- 综合排序
- 最热优先
- 最新优先
- 来自专栏Android开发指南
5.触摸事件、侧滑菜单
触摸事件 侧滑菜单--- github-SlidingMenu 1.在ViewGroup中，让自己内容移动有以下三个方法个方法： layout(l,t,r,b); offsetTopAndBottom
1.3K60发布于 2018-05-14 - 来自专栏Go语言学习专栏
5 - 工具调用 - AI 超级智能体项目教程
1）联网搜索 2）网页抓取 3）资源下载 4）终端操作 5）文件操作 6）PDF 生成 而且这些需求还可以进行组合 如果 AI 能够完成上述需求，就不再只是一个有知识的 “大脑”，而是有手有脚，会利用工具完成任务的 “智能体” 了。 try { String response = HttpUtil.get(SEARCH_API_URL, paramMap); // 取出返回结果的前 5 jsonObject.getJSONArray("organic_results"); List<Object> objects = organicResults.subList(0, 5) ().get("userName")); } } 看源码我们会发现，ToolContext 本质上就是一个 Map： A47lphkkDDkxdCS/rQHpdWHGIqT1c+f0rRj5gEHvdTo
24110编辑于 2026-03-17 端侧AI的终极形态
李瑞龙 腾讯研究院腾讯研究院AGI路线图系列专题研究作为争夺下一代流量入口的关键机遇，端侧AI（运行在手机等设备端的生成式AI模型）已然成为各大厂商必争之地。 5月29日，斯坦福的一个研究团队发布了一款宣称能够“改变现状”的产品：Llama3-V。 该产品在推特上发布后迅速走红，并跻身「HuggingFace Trending」Top 5。 这些项目均以视觉理解为基础，构建多智能体协作的架构，从而实现更强的任务拆解和跨应用操作能力，这是未来端侧AI的关键组成部分。端侧AI的终极混合形态专业化端侧与全知全能云端协同或是最优解。 然而，这并不妨碍端侧AI体验的提前实现，通过高质量数据、专业化目标任务训练以及云端隐私方案的混合协同与优化，端侧AI，也可以逐渐从“可用”发展到“好用”。
80310编辑于 2024-08-28- 来自专栏IT创事记
AI催生算力供给侧变革
人们期待HPC和AI的供给侧，也能来一场轰轰烈烈的变革。 算力发生供给侧变革 身处HPC和AI的风口浪尖，很多设备商和服务商已经感受到了算力供给的痛点，积极进行相关的战略布局和产品研发。 以超融合基础架构、容器和各种CPU和GPU架构为基础，该服务器系列具备了多功能性和规模，能够支持包括5G、边缘、人工智能和分析在内的所有能满足现代IT需求的解决方案，从而增强现代化IT能力。 HPE计算高级副总裁兼总经理NeilMacDonald表示：“数字化转型正在重塑每个行业，新的数字模型也在不断发展，以支持边缘、5G和人工智能技术的日益普及，并适应COVID-19提出的新技术需求。 5G、物联网、人工智能、边缘计算等技术对零售门店的加持，让线下购物和体验消费重焕生机。 要发挥AI和深度学习的全部潜力，就需要能适应计算密集型工作负载的系统来支持AI开发的各个阶段。
47120编辑于 2022-08-30 苹果能引领端侧AI时代吗？
（by 小白测评数据库，续航时间基于标准输出电压3.7V估算） 电池容量增长分析预测：未来每年增长不超过5~10% 以iPhone和三星galaxy为例，近10年平均每年增长5～6％，尤其是21年以来， AI原生OS，复杂任务都需要云上实现 5.端侧多模态大模型：端侧的价值主要在多模态理解，而不在多模态生成 ●多模态生成不在端侧 价值有限：端侧多模态能完成的生成场景（例如修图），已有CV技术也能解决；新的生成功能 ii.也可以用线上账号的方式实现；且训练/精调只能在线上 2.3 商业价值 g.流量/收数 i.AI原生OS是手机厂商与APP生态建设的重点 ii.AI OS的功能理论上可以通过云上模型解决，但端侧+ ，端侧大模型不是孤立的技术，而是跟AI芯片（GPU/TPU等）、操作系统共同形成一个完整的技术体系。 ●手机端侧模型在未来3～5年的天花板可能在～10B级别，这意味着仍然需要与云上大模型配合，才能实现通用Agent、复杂COT/TOT、超长文本等高级功能。 ●从用户的角度，对硬件的粘性远超软件。
52910编辑于 2024-09-11构建多智能体 AI 应用的5个最佳框架
