- 综合排序
- 最热优先
- 最新优先
- 来自专栏架构之路
数据库操作智能体实现
数据库操作智能体实现核心架构设计采用LangChain4j的PureagenticAI模式构建智能数据库查询系统，通过协调器(SqlAgent)和工具链实现自然语言到SQL查询的转换组件分工明确SqlAgent 作为数据库专家负责具体查询操作，SupervisorAgent作为协调器管理流程，三个专用工具(QueryAllTablesTool、QueryTableSchemaTool、ExecuteSqlQueryTool 结果格式化处理→最终响应返回用户扩展性设计模块化工具设计便于新增功能，表结构管理器支持缓存刷新，响应策略可配置满足不同场景需求核心架构设计采用LangChain4j的PureagenticAI模式构建智能数据库查询系统 组件分工SqlAgent：作为数据库专家角色，封装JDBC操作细节，持有数据库连接池实例。SupervisorAgent：负责请求路由和结果聚合，实现Agent接口的chat()方法。 专用工具链：QueryAllTablesTool：获取数据库所有表名QueryTableSchemaTool：查询指定表结构ExecuteSqlQueryTool：执行最终SQL查询安全防护采用白名单机制管理可访问表
21210编辑于 2026-02-04 - 来自专栏自然语言处理
智能体框架：11 个顶级 AI Agent 框架！
最近笔者在找智能体框架，看到一个文章：https://ai.plainenglish.io/11-best-ai-agent-frameworks-for-software-developers-afa1700644bc 人工智能 Agent（智能体）彻底改变了软件开发者构建智能应用的方式。 11 个最佳 AI Agent 框架 1. LangChain LangChain 是一个开源框架，已成为构建 AI 驱动应用最受欢迎的选择之一。 ）和边缘（工具）的可视化表示 对工作流流程和状态进行细粒度控制 构建有状态应用的灵活框架 支持复杂的多 Agent 场景 优势： 专为基于语言的 AI Agent 设计的基础架构 能够创建精密的、相互关联的 测试 if __name__ == "__main__": asyncio.run(main()) 11.
16.4K52编辑于 2025-07-02 - 来自专栏塔奇克马敲代码
第 11 章 关联容器
第 11 章 关联容器 标签： C++Primer 学习记录 关联容器 ---- 第 11 章 关联容器 11.1 使用关联容器 11.2 关联容器概述 11.3 关联容器操作 11.4 无序容器 - --- 11.1 使用关联容器 标准库中定义了 8个关联容器，这些容器的不同体现在三个维度上。 关联容器定义了一些额外的类型别名。 关联容器可用于只读元素的算法，但是这类算法通常都要搜索序列，而对于关联容器，使用自定义的查找算法（基于二分查找）会比泛型算法（逐一比较）快得多。 标准库为内置类型（包括指针类型）、string和智能指针类型定义了 hash模板，可以直接定义关键字是以上类型的无序容器。但是，我们不能定义关键字类型为自定义类型的无序容器。
76940发布于 2018-06-07 智能体案例分析：IT新闻聚合智能体
智能体案例分析：IT新闻聚合智能体 IT新闻聚合智能体通过自动化技术抓取、分析和呈现最新的IT行业动态。这类智能体通常结合自然语言处理（NLP）和机器学习技术，从多个来源筛选高价值信息。 核心功能包括： 实时爬取主流科技媒体（如TechCrunch、Wired、The Verge） 自动分类（人工智能、网络安全、云计算等） 情感分析判断新闻倾向性 生成摘要简化阅读 典型应用场景： 投资机构追踪技术趋势
49611编辑于 2025-12-17- 来自专栏云云众生s
向量数据库：AI智能体创新的基石
然而，向量数据库及其面临的挑战将发生巨大变化，尤其是在大规模使用的情况下。如今，这在向量数据库在企业采用 AI 智能体中所扮演的角色中尤为明显。 麦肯锡认为，向量数据库将成为构建 AI 智能体（“生成式 AI 的下一个前沿”）的关键。 向量数据库充当这些智能体的记忆，实现自适应学习、实时决策、智能体之间的协作以及上下文精度。 QA.tech 提供 AI 驱动的自动化测试解决方案，它使用 Qdrant 向量数据库解决方案来启用在浏览器上执行任务的测试智能体，就像用户一样。 随着企业采用和扩展 AI 智能体的使用——以及 AI 智能体本身被构建为执行越来越复杂的任务——必须考虑向量数据库如何以及如何在多大程度上管理网络开销和 CPU 负载，以及它存储不同用例的多个嵌入的能力
