoe-store使用TanStack Start和Oracle 26ai Select AI,通过自然语言查询鞋店数据库的AI聊天应用。
📓 笔记本 (/notebooks)

Jupyter笔记本和交互式教程涵盖以下内容:AI/ML模型开发与实验、Oracle数据库的AI特性和功能、OCI AI服务集成模式、数据准备和分析工作流程、智能体开发和编排示例。

具体笔记本如下:

名称描述堆栈链接
agentic_rag_langchain_oracledb_demo使用langchain-oracledb实现的多智能体RAG:包含OracleVS、OracleEmbeddings、OracleTextSplitter和CoT智能体。Oracle AI数据库、langchain-oracledb、Ollama
fs_vs_dbs比较文件系统和数据库的智能体内存架构。LangChain、Oracle AI数据库、OpenAI
memory_context_engineering_agents构建具有6种持久内存类型的AI智能体。LangChain、Oracle AI数据库、OpenAI、Tavily
oracle_langchain_example使用Oracle 26ai向量存储和LangChain构建RAG应用程序。Oracle AI数据库、langchain-oracledb、HuggingFace
oracle_rag_agents_zero_to_hero学习使用Oracle AI数据库从头构建RAG智能体。Oracle AI数据库、OpenAI、OpenAI智能体SDK
oracle_rag_with_evals构建具有综合评估指标的RAG系统。Oracle AI数据库、OpenAI、BEIR、Galileo
agent_reasoning_demo11种认知架构(CoT、ToT、ReAct、自我反思等)用于智能体推理的交互式演示。Ollama、agent-reasoning
oracle_agentic_rag_hybrid_search使用LangGraph ReAct智能体在单个SQL查询中实现向量、关键字和混合搜索的智能体RAG。Oracle AI数据库、langchain-oracledb、LangGraph、OpenAI
f1_miami_strategy_oracle_26ai2026年迈阿密F1大奖赛策略智能,在一个Oracle 26ai数据库中使用真实的FastF1数据进行SQL、混合向量 + 关键字搜索、JSON文档和属性图操作。Oracle AI数据库、FastF1、sentence-transformers、Plotly
multicloud/在OCI之外运行Oracle AI数据库的AWS、Azure、Google Cloud和MongoDB API示例。Oracle AI数据库 + AWS / Azure / Google / MongoDB
📚 指南 (/guides)

全面的文档、参考资料和会议演示,涵盖AI智能体架构、推理策略和内存系统。

具体指南如下:

名称描述链接
Building the Brain and Backbone of Enterprise AI Agents企业AI智能体的高级推理和基础设施策略。涵盖2026年智能体堆栈(分层架构)、推理模式(思维链、思维树、自我反思、最少到多数、分解提示)以及上下文/信念更新。由Nacho Martinez在2026年DevWeek SF上展示。
Memory Engineering: The Discipline Behind Memory Augmented Agents深入探讨作为AI智能体学科的内存工程 —— 帮助智能体记忆、推理和行动的科学。涵盖内存生态系统、形式因素以及塑造内存增强智能体的关键学科。由Richmond Alake在2026年DevWeek SF(主题演讲)上展示。
Agent Memory with Oracle AI Database智能体内存架构以及Oracle AI数据库作为AI智能体的内存核心。由Eli Schilling在2026年4月DeepLearning.AI主办的AI开发者大会上展示。
🧠 智能体内存 (/notebooks/agent_memory)

专注于Oracle AI智能体内存包(oracleagentmemory)的笔记本。该AI智能体内存包基于Oracle AI数据库构建。这些笔记本演示了如何将Oracle AI数据库用作AI智能体的统一内存核心,从单个融合引擎中提供对话历史、持久事实和实体状态,而不是将向量数据库、键值存储和关系存储拼接在一起。该集合涵盖了该包的开发者指南、与简单内存的基准测试以及三个端到端框架示例(OpenAI智能体SDK、Claude智能体SDK、LangGraph)。

具体笔记本如下:

