- 综合排序
- 最热优先
- 最新优先
- 来自专栏大内老A
WCF后续之旅(3): WCF Service Mode Layer 的中枢—Dispatcher
正如标题所述，Dispatcher是整个WCF service mode layer的中枢，本篇文章讲着重围绕着Dispatcher来展开介绍。 那么会分别利用3个ServiceEndpoint的Binding属性获取对应的Binding对象，调用Binding对象的BuildChannelListener方法创建3个ChannelListener Step 3：请求接听和消息接收 ChannelDispatcher创建之后，其Open方法会调用。 和3种instancing mode向匹配， WCF定义了3种InstanceContextProvider： System.ServiceModel.Dispatcher.PerCallInstanceContextProvider : WCF Service Mode Layer 的中枢—Dispatcher WCF后续之旅(4)：WCF Extension Point 概览 WCF后续之旅(5): 通过WCF Extension
93590发布于 2018-01-16 AI语料库智慧教学平台：用AI技术解锁语料教学新生态
而AI语料库智慧教学平台的出现，凭借前沿AI技术，把“智能语料导师”搬进课堂，让语料教学更精准、互动、可落地，彻底重构语言学习逻辑。核心技术之一是NLP语义检索与解析技术，这是平台的“语料导航大脑”。 AI动态适配与个性化推送技术，让语料学习告别“一刀切”。 对师生来说，这些技术带来的体验直观又高效：教师备课不用再熬夜找语料，3分钟就能组好适配课堂的素材包；学生打开平台，就能获得“针对性语料+实时反馈+场景练习”的闭环学习，不管是夯实基础语法，还是提升语用能力 AI语料库智慧教学平台用NLP、大数据分析等核心技术，让语料资源“活”了起来，破解了传统语料教学的效率低、匹配差、互动弱等问题。 对于渴望高效提升语言能力的师生来说，这套技术驱动的平台，正是解锁语料教学价值的关键助力。
35210编辑于 2025-10-29构建数据驱动型教学中枢：基于腾讯云大模型矩阵的教育场景升级实践
与此同时，校园缺乏能够理解教学逻辑、自动调度资源的“教学大脑”。 构建全栈AI教学能力中枢与资源调度引擎 针对上述行业瓶颈，腾讯云（主讲人：胡星）联合生态伙伴提供了一套基于大模型原子能力的微服务架构，核心定位是将AI打造为教师的“数字助教”，分担重复劳动。 该系统以腾讯云智能体开发平台（ADP）为基座，融合学校业务数据，构建了由“AI能力中枢”与“资源调度中枢”组成的统一生产与调度中心： 多模型协同调度： 集成腾讯混元大模型（涵盖MOE、turbo、large 最终帮助学校将教师从经验型教学推向数据驱动型教学，使教学决策更加科学精准。 前沿模型的深度适配与推理可视化： 课中AI数智人老师不仅支持2D、3D数字形象，且已全面支持DeepSeek V3 & R1版本，其中R1版本能够直接在教学场景中展示AI的思考过程（苏格拉底式引导），引导学生自主思考而非单纯提供答案
22010编辑于 2026-04-05- 来自专栏Y大宽
3 教学设计之ADDIE模型
这个也是整理自培训的内容，题目是面向未来的教学设计，主要讲了ADDIE模型。 我在网上收集了些资料。 eckszajm_Linda-Lorenzetti-ADDIE-Model-Elearning.jpg 1 A 分析学习需求 1.0 为什么要分析学习需求 明确学习目标 确定教学内容 设计教学策略 已有的知识会促进或阻碍学习（可能会诱发定式思维） 2 如何设计教学目标 2.1 为什么设计教学目标 指导评价 指导教学策略 指导学习 2.2 学习目标要分解 增加自信，大划小的可及的目标 目标分类（知识
2.5K20发布于 2018-09-10 - 来自专栏杂谈
Unity教学 项目3 3D坦克大战
素材导入 3. 将游戏场景预制体实例化 4. 设置场景光颜色为（29, 26, 00） 5. 设置天空颜色为（128, 110, 36） 6. 设置 camera 为正交视野，Size 为 8 正交投影：常用于 2D 游戏开发、UI 设计、建筑图纸绘制等，这些场景更关注物体实际尺寸和相对位置，不需要模拟真实 3D 空间深度感。 透视投影：广泛用于 3D 游戏、虚拟现实（VR）和增强现实（AR）等场景，能营造逼真空间感和深度感，让玩家有身临其境的体验。如第一人称射击游戏，通过透视投影呈现真实远近效果，增强沉浸感。 将烟拖动到坦克上，设置位置为（0.6, 0, -0.94）和（-0.5, 0, -0.94） 3. 坦克添加刚体组件 4. 修改 Horizontal 控制按键 3. 复制 Vertical 轴 4. 修改 Vertical 控制按键 5.
