- 综合排序
- 最热优先
- 最新优先
- 来自专栏blackheart的专栏
3.HTTPS工作流程
本篇并不关注SSL/TLS具体是如何工作的，只是抽象的解释下HTTPS的一个工作流程。 2. HTTPS 工作流程 ? 以上只是一个抽象的HTTPS的一个工作流程，实际上SSL/TLS所做的工作远不止这这些，更详细的解释请参考这篇文章：http://www.infoq.com/cn/articles/HTTPS-Connection-Jeff-Moser 3.
1.7K50发布于 2018-01-19 - 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。 在Kubernetes上运行和管理AI工作流程2.MLflow特点： 用于管理机器学习生命周期的平台 提供实验跟踪、模型打包、部署等功能 支持多种机器学习框架 适用于：跟踪和管理机器学习实验3.Metaflow 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 - 来自专栏运维有术
AI 编码总返工？OpenSpec 最佳实战：3 步工作流 × 3 种场景，新老项目通用
图 1：OpenSpec 3 步工作流 × 3 种场景概览 你用 AI 编码助手写功能，有没有遇到过这种情况：需求描述了一通，AI 理解成了另一个意思，写出来的代码完全不是你要的。 ，形成闭环： /opsx:propose → /opsx:apply → /opsx:archive 图 3：propose → apply → archive 核心三步工作流 下面用三个场景分别演示 3. 场景一：新项目从零开始 图 4：新项目从零开始的完整工作流 新项目的特点是：没有历史包袱，规范从零搭建，每次功能迭代都会让系统规范更加完整。 假设你要启动一个新的待办事项应用。 OpenSpec 专门为这种情况设计了 Brownfield 工作流。 总结 OpenSpec 的三步工作流，本质上做了一件事：让你和 AI 在写代码前花几分钟对齐需求，省去后面几小时的返工。
4.8K21编辑于 2026-04-01 - 来自专栏运维有术
OpenSpec vs Superpowers：2 套 AI 编码工作流，3 个场景怎么选？
问题不在 AI 本身，在于缺少一套规范的工作流来约束它。 : | 密码重置 SHALL 通过邮件发送一次性链接， 链接有效期 15 分钟 DAG 工件依赖图：自动排执行顺序 OpenSpec 内部用了一个 DAG（有向无环图）来管理工作流的依赖关系 ，不是硬约束 子 Agent 功能依赖平台支持 - 不是所有 AI 工具都支持派遣子 Agent 图 3：Superpowers 14 个技能的工作流管道 3. 场景 A：大型企业项目的需求变更管理 背景：一个运行了 3 年的 Java 微服务项目，50+ 模块，团队 8 个人。产品经理每周提 3-5 个需求变更，每个变更影响 3-8 个模块。 如果你也在用 AI 编码工具做项目开发，你目前的工作流是什么样的？评论区说说你的经验，看看大家是不是踩了同样的坑。 好啦，谢谢你观看我的文章，如果喜欢可以点赞转发给需要的朋友，我们下一期再见！
10.3K11编辑于 2026-04-01 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- 来自专栏全栈程序员必看
Git工作流实战-超级干货（3）
Git 工作流实战 工作流实战 1、常见案例 基本功能 张三、李四克隆代码 张三克隆远程仓库代码 李四克隆远程仓库代码 张三、李四修改代码 张三拉取分支 feature/001 李四拉取分支 feature 代码实战 张三、李四修改 master 分支的同一行代码 李四推送代码失败处理 解决冲突 重新推送 画图实战 新建项目 面向版本稳定迭代项目的中小型团队的 GitFlow 工作流实战 工作流实战 ) before pushing again. hint: See the 'Note about fast-forwards' in 'git push --help' for details. （3） git init git remote add origin http://192.168.125.6/OA/demo1.git touch test1.txt touch test2.txt （3） release/v1.0.0 git add --all git commit -m 'fix bug by zhangsan' git push origin release/v1.0.0 （3）
68820编辑于 2022-06-29 - 来自专栏时悦的学习笔记
3.Oracle Data Guard 工作流程
