- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
2-9 彩虹瓶 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101155502 2-9 彩虹瓶 (20 分) ?
1K30发布于 2019-11-08 - 来自专栏AI技术应用
AI工作流程开发框架
AI工作流程开发框架是用于构建、部署和管理人工智能（AI）应用程序的软件工具和技术的集合。它们提供了一组预先构建的组件、API和工具，简化了AI工作流程的开发过程。 常见的AI工作流程开发框架1.Kubeflow特点： 基于Kubernetes的机器学习平台 提供各种组件，如训练、部署、管道等 支持多种机器学习框架（如TensorFlow、PyTorch） 适用于： AI工作流程开发框架？ 选择AI工作流程开发框架时，需要考虑以下因素：项目需求：确定AI工作流程的复杂程度、运行环境、依赖关系等。技术栈：选择与现有技术栈兼容的框架，降低开发成本。 总结AI工作流程开发框架是构建AI应用的重要工具，选择合适的框架可以提高开发效率、降低开发成本。希望以上信息能帮助您更好地了解AI工作流程开发框架。
42610编辑于 2025-02-19 - 来自专栏Linux云计算网络
算法导论2-9章补充几道题
本篇博文意在对前几章中遗漏的，本人觉得有意思的习题当独拿出来练练手。 1、习题2-4，求逆序对，时间复杂度要求Θ(nlgn) 定义：对于一个有n个不同的数组A, 当i<j时，存在A[i]>A[j]，则称对偶(i, j)为A的一个逆序对。 譬如：<2,3,8,6,1>有5个逆序对。 解题思路：归并排序的思想：逆序对的数量=左区间的逆序对+右区间的逆序对+合并的逆序对 代码如下： 1 #include <iostream> 2 #include <vector> 3 using namespace std
83550发布于 2018-01-11 浅谈AI工作流 VS AI Agent VS MCP
人们可能会说“AI做到了这一点”，但其实，这种表述往往是笼统的，因为AI并非只有单一的形式。 事实上，AI有三个非常不同的层级：AI工作流、AI代理和MCP（模型上下文协议）。 让我们理清楚： AI工作流 像是一个食谱，始终按照相同的步骤进行。 •你设计流程。•AI在过程中填补空白。 •AI工作流 = 任务执行者•AI代理 = 目标解决者•MCP = 基础设施支柱 当你将正确的层次匹配到正确的问题时，AI不再是一个花招 — 而是一个竞争优势。 结尾 像一些智能体平台像扣子空间和百炼中做的那样，可以将工作流发布成mcp，然后添加到任务中由AI 大模型决定什么时候该调用哪一个mcp来提供支持，有点类似于套娃，可以催生出无限多种可能。 AI工作流适合那些重复性的任务，AI代理则能够在复杂环境中做出自主决策，而MCP则为AI代理提供了强大的基础设施支持。
35510编辑于 2026-03-13扣子AI智能体工作流（完结）
智能体新范式：扣子 AI 工作流核心技术与实战在人工智能演进的宏大叙事中，我们正站在一个关键的转折点上：从“对话式交互”迈向“代理式执行”。 扣子（Coze）的出现，标志着AI 智能体（AI Agent）开发进入了“工作流编排”的新范式。这不仅是工具的创新，更是人机协作逻辑的重构——从让 AI“回答问题”，转变为让 AI“完成任务”。 异构能力融合：工作流打破了 AI 模型与传统软件系统的边界。通过标准化的插件接口，智能体可以无缝调用搜索引擎、数据库、CRM 系统甚至物联网设备。 四、生态价值：低代码赋能与知识资产化扣子工作流的另一大技术贡献，在于极大地降低了 AI 应用的开发门槛，实现了智能体开发的民主化。 AI 将不再仅仅是执行预设脚本的工具，而是能够不断反思、学习和成长的有机体。结语扣子 AI 工作流的核心技术，不仅仅是提供了一种新的开发工具，更是定义了一种全新的智能体构建哲学。
1.3K11编辑于 2026-03-19- 来自专栏Elastic Stack专栏
使用 Elasticsearch 构建 AI Agent 工作流
它定义：要达成的目标 可调用的工具集合 可访问的数据源 Agent 不仅能进行对话，还能驱动完整工作流、任务自动化或面向用户的应用。 开发者只需关注 做什么：目标、工具、数据；系统则负责 如何做：推理与工作流。默认 Agent平台内置的第一个 Agent 是 Kibana 原生对话 Agent。 Elastic Stack 内置远程 MCP 服务器，任何兼容 MCP 的客户端都能调用 Elastic Tool，作为更大工作流的构件。 开放 API、自动化任务和工作流，均需在企业级信任体系下运行。上述所有能力都继承了 Elastic 现有的安全控制，如 RBAC 和 API Key 管理。 由此构建完整的 AI 生命周期。Elastic 将持续提供接口，让你轻松构建基于自身数据的对话式 AI 与自动化工作流。更多技术细节和进展，敬请关注。
