- 综合排序
- 最热优先
- 最新优先
腾讯云Agent Memory多场景实测攻克AI记忆挑战
腾讯云AgentMemory多场景实测攻克AI记忆挑战一、基础高频场景实测：从“翻文档半小时”到“3分钟开箱即用”痛点直击：做AI智能体开发的同学都知道，想让Agent记住用户偏好、跨会话延续任务，最先碰到的就是 二、复杂深水区场景实测：从“单点救火”到“全局记忆不丢线”痛点直击：到了遗留系统重构或者长周期多任务场景，记忆问题直接升级成“拦路虎”。 常规工具局限：传统方案在金融多轮推理与历史数据调用场景中，常因数据建模与跨系统分析能力有限，需大量人工衔接，导致分析效率受限、决策质量波动。 可读性与细节优化：这些指标背后对应的是不同场景的核心优势——基础场景赢在快，复杂场景赢在稳，跨端场景赢在顺。每一步实测都能感受到它在记忆管理上的针对性设计，不是堆功能，而是解真问题。 避坑建议：别碰需要手动搭向量库的开源方案，部署复杂度能把人劝退；别信只留最近N次对话的Rolling方案，长期关键信息说丢就丢；跨端场景一定要选底层打通多系统的，不然记忆断层能把用户体验搞崩。
10310编辑于 2026-05-07- 来自专栏程序人生小记
多场景学习
1 背景大型推荐系统存在多场景，而多场景的训练数据存在分布差异。比如：不同媒体的用户存在差异，不同资源位的用户存在差异。 对于多场景建模，如果采用各场景独立的方式，会忽视场景共性，导致长尾小场景难以学好，同时每个场景维护一个模型极大地增加系统资源开销和人力成本；如果直接将样本混合，训练共享模型，整个模型会被数据丰富的场景主导 和多场景建模很相似的任务是多任务学习，但这二者关注点不同。多任务学习解决相同场景/分布下的不同任务，而多场景建模解决不同场景/分布下的相同任务。 例如：推荐场景下的多任务学习通常是单个样本对于 CTR，CVR 等目标同时预估，而多场景建模是对不同场景样本预估相同的 CTR 目标。直接采用多任务学习的方法解决多场景建模也会存在一些问题。? 元注意模块位于较低位置，以捕获不同的场景间相关性，元剩余塔模块位于较高位置，以增强捕获场景特定特征表示的能力参考文献 基于元学习的多场景多任务商家建模
1.8K30编辑于 2022-06-09 金融财报 + 科研论文双场景实测：DeepSeek-OCR 让数据处理效率翻 6 倍
对比之前用的 MinerU2.0，不仅速度快 6 倍，单页处理成本还从 0.7 元压到 0.05 元，两个项目开发周期都从 1 周缩至 3 天。 6 段分批解析，表格里的 “营收与成本关联数据” 因分段丢失 30% 逻辑关系，光人工校对就要 2 天。 实测时上传某新能源企业年报，输入 “提取营收构成、毛利率、研发投入，生成联动表格”，系统 4 分 12 秒就输出完整结果，连 “附注中的子公司营收占比” 都精准关联，表格断档率从 18.2% 降至 0.5% 二、双场景开发顺了，多模型联调却栽在 “密钥迷宫”正当两个项目都进入集成阶段，新的麻烦来了：金融系统要对接 GPT-5 做财报风险分析、Tableau AI 生成可视化看板；科研工具需联动 Gemini 但技术落地从来不是单一工具的独角戏，就像金融分析离不开风险模型，科研处理少不了计算工具，多系统联动是必然需求。而 Gateone 的价值，就是扫清这些 “联动障碍”。
70920编辑于 2025-10-23- 来自专栏xiaosen
机器学习多场景实战
从智能推荐系统个性化推送你可能喜爱的电影和商品，到金融风控领域精准识别欺诈交易；每一个应用场景都是机器学习技术多维度、深层次实战的精彩演绎，我们通过一些小案例对业务进行了解~ 什么是数据指标 数据指标概念 转化率：计算方法与具体业务场景有关 淘宝店铺，转化率=购买产品的人数／所有到达店铺的人数 在广告业务中，广告转化率=点击广告进入推广网站的人数／看到广告的人数。 当月与上月都有购买的用户数/上月购买的用户数 应用Pandas合并数据集 - 组合数据的一种方法是使用“连接”（concatenation) - 连接是指把某行或某列追加到数据中 - 数据被分成了多份可以使用连接把数据拼接起来 b6 c6 d6 3 a7 b7 c7 d7 pd.concat([df1,df2],axis=1) A B C D A B C D 0 a0 b0 c0 d0 a4 b4 c4 d4 1 a1 b1 c1 d1 a5 b5 c5 d5 2 a2 b2 c2 d2 a6 b6 c6 d6