接下来的章节将介绍用于构建和集成 AI 智能体到你应用中的五大顶级平台。我们将探讨这些框架的核心特性与优势，并展示部分框架的智能体构建代码示例。 为什么使用多智能体 AI 框架？ •投票与评价分析：通过分析用户反馈与问卷调查数据[5]，洞察客户需求，从而优化客户体验。•差旅与报销管理：自动化处理费用申报、跟踪与审批流程。 5. LangGraph LangGraph[23]是一个基于节点的 AI 框架，是目前最受欢迎的多智能体系统构建工具之一。它属于 LangChain 生态系统，专用于图结构化的智能体流程编排。 更多信息 山行AI希望本文对你有所帮助，由笔者翻译整理自：https://medium.com/@amosgyamfi/best-5-frameworks-to-build-multi-agent-ai-applications 各个渠道上的用户情绪:https://getstream.io/blog/building-an-ecommerce-chatbot-with-react-native-and-dialogflow/ [5]
85510编辑于 2026-03-13- 来自专栏Python编程爱好者
5分钟Flink - 侧输出流(SideOutput)
代码版本 Flink : 1.10.0 Scala : 2.12.6 侧输出流(SideOutput) 本文介绍的内容是侧输出流(SideOutput)，在平时大部分的 DataStream API 常规输出内容： {"id":3,"name":"Johngo3","age":13,"sex":1,"email":"Johngo3@flink.com","time":1590067813271} 侧输出流输出内容 "name":"Johngo5","age":15,"sex":1,"email":"Johngo5@flink.com","time":1590068792483} SendMessageToKafka "name":"Johngo_side5","age":15,"sex":1,"email":"Johngo_side5@flink.com","time":1590068795531} SendMessageToKafka name:Johngo5,age:15,sex:1,email:Johngo5@flink.com,time:1590069018257 测输出流:7> sideOutput-> 带有_side标识的数据名称
3.2K10发布于 2020-09-08 - 来自专栏算法之名
AI智能体
langchain 概述 langchain是LLM与AI应用的粘合剂，是一个开源框架，旨在简化使用大型语言模型构建端到端应用程序过程，它也是ReAct(reason+act)论文的落地实现。 chains，langchain把提示词、大语言模型、结果解析封装成chain，并提供标准的接口，以便允许不同的chain形成交互序列，为AI原生应用提供端到端的chain。 content='Hi.'), SystemMessage(content='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 content='Hi.'), SystemMessage(content='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
78010编辑于 2024-09-29 - 来自专栏Flutter入门到实战
全面总结侧滑菜单的5种实现方式
现在开发中，很多APP都在用侧滑菜单，这个很常见，也有很多第三方库，比如slidingmenu,谷歌官方的DrawerLayout等等。 下面我就总结一下侧滑菜单实现的4种方式： 一、自定义ViewGroup ，处理其onTouch事件 ---- 二、FrameLayout + 手势处理类GestureDetector ---- 三、使用 android.support.constraint.ConstraintLayout> ---- 四、继承自水平滚动HorizontalScrollView 这个效果我参考的是博客 http://www.jianshu.com/p/67020f3f5dc9
2.6K30发布于 2018-09-03 - 来自专栏存储公众号：王知鱼
WD：Flash加速AI推理在端侧落地
5. 通过使用稀疏性预测算法和行列捆绑技术，可以进一步优化LLM的加载和计算效率。 与算力紧缺相比，数据管道读取带宽、通信效率是限制AI训练更关键因素。 端侧设备模型推理挑战 AI应用在端侧设备落地过程遇到的问题 SLM 模型虽已显著压缩，但与当前端侧设备的DRAM容量相比，仍明显超出。 端侧toC市场对价格非常敏感，提高VRAM以支持客户端推理的方式被认为是不经济的。 下图示意，RTX 2000 一张显卡的价格接近左图PC的一半。
56410编辑于 2025-02-11 - 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