64921编辑于 2025-09-29 - 来自专栏GoCoding
AI 编程工作流与协同范式
本想就实际需求来说一下我是怎么用 AI 编程的，怎么与 AI 对话的，分享一下我的经验。但与它聊了几句工作流，发现它说得可真不错。那就看看我问了 AI 什么，它又回复了什么。来，一起学习吧。 我的 AI 编程工作流与协同范式，都在问题里了。而 AI 的回答则做了进一步的阐述，你也可以这样提问试试。一问：AI 怎么用好？AI 的 MCP 或 Skill 本质是不是优化描述做输入？ 二问：AI 编程工作流AI 编程，我有一套步骤，如下：需求-> 需求分析-> 技术选型 架构设计 实施目标-> AI 编程需求来了后，之后都可 AI 辅助。 二问：AI 编程工作流AI 编程，我有一套步骤，如下：需求-> 需求分析-> 技术选型 架构设计 实施目标-> AI 编程需求来了后，之后都可 AI 辅助。 ", "best_practices": "..." }}阶段三：自动化工作流用户需求 →AI需求分析师（分析需求类型） →AI架构师（选择设计模式） →AI程序员（基于模式生成代码
48010编辑于 2026-03-14 - 来自专栏明明如月的技术专栏
吴恩达：AI 智能体工作流
1.1 Agent 工作流 分享中指出不用 Agent 工作流时通过一次对话得到答案，效果往往不是很好。通过智能体工作流进行步骤拆分不断迭代，效果会更好。 但是加入智能体工作流的方式，GPT 3.5 甚至可以比单纯使用 GPT-4 的表现更好。 1.2 四种设计模式 在分享中他提出 AI 智能体的四种设计模式。 每种设计模式都体现了AI代理工作流在提高任务处理效率、增强问题解决能力方面的潜力，预示着AI技术在复杂任务处理和自动化方面的未来发展方向。 同时，他提到了对于即时反馈期望的调整，指出在使用AI智能体工作流时，我们需要学会耐心等待。 】AI智能体工作流 | Agentic Reasoning | 吴恩达Andrew Ng | 红杉AI Ascent 2024分享 | Agent 4大设计模式》
2.1K01编辑于 2024-05-24 别做 AI Agent，先用简单工作流
大家好，我是人月聊IT，今天接着AI和大模型方面的话题。 最近 Decoding ML 推出一篇文章《Stop Building AI Agents》，在海外平台引发了很多讨论。 文章痛批很多团队一上来就给大模型加记忆、角色和工具，让模型自己调度工作流，结果越做越像多米诺骨牌，一推就倒。 即在AI通用智能体或者说完善的大模型+MCP生态没有发展起来的时候，AI Agent智能体开发还会存在相当长的一段时间。 所以大家可以反过来想，不是AI Agent，而是应用程序增加了AI辅助的能力。AI Agent的本质就是一个应用程序，只是这个应用程序可以调用大模型的能力来对内容进行处理。 如果从这个角度来思考的话，AI Agent在通用智能体没有出来前仍然会存在相当长的一段时间。 所以现在的AI Agent已经没有你想的那么存粹，而更像是RPA+大模型能力的一个融合体。
44810编辑于 2025-07-14- 来自专栏IT技术圈
练习2-9 整数四则运算 (10分)
本题要求编写程序，计算2个正整数的和、差、积、商并输出。题目保证输入和输出全部在整型范围内。
1.5K30发布于 2021-02-24 - 来自专栏XINDOO的专栏
为什么AI智能体需要工作流
如果说上篇文章是探讨如何提升单个LLM模型的能力和表现的方法，那这篇文章则着重讨论如何通过工作流的设计和实现来提升整个AI系统的协同工作效率。 就像一个优秀的团队不仅需要每个成员都很强，更需要有效的协作机制一样，我们不仅需要优化单个AI组件的性能，还需要建立起完善的工作流程来实现更大的价值。 在深入探讨工作流的具体设计和实现方法之前，我们需要先理解工作流的必要性及其为AI应用带来的关键价值。只有明确了工作流的目的和价值，我们才能设计出真正满足实际需求的解决方案。 这是因为复杂任务通常涉及多个相互关联的子任务和决策点，超出了单个AI模型的处理范围。通过工作流，我们可以将复杂问题分解为一系列较小且可管理的子任务，每个子任务都由专门的AI组件或规则负责处理。 最后总结下本文的核心观点，在AI应用中，合理的工作流设计是提升系统效能的关键，通过任务的水平拆分和垂直拆分，我们可以构建出既能处理大规模数据又能保证质量的混合工作流体系。
52910编辑于 2025-10-27 - 来自专栏cwl_Java
C++编程之美-数字之魅(代码清单2-9)
代码清单2-9 ULONGLONG Count1InAInteger(ULONGLONG n) { ULONGLONG iNum = 0; while(n !