50410编辑于 2024-06-06 - 来自专栏DeepHub IMBA
强化学习算法基准测试：6种算法在多智能体环境中的表现实测
在这些场景中，每个智能体的行为不仅影响自身的收益，还会直接改变其他智能体所面临的环境动态。这种相互依赖关系使得传统的单智能体学习方法面临非平稳性、探索-利用权衡复杂化等新挑战。 多智能体强化学习问题的理论基础 多智能体强化学习问题与单智能体环境存在根本性差异，主要体现在其他智能体的存在引入了新的复杂性挑战。 一种直接的方法是为玩家2预设固定策略，这实质上将问题简化为单智能体强化学习场景。然而这种方法可能导致过拟合现象或产生脆弱的决策策略。 多智能体强化学习评估框架的构建 为实现多智能体强化学习的系统性实验，研究采用了PettingZoo库[2]，该库为多智能体环境提供了标准化的编程接口。 总结 本文研究构建了多智能体强化学习的系统性评估框架，通过井字棋和连珠四子两个经典博弈环境，深入分析了表格方法在竞争性学习场景中的性能表现和适用边界。
52710编辑于 2025-08-20 - 来自专栏IT码农
定义多场景的表单
定义多场景的表单 下面是一个带有添加/编辑的文章表单示例： namespace app\forms; use Yii; use app\models\Article; class ArticleForm extends \yii\base\Model{ const SCENE_ADD = 'add'; //添加场景 const SCENE_EDIT = 'edit'; //编辑场景 public 接收参数失败'; } if($form->edit()){ return '保存完毕'; }else{ return $form->firstError[0]; } } 如果表单定义了多场景 ，而不是盲目地全部validate，毕竟不同场景下有不同的校验字段 深入应用 其实不能仅仅把场景理解为使用在validate控制上的，自己在form里面写的逻辑代码都可以if($this->scenario == self::SCENE_ADD)这样来判断确定是否要做某些逻辑（当该方法与其它场景共用时）
68141发布于 2019-09-02 - 来自专栏JavaEdge
多主复制的适用场景(1)-多IDC
这就是多主节点（也称为主-主，或主动/主动）复制。 此时，每个主节点还同时扮演其他主节点的从节点。 3.1 适用场景 在一个IDC内部使用多个主节点没啥大意义，因复杂性远超带来的好处。 但某些case，多活配置也合理： 3.1.1 多IDC 为容忍整个IDC级别故障或更接近用户，可将DB的副本横跨多个IDC。 有了多主节点复制模型，则能在每个IDC都配置主节点，如图-6所示基本架构： 在每个IDC内，采用主从复制 IDC之间，由各个IDC的主节点负责和其它IDC的主节点进行数据交换、更新 比较多数据中心时， 单主和多主： 性能 单活，每个写入须穿过互联网，进入主节点数据中心。 尽管多主复制有这些优势，但也有一个很大的缺点：两个不同IDC可能会同时修改相同的数据，写冲突必须解决（图-6中conflict resolution）。
67720编辑于 2022-08-01 从个人博客到电商中台：EdgeOne Pages的MCP Server弹性架构×DeepSeek多场景模板实测报告
其核心价值在于将边缘计算能力与现代 Web 开发范式深度融合，支持静态站点托管、动态应用开发、边缘函数部署等场景，尤其适合需要快速迭代、全球化加速或低成本运维的项目。 以下从技术原理、核心功能、应用场景等维度展开详细解析。 background: white; padding: 2rem; border-radius: 10px; box-shadow: 0 4px 6px line-height: 1.6; } #result h1, #result h2, #result h3, #result h4, #result h5, #result h6 : 4px; overflow-x: auto; } #result code { background-color: #f6f8fa
96600编辑于 2025-04-04- 来自专栏yeedomliu
腾讯云微搭多场景使用