52210编辑于 2025-01-26 AI 智能体
也就是AI Agent AI Agent AI 智能体是一个能够感知环境并采取行动以实现特定目标的系统。它从标准大语言模型演进而来，被赋予了规划、使用工具以及与周围环境交互的能力。 可以把智能体 AI 想象成一个能在工作中不断学习的智能助手。 它遵循一个简单的五步循环来完成任务 1.获取任务目标：你给它一个目标，比如“帮我安排日程”。 Claude Code Claude Code是一个比较通用的智能体 系统架构 工具系统是 Claude Code 的"手脚"，使其能够与外部环境交互： 文件工具：读取、写入、搜索文件； 执行工具：运行
12200编辑于 2026-06-25- 来自专栏算法之名
AI智能体
messages) print(response.content) 这里的 ZHIPUAI_API_KEY 需要你自己去智普网站 https://open.bigmodel.cn 去注册就有，运行结果 智能助手显神通 你的角色是一个诗人.'), HumanMessage(content='用七言绝句的形式写一首关于AI的诗')] streaming_chat(messages) 运行结果 智能助手显神通
93310编辑于 2024-09-29 - 来自专栏云时之间
智能体结构
智能体的结构 迄今为止我们通过描述行为—在任何给定的感知序列下采取的行动—讨论了智能体，现在我们不得不将知难而进，去讨论智能体内部是如何工作的，AI的任务是设计智能体程序，通过它来把感知信息映射到行动的智能体函数 注意智能体程序和智能体函数之间的差别。智能体程序在于当前感知为输入，而智能体函数是以整个历史为输入的。智能体程序只把当前感知作为输入是因为环境无法得到更多的东西。如果智能体的行动依赖于整个感知序列。 那么该智能体不得不记住全部感知的信息。 *智能体程序骨架还有其他的选择。例如我们可以让智能体程序成为协同程序。 行动表明确的表示了每个智能体程序实现的智能体函数。要用这种方式来建造理性智能体。作为设计者，我们必须构造包括各种可能的感知序列的适当行动的函数表。 在这个文章的以下部分，我想概述四种基本的智能体程序，他们几乎涵盖了所有智能系统的基础准则： 1：简单反射型智能体 2：基于模型的反射型智能体 3：基于目标的智能体 4：基于效用的智能体 然后我们将概括的解释如何把这些智能体转换成学习智能体
1.5K70发布于 2018-04-11 - 来自专栏编程使我快乐
智能家居HomeAssistant关联yeelight智能吸顶灯
缘起 作为一名生命不止，折腾不息的小geek, 对享有智能生活， 掌握智能数据早已觊觎已久。奈何时间，空间，设备的限制一直未能如愿。 恰巧手头有一套yeelight智能吸顶灯，来发挥一直关注的HomeAssistant项目的威力！ 今天就将智能家居这个小兴趣来作为忙碌工作生活中的调剂吧。 拥有支持集成各种智能硬件设备（智能电器，传感器，监控设备，etc），自动化任务编排，数据统计等功能。拥有无限的扩展能力。 bin/activate pip3 install homeassistant hass --open-ui 注册基本信息 image.png image.png image.png 集成yeelight智能吸顶灯
2.6K31发布于 2020-11-04 - 来自专栏农民工前端
智能体（Agent）全面解析：什么是智能体agent
一、什么是智能体（Agent）？ 智能体是一个能够自主思考、决策、调用工具的智能代理系统。 智能体的出现，让AI从单纯的"对话者"进化为真正的"执行者"。 智能体的核心优势 大脑：LLM提供强大的理解和推理能力 记忆：记住对话历史，保持上下文连贯 工具：灵活调用各种外部能力 二、两种搭建智能体的路径 根据技术门槛和应用场景，智能体的搭建主要有两种方式： 1️⃣ 执行 → 观察循环 外部依赖 知识库/向量数据库 多种工具（API、计算器、RAG等） 决策能力 无自主决策，直接使用检索内容 有自主决策，能规划步骤 复杂度 相对简单 复杂，需要多步推理 典型应用 客服问答 随着LLM能力的不断提升和工具生态的日益丰富，智能体将在更多领域发挥重要作用，成为我们工作和生活中不可或缺的智能伙伴。
1.5K10编辑于 2026-03-03 智能体（Agent）全面解析：什么是智能体agent