本节重点 学习 AI 智能体的概念和构建方法，掌握如何实现具有自主决策能力的 AI 系统。 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？ 三、使用 AI 智能体 有 3 种方式可以使用 AI 智能体，之前的教程中其实我们已经有接触过，这里再快速复习一遍。 5、其他支持 为了实现完整的智能体功能，OpenManus 依赖以下关键组件： 记忆系统：使用 Memory 类存储对话历史和中间状态 LLM 大模型：通过 LLM 类提供思考和决策能力 工具系统：提供 实现 5）参考 OpenManus 的源码，实现更多功能，比如 “规划并执行” 模式的智能体工作流（参考 flow/planning.py） 本节作业 1）完成 AI 超级智能体的开发 2）理解 AI
65010编辑于 2026-03-17 - 来自专栏算法一只狗
苹果AI手机发布后，端侧AI大模型前景如何？
这里面主要的功能，基本都是是围绕着Apple Intelligence进行展开作为第一款搭载了AI大模型的手机，其部署的端侧大模型有以下几个优点：保护隐私：设备端处理数据，不涉及云端，确保用户隐私安全。 而回看国内手机厂商品牌，很多手机厂商也开始发布自家搭载了端侧大模型的AI手机。比如最近，荣耀也推出了自己的搭建了端侧大模型的手机。 荣耀Magic 7作为国内首款安卓AI智能体手机，相比于苹果有不一样的地方。比如可以利用AI帮助你进行“AI人脸反诈骗”检测，可以有效应对AI诈骗。 2.端侧AI模型现状端侧AI模型是指将AI大模型运行于用户的终端设备上，如手机或计算机，而不是依赖云端服务器。 4.总结从目前的端侧AI模型现状来看，国内外的很多厂商都聚焦于如何把大模型配置到手机上，并使得手机能够更加的智能。从苹果发布会来看，这只是AI在手机上的一个初步体现。
1.2K20编辑于 2024-09-26 - 来自专栏算法之名
AI智能体(五)
接AI智能体(四) MetaGPT 环境装配 metagpt下载地址：https://github.com/geekan/MetaGPT conda create -n metagpt python= 3.5-turbo api_key: "******" 测试： 在终端命令行中进入Meta-GPT-main目录中执行 metagpt "Write a cli snake game" 单动作智能体 ") # Test case 2 assert sum_function([-1, 0, 1, 2, 3]) == 5 print("Test case 2 passed.") 多动作智能体 import asyncio import sys import subprocess from metagpt.llm import LLM from metagpt.actions import @Modified By: mashenquan, 2023/12/5.
76000编辑于 2025-02-06 - 来自专栏算法之名
AI智能体(二)
model_name': 'glm-4', 'finish_reason': 'stop'}, id='run-b982480c-39d9-4445-8888-62a10339ef86-0')]} 状态持久化 许多AI
64010编辑于 2024-10-05 - 来自专栏人工智能
Notion AI 智能体
NotionAI智能体Notion3.0的AI智能体通过自动化流程实现复杂任务闭环。其核心能力包括智能搜索、数据分析、决策制定和执行操作。 智能体通过自然语言交互理解用户需求，自动调用数据库和外部工具完成任务。用户只需输入目标，如“分析Q3销售数据并制定优化方案”，系统即可生成可视化报告和执行建议。 零一万物万智2.5平台解析万智2.5平台采用多智能体协作架构，每个角色对应特定职能：市场智能体：自动生成营销方案并执行投放HR智能体：处理招聘全流程，包括简历筛选和面试安排财务智能体：实时监控预算并生成分析报表平台通过智能体间的通信协议实现协作 例如启动新项目时，系统自动组建包含产品、设计、开发智能体的虚拟团队，各角色通过API交换数据并同步进度。 监控系统需记录智能体的决策路径和执行效果，便于持续优化。
24010编辑于 2026-01-07 - 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。 history.add_ai_message('你好，我是AI助手，有什么可以帮你的吗？') history.add_ai_message('你好，我是AI助手，有什么可以帮你的吗？')