实践：快速搭建餐饮小程序 步骤 使用微搭快速完成表单的CRUD 制作一个搜索页面（通过手机号查询预约信息），需要两个页面（搜索页、显示页） 数据源 创建数据源 添加字段『姓名』 添加字段『手机』 添加字段『日期』 创建应用 添加表单 填写并提交表单 查看数据 创建搜索页面 添加表单搜索字段 添加搜索按钮 修改输入框提示语 添加信息展示页 添加全局变量 搜索处理 显示页处理 显示效果 显示页面把全局参数赋值给表达式
4K30编辑于 2022-01-23 - 来自专栏爱可生开源社区
多场景 OceanBase 并发参数调整方案
租户线程相关概念 2.1 租户最大线程数 为了维持租户活跃线程数恒定，同时考虑到大查询线程挂起的发生，租户就需要动态的从多租户线程池中申请线程。 6. 实验论证 6.1 准备环境 新建一个 1-1-1 架构，规格 8C6G 的 mysql 租户。 结论 场景一&场景二：parallel_servers_target 等于 80，但在实际应用场景中，达到 80 并发并不一定会产生队列等待；未达到 80 并发也可能产生队列等待，与查询种类（大查询/小查询 场景一&场景五：当单独并发执行小查询时耗时可能很快，但是大查询与小查询同时并发执行时大查询可能会导致小查询的执行耗时也大幅升高。 back=kb 《工作线程》：https://www.oceanbase.com/docs/common-oceanbase-database-cn-1000000002014039 《多租户线程常见问题
52310编辑于 2025-06-20 - 来自专栏架构驿站
【性能工具】LoadRunner多场景顺序执行
应用场景： 假设有多个不同的测试场景，多个场景有先后执行顺序。或者都需要测试,但白天时间有限, 通过晚上批量执行,可以有两种方式实现。 3个脚本的运行顺序为“Start when Group xxx finished”，并在“Scenario Start Time”中设定场景在晚上的运行启动时间。 设定完定时执行场景后，点击StartScenario按钮，会出现一个倒计时窗口，这样在固定的某个时间 上，测试场景中的3个脚本将乖乖的按照设定的先后顺序进行测试。 ，假设其中每个场景一个测试脚本(实际上没有关系,在场景里边设置你需要的脚本和模式,时间等等)。 首先创建并设置好不同测试场景，再创建一个一个批处理程序按先后顺序调用这些场景进行测试，最后通过Windows的定时任务设定批处理的执行时间。
75750编辑于 2022-03-25 - 来自专栏SIGAI学习与实践平台
户外场景4种典型3D相机成像精度实测
室内场景的3D应用相对成熟。结构光相机被广泛应用于工业机械臂的引导；TOF相机与双目相机被广泛应用于消费电子、机器人自动驾驶等。近年来，室外场景的各种3D应用被逐步挖掘出来。 为了让3D视觉学术研究、产品研发人员对这一问题有基本的了解，本文给出以下4种典型3D相机的成像效果实测： 1.国外某知名品牌双目3D相机（以下简称双目相机A），是当前全球范围内知名度最高的双目3D相机， 6.地面+金属井盖 RGB图 双目相机A的点云 双目相机B的点云 Tensor Eye的点云 在这个场景中，双目相机A存在大量空洞，且对地面与井盖扭曲严重，XY向误差为厘米级。 综合考虑各方面的因素，下面介绍各种相机适用的场景： 1.双目相机A，价格最便宜，成像速度最快，精度最低。适用于对成本敏感，对成像精度与稳定性没有严格要求的室外场景，以及室内对精度要求不高的场景。 适用于对成本相对不敏感、对成像精度要求不高的室外场景，以及部分室内场景。 3.结构光相机A，在室内场景中精度最高且成像稳定，成像速度慢，价格高。
1.3K20编辑于 2023-10-23 - 来自专栏深度学习与python
实测对比！扣子空间播客功能完爆 NotebookLM，覆盖场景更大
实测对比！ 扣子空间播客功能完爆 NotebookLM，覆盖场景更大,InfoQ,4分钟 本播客由扣子空间（coze.cn）一键生成 作者 | 红羽 多模态始终是大模型领域，想象空间最大的应用概念，从 Sora 的文生视频 从场景来看，计划出游是个相对轻松的场景，用户很难这时去研究“提示词工程”，AI 的理解能力就成了保障交付的关键。 扣子空间的播客功能最强大的地方，在于其可适配的场景非常多，完全不限于上传 word 生成播客的僵化形式，接近于随时随地，在任何主流场景下，提供播客服务。 至于其他 AI 生成 PPT 的垂类工具，压力主要来自场景和产品。 场景足够广、产品足够强，是当下 AI 应用抢占市场的不二原则。但是垂类工具天然场景狭窄，客户获取困难。