一、什么是智能体（Agent）？智能体是一个能够自主思考、决策、调用工具的智能代理系统。 它不仅仅是简单的问答机器人，而是具备以下核心能力的自主系统：思考能力：理解用户意图，分析任务需求决策能力：规划执行步骤，选择合适工具行动能力：调用外部工具，执行具体操作记忆能力：记住上下文，积累经验智能体的价值智能体的出现 智能体的核心优势大脑：LLM提供强大的理解和推理能力undefined记忆：记住对话历史，保持上下文连贯工具：灵活调用各种外部能力二、两种搭建智能体的路径根据技术门槛和应用场景，智能体的搭建主要有两种方式 /向量数据库多种工具（API、计算器、RAG等）决策能力无自主决策，直接使用检索内容有自主决策，能规划步骤复杂度相对简单复杂，需要多步推理典型应用客服问答、文档问答自动订票、数据分析、多步骤任务 两者关系 随着LLM能力的不断提升和工具生态的日益丰富，智能体将在更多领域发挥重要作用，成为我们工作和生活中不可或缺的智能伙伴。您好，我是肥晨。
3.3K22编辑于 2026-03-02智能体来了！2026智能体开发全面指南
智能体来了！2026智能体开发全面指南 一、 繁华落尽后的“平静”：技术背后的选择逻辑“真正深入使用 AI 之后，我反而更平静了。” 在过去这段时间里，我深入钻研了 Python 编程、探究了 AIGC 的视觉极限、搭建了复杂的流程智能体、甚至深入到了 STM32 的硬件底层。 而顶级的 AI 大模型与 Agent（智能体），正是我能遇到的认知最高、脾气最好、思维最完善的存在。在我的「心枢」系统里，AI 不仅仅是执行任务的“器”，它更是我最好的老师、朋友、教练和员工。 在这里，我们筛选真需求，击碎伪智能，夺回 AI 时代的协作主权。 礼包内包含（持续更新）：多维提示词库：包含智能体设计规范、AI 绘画精准词簇、AI 视频叙事 Prompt。ComfyUI 极客工作流：从零搭建好的 json 配置文件，导入即用。
58810编辑于 2026-01-24- 来自专栏未竟东方白
【笔记】《C++Primer》—— 第11章：关联容器
11.1 使用关联容器 关联容器和顺序容器有根本的不同，关联容器中的元素是按照关键保存和访问的，而不是顺序容器中的按照容器位置来保存和访问 标准库中最主要的两个关联容器就是map和set。 和顺序容器一样，关联容器也是模板类型，因此为了定义关联容器我们也需要指定关键字和值的类型，按照：map<关键字, 值>，set<关键字>的格式 关联容器同样可以得到对应元素的迭代器，但是使用上稍有差别 ，但是不支持与位置相关的操作如push_back，push_front，也不支持构造函数和插入函数 关联容器的迭代器都是双向的 关联容器进行初始化时可以用空构造，用迭代器范围进行拷贝构造或C11以后支持的列表初始化 ，例如关联容器自带的find 我们可以用成员函数insert或emplace来向关联容器插入元素，使用方法和顺序容器类似。 这是最直接方便的方法，它接收关键字后返回一个pair类型，pair中就是b点中得到的两个范围迭代器 11.4 无序容器 无序关联容器是C11才加入的新标准容器，本质是一个哈希桶，也就是用哈希函数和
81120发布于 2020-07-29 - 来自专栏腾讯云大数据
Flink 实践教程-进阶（11）：SQL 关联：Regular Join
本文将为您介绍如何使用 Regualr Joins 实现数据关联。Regualr Joins 在使用时有一定的限制条件，比如只能在 Equi-Join 条件下使用。 模拟数据 通过 Kafka Client 发送数据到关联的左表 order-source 和右表 product-info。 查看运行结果 在【日志】面板的 TaskManager 中查看收到的数据，可以看到已经关联到了 product_id 为1001的商品名称。 总结 Regular Joins 比较适合批量加载数据的场景，而当关联的右表为时常更新的维表时会出现关联不到的情况。 此外，从上述运行结果可以看出：Regular Joins关联的记录为 Retract Stream（回撤流）下游需为 Upsert 类型 Sink。
1K20编辑于 2022-04-02 - 来自专栏林欣哲
人工智能的智能体