26530编辑于 2022-11-30 642026 AI速递 | Gemini、Ideogram多模态工作流
原创文章，来源于AI技术趋势自动整理。发布前请在腾讯云开发者社区编辑器中复核标题、封面、标签和外链。 6/4/2026AI速递|Gemini、Ideogram多模态工作流1.GeminiSpark与Antigravity2.0：Google把Gemini推向后台代理工作流GoogleI/O2026的核心变化不是再发布一个聊天入口 关键词：Gemini、代理、MCP、工作流2.MicrosoftFoundry在Build2026更新：托管运行时、记忆与实时语音把Agent开发推向可配置工作流Microsoft在Build2026上更新 想快速验证效果，可以直接用ideogram.ai或HuggingFaceSpacedemo；想接入开发工作流，可以在HuggingFace接受模型gate后，通过hfauthlogin登录，再用Diffusers 关键词：文生图、开源权重、设计图、多模态5.Microsoft开源markitdown：把PDF、Office文档转成可进入AI工作流的MarkdownMicrosoft开源的markitdown解决的是一个很具体但高频的问题
26120编辑于 2026-06-04- 来自专栏云计算与大数据
深入 ServiceNow AI Experience：AI 如何重新定义运维工作流
AI 不再只是辅助，而是主导工作流执行的中枢。 二、AI Experience 的四大核心能力：让工作流具备“感知、理解与行动力” ServiceNow 将其 AI 能力抽象为四个关键模块，这其实构成了未来“智能运维系统”的雏形： 1. 也就是说： AI 不再孤立，它内嵌在流程执行链路； 数据不是报告材料，而是实时驱动工作流决策的燃料； 工作流不再静态，而是 AI 动态编排的结果。 这正是AI Native 企业架构的核心思想。 因此，更可行的路径是： 以 ServiceNow 的架构理念为蓝本，用开源 + AI Agent 框架重构“国产版 AI 工作流中枢”。 六、结语：AI 让企业工作流拥有“思考的能力” 过去 20 年，我们让系统更自动化； 未来 5 年，我们要让系统更智能化。
11310编辑于 2026-07-02 - 来自专栏云社区活动
AI 赋能，让工作流程飞起来！——开发 AI 增强型工作流程的五个关键步骤
AI 赋能，让工作流程飞起来！——开发 AI 增强型工作流程的五个关键步骤作者：Echo_Wish 你是否还在为重复性工作发愁？是否觉得数据分析、任务分配、流程优化太耗时间？ 今天，我就带大家一起，从 0 到 1 开发 AI 增强型工作流程，让你的工作流更加智能高效！ 第一步：识别工作流程中的 AI 机会想让 AI 帮你加速工作，首先要搞清楚哪些地方可以用 AI！ 第二步：收集和准备数据AI 是“数据驱动”的，数据质量决定了 AI 的效果！ 在 AI 工作流中，数据是最重要的资产。我们需要收集、清洗、预处理数据，确保它能用于训练 AI。 1. 第四步：AI 集成到工作流程中训练好的 AI 需要部署到实际业务中，才能发挥作用！ 1. 第五步：监控和优化 AI 工作流AI 不是一次性工程，它需要持续优化！ 1.