64800编辑于 2025-06-08 - 来自专栏波波烤鸭
shiro教程6(多realm认证)
为什么要使用多realm认证? 实际开发中存在这样一种场景，同一个密码可能在MqSQL中存储，也可能在Oracle中存储，有可能MqSQL中使用的是MD5加密算法，而Oracle使用SHA1加密算法。 实现多realm认证 在上篇教程的基础上我们来完成此案例shiro教程5(整合SSM项目-认证) 首先MD5和SHA1加密简单实现 SHA1算法 public static void main( 项目实现多Realm认证 mapper接口 public interface UsersMapper { /** * 查询users表 * @param userName * @return
1.6K30发布于 2019-04-02 - 来自专栏TomatoCool
TP6多应用部署
tp6默认是不会开启多应用的，此时我们需要在项目目录下输入以下代码开启多应用模式。
40420编辑于 2023-07-30 - 来自专栏用户7873631的专栏
tp6多文件上传
Index { public function index() { return View::fetch('index'); } /** * TP6多文件上传操作
1.1K10编辑于 2022-05-23 - 来自专栏Java帮帮-微信公众号-技术文章全总结
shiro教程6(多realm认证)
为什么要使用多realm认证? 实际开发中存在这样一种场景，同一个密码可能在MqSQL中存储，也可能在Oracle中存储，有可能MqSQL中使用的是MD5加密算法，而Oracle使用SHA1加密算法。 实现多realm认证 在上篇教程的基础上我们来完成此案例shiro教程5(整合SSM项目-认证) 首先MD5和SHA1加密简单实现 SHA1算法 public static void main(String 项目实现多Realm认证 mapper接口 public interface UsersMapper { /** * 查询users表 * @param userName * @return
67710发布于 2019-12-12 - 来自专栏秋枫学习笔记
SATrans：多场景CTR预估，场景地适应的特征交互方式
10.1145/3580305.3599936 代码地址：https://github.com/qwerfdsaplking/SATrans 会议：KDD 2023 1 引言 近期研究已证明：利用统一的多场景模型相比单场景模型更适用于场景复杂的大规模商业平台 然而大部分多场景模型都面临场景区分建模不充分、随着场景数量增加效果下降，缺乏可解释性等问题。 并且现存的所有多场景模型在对各场景区分建模时，都没有考虑过显示特征交互问题，这限制模型的表达能力且影响到模型性能。 本文针对多场景模型内的特征交互问题，提出场景自适应特征交互框架SATrans(Scenario-Adaptive Feature Interaction framework)。 接着是多场景自适应交互层，在场景embedding的指导下通过自注意力机制组合高阶特征。通过堆叠L交互层，可以对(L + 1)阶的场景自适应特征交互进行建模。
2K50编辑于 2023-09-20 - 来自专栏技术博客
实测！不同场景下，哪款 AI IDE 能真正帮你少加班？
（MGX），围绕 “场景适配、效率、成本、稳定性” 四个核心维度，在真实开发任务里跑了一遍，现在就把最实在的体验分享给你。 这次实测发现，腾讯 CodeBuddy 才是真正能帮新手 “无痛入门” 的选择。 ，光环境配置就省了 6 小时。 这次实测，三款工具的 “适配能力” 差距很明显。 企业技术团队要做微服务重构、核心系统开发，腾讯 CodeBuddy 企业版的多智能体协作 + 合规保障，能扛住重活还不踩合规坑，编译效率提升 68% 的实测数据摆在这，靠谱又高效。
1.1K20编辑于 2025-10-10 - 来自专栏测试开发干货
【实测】django测试平台必看：各种请求方式的利弊和适用场景
【后遗症】：浏览器地址栏会变成这个url，如果刷新会重新进行请求此url，重新加载这个页面。
1.5K20编辑于 2022-05-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号