名称描述堆栈链接
OAMP开发者指南oracleagentmemory API的分步指南:连接、三个核心原语(用户/智能体、内存、线程)、自动提取和向量检索。OAMP、LiteLLM
OAMP基准测试在80个脚本化回合中,对三种智能体变体的OAMP与简单平面历史内存的令牌成本、延迟和响应质量进行量化。OAMP、LiteLLM、OpenAI
Deep Research Agent构建一个用于人类基因组探索的深度研究智能体,使用Tavily进行实时网络搜索,并使用Oracle AI智能体内存存储跨会话的持久发现。OpenAI智能体SDK、Tavily、OAMP
Supply Chain Assistant一个供应链助手,通过进程内工具和MCP服务器跟踪货物运输,运输记录和操作笔记保存在OAMP中。Claude智能体SDK、MCP、OAMP
Mortgage Approval Workflow一个确定性的抵押贷款审批工作流,建模为LangGraph状态图,其中OAMP存储申请人数据和审计跟踪,以便失败的运行可以恢复。LangGraph、OAMP

请参阅智能体内存README获取推荐的阅读顺序、先决条件和在Colab中打开的链接。

🎓 工作坊 (/workshops)

实践工作坊和引导式学习体验,帮助开发者从基础知识到使用Oracle AI数据库的生产模式。每个工作坊都自成一体,包含学生笔记本(待填充空白)、完整的参考笔记本、分步指南以及预配置了Oracle AI数据库的可运行Codespaces / 开发容器环境。工作坊从信息检索和RAG开始,逐步涵盖智能体系统和编排,再到内存增强智能体 —— 它们共同涵盖了在Oracle上构建AI应用程序的完整堆栈。无需克隆整个仓库即可拉取单个工作坊 —— 每个工作坊的README都包含git稀疏检出说明,以便你只获取所需的文件夹。

具体工作坊如下:

名称描述堆栈链接
Information Retrieval to RAG通过实现五种检索策略(关键字、向量、混合、图)和连接到OCI GenAI的完整RAG管道,在200篇arXiv论文上构建一个研究论文助手。Oracle AI数据库、sentence-transformers、oracledb、OCI GenAI(xAI Grok 3 Fast)
From RAG to Agents将RAG管道扩展为多智能体系统 —— 将检索封装为智能体工具,进行编排组合,并添加由Oracle支持的持久会话内存。Oracle AI数据库、sentence-transformers、oracledb、OpenAI API(GPT - 5)、openai - agents
Agent Memory构建具有内存感知的智能体:在Oracle中实现具有六种内存类型的内存管理器,应用上下文工程技术,并比较有无内存时智能体的运行情况。Oracle AI数据库、langchain - oracledb、sentence - transformers、OCI GenAI、Tavily
🤝 合作伙伴 (/partners)

由AI生态系统中的合作伙伴贡献的笔记本和应用程序。AI开发者可以使用这些资源了解如何将Oracle AI数据库和OCI与LangChain、Galileo、LlamaIndex等流行的AI/ML框架和平台结合使用。

具体资源如下:

名称描述堆栈链接
即将推出合作伙伴贡献的资源将在此处添加--

入门指南

开发者可按以下步骤入门:

  • 探索应用程序:从 /apps 中的应用程序开始,查看完整的可运行示例。
  • 参加工作坊:查看 /workshops 获取引导式学习路径。
  • 进行实验:使用 /notebooks 进行实践实验。
  • 构建内存增强智能体:深入研究 /notebooks/agent_memory 中的Oracle AI智能体内存包。
  • 参考指南:查阅 /guides 获取详细文档。
  • 查看合作伙伴资源:探索 /partners 以了解与流行AI工具和框架的集成。

贡献

本项目是开源的。请通过分叉此仓库并提交拉取请求来贡献代码!Oracle感谢开源社区的任何贡献。

开发设置

在贡献代码之前,请设置预提交钩子以确保代码自动格式化:

  1. 安装预提交工具:`pip install pre - commit`
  2. 安装额外依赖项(可选,包括预提交和ruff):`pip install -r requirements - dev.txt`
  3. 安装预提交钩子:`pre - commit install`
  4. 可选:格式化现有代码:`pre - commit run --all - files`

预提交钩子将使用以下工具自动格式化你的代码:

  • Ruff用于Python文件(格式化和linting)
  • Prettier用于JavaScript、TypeScript、JSON、YAML和Markdown文件

更多详细信息,请参阅SETUP_PRE_COMMIT.md。

许可证

版权所有 (c) 2024 Oracle及其附属公司。根据通用许可协议(UPL),版本1.0许可。详情请参阅LICENSE。

Oracle及其附属公司对本仓库中包含或生成的任何软件、材料或内容不提供任何形式的明示或暗示保证,特别是明确声明不承担关于所有权、不侵权、适销性和特定用途适用性的所有暗示保证。此外,Oracle及其附属公司不代表对本仓库中包含或生成的任何软件、材料或内容进行了常规的安全审查。此外,在不限制上述内容的情况下,第三方可能在未经审查的情况下将软件、材料或内容发布到本仓库。使用风险自负。

