- 综合排序
- 最热优先
- 最新优先
AI 智慧体测系统：把 “麻烦体测” 变 “轻松达标” 的技术魔法
提到体测，不少人会想起：测立定跳远时老师蹲在地上拉卷尺，测仰卧起坐时盯着秒表喊 “快一点”，最后成绩还可能因 “肉眼判断” 有偏差 —— 但现在，AI 智慧体测系统让这些麻烦事成了过去式。 传统体测要 “测一项等一项”，AI 系统却能让数据 “自己跑”：测肺活量时，智能吹嘴会把气流强度、持续时间实时传到系统，屏幕上秒显数字；测 50 米跑时，起点的红外感应器 detect 到 “人起跑” AI 系统会在测试中 “实时支招”：做仰卧起坐时，屏幕会跳提示 “当前每分钟 25 次，再快 5 次就能拿优秀”；测完后，会生成专属报告，用图表对比 “你的肺活量比同龄 80% 的人高，但立定跳远偏慢” 过去体测表可能弄丢，现在 AI 系统给每个人建 “健康档案”：刷脸就能登录，历年体测成绩、身高体重变化都能查，家长也能通过手机看 “孩子今年肺活量比去年提高 200 毫升”。 其实 AI 智慧体测系统不是 “取代老师”，而是帮老师 “省力气”、帮学生 “明方向”。它用技术把 “人工判断” 变成 “精准计算”，把 “一次性测试” 变成 “长期健康跟踪”。
56510编辑于 2025-12-08TPS-BENCH：AI智能体复合任务规划能力首测
AI智能体能熟练调用单个工具，却在真实世界的多任务组合中集体"翻车"：有的耗时4分钟调用35次，有的同时发起所有请求直接崩溃。 为什么AI智能体总在"瞎忙活"？ TPS-Bench测试暴露AI智能体在复合任务中"瞎忙活"的症结：依赖识别错误与效率低下。 TPS-Bench：给AI智能体的"压力测试场" 基于15个MCP服务器提供的141个工具，这项研究推出TPS-Bench——首个专测大语言模型智能体工具规划与调度能力的基准系统。 算账时刻：AI智能体的省钱秘籍 GPT-4o单次任务成本138美元，Qwen3-1.7B仅需4.90美元——近30倍差距直接决定AI智能体的商业可行性。 未来，随着大规模RL训练与多语言工具生态的成熟，智能体的调度能力或将成为下一代AI系统的核心竞争力。当AI学会"精打细算"地调用工具，真正的自主智能或将不再遥远。
14710编辑于 2026-05-18- 来自专栏设计模式
AI 智能体上下文工程 4 大实用策略解析
鉴于此，Cognition公司强调了上下文工程的重要性： “上下文工程”……实际上是构建AI智能体的工程师的首要工作。 智能体也正在获得这种能力！通过“便签本”做笔记是一种在智能体执行任务时持久化信息的方法。其核心思路是将信息存储在上下文窗口之外，确保智能体可随时获取。 在AI工程师世界博览会上，西蒙·威利森（Simon Willison）分享了一个选择失误的例子：ChatGPT从记忆中获取了他的位置信息，并意外地将其注入到用户请求生成的图像中。 4. 隔离上下文（Isolate Context） 隔离上下文指拆分上下文，以帮助智能体执行任务。 多智能体（Multi-agent） 隔离上下文最流行的方法之一是在子智能体之间拆分上下文。 Anthropic的多智能体研究证明了这一点：具有隔离上下文的多个智能体的性能优于单个智能体，这很大程度上是因为每个子智能体的上下文窗口可专注于更具体的子任务。
1.1K11编辑于 2025-10-20 - 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。 name__ == '__main__': os.environ['ZHIPUAI_API_KEY'] = '******' chat = ChatZhipuAI(model='glm-4' 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 _main__': os.environ['ZHIPUAI_API_KEY'] = '******' streaming_chat = ChatZhipuAI(model='glm-4'
90310编辑于 2024-09-29 - 来自专栏ai论文生成工具
2周测9款AI论文工具，仅4款帮我过了导师审核
过去 2 周，我测了 9 款主打 “学术写作” 的 AI 工具，从 “选题生成” 到 “降 AIGC 率” 挨个试，最终只有 4 款帮我把论文从 “导师皱眉版” 改成 “直接过审版”。 今天把这 4 款 “幸存者” 的实测体验分享给你，避开 AI 论文的 “踩坑雷区”。 按照提示修改后，题目变成《乡村小学人工智能教育应用的有效性研究》，aicheck 生成的大纲详细到 “第一章：乡村小学 AI 教育的现状（含 3 个调研案例）”关键优势：4. 2. aibiye：降 AIGC 率核心能力：用 “学术规范” 拆解 AI 的 “机械表达”，同时保住论文的 “原创性”实测场景：我用某通用 AI 写了《乡村小学 AI 教育》的文献综述，导师批注：“句式太规整 文献 “消化” 能力强：不管是英文文献还是中文核心，都能拆解成 “核心观点 + 数据支撑 + 争议点”，省去逐句读的时间；4.