Data Guard作为Oracle提供的一个高可用及灾备解决方案,理解并可以实施它对于DBA来说是非常重要套的技能 上节讲了一些Data Guard的一些概念和参数，这节讲述Data Guard整个的工作流程 redo data实时传输到所有路径,Network Server ASYNC (NSAn)进程读取ORL数据并传输给备库的RFS进程 注意：NSSn在12c才出现，之前版本使用LNS 进程 备库端: 3. LGWR进程将log buffer的数据写入Online redo log 3. 当OLR填满或者切换时，归档进程(ARC0)会复制ORL到归档日志 4. standby_archive_dest会生效 如都未设置Oracle会自动将standby_archive_dest设置为$ORACLE_HOME/dbs/arch 路径 ---- 好了，关于Oracle Data Guard的工作流程就这么多了
67520发布于 2020-08-19 - 来自专栏MixLab科技+设计实验室
3个增长主管的AI工作流案例分享@ElevenLabs 增长主管 Luke Harries
案例一： 利用 AI 生成案例研究和营销素材 应用场景： ElevenLabs 利用 AI 工作流来自动化和加速客户案例研究和相关营销素材（如推文、领英帖子）的生成。 价值： 该流程非常快速，能够将短暂的访谈（例如 3 分钟的对话）迅速转化为完善的案例研究和推文。它简化了营销素材的制作，并且由于自动化了部分后续步骤，确保了内容生产引擎持续运转。 案例三： 通过 MCP 连接 AI 与 WhatsApp 应用场景： 利用MCP的框架，将 AI 助手（如 Claude）连接到个人的 WhatsApp 消息和群组，以便 AI 能够查询信息、总结对话， 这使得用户可以在 AI 聊天界面中直接使用自然语言与 WhatsApp 数据和功能进行交互。 价值： 使得 AI 能够访问和处理个人的 WhatsApp 数据。能够快速总结大量群组消息。 能够将不同的 AI 工具（如处理消息的 AI 和生成语音的 AI）串联起来使用。这个案例的价值更多体现在增强了 AI 处理个人通信数据的能力和效率，而非具体的金钱节省，但可以间接带来时间节省。
17710编辑于 2026-03-24 - 来自专栏GoCoding
AI 编程工作流与协同范式
AI，尤指大模型，从 ChatGPT 横空出世到如今才过 3 年，但它对生活与工作却已产生了方方面面的影响。今天，要聊的就是 AI 编程。 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。 3. 错误处理必须使用Result类型3. API响应必须符合OpenAPI规范## 安全要求：1. 所有用户输入必须验证2. 密码必须bcrypt哈希3. 性能问题瓶颈位置优化方案预期改进3.
47910编辑于 2026-03-14 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。 3. 计划算法（Planning） 定义：计划算法使AI代理能够设计一系列有序的步骤来解决复杂问题，这通常涉及到前瞻性思维和策略规划。 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。
44710编辑于 2025-07-14- 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。 , "conversation_id": "ec757c6c-c3ed-4a83-8e2c-756238f008bb"}# 获取完整对话GET kbn://api/agent_builder/conversations /ec757c6c-c3ed-4a83-8e2c-756238f008bb自定义 Agent开发者也可通过简单 API 创建自定义 Agent，封装特定指令、工具、数据访问，打造专属推理引擎。 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。 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 - 来自专栏媒矿工厂
W3C: 媒体工作流集成 (1)
Cronan, Bruce Devlin 内容整理：王珅 目录 浏览器无损 UHD 视频 制片元宇宙 工作流中的元数据 浏览器无损 UHD 视频 本次分享的主持人为来自 W3C/SMPTE 网络专业媒体制作联合研讨会主席 现在几乎所有的电影公司都将他们的一些工作流程转移到了公共云端上。 所以主讲人认为专业媒体拥抱网络平台的时机已经成熟。 该文件存储在 S3 上，并通过 CloudFront 分发。视频的质量将取决于你的可用带宽，但鉴于所涉及的比特率，不太可能是原始视频。 主讲人相信现在是专业工作流程拥抱网络平台的好时机。网络可以支持专业的编解码器和格式，专业媒体正在向云端转移。当然目前仍有一些差距。例如，网络平台确实缺乏对高动态范围和宽色域图像的支持。 http://mpvideo.qpic.cn/0bc3w4aasaaauyacaisq6jrfbn6dbg3qacia.f10002.mp4?
