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”。

8 - AI 服务化 - AI 超级智能体项目教程

本节重点 AI 服务化是指将原本只能本地运行的 AI 能力转化为可远程调用的接口服务，使更多人能够便捷地访问 AI 能力。 通过本节学习，⁠你将掌握如何将 AI 智能体转变为可供他人调用的服务 具体内容包括： AI 应用接口开发 AI 智能体接口开发 在开始之前，先给大家提个醒，Spring AI 版本更新飞快，有些代码的写法随时可能失效 一、AI 应用接口开发 我们平时开发的大多数接口都是同步接口，也就是等后端处理完再返回。 点击接口旁边的绿豆就能自动生成测试代码： 二、AI 智能体接口开发 由于智能体执行过程通常包含多个步骤，执行时间较长，使用同步方法会导⁠致用户体验不佳。 因此，我们采用 SSE 技术将智能体的推理过程实时分步输出给用户。

TPS-BENCH：AI智能体复合任务规划能力首测

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。 更严峻的是，Qwen3-32B完成TPS-Bench-Hard仍需8k tokens，而现有评估体系完全忽略token经济性与延迟敏感度，导致工具调用冗余与成本失控，使智能体陷入低效循环。 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。

centOS8 安装MySQL8（亲测）

如果你还在寻寻觅觅CentOS上安装MySQL的教程而不得，那看到这里就不用转走了。 说实在的，我今天搞了一天了。

8 个 AI 同时写代码，还能自己测！

Cursor 2.0 最大的亮点是它的 多智能体界面：你可以同时运行 最多 8 个 AI 助手，每个都在独立的环境中工作。 整个工作区完全「以智能体为中心」——你只需要专注于目标结果，AI 来负责实现细节。当然，你依然可以自己写代码，只是现在你有更多选择。 同时运行多个智能体最大突破：单次任务可并行运行 8 个智能体！ 它不只是一个加了 AI 的编辑器，而是真正意义上的 「以智能体为核心的开发环境」。 更快：30 秒内完成复杂任务，保持思维连贯更强：最多 8 个智能体并行工作更智能：AI 能自己测试、自己修复更高层次：你只需要定义目标，AI 完成实现更专业：完善的企业管理与团队协作功能我们还在深入体验

jmeter压测学习8-压测带token的接口

前言 工作中我们需要压测的接口大部分都是需要先登陆后，带着token的接口（或者带着cookies），我们可以先登陆获取token再关联到下个接口。 我们只需要拿到token直接去压测B接口就行了。 测试token准备 B接口有两个参数是一一对应的，一个是token，一个是对应的name，比如压测的时候准备100个用户，我这里以10个用户为例 先注册批量的用户用于压测，我这里注册的用户是test1, test7 f3d7bc13d0608196d557f0197a7f2c2c407a7d0d,test8 9c6d7b893ea2e8b226daa0c315299d5968e8a10c,test9 4cfd0827e803a7415e987996c2148312843ed037 运行结果 接下来就可以设置线程组愉快的压测了 ? 比如我设置2个线程，4次循环，这样会请求8次，每次都从测试文件里面循环取值 ? 2

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

【项目实战-8】waf压测最佳实践

【问题表现】 项目某接口压测过程中，QPS曲线被一刀切下来后运行平稳，典型的限频问题。 91.png 【问题分析和排查思路】 分析问题之前，先上官网的压测链路： 压测机（运行Jmeter脚本）--> WAF --> CLB --> Node集群（Web） 通过链路排查，定位是WAF的问题。 95.png 【总结】 首先要确定压测链路是什么。 一步一步缩小压测环节，快速定位问题。 然后根据波形图进行合理猜测。

FastAPI（8）- 请求体 Request Body

前言 接口传参方式之一：通过发送请求体（Request Body）来传递请求数据 在 FastAPI，提倡使用 Pydantic 模型来定义请求体 这篇文章会详细讲不使用 Pydantic 和 使用 Pydantic 发送请求体的栗子 注意 请求体并不是只有 POST 请求有，只不过 POST 更常见 在 PUT、DELETE、PATCH 请求中都可以使用请求体 其实，在 GET 请求中也可以用请求体，不过仅适用于非常极端的情况下 ，而且 Swagger API 并不会显示 GET 请求的请求体 不使用 Pydantic的栗子 from fastapi import FastAPI import uvicorn app = FastAPI ，字段数量也可以任意个 错误传参的请求结果 选了 text 之后，因为不是 JSON 字符串，FastAPI 无法正确解析请求体为 dict，所以会报类型错误的提示 查看请求头 类型是 text 用 app.put("/items/{item_id}") async def create_item( # 路径参数 item_id: int, # 请求体，