27210编辑于 2025-12-18 - 来自专栏AI大模型
基于动态知识中枢的HITL AI Agent架构全解析
最新AI大模型资料飞书免费获得 企业级HITL AI Agent系统架构设计与工程实践 引言 以下为您呈上精心撰写的企业级 Human - in - the - Loop (HITL) AI Agent 一、架构设计核心：双闭环协同引擎 graph LR A[用户请求] --> B(智能路由网关) B --> C{AI能力评估层} C -->|高置信度| D[AI执行引擎] C -->|低置信度| E[ 能力评估层 置信度计算模块（集成SHAP值、不确定性量化） 风险预测模型（金融场景加入合规性预检） 上下文一致性检测器 人工干预决策中心 分级任务派发系统（L1-L3专家支持） 上下文保持中间件（保障人工介入时的状态延续 ） 实时协作通道（AI辅助标注工具集成） 双反馈引擎 短期反馈环：实时规则注入（人工决策→规则引擎） 长期反馈环：增量训练管道（人工标注→模型再训练） 企业级知识中枢 动态知识图谱存储人工决策逻辑 案例库自动归集系统 participant D as 模型训练池 A->>B: 提交决策结果+修正原因 B->>C: 提取可规则化逻辑(即时生效) B->>D: 清洗结构化数据(进入训练队列) D->>C: 周级模型迭代更新 阶段3：
38610编辑于 2025-07-23 - 来自专栏数据魔术师
Python AI 教学 | KNN算法及应用
例如，从图2来看，如果K=3，那么离绿色点最近的3个点中有2个红和1个蓝，这三个点执行“少数服从多数”规则，于是绿点就属于红色类别。 而如果K=5，那么离绿点最近的5个点中有2个红和3个蓝，同样执行“少服多”规则，于是绿点就属于蓝色类别。 详见： http://www.runoob.com/numpy/numpy-array-manipulation.html 【3】argsort——用于对矩阵中的元素由小到大进行排序，并提取其相应的位置 运行结果： 详见： http://www.runoob.com/numpy/numpy-sort-search.html 3 KNN应用 海伦一直以来都在使用约会网站寻找适合自己的约会对象 【1】将这些数据转化为Python可读取的格式 运行结果： 【2】利用Matplotlib制作散点图，使原始数据可视化 运行结果： 【3】归一化处理 KNN
94350发布于 2019-10-18 - 来自专栏程序猿声
Python AI 教学 | KNN算法及应用
例如，从图2来看，如果K=3，那么离绿色点最近的3个点中有2个红和1个蓝，这三个点执行“少数服从多数”规则，于是绿点就属于红色类别。 而如果K=5，那么离绿点最近的5个点中有2个红和3个蓝，同样执行“少服多”规则，于是绿点就属于蓝色类别。 详见： http://www.runoob.com/numpy/numpy-array-manipulation.html 【3】argsort——用于对矩阵中的元素由小到大进行排序，并提取其相应的位置 运行结果： 详见： http://www.runoob.com/numpy/numpy-sort-search.html 3 KNN应用 海伦一直以来都在使用约会网站寻找适合自己的约会对象 【1】将这些数据转化为Python可读取的格式 运行结果： 【2】利用Matplotlib制作散点图，使原始数据可视化 运行结果： 【3】归一化处理 KNN
1.2K21发布于 2019-06-20 AI智能化教学系统