67900编辑于 2025-09-02 - 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。 比如可以在阿里云百炼、Dify 等平台上创建智能体 2、软件中使用 AI 开发工具 Cursor、tare 就集成了 AI 智能体，可以帮我们生成完整的项目代码、或者解释项目代码。 思路：其实利用 Spring AI，只需要把 MCP 服务中的工具提取出来变成工具列表，就可以复用已有的 ToolCallAgent 了 4）自行开发一个特定领域的超级智能体，可以直接继承 ToolCallAgent
99210编辑于 2026-03-17 - 来自专栏Kitty的日常笔记
beyond compare4 密钥 亲测可用
beyond compare4过了试用期： 密钥： w4G-in5u3SH75RoB3VZIX8htiZgw4ELilwvPcHAIQWfwfXv5n0IHDp5hv 1BM3+H1XygMtiE0-JBgacjE9tz33sIh542EmsGs1yg638UxVfmWqNLqu - Zw91XxNEiZF7DC7-iV1XbSfsgxI8Tvqr-ZMTxlGCJU+2YLveAc-YXs8ci RTtssts7leEbJ979H5v+G0sw-FwP9bjvE4GCJ8oj+ 永久使用Beyond compare4 的方法： 打开我的电脑，在这个路径 C:\Users\Administrator\AppData\Roaming\Scooter Software 下找到Beyond Compare 4 文件夹 ，删掉。
77.3K21发布于 2020-08-11 - 来自专栏算法之名
AI智能体(二)
name__ == '__main__': os.environ['ZHIPUAI_API_KEY'] = '******' chat = ChatZhipuAI(model='glm-4' token_usage': {'completion_tokens': 32, 'prompt_tokens': 6, 'total_tokens': 38}, 'model_name': 'glm-4' , 'finish_reason': 'stop'}, id='run-b982480c-39d9-4445-8888-62a10339ef86-0')]} 状态持久化 许多AI的应用程序需要Memory
77710编辑于 2024-10-05 - 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= model: "glm-4" # or gpt-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 定义动作 import re from metagpt.actions import Action class SimpleWriteCode(Action 多动作智能体 import asyncio import sys import subprocess from metagpt.llm import LLM from metagpt.actions import ready to SimpleRunCode 2024-12-03 16:12:24.361 | INFO | __main__:run:19 - The sum of [1, 2, 3, 4,
90200编辑于 2025-02-06 - 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。
36810编辑于 2026-01-07 4款AI长文观点可视化工具深度横测（2026Q3）
通用 AI 写作工具产品定位通用 AI 写作工具主要侧重于文本内容的生成，适用于各类内容创作者。在长文观点可视化方面，它可以为可视化图文提供基础的文本内容。 AI 图文排版工具产品定位AI 图文排版工具专注于图文的排版设计，适合对图文排版有较高要求的内容创作者。主要解决长文观点可视化过程中的排版问题，使图文更美观、易读。 社交媒体分享可视化01Agent、通用 AI 写作工具、AI 图文排版工具能否快速生成可视化图文，是否支持多平台适配，内容质量是否稳定。 长文观点快速提炼与呈现01Agent、通用 AI 写作工具观点提炼的准确性和效率，是否能根据长文生成合适的可视化内容。 通用 AI 写作工具在文本生成方面有优势，但可视化能力不足；AI 图文排版工具专注于排版设计；设计模板工具提供丰富的模板，但可能缺乏个性。