79420编辑于 2022-04-11 - 来自专栏小工匠聊架构
Kafka - 3.x 图解Broker总体工作流程
根目录下创建/kafka，方便管理） zookeeper.connect=hadoop102:2181,hadoop103:2181,hadoop104:2181/kafka Kafka Broker总体工作流程 Controller谁先启动注册，谁说了算 3. 由选举出来的Controller监听brokers节点的变化 4. Controller决定leader选举 5. partitions/0/state {"controller_epoch":24,"leader":102,"version":1,"leader_epoch":18,"isr":[102,103,104]} 3） num.replica.fetchers 副本拉取线程数，这个参数占总核数的50%的1/3。 num.network.threads 默认是3。数据传输线程数，这个参数占总核数的50%的2/3。
67231编辑于 2023-10-29 - 来自专栏3D可视化
3D建模之建筑建模工作流程
每个工程师的建模水平不同，做出来的模型也各有千秋，在平台上运行起来效果就会不一样，可从外形、运行速度、实际应用程度来考量，不过thingjs平台有免费海量模型以及3D建模服务、建模团队，当然我们更多的是鼓励大家自己动手操作 (3)打开渲染面版，滤镜设置为Catmull-Rom。 (4)渲染尺寸为720*576或720*404，高清画面为1920*1080,比例为1.067。 (3)材质不设，根据制作物体来设，有趣、远景分别最终生成一个复合文件，单独镜头根据镜头本身而定，起名明确。 (4)调入CAD地形，中心位于MAX空间中轴位置，与地平线高度统一Z轴为0。 有3D建模基础相信建筑建模难不倒你的对不对，thingjs平台http://www.thingjs.com/支持大家上传自己的模型，进行可视化开发，具体可以上平台运行起来试一试哦~
1.4K11发布于 2019-12-13 高效办公｜从0到1搭建可复用AI工作流，每天省出3小时
本文结合自身3个月的实战复盘，分享一套适配所有职场人的高效工作流，无需复杂技术，只需掌握「ChatGPT+Quick Prompt+ChatExcel」的组合玩法，搭配定制化Prompt模板，就能将数据处理 一、核心工具与组合逻辑（新手友好，零成本/低成本）这套工作流的核心是“让AI承担机械步骤，人专注决策与优化”，选用的工具均为易上手、高适配类型，无需付费高级版即可满足日常需求，组合逻辑如下：核心AI引擎 3. 实战复盘总结这套工作流我已持续使用3个月，从最初的“摸索尝试”到现在的“熟练复用”，核心收获有3点：1. 四、延伸应用与总结除了“会议纪要+数据汇报”，这套工作流还可延伸至多个高频场景： - 邮件撰写：用Quick Prompt保存“商务跟进邮件”“拒绝邮件”模板，输入核心信息（如跟进客户、拒绝理由），AI 这套「ChatGPT+Quick Prompt+ChatExcel」的组合工作流，无需复杂技术，新手也能快速上手，核心逻辑是“把机械劳动交给AI，把精力留给决策与创造”。
1K10编辑于 2026-04-16- 来自专栏设计模式
Anthropic官方：AI智能体的 3 种工作流 和 5 种多智能体协同模式
AI 智能体的核心价值在于自主决策与复杂任务求解，而工作流与协同模式则是为这种自主性赋予结构化、可落地的执行框架。 本文结合 Anthropic 官方的两篇博客系统梳理出来了 3 类主流工作流模式与 5 种多智能体协同范式。 3. 评估-优化器工作流（Evaluator-Optimizer） 生成器+评估器迭代循环，评估器按标准反馈，生成器持续优化，直至达标或达最大迭代数。 3. 智能体团队（Agent Teams） 协调节点+常驻工作智能体，从任务池领任务，长期保留上下文与领域经验。 适用：独立长时任务、需持续上下文（大规模代码库迁移、多服务并行改造）。 总结 AI 智能体的落地成败，不在于架构多复杂，而在于精准匹配业务需求。 工作流：用顺序、并行、评估-优化为自主性定框架，平衡可控性与灵活性。
1K10编辑于 2026-04-22 - 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。 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 AI的角色：代码生成器、任务执行者、细节处理者 3）适用场景清晰划分 高度适配场景：MVP 产品快速验证、内部工具开发（数据处理、文件整理等）、创意方案原型测试 暂不适用场景：复杂业务逻辑开发（需人工决策与逻辑校验 3、异常与边界处理严重缺失 核心现象 AI 生成的代码在“理想流程（Happy Path）”下表现完美，但缺乏对异常场景的应对能力，一旦出现意外情况便直接崩溃。 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
57110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。 确保你具备以下条件：Dify 环境：可以是 Dify 云服务，也可以是自部署版本，版本建议 0.6.x 及以上Tavily 账号：需要注册并获取 API Key大模型配置：本文使用 DeepSeek-V3， 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 如果搜索结果信息不足，诚实告知用户3. 语言简洁清晰，直接回答问题4. 如果涉及时效性信息（天气、新闻等），注明信息来源时间5. 从运行结果可以看到，AI 成功返回了实时的天气信息：根据联网搜索结果，南昌今天的天气情况如下：天气状况：阴转晴，温度 3~12°C，西北风 1 级，湿度 63%，紫外线无，气压 1023hPa。
3.8K20编辑于 2026-01-16
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