今天来谈谈人工智能的研究工作中所做的一些基本的抽象。 一、智能体的概念 人工智能研究的对象称为智能体（Agent），其他的外部条件划归为环境。 智能体做出什么样的反应取决于输入和输出之间的映射关系函数，这个函数就是智能体研究的核心。 编写出智能体的程序则具体实现这个数学意义上的函数。 二、智能体的性能衡量 我们研究智能体是要他能做正确的事，因此需要有一个标准去衡量他的表现，一个合理的智能体会最大化这个期望的标准。 这里要注意一点，我们以最终期望达到的效果来做为衡量的标准，而不要以智能体的行为本身作为标准。 总结，人工智能的研究的期望是实现一个，在给定的每个可能的感知序列下，能做出让期望的性能最大化的行动的理性的智能体。
2.1K60发布于 2018-04-10 - 来自专栏Go语言学习专栏
7 - AI 智能体构建 - AI 超级智能体项目教程
具体内容包括： AI 智能体概念与特点 智能体实现关键技术 使用 AI 智能体的多种方式 OpenManus 实现原理 自主实现 Manus 智能体 智能体工作流编排 A2A 协议 一、什么是智能体？ 之前我们学习过，通过 RAG 检索增强生成 + 向量数据库等技术，智能体可以检索并利用专业知识回答问题。 4）工具调用 工具是扩展智能体能力边界的关键，智能体通过工具调用可以访问搜索引擎、数据库、API 接口等外部服务，极大地增强了其解决实际问题的能力。当然，MCP 也可以算是工具调用的一种。 OpenManus 整体架构 了解了 OpenManus 的核心功能后，先 从整体到局部 地观察 OpenManus 的架构，简单来说就是看文件夹的组织形式、文件的命名规则、以及文件之间的关联，暂时不用深入源码 MCP 协议是 智能体和外部工具之间的标准，它规定了智能体如何安全、规范地调用外部的数据库、搜索引擎、代码执行等工具资源。你可以把 MCP 理解为 “智能体-工具” 的 HTTP 协议。
1.1K21编辑于 2026-03-17 - 来自专栏全栈程序员必看
数据库分区表关联
数据库表分区 场景： 现实业务中有两个表关系比较紧密，而且数据量比较大的时候，需要对两个表都进行分区，并能很好的发挥分表作用 创建分区数据库表 注意： 数据库表最好是在创建的时候就进行分区，不能对已经创建的普通表 YYYY-MM-DD') AND P.COLLECT_ID=PP.COLLECT_ID AND P.OPERATOR_TIME>TO_DATE('2013-01-01','YYYY-MM-DD') 数据库表分区 场景： 现实业务中有两个表关系比较紧密，而且数据量比较大的时候，需要对两个表都进行分区，并能很好的发挥分表作用 创建分区数据库表 注意： 数据库表最好是在创建的时候就进行分区，不能对已经创建的普通表
1.6K10编辑于 2022-08-18 - 来自专栏火属性小虫
数据库基础Ⅳ（关联查询）
， 27 7月 2021 作者 847954981@qq.com 后端学习, 我的编程之路 数据库基础Ⅳ（关联查询） 当我们查询如课程信息的时候往往需要连同课程的学业导师一同查询出来，最原始的方法自然是将学业导师的信息单独添加在课程数据内 ，但在数据复用率高的情况下显然需要将导师信息单独放置在一张表中，这是我们就需要进行多表数据查询就是关联查询。 ，即表 A 和表 B 关联查询。 LEFT 表示是左连接 ON 是关联查询的条件。 左连接就是返回左表的所有数据，即使右表没有匹配的数据（此时右表会以 NULL 的形式匹配数据）。 在实际应用中，我们有时候会对三张表以上进行关联查询，在这种情况下，我们往往会选中一张表作为主表，以它为基准，进行 LEFT JOIN 或 RIGHT JOIN 查询。
1.2K20编辑于 2023-02-22 - 来自专栏算法之名
AI智能体(四)
接AI智能体(三) memory工具使用 以往，我们都是直接跟大模型进行交互，没有办法系统的实现记忆。 在上图中，用户在向大模型问问题时会首先读取记忆体，查看以往是否回答过相同的问题或者相关的文档可以参考。 如果有就会返回并添加到提示词模版中，再通过大模型的处理得到答案，得到答案之后再将答案反写回记忆体，这是一个循环的过程。 此时我们新开一个程序就可以重新加载向量数据库中的内容。 上图是不改变输入的前提下，增加需要额外的数据，如可能来自向量数据库的检索。
1.2K00编辑于 2025-02-06 - 来自专栏算法之名
AI智能体(六)
接AI智能体(五) Dify Dify是一个开源的Agent开发平台，使用Dify有两种方式，一种是使用Dify的在线平台。https://cloud.dify.ai。 一种是进行私有化部署。
1.2K00编辑于 2025-02-06
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