AI智能化教学系统作为这场变革的核心载体，不仅实现了教学工具的升级换代，更深刻重塑了知识传递方式与学习效果提升路径，为教育领域注入了全新活力。 本文将从系统核心功能、实践案例、伦理保障及未来展望等方面，全面解析AI智能化教学系统的创新价值与应用范式。 二、实践案例：初中物理课程的差异化教学成效某初中在物理课程中引入AI智能化教学系统，系统根据学生的操作习惯、答题偏好及测试数据，将学生分为三类群体并制定差异化教学方案：A类（动手能力强）学生增加实验模拟环节 另有试点学校调研显示，采用混合现实技术的课堂参与度高达92%，概念留存率较传统教学方式提高3倍。三、伦理边界与人文关怀：坚守教育本质在追求技术赋能的同时，系统始终坚守教育的人文本质。 AI智能化教学系统不是对传统教育的颠覆，而是以技术为翼，助力教育回归本质。在这个充满可能性的时代，教育工作者需以开放心态拥抱变革，善用技术工具提升教学效率与质量，同时坚守育人初心。
85110编辑于 2025-10-16- 来自专栏人工智能领域
《AI教学能力：开启教育新纪元》
AI 技术可以打破时空限制，为学生提供全球范围内的优质教育资源，促进教育的全球化发展。 3. 提出文章的研究目标和问题 研究目标是全面分析 AI 教学能力的各个方面，探讨其对教育的影响和未来发展方向。 虚拟助教和教学助手的功能不断丰富和完善，为教学提供了有力的支持。 3. 技术挑战与伦理考量 数据隐私与安全性：在 AI 教学中，学生的大量数据被收集和使用，保护学生数据隐私至关重要。 3. 教学效果评估 学习成果的量化分析：利用 AI 可以进行学习成果的量化分析。人工智能可以对学生的学习数据进行分析，发现学生的学习问题和不足之处。 3. 挑战与应对策略 技术整合的障碍分析：AI 技术整合到教育中面临一些障碍。 九、参考文献与代码案例 1.参考文献 [1] AI 助力的数字化教育教学方法研究与实践 [2] 人工智能在教育教学的应用范文 - 公务员之家 [3] AI 研习丨 AI 赋能教育的探索与实践 [4] AI
2.5K20编辑于 2024-12-18 AI赋能教学智能升级，规模化因材施教的技术实践与价值验证
构建AI教学闭环：资源调度到成长关怀的全场景赋能 腾讯云提供“资源调度中枢-自适应学习-动态测评-课后服务-智能作业-学情分析-成长关怀”全场景AI解决方案，核心技术依托腾讯云智能体开发平台（含RAG、 ：材料“资源调度中枢 重构课程体系”）。 动态化测评： AI智能题库：动态生题、自动审查、自适应组题，基于实时学情生成符合教学目标与难度题组；多来源融合题库（地方权威+三方精品+个人特色），保障资源质与量（来源：材料“动态化测评 AI动态出题与自适应题目推荐 学生学习个性化覆盖率：自适应学习实现“一生一策”，智能测评分层L1巩固题、L2基础题、L3提高题，错题精炼自动评估掌握情况，资源推荐精准提升薄弱点（来源：材料“自适应学习”“智能测评”）。 腾讯云致力于将AI打造成教师“数字助教”，用轻量易用降低探索门槛，循证教学放大专业智慧，以人为本分担重复劳动（来源：材料“核心服务 为教师减负，为教学赋能”）。
39920编辑于 2026-04-05StarRocks MCP Server 开源发布：为 AI 应用提供强大分析中枢