注意:本仓库会积极维护,并更新Oracle AI开发的新资源、示例和最佳实践。

技术资源合规获取与开源替代方案全解析 技术资源管理是现代软件开发中的基础概念,涉及软件工具、代码库、学习资料等核心要素。其原理基于知识产权保护和开源协作模式,通过正规渠道获取资源可确保代码安全性和法律合规性。在工程实践中,合理利用GitHub、Stack Overflow等平台能够显著提升开发效率,同时避免版权风险和安全漏洞。特别是在企业级应用场景中,建立完善的资源验证机制和依赖管理策略至关重要。本文聚焦开源软件和合规获取途径,为开发者提供从概念到实践的全方位指导,帮助构建安全可靠的技术资源体系。 阅读详情

相关推荐

Unity开发者HarmonyOS环境搭建实战:从零到一避坑指南

跨平台应用开发是当前移动开发领域的重要方向,它允许开发者使用一套代码库构建适用于多个操作系统的应用,从而显著提升开发效率并扩大产品覆盖面。其核心原理在于通过统一的开发框架和工具链,将应用逻辑与底层系统接口进行适配与桥接。这项技术的价值在于能够快速响应多终端市场的需求,降低维护成本。在游戏开发、企业应用及物联网等场景中尤为关键。随着HarmonyOS生态的崛起,为Unity引擎开发的游戏和应用适配这一新平台成为开发者面临的新课题。本文聚焦于Unity与HarmonyOS开发环境集成的具体实践,详细解析了包括*

weixin_30732487的博客 412

Oracle AI Developer Hub:企业级AI应用从原型到生产的工程化实战指南

在当今企业数字化转型浪潮中,将人工智能(AI)与机器学习(ML)模型集成到生产系统已成为核心技术挑战。其核心原理在于,AI模型从实验室原型到稳定、可扩展的线上服务,需要跨越基础设施、安全、成本与性能监控等一系列工程化鸿沟。这涉及到微服务架构、容器化部署、持续集成与交付(CI/CD)等现代软件工程实践,其技术价值在于确保AI能力的可靠性、可维护性与成本可控性,广泛应用于智能客服、文档自动化、业务流程优化等场景。本文聚焦于Oracle AI Developer Hub这一实战工具箱,它通过提供端到端的参考架构和

weixin_26899879的博客 573

MuleSoft+LLM企业级AI编排实战:从集成到合规落地

AI编排(AI Orchestration)是将大语言模型能力嵌入企业核心业务流的技术范式,其本质是通过服务化、流程化与治理化手段,让LLM成为ESB中可注册、可监控、可熔断的标准服务节点。它区别于简单API调用,强调确定性、可观测性与合规性,依托消息路由、数据转换与协议适配等能力实现非结构化文本的理解与生成。在金融、医疗、制造等强监管场景中,该模式支撑智能合同解析、工单摘要、采购风控等高价值应用,兼顾LLM的语义能力与企业IT对安全、审计与降级的刚性要求。本文聚焦MuleSoft作为AI工作流引擎的工程实

weixin_30892889的博客 396

MuleSoft+LangChain企业级AI编排:安全合规的AI落地实践

AI编排(AI Orchestration)是实现大模型在金融、医疗等强监管行业可靠落地的核心能力,其本质是将模型推理与企业级数据治理解耦——前者关注Prompt链、工具调用与结构化输出,后者聚焦身份鉴权、字段级脱敏、全链路审计与事务一致性。MuleSoft作为成熟的企业集成平台,天然承载协议适配、混合云调度、流量整形与数据血缘追踪;LangChain则专注AI逻辑封装与模型协同。二者通过标准API协作,既规避了单框架越界承担非AI职责的风险,又满足了等保、GDPR及行业监管对‘可解释、可审计、可回滚’的刚

weixin_30703911的博客 349

Unity 2020.3.0f1 LTS版本选择与组件下载避坑实战指南

在游戏开发中,引擎版本的选择与开发环境的配置是项目成功的基石。长期支持版本因其稳定的特性和持续的维护,成为商业项目的首选。其核心原理在于提供了一个经过充分测试、错误修复完备的技术平台,能有效降低开发过程中的不确定性和协作成本。从技术价值看,一个成熟的LTS版本意味着与庞大的第三方资源生态高度兼容,社区问题解答丰富,能显著提升开发效率。在应用场景上,无论是移动端、PC端的中型项目,还是需要依赖大量Asset Store资源的团队协作,选择一个平衡了稳定性、功能性与生态兼容性的“甜点”版本都至关重要。本文以Un

