- 博客(22)
- 收藏
- 关注
RSS订阅原创 【Agent零基础入门课程】从零构建全栈 AI Agent 应用
本文介绍了如何从零构建一个全栈AI旅行助手应用，采用前后端分离架构，包含前端(Vue3+TypeScript)、后端(FastAPI)和智能体层(HelloAgents)。系统通过4个分工明确的Agent协作完成任务：景点搜索、天气查询、酒店推荐和行程规划，并使用Pydantic规范数据模型，MCP协议集成外部API。项目亮点包括多智能体协作、数据模型标准化、用户体验优化以及地图可视化功能。该架构可扩展应用于其他资源整合场景，如购房、活动规划等，是AI从简单对话迈向实用系统的重要实践。
2025-11-21 00:09:08
866
原创 【Agent零基础入门课程】从单打独斗到协同作战：揭秘智能体（Agents）之间的沟通奥秘
本文介绍了智能体（Agents）之间通信的必要性及MCP协议的应用。单个智能体存在工具集成麻烦、能力有限和无法协作等问题，而MCP协议通过上下文共享实现了智能体与工具间的无缝交互。文章以构建天气查询MCP服务器为例，展示了如何使用hello-agents框架快速创建服务器，并让智能体通过MCP协议调用工具。这种设计使开发者能专注于功能开发，无需处理底层通信细节，大大提高了开发效率。
2025-11-19 00:14:52
955
原创 【Agent零基础入门课程】告别黑盒：HelloAgents架构深度解析
本文解析了轻量级Agent框架HelloAgents的核心架构设计。该框架采用分层解耦结构，主要包括：1）LLM抽象层（HelloAgentsLLM），通过环境变量自动检测模型服务商，屏蔽底层API差异；2）核心接口层，定义标准数据格式（Message）、配置规范（Config）和Agent抽象基类，实现高扩展性；3）工具系统层，支持灵活的工具注册与调用。框架通过约定优于配置原则，提供透明可控的Agent开发方案，适用于学习与创新场景。
2025-11-16 23:50:18
762
原创 【Agent零基础入门课程】手搓AI智能体：30行代码带你玩转ReAct、Plan-and-Solve与Reflection
本文摘要： 《手搓AI智能体：30行代码玩转三大范式》介绍了构建AI智能体的三种核心方法：1）ReAct范式通过"思考-行动-观察"循环实现动态任务处理；2）Plan-and-Solve范式先规划后执行，适合复杂逻辑任务；3）Reflection范式通过"生成-评价-修正"循环提升输出质量。文章以简洁的Python代码示例展示了每种范式的实现原理，强调理解底层思维模式比单纯调包更重要。这三种范式可单独使用或组合，适用于不同业务场景，为开发者提供了构建高效智能体的基础框
2025-11-14 18:02:27
954
原创 【Agent零基础入门课程】揭秘AI“大脑”：轻松看懂大语言模型（LLM）
我们深入剖析了大语言模型的核心技术基石——Transformer架构。从词嵌入与位置编码的输入准备，到自注意力机制的精妙，再到多头注意力、前馈网络、残差连接与层归一化等关键组件，理解这些基础知识，不仅能帮助我们更好地使用LLM，更能为我们未来进一步探索Agent、多模态AI乃至更高级的通用人工智能打下坚实的基础。在下一篇文章中，我们将进一步探讨LLM的应用、挑战以及未来发展趋势，敬请期待！
2025-11-13 01:04:25
926
原创 [Spring 注解详解]为何 @Service 不仅仅是 @Component?
摘要： 本文深入解析Spring框架中@Service注解的独特价值与最佳实践。作为@Component的特化版本，@Service不仅将类注册为Spring Bean，更明确标识其业务层职责。通过对比三层架构中@Controller、@Service和@Repository的分工，强调@Service在封装核心业务逻辑中的关键作用。文章指出，优先使用语义化注解（而非通用@Component）能提升代码可读性、支持AOP编程，并为未来Spring特性预留兼容性。最后给出明确建议：业务逻辑类应始终使用@Ser
2025-11-11 10:51:29
1020
原创 【Agent零基础入门课程】解构未来：亲手编写你的第一个AI智能体
本文为Agent智能体入门实践指南，通过构建"智能旅行助手"演示AI自主决策过程。文章首先解析Agent的四大核心要素：环境感知、传感器、执行器和自主性。重点介绍"感知-思考-行动"循环机制，这是Agent实现智能决策的基础架构。实战部分详细展示如何用Python实现两个核心工具：天气查询API和旅游景点推荐功能，并设计精准的提示词引导大语言模型完成决策循环。通过完整的代码示例，读者可快速掌握Agent开发的核心技术要点，体验AI从被动应答到主动服务的转变过程。该案例
2025-11-11 00:34:34
1034
原创 [Spring 注解详解] @Component
本文详细介绍了Spring框架中的@Component注解，这是Spring IoC容器管理Bean的核心注解之一。文章首先解释了@Component的作用是将类声明为Spring管理的组件，实现控制反转（IoC）机制，让Spring负责对象的创建和依赖注入。接着介绍了基本用法、源码结构及其工作原理，重点说明了组件扫描机制如何自动发现和注册Bean。文章还阐述了@Component的派生注解（@Service、@Repository、@Controller）及其适用场景，并介绍了通过value属性自定义Be