1.3K10编辑于 2025-03-30 - 来自专栏架构精进之路
AI 编程：重构工作流的思维与实践
我直接上核心观点：就是从「计算机语言描述工作流程」到「自然语言描述工作流程」的转变。 1.2 核心提炼：工作流思维 传统编程 vs Vibe Coding：开发模式的核心变革 1、传统编程：以技术实现为核心 传统编程围绕程序、程序员、软件工程三大支柱展开，具有显著特点： 入门门槛高，学习周期长 能力的新型开发模式，核心逻辑高度聚焦： 用自然语言精准描述业务需求与工作流 由 AI 自动完成代码生成、任务执行与细节处理 核心要求是使用者清晰定义 “做什么”，无需纠结技术实现路径 3、Vibe Coding 核心特征总结 1）本质是 “用自然语言定义工作流” 摆脱编程语言语法、框架的束缚，无需专业编程基础 核心门槛在于对业务流程的深度理解 重心从 “技术实现” 转向 “需求定义” 2）开发模式升级：从 三、如何正确理解重构工作流 个人对 [ vibecoding 加成下 ] 重构工作流的理解 AI 不是来当主厨的，是为了让主厨不用天天切土豆 3.1 构思全自动化工作流 关键原则：摒弃“一步到位”的完美主义
57210编辑于 2026-03-25 - 来自专栏AI
Dify 工作流集成 Tavily 实现 AI 联网搜索
想象一下，你搭建了一个智能客服，用户问"你们公司最新的产品发布了吗"，AI 却答不上来，这体验有多糟糕。解决方案就是给 AI 接上"互联网的眼睛"——搜索工具。 Tavily 是本文的主角，它专门为 AI 场景设计，返回的结果格式对大模型非常友好，减少了很多无关信息的干扰。 工作流设计思路在动手配置之前，先理清整个联网搜索的工作流程：用户提问 → 判断是否需要联网 → 调用搜索工具 → LLM 整合结果 → 返回答案最简单的实现是跳过"判断是否需要联网"这一步，直接对所有问题都执行搜索 效果验证配置完成后，点击工作流编辑器右上角的「运行」按钮进行测试。在输入框中填入测试问题："南昌今天天气怎么样"。 如果你正在构建需要回答实时性问题的 AI 应用，Tavily 是目前性价比最高的选择。
3.8K20编辑于 2026-01-16 多模态AI自动化复杂金融工作流
利用多模态AI自动化复杂金融工作流金融领域领导者正积极采用强大的新型多模态AI框架，以实现复杂工作流的自动化。从非结构化文档中提取文本一直是开发人员面临的常见难题。 为了向客户阐明财务状况，金融机构需要一个能够读取文档、提取表格并通过语言模型解释数据的工作流，这展示了AI在金融领域中推动风险缓解和运营效率提升的作用。 为金融工作流构建可扩展的多模态AI管道成功实施需要在准确性和成本之间取得平衡，并采用特定的架构选择。 工作流分为四个阶段：将PDF提交给引擎、解析文档以触发事件、并发运行文本和表格提取以降低延迟、生成可读性摘要。 当然，任何为金融等敏感工作流部署AI的人员都必须遵守治理协议。模型偶尔会产生错误，不应依赖其提供专业建议。在将其用于生产环境前，操作人员必须仔细复核输出结果。FINISHED
11210编辑于 2026-04-09【设计自定义工作流函数调用AI】
设计自定义工作流函数调用AI助手 创建一个自定义的工作流函数调用AI助手需要明确目标场景和需求。日常任务可分为信息管理、日程安排、内容生成、自动化处理等模块。 工作流的核心在于将重复性任务通过API调用AI模型实现自动化。 确定需要AI助手介入的场景，例如邮件自动回复、会议纪要生成、数据汇总分析等。 为每个场景编写清晰的提示词（prompt）模板，确保AI理解任务目标和输出格式。使用编程语言（如Python）封装这些提示词为可调用的函数。 构建模块化函数 将工作流拆分为独立函数便于维护和扩展。例如创建generate_daily_report()函数处理日报生成，schedule_meeting()函数协调日历安排。 多步骤任务可采用链式调用，例如先让AI提取邮件关键信息，再根据信息生成回复草稿。
44510编辑于 2025-08-28企业AI落地：数据瓶颈与代理工作流
知识是存在的，但被封锁、标记不一致，且对任何AI工作流都不可见。 在托管方面，Anthropic的Cowork 将相同的代理能力带给非开发人员：无需编写代码即可进行文件管理、任务自动化和重复性工作流执行。 代理式AI改变一切，除了数据问题从单提示AI到代理式工作流的转变，是当前企业AI中最重大的结构性变化。代理系统不仅仅回答问题。 从一开始就正确设置治理的组织（明确的工作流所有权、版本跟踪、定义的审批检查点和内置的审计日志）不仅在管理风险，还在构建结构性护城河。 获胜的组织不会在接触AI之前进行多年"先把数据弄对"的转型。它们运行紧凑的、嵌入式的实验，将特定的运营摩擦转化为可重复的AI工作流，使用已经结构化和可用的那部分历史数据，然后从那里扩展。
17010编辑于 2026-04-23
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