weixin_34221775的博客 313

本地部署Claude Code:用Ollama+VS Code打造免费高效AI编程环境

大语言模型(LLM)在代码生成与理解任务中正成为开发者核心生产力工具。其原理依赖于超长上下文建模、指令微调与高质量代码语料训练,技术价值在于降低重复劳动、提升调试效率并保障数据隐私。典型应用场景包括智能补全、自然语言转代码、自动化单元测试生成及遗留系统重构。相比云端IDE,本地化方案通过Ollama运行时实现模型离线推理,结合VS Code成熟插件生态(如Continue.dev),在不牺牲响应速度与安全性的前提下,复现Cursor级交互体验。本文聚焦Claude Code能力的本地化落地路径,详解模型选型

weixin_33748818的博客 441

Ai-Agent学习历程—— 阶段3——RAG 与记忆机制

基于学习大纲我们有了一个简单的地图,从官网的资料进行对应,主要是以下三部分过程中可以进行参考官方文档,但有一些可能会基于目前最新的资料进行适当的更改,让我们愉快的开始吧!这里为您梳理第一节:ETL 数据智能清洗与高阶分块的学习地图。本节将带您攻克数据进入向量数据库之前的“清洗、结构化解析、智能切分与父子文档关联”全流程,彻底打牢 RAG 的数据地基。以现在大模型的发展来说,200K的上下文甚至接近300K的都有,几本书是不成问题的,那切片的意义又在哪?核心原因有三个:在 RAG 系统中,用户提问后,我们不能

蓝桉 863

macOS本地智能体工作流:龙虾AI一键部署与双芯片适配

本地智能体(Local Agent)是运行于用户设备端、不依赖云端API的轻量级AI协作系统,其核心原理在于将大模型推理、协议通信与系统自动化深度耦合。技术价值体现在数据不出设备、低延迟响应与权限可控,适用于企业内网开发、跨平台日志分析及IM工具自动化等强隐私场景。本文聚焦macOS平台,详解如何基于Ollama、Webhook与AppleScript构建支持M系列与Intel双架构的本地智能体工作流,并实现与企业微信、飞书及安卓/iOS终端的协议级直连,覆盖权限沙箱突破、Metal/OpenCL加速适配、

weixin_30386713的博客 434

AI Agent选型避坑指南:5款主流框架实测对比

AI Agent作为连接大模型与实际业务的关键中间件,其核心价值在于将非结构化指令转化为可审计、可熔断、可协作的自动化流程。理解Agent的本质——不是万能助手,而是具备状态管理、工具编排和错误降级能力的智能工作流引擎——是技术选型的前提。当前主流框架如LangGraph、crewAI、AutoGen等,在状态持久化、多模态输入处理、企业级审计追踪等关键能力上存在显著分野。尤其在个人提效与企业合规两大典型场景中,硬件适配性、提示词鲁棒性及外部工具链可靠性,往往比LLM本身更能决定落地成败。本文基于M2/Ma

weixin_34392435的博客 408

Qwen3.6-Plus:国产代码大模型的工程语义理解跃迁

代码大模型正从基础语法生成迈向深度工程语义理解——这一技术演进标志着AI编程工具从‘补全助手’升级为‘协同开发者’。其核心在于对真实开发闭环(如故障排查、跨文件依赖推理、国产中间件适配)的建模能力,而非单纯参数规模或通用对话性能。Qwen3.6-Plus通过高质量中文工程语料训练与工程任务树(ETT)指令微调,显著提升在Spring Cloud Alibaba、达梦数据库、JetBrains中文IDE等国产技术栈中的上下文感知精度与约束识别能力。它适用于后端工程师日常调试、信创系统迁移、高校课程开发等强工程

weixin_33739523的博客 376

Oracle AI Developer Hub:一站式构建企业级AI智能体与RAG系统实战指南

在构建现代AI应用时,增强检索生成(RAG)和智能体架构已成为连接大语言模型与企业私有数据的关键技术。RAG通过将外部知识库与生成模型结合,有效解决了模型幻觉与信息过时问题,其核心原理在于利用向量数据库进行语义检索。智能体则在此基础上引入自主推理与工具调用能力,通过链式思考(CoT)等模式处理复杂任务。这些技术的工程价值在于能够构建出准确、可靠且可解释的AI系统,广泛应用于智能客服、金融分析、知识管理等领域。Oracle AI Developer Hub项目正是这一理念的集大成者,它深度整合了Oracle数

weixin_28730403的博客 380

工作中使用到的单词(软件开发)