2025-07-25 21:56:21
1104
1
原创 【推荐系统入门】Wide&Deep系列排序模型
本文介绍了推荐系统中两种经典排序模型：Wide&Deep和DeepFM。Wide&Deep模型通过联合训练线性模型(Wide)和深度神经网络(Deep)，实现记忆高频模式与挖掘潜在模式的平衡，其中Wide部分处理交叉特征，Deep部分处理嵌入特征。DeepFM模型则改进Wide&Deep，用FM替代Wide部分自动学习二阶特征组合，并与DNN共享嵌入层，实现特征在低阶和高阶间的协同优化。两种模型都采用联合训练方式，最终输出通过sigmoid函数得到预测概率。文章还提供了两种模型的实现
2025-07-25 21:02:03
983
原创 【推荐系统入门】基于向量的召回
本文介绍了三种基于向量的召回方法在推荐系统中的应用。首先，Item2Vec借鉴Word2Vec思想，将用户行为序列转化为物品Embedding，通过Skip-Gram模型训练得到物品向量表示，并计算余弦相似度进行召回。其次，YouTubeDNN模型将视频召回视为多分类任务，通过DNN学习用户向量预测点击概率。最后，双塔模型采用用户和物品两个DNN塔结构，学习统一维度的Embedding，通过计算内积相似度实现召回，并采用带温度系数的交叉熵损失进行优化。这三种方法都通过将用户和物品映射到向量空间，利用向量相似
2025-07-22 22:57:00
1183
原创 【推荐系统入门】基于协同过滤的召回
摘要：基于协同过滤的推荐系统召回方法 协同过滤是推荐系统的经典算法，核心思想是通过用户或物品的相似性进行推荐。主要包括两种方法：基于用户的协同过滤（UserCF）和基于物品的协同过滤（ItemCF）。UserCF通过找到与目标用户兴趣相似的用户群体，推荐这些用户喜欢的物品；ItemCF则直接计算物品相似度，推荐与用户历史偏好相似的物品。相似性度量常采用杰卡德系数、余弦相似度或皮尔逊相关系数。UserCF适用于用户少、物品多且时效性强的场景（如新闻推荐），而ItemCF更适合物品相对稳定的场景（如电商推荐）。
2025-07-18 21:02:52
786
3
原创 【推荐系统入门】推荐系统概述
推荐系统是解决信息过载问题的关键技术，通过连接信息生产者与消费者，提升平台运营效率。其架构分为离线层（处理历史数据）、在线层（实时响应用户请求）和近线层（兼顾实时与历史数据），形成数据处理的金字塔结构。核心算法流程采用漏斗模型，包括召回（初步筛选候选物品）、粗排（快速过滤）、精排（精确打分）、重排（优化列表体验）和混排（协调多业务线结果）。
2025-07-15 21:46:40
967
原创 【coze-ai-assistant】初识coze
扣子(coze)是新一代大模型 AI 应用开发平台。无论你是否有编程基础，都可以快速搭建出各种智能体，并一键发布到各大社交平台，或者轻松部署到自己的网站。
2025-03-10 23:24:01
1826
原创 【书生·浦语大模型实战营】书生·浦语大模型全链路开源体系
人工智能技术的发展日新月异，其中大模型的发展尤其迅速，已然是 AI 时代最炙手可热的当红炸子鸡。然而，大模型赛道对于小白开发者来说还是有不小的门槛。面对内容质量参差不齐的课程和实际操作中遇到的问题，许多开发者往往感到迷茫，不知道如何入手。大模型的训练和部署需要强大的计算资源，普通开发者难以承受。大模型开发对计算机新手的技术水平要求较高，是具有挑战性的任务。大模型应用场景需要定制化训练，许多开发者缺乏相关行业知识和经验。
2024-01-07 18:34:23
466
1
原创 【Datawhale Ai 夏令营】用户新增预测挑战赛：再进一步
前面两篇系列文章，通过特征工程和比较模型来提高分数，这篇文章将会增加新的特征，并且比较新的分类器。提出新的特征，增加新的分类器进行比较。未来模型增长点可以着重于对模型参数的精细化调整和模型融合，如使用网格化搜索获取最优参数然后使用Stacking方法对得分优秀的模型进行融合。
2023-08-25 21:57:53
286
1
原创 【Datawhale Ai 夏令营】用户新增预测挑战赛：分类器比较和特征工程
在上一篇文章中分享了baseline，这这篇文章中将会基于模型选择，特征工程方面来改进baseline。本文在上次baseline的基础上，通过修改分类器，增加特征工程，对模型进行改进。
2023-08-23 22:28:57
319
原创 【Datawhale Ai 夏令营】用户新增预测挑战赛baseline
Datawhale Ai 夏令营第三期 机器学习方向 用户新增预测挑战赛baseline
2023-08-18 20:50:53
338
原创 零基础入门数据挖掘 - 二手车交易价格预测-数据分析（一）
数据探索性分析EDA (Exploratory Data Analysis)，也就是对数据进行探索性的分析，从而为之后的数据预处理和特征工程提供必要的结论。通常我们用到pandas库和可视化工具如 matplotlib 和 seaborn 就可以完成了。主要的步骤是：理解问题读取数据单变量探索多变量探索数据预处理建立假设，并检验代码示例载入库和数据import pand...
2020-03-24 21:40:48
422
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