10710编辑于 2026-06-10- 来自专栏人人都是架构师
Go单测系列4—mock接口测试
在上一篇《Go单测系列3—数据库测试》中，我们介绍了如何使用go-sqlmock和miniredis工具进行数据库测试。 除了网络和数据库等外部依赖之外，我们在开发中也会经常用到各种各样的接口类型。 《Go单测从零到溜系列》的示例代码已上传至Github，点击https://github.com/go-quiz/golang-unit-test-demo 查看完整源代码。 testing.T) { // 创建gomock控制器，用来记录后续的操作信息 ctrl := gomock.NewController(t) // 断言期望的方法都被执行 // Go1.14+的单测中不再需要手动调用该方法
1.5K30编辑于 2023-09-10 【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( 医疗问诊数据不足时提升模型鲁棒性 标准化流程 建立数据Schema（字段类型、取值范围约束） 制定标注规范（如情感分析中的5级评分标准） 实施版本控制（记录数据集的迭代变更） 完整预处理流程通常需要2-4次交叉验证调整 4. 学习率调度器 动态调整学习率可提升模型收敛速度和最终性能。常见调度策略包括： CosineAnnealing：学习率按余弦曲线衰减，适用于训练后期精细调参。
49510编辑于 2025-12-17- 来自专栏深入浅出区块链技术
解构 Solidity 合约 #4: 函数体
如果你没有读过前面的文章[4]，请先看一下。我们正在解构一个简单的Solidity 合约[5]的EVM 字节码[6]。 我们已经走过了很长的路，不是吗？ 在这一节中，我们将（最后）看看函数的实际执行情况，或者我们通常称为 "函数体" 的部分。 函数体正是函数包装器在解开传入的 calldata 后所跳入的部分。 函数包装器将执行重定向到函数体（指令 175 的蓝色虚线） 图 2. 函数体的执行，来自于函数包装器（指令 251 处的蓝色虚线）。 所以我们准备通过指令 251 到 290，即balanceOf函数体。 函数包装器之后的函数体。 正如我们之前所讨论的，函数体都集中在函数封装器之后。执行流从包装器中跳到它们，并在执行完每个函数的指令后返回到包装器。
1.1K30编辑于 2023-01-09 - 来自专栏有趣的django
4.Go-结构体，结构体指针和方法
4.1.结构体 结构体：讲一个或多个变量组合到一起形成新的类型，这个类型就是结构体，结构体是值类型 定义结构体和赋值 //Learn_Go/main.go package main import "fmt //{jack 12} //第三种 peo.Name = "alice" peo.Age = 25 fmt.Println(peo) //{alice 25} } 4.2.结构体指针 由于结构体是值类型，在方法传递时希望传递结构体地址，可以使用结构体指针完成 可以结合new()函数创建结构体指针 //Learn_Go/main.go package main import "fmt fmt.Println(peo, peo2) //&{Jack 22} &{Jack 22} } 4.3.方法 方法和函数语法比较像，区别是函数属于包，通过包调用函数，而方法属于结构体， 通过结构体变量调用 默认是函数，隶属于包，所以需要添加标识，告诉编译器这个方法属于哪个结构体 （1）创建方法 //Learn_Go/main.go package main import "fmt
1.5K20发布于 2019-08-07 - 来自专栏老张的求知思考世界
全链路压测(4)：全链路压测的价值是什么？
