- 综合排序
- 最热优先
- 最新优先
- 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。
42710编辑于 2025-02-19 - 来自专栏以终为始
7-8 Left-pad （20 分)
7-8 Left-pad （20 分) 根据新浪微博上的消息，有一位开发者不满NPM（Node Package Manager）的做法，收回了自己的开源代码，其中包括一个叫left-pad的模块，就是这个模块把
58310编辑于 2023-03-09 day 7-8 GEO数据挖掘
数据从哪里来：GEO NHANES(临床) TCGA ICGC CCLE SEER（临床
65610编辑于 2025-08-15- 来自专栏刷题笔记
7-8 阅览室 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/99688636 7-8 阅览室 (20 分) 天梯图书阅览室请你编写一个简单的图书借阅统计程序
73510发布于 2019-11-08 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。
35610编辑于 2026-03-13- 来自专栏萌海无涯
centos 7-8重置root密码
引导至GRUB菜单并进入编辑模式。使用箭头导航至通常从中引导 Centos 7 Linux系统的菜单项。按下e以开始编辑所选菜单项。
1.9K10发布于 2021-02-24 - 来自专栏刷题笔记
7-8 堆栈模拟队列 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/97869472 7-8 堆栈模拟队列 (25 分) 设已知有两个堆栈S1和S2，请用这两个堆栈模拟出一个队列
1.2K20发布于 2019-11-08 - 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
48110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ReganYue's Blog
【PTA】7-8 到底有多二 (15分)
一个整数“犯二的程度”定义为该数字中包含2的个数与其位数的比值。如果这个数是负数，则程度增加0.5倍；如果还是个偶数，则再增加1倍。例如数字-13142223336是个11位数，其中有3个2，并且是负数，也是偶数，则它的犯二程度计算为：3/11×1.5×2×100%，约为81.82%。本题就请你计算一个给定整数到底有多二。
81230发布于 2021-09-16 - 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 - 来自专栏刷题笔记
【未完成】7-8 最长有效括号串 (20 分)13分
本文链接：https://blog.csdn.net/shiliang97/article/details/101473397 7-8 最长有效括号串 (20 分) 给定一个只含左右小括号的括号串序列
52230发布于 2019-11-08 - 来自专栏ReganYue's Blog
【PTA】7-8 显示菱形 (10point(s))
请编写函数，输入菱形的行数和组成菱形的字符，输出对应的菱形图像。 输入样例 5 $ 输出样例 $ $$$ $$$$$ $$$ $ 要求：若行数小于等于 0，则输出 None；若行数是偶数，则输出Error。 #include int main() { int n; char c; scanf("%d %c",&n,&c); if(n<=0) printf("None"); else if(n%2==0) printf("Error"); else { int m=n/2+1;
40820发布于 2021-09-16 - 来自专栏刷题笔记
7-8 汉诺塔的非递归实现
点这里 7-8 汉诺塔的非递归实现 借助堆栈以非递归（循环）方式求解汉诺塔的问题（n, a, b, c），即将N个盘子从起始柱（标记为“a”）通过借助柱（标记为“b”）移动到目标柱（标记为“c”），并保证每个移动符合汉诺塔问题的要求
1.2K10发布于 2019-11-08 - 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 - 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
57310编辑于 2026-03-25 - 来自专栏刷题笔记
【未完成】7-8 社交集群 (30 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102727534 7-8 社交集群 (30 分) 当你在社交网络平台注册时，一般总是被要求填写你的个人兴趣爱好
56300发布于 2019-11-07
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