通过 MCP，不同 AI 组件可以像乐高积木一样自由组合，使 AI 变得更加智能、灵活和协作高效。 你可以把它想象成一个智能家居中控系统：MCP Host（宿主） = 智能助手（如小爱同学、Alexa）MCP Client （客户端）= 控制中枢MCP Server （服务器）= 各种设备（灯、空调、 此工具会返回表的列定义 (DESCRIBE table)、总行数 (COUNT(*)) 以及少量样本数据 (SELECT * FROM table LIMIT 3)。 NUMBER_OF_MOTORIST_KILLED,CONTRIBUTING_FACTOR_VEHICLE_1,CONTRIBUTING_FACTOR_VEHICLE_2,CONTRIBUTING_FACTOR_VEHICLE_3, CONTRIBUTING_FACTOR_VEHICLE_5,COLLISION_ID,VEHICLE_TYPE_CODE_1,VEHICLE_TYPE_CODE_2,VEHICLE_TYPE_CODE_3,
1.1K00编辑于 2025-05-17- 来自专栏算法一只狗
手把手教学，AI预测足球概率
但是实际情况来看，亚洲球队在本届世界杯，发挥都相当不错，目前取得了3胜一平的好成绩。（沙特、日本、伊朗分别赢了阿根廷、德国、威尔士）说明亚洲足球水平有明显的提升。 2.今年，巴西夺冠的概率很明显，看好今年巴西可以夺得大力神杯3.E组不愧被称为死亡之组，模型大部分都预测错了，目前来看出线形势一片混乱。
1.3K20编辑于 2024-10-12 EMQX 与 MQTT: AI 大模型时代的分布式数据中枢
在这样的背景下，MQTT Broker （基于 MQTT 协议的消息服务器）作为一个关键的数据基础设施，在数据的时代正发挥着核心中枢站的作用：接收来自物联网设备、移动应用、云平台等各种来源的消息，然后将这些消息传递给目标设备或应用程序 多协议接入的力量EMQX 凭借其支持多协议的能力，在物联网领域占据了重要位置，同时也为 AI 大模型提供了关键的数据传输路径，成为了物联网和 AI 之间的桥梁。 这样的预处理是实现高质量 AI 训练数据的关键，确保 AI 模型的输入是准确且高效的。2. 这不仅保障了数据的完整性和可追溯性，也为 AI 模型提供了可靠的数据源。3. 动态的数据流管控: 在 AI 场景中，不同的模型和算法可能需要不同格式或级别的数据输入。 3. 边缘智能的融合: 分布式系统中的数据不仅限于传输，还需要在边缘进行快速处理。
70210编辑于 2024-07-05- 来自专栏RTSP/RTMP直播相关
WAIC 2025 热点解读：如何构建 AI 时代的“视频神经中枢”？
从“对话式AI”到“感知式AI”，核心转折点就是“看见世界” 过去几年，AI 的主旋律是 ChatGPT 引领的自然语言处理与云端大模型，它们擅长理解文本、生成内容、总结知识。 二、 AI 进入“视频驱动时代”：感知输入成为核心挑战 随着 AI 从云端大模型演进到“具身智能”，感知输入的重要性正在迅速上升。 AI是否能真正落地”。 四、 面向未来：AI系统中的“视频入口层”标准化趋势 随着 AI 从“可计算”走向“可具身”，系统架构正经历深刻的演变。 如果把一个具身 AI 系统比作“智能生命体”，那么： 视频流 = 感官 视频输入模块 = 神经中枢入口 AI 模型 = 大脑 控制执行 = 肌肉 一个无法看清楚、无法快速感知外界的
35200编辑于 2025-07-28 AI如何运用在学生教学