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 多动作智能体 import asyncio import sys import subprocess from metagpt.llm import LLM from metagpt.actions import /usr/bin/env python # -*- coding: utf-8 -*- """ @Time : 2023/5/11 14:43 @Author : alexanderwu @File /usr/bin/env python # -*- coding: utf-8 -*- """ @Time : 2023/11/20 @Author : mashenquan @File

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

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。

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 -TRUE} ORACLE_PWD: ${ORACLE_PWD:-Dify123456} ORACLE_CHARACTERSET: ${ORACLE_CHARACTERSET:-AL32UTF8} ORACLE_PWD: ${ORACLE_PWD:-Dify123456} ORACLE_CHARACTERSET: ${ORACLE_CHARACTERSET:-AL32UTF8} Object] 代码为 import json def main(arg1: str) -> dict: if arg1.startswith('```'): arg1 = arg1[8:

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？')

【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( 部署优化策略 模型量化将FP32参数转为INT8，减少75%内存占用。知识蒸馏训练小模型继承大模型能力。ONNX转换实现跨平台推理加速。缓存机制存储高频查询结果，降低计算开销。 测试显示新版本准确率下降超过5%时 联邦学习实施方案： 采用安全聚合协议(Secure Aggregation)保护参与方数据 支持横向联邦(相同特征空间)和纵向联邦(不同特征空间)两种模式 典型应用案例：医疗AI

智能体上下文窗口告急！8种策略破解AI记忆困局

由于文章篇幅有限，文末还给大家整理了一个更详细的智能体构建技术文档，自行领取，关于​​配图说明：本文所有配图均来自技术原理示意图，非商业用途​​。 引言：为什么记忆管理是AI系统的生死线当前大模型应用的致命瓶颈在于​​上下文窗口限制​​。 当对话轮数超过GPT-4 Turbo的128K上限，或本地部署模型仅支持4K上下文时，系统面临两难抉择：遗忘早期关键信息导致逻辑断层（如用户说“按上次方案处理”）突破长度限制带来的指数级计算成本增长本文将深入解析8种主流记忆策略 long_term_memory.save(key="生日", value=extract_date(user_input)) ​​最佳实践​​：短期层：Redis缓存（毫秒级响应）长期层：Pinecone向量库​​8. 由于文章篇幅有限，关于如何构建智能体，以及AI Agent相关技术，我整理了一个文档，感兴趣的粉丝，自行免费领取：《想要读懂AI Agent（智能体），看这里就够了》最后我们再次整理一下以上8种记忆策略

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。 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）。 8.维护与迭代8.1问题修复修复用户反馈的问题和 Bug。优化系统性能和稳定性。8.2功能扩展根据需求添加新功能。改进现有功能，提升用户体验。8.3技术升级跟踪最新 AI 技术，升级算法和框架。 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。

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？ 24 年流行的很多可联网搜索内容、调用知识库和工具的 AI 应用，都属于这类智能体。 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。

Agent设计模式学习(基于langchain4j实现)(8) - 非AI智能体

参与的处理环节（也称非AI智能体) 1 /** 2 * 非AI智能体，将多个简历评审聚合成一个综合评审。 1 /** 2 * 非AI智能体，根据评分更新申请状态。 3 * 这演示了普通Java操作符如何作为一等智能体用于智能体工作流， 4 * 使它们能够与AI驱动的智能体互换使用。 AI智能体（普通Java操作符）。 5 * 将更多步骤外包给非AI智能体，你的工作流将更快、更准确、更经济。 6 * 对于需要强制确定性执行的步骤，非AI智能体比工具更受青睐。 9 * by 菩提树下的杨过（yjmyzz.cnblogs.com) 10 */ 11 @SpringBootApplication 12 public class _8_Non_AI_Agents

【AI智能体的应用】