1K00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。 DEPLOY_ENV: ${DEPLOY_ENV:-PRODUCTION} CHECK_UPDATE_URL: ${CHECK_UPDATE_URL:-https://updates.dify.ai WEAVIATE_ENDPOINT: ${WEAVIATE_ENDPOINT:-http://weaviate:8080} WEAVIATE_API_KEY: ${WEAVIATE_API_KEY:-WVF5YThaHlkYwhGUSmCRgsX3tD5ngdN8pkih true} WEAVIATE_AUTHENTICATION_APIKEY_ALLOWED_KEYS: ${WEAVIATE_AUTHENTICATION_APIKEY_ALLOWED_KEYS:-WVF5YThaHlkYwhGUSmCRgsX3tD5ngdN8pkih :-true} AUTHENTICATION_APIKEY_ALLOWED_KEYS: ${WEAVIATE_AUTHENTICATION_APIKEY_ALLOWED_KEYS:-WVF5YThaHlkYwhGUSmCRgsX3tD5ngdN8pkih
1.1K00编辑于 2025-02-06 【AI智能体创作】
AI智能体创作思路 AI智能体的核心在于模拟人类思维和行为模式，通过算法和数据处理实现自主决策。创作思路通常包括目标定义、数据收集、模型训练、评估优化等环节。 目标定义阶段明确智能体的功能边界，比如聊天机器人、游戏NPC或自动化工具。数据收集阶段获取相关领域的语料、图像或其他输入数据。模型训练阶段选择合适的算法架构，如深度学习、强化学习或规则引擎。 智能体的核心功能包括" input_ids = tokenizer.encode(input_text, return_tensors="pt") output = model.generate( 早停机制（Early Stopping） 早停机制通过监控验证集损失来防止过拟合，当验证损失连续若干轮（如patience=5）未下降时停止训练。 实现方式： 记录每轮验证集损失。 5. 梯度裁剪（Gradient Clipping） 梯度裁剪通过限制梯度范数（如max_norm=1.0）防止梯度爆炸，提升训练稳定性。 实现方式： 计算梯度范数，若超过阈值则按比例缩放。
36510编辑于 2025-12-17- 来自专栏AI科技大本营的专栏
端侧智能存算一体芯片的需求、现状与挑战
近年来以数据为中心的新型计算架构 ，例如存算一体芯片技术 ，受到人们的广泛关注 ，尤其在端侧智能场景。 但是 ，基于端侧设备在资源 、时延、成本、功耗等诸多因素的考虑 ，业界对存算一体芯片提出了苛刻的要求。因此， 存算一体介质与计算范式尤为重要。 同时，器件—芯片—算法—应用跨层协同对存算一体芯片的产业化应用与生态构建非常关键。概述了端侧智能存算一体芯片的需求 、现状 、主流方向 、应用前景与挑战等。 端侧智能应用特征与存算一体芯片需求 随着 AIoT 的快速发展 ，用户对时延 、带宽 、功耗、隐私/安全性等特殊应用需求，如图3(a)所示，驱 动边缘端侧智能应用场景的爆发。 图 5(a)和图 5(b)为两种典型设计方 案 ，其核心思想是把网络权重存储于 SRAM 单元中 ，激励信号从额外字线给入 ，最终利用外围 电路实现 XNOR 累加运算 ，计算结果通过计数 器或模拟电流输出
2.6K32发布于 2020-03-05 - 来自专栏VoiceVista语音智能
边缘侧AI和端点应用(Endpoint application)创业公司
原文地址 - https://www.eetimes.com/chip-startups-for-ai-in-edge-and-endpoint-applications/ 整个行业都在努力找到可以提升 AI性能（to accelerate the AI performance）的最优解，以跟上和满足先进的神经网络所带来的需求，在全球各地都有这种各样的创业公司如雨后春笋般(spring up around 包括网关(gateway)，集线设备(hub devices)，同时也可以包括可以加速AI应用的预置服务器(on-premis servers)。 端侧AI 推理设备在此场景具有非常吸引人的应用场景 - 节省了带宽，降低了延时，保护了隐私，并且节省了射频传输至云端所需的功耗。 GreenWaves - 采用多个RISC-V内核，在超低功耗下实现机器学习应用，采用其自有的指令扩展集，在非常低的功耗下完成(facilitate) DSP和AI加速。
78020发布于 2020-03-04
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