1.エイリアス   alias 别名 powershell使用 get-help 命令时,会得到与此命令 相关(别名)的命令 2.プロキシ proxy 代 理 3.プロモート   promote 促进,提升   开发的系统新功能上线发布,有时会使用到这个词,比如 STプロモート 还有使用リリース这个词的。比如STリリース。个人认为两者含义相同。 4.見逃し み................................................................

sun0322 6万+

Oracle AI Developer Hub:构建企业级AI智能体的统一数据平台与工程实践

在构建企业级AI应用时,如何为智能体(Agent)设计可靠、高效的“大脑”和“记忆系统”是核心挑战。传统存储方案在处理复杂上下文、向量检索和多模态数据时往往力不从心。Oracle AI Developer Hub作为一个开源资源中心,展示了如何利用Oracle AI Database的统一数据平台能力,将向量、图、关系型与JSON数据融为一体,从根本上简化架构。其核心价值在于提供了从理论到实践的完整工具箱,包括可直接运行的参考应用、交互式笔记本和架构指南。例如,通过智能化的RAG系统实现多智能体的思维链(C

weixin_27059669的博客 320

T18_低空经济示范区十五五通感一体化低空智联网与飞行服务保障体系设计方案_生态合作版.pptx

T18_低空经济示范区十五五通感一体化低空智联网与飞行服务保障体系设计方案_生态合作版.pptx

【信息科学与工程学】【数据中心】第三十五篇 云计算数据中心的学科知识04

编号学科(课程)核心知识点在云计算/云存储/云网络/云安全/云MaaS中的作用代表教材/资料/论文 + 数学方程式列表工业界应用D1421​云原生数据库:TiDB​HTAP(混合事务/分析处理)、分布式SQL、水平扩展、强一致(Raft)、自动故障恢复、与MySQL兼容、TiFlash列式引擎提供弹性扩展的分布式数据库;支撑高并发在线交易与实时分析教材:《TiDB in Action》PingCAP(2020) 论文:《TiDB: A Raft-based HTAP Database》(2017)

weixin_49199313的博客 418

《算法设计与分析》全套PPT课件(哈尔滨工程大学)

《算法设计与分析》全套PPT课件(哈尔滨工程大学)

多目标粒子群算法求解综合能源系统最优容量配置研究(Matlab代码实现)

内容概要:本文研究了基于多目标粒子群算法(MOPSO)求解综合能源系统(IES)中最优容量配置的方法,并提供了完整的Matlab代码实现。研究旨在通过优化风电机组、光伏机组、燃气轮机、储能系统等多种能源设备的容量配置,实现系统在经济性、环保性和能源利用率等方面的多目标平衡。文中构建了综合能源系统容量配置的数学模型,明确了以最低综合成本、最小碳排放为核心的目标函数,以及能量供需平衡、设备出力能力等关键约束条件,并详细阐述了MOPSO算法的实现流程,包括种群初始化、非支配排序、拥挤距离计算和外部存档更新等核心机制。最后,通过Matlab平台的仿真实验验证了该方法的有效性,结果表明该算法能够生成分布均匀且具有良好多样性的Pareto最优解集,为决策者根据不同侧重点选择最终方案提供了科学依据。; 适合人群:具备一定电力系统、优化算法和Matlab编程基础的研究生、科研人员及工程技术人员。; 使用场景及目标:① 学习和掌握综合能源系统容量配置问题的建模方法;② 深入理解多目标粒子群算法(MOPSO)的核心原理及其在实际工程优化问题中的应用;③ 获取可直接运行和修改的Matlab代码,用于复现研究成果或进行二次开发。; 阅读建议:建议读者在阅读时,首先理解综合能源系统的背景和优化问题的数学建模过程,然后结合提供的Matlab代码,逐步跟踪算法的执行流程,重点关注目标函数和约束条件的代码实现,以及MOPSO算法中非支配排序和拥挤距离计算等核心模块。为了更好地掌握,可以尝试调整算例参数、增减优化目标或修改算法参数,观察结果的变化。

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

上一篇: 1962 年 Arma 微型计算机:被遗忘的先驱,见证计算机发展历程!
下一篇: AI 玩具成热门趋势,市场火爆背后暗藏不适合儿童内容及社会影响问题
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22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