前言 在前面的几篇文章中，介绍了全链路压测的背景、在企业中的立项流程以及落地的一些技术方案。 在开始真正的介绍落地实践过程以及相关案例之前，我想和大家聊聊，我对全链路压测的一些认知，即：全链路压测在技术团队中的定位，以及它的价值是什么。 业务和技术是什么关系？ 在聊这个topic之前，先回想下我在第一篇文章中阐述的一个观点：全链路压测创造了什么价值？ 全链路压测对稳定性保障的价值 聊了这么多，回到文章顶部，我所要表达的内容，全链路压测的价值是什么？ 下篇文章，我会为大家介绍，全链路压测落地实践的整体流程。
1.7K20编辑于 2022-01-25 - 来自专栏AI技术应用
AI 智能体（AI Agent）的开发
AI 智能体（AI Agent）的开发是一个复杂且多阶段的过程，涉及需求分析、算法设计、模型训练、系统集成和部署等多个环节。以下是 AI 智能体开发的典型流程。 1.需求分析与定义1.1明确目标确定 AI 智能体的核心功能和应用场景（如聊天机器人、推荐系统、自动驾驶等）。定义智能体的输入、输出和交互方式。 4.模型训练与评估4.1模型训练使用训练数据集训练模型。监控训练过程，调整超参数。4.2模型评估使用验证数据集评估模型性能。常用评估指标：分类任务：准确率、精确率、召回率、F1 分数。 验证 AI 智能体在实际场景中的表现。6.3用户测试邀请目标用户进行测试，收集反馈。根据反馈调整模型和系统。7.部署与监控7.1部署环境选择部署平台（如云端、边缘设备）。 总结AI 智能体的开发流程包括需求分析、数据收集、模型设计、训练与评估、系统集成、测试验证、部署监控和维护迭代。通过合理规划和使用工具，可以高效地开发出功能强大、性能优异的 AI 智能体。
3K20编辑于 2025-02-18 - 来自专栏测试开发囤货
python测试测开-刷题第4天
背景介绍 整理面试题，开始刷题【python】【测试】【测开】相关。 解决方案 人无我有，人有我精 面试题04：使用Python代码实现遍历一个文件夹的操作。 听到这种问题首先不要慌,稳住你能行！
70030发布于 2021-11-29 - 来自专栏AI
AI 智能体（AI Agent）的应用
AI 智能体（AI Agent）的应用非常广泛，几乎涵盖了我们生活的方方面面。它们能够自主地感知环境、做出决策并执行行动，从而完成各种复杂的任务。以下是一些 AI 智能体的典型应用场景。 4. 工业制造：机器人控制： 控制工业机器人执行各种生产任务，例如装配、焊接、喷涂等，提高生产效率和自动化程度。质量检测： 利用计算机视觉技术检测产品缺陷，提高产品质量。 娱乐：游戏 AI： 在游戏中扮演各种角色，例如敌人、队友、NPC 等，提高游戏的可玩性和挑战性。内容创作： 能够生成文本、图像、音乐等内容，例如写小说、作诗、绘画等。 百度的文心一言 APP 上的智能体： 可以进行“视频对话”、背单词、纠正口语，还可以通过 AI 智能体模拟面试、与 AI 古人对话等，体现了 AI 智能体在内容创作和人机交互方面的应用。 总而言之，AI 智能体正在深刻地改变着我们的生活和工作方式。随着技术的不断发展，AI 智能体的应用领域还将不断拓展，为我们带来更多的便利和创新。
1.7K10编辑于 2024-12-23 - 来自专栏idba
xfs vs ext4 性能压测对比
MySQL 相关参数 压测版本:percona 5.7.22-22-logbinlog_format[ROW] max_binlog_cache_size[4G] max_binlog_size[1G] 主要是和ext4的性能对比 select 性能 蓝色线是xfs ，黄色线是ext4 ? insert/delete 黄色线 为xfs ，蓝色线是ext4 ? update 绿色线 为xfs ，蓝色线是ext4 ? io 利用率 ext4的io利用率比xfs 的高。 ? 对应的io利用率 xfs 明显比ext4低,但是cpu 比较高 如果qps tps 在5000以下 etf4 和xfs系统无明显差异。 压测过程中 xfs 在高并发 72个并发情况下出现thread_running 抖动，而ext4 表现比较稳定。
49.6K2526发布于 2019-07-10
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