在当今数字化时代，人工智能(AI)正在深刻改变着教育的面貌。传统教育模式往往采用"一刀切"的教学方法，难以顾及学生个体间的差异，导致教学效率低下，学习体验不佳。 随着AI技术的迅猛发展，我们有机会重构教育模式，构建个性化、精准化的学习生态系统。本文将探讨AI如何通过智能分析和个性化推荐，实现精准教学，提高学习效率，并为每位学生打造专属学习路径。 教师角色的重新定位在AI辅助教学的模式下，教师角色将发生显著转变：从知识传授者到学习引导者教师不再是单纯的知识传授者，而是转变为学习过程的引导者和促进者。 班级教学的精细化管理通过AI提供的班级整体知识图谱，教师可以识别出班级普遍存在的问题，优化课堂教学内容。同时，针对特殊需求的学生，教师可以组织小组辅导或一对一指导，实现教学资源的最优配置。 实施案例与效果展示案例：初中分层教学实践某初中英语教研组利用AI系统分析学生的听说读写各项能力，将全年级学生按能力特点分成不同小组，实施分层教学。
49710编辑于 2025-03-19- 来自专栏Tapdata
AI-Ready TapData：如何基于 MCP 协构建企业级 AI 实时数据中枢？（含教程）
通过支持 MCP（Model-Context-Protocol）协议，TapData 成为业内率先开放大模型原生对接能力的数据平台，使大模型能够直接访问和实时调用企业多源数据，逐步构建通向 AI 应用的实时数据中枢 一、TapData + MCP 架构与能力 通过支持 MCP 协议，TapData 将传统“数据同步平台”升级为面向 AI 应用的“实时数据中枢”，让大模型可以像调用 API 一样，实时访问企业核心业务数据 接入效率 周期以月计 3 天内部署上线 五、实操指南：如何通过 MCP 协议让大模型访问企业数据 如果你希望快速体验 TapData 如何作为“AI Ready 实时数据平台”支撑大模型应用，下面让我们一起来完成一次典型的动手流程 可选择 Stdio 或 HTTP + SSE 模式对接 AI Agent。 3. TapData 所做的，不是打造一个新模型，而是构建一个让所有模型都能顺畅调用、快速理解、实时获取企业数据的“智能数据中枢”。
76910编辑于 2025-05-17 - 来自专栏AI SPPECH
MCP在AI系统中的真实位置：连接模型与工具的生态中枢
1.2 MCP定位的困惑 尽管MCP已经成为AI工具调用的重要协议，但对于MCP在AI系统中的具体位置，仍存在诸多困惑： 是工具调用协议还是生态中枢？ 核心更新亮点与新要素 2.1 MCP v2.0的系统定位 MCP v2.0在AI系统中的定位可以概括为：连接模型与工具的生态中枢。它不仅仅是一种工具调用协议，更是AI系统中工具生态的核心基础设施。 3. 技术深度拆解与实现分析 3.1 MCP在AI系统中的架构位置 MCP v2.0在AI系统中的位置可以用以下架构图表示： 架构说明： 用户层：终端用户通过各种应用访问AI系统。 6.3 个人前瞻性预测 MCP将成为AI系统的标准组件：未来3-5年内，MCP将成为现代AI系统的标准组件，类似于数据库在传统系统中的地位。 结论与行动建议 7.1 结论 MCP在AI系统中的真实位置是：连接模型与工具的生态中枢。它不仅仅是一种工具调用协议，更是AI系统中工具生态的核心基础设施。
33210编辑于 2026-01-03 - 来自专栏杂谈
Unity教学 项目4 3D求生枪手
v3 = floorHit.point - transform.position; v3.y = 0; // 保持水平方向 // 计算朝向该方向的旋转 = true; // 播放粒子特效 shootParticleSystem.Play(); } } 添加敌人 添加敌人模型，并添加相应组件 设置组件 安装“AI 实现敌人跟随玩家 using System.Collections; using System.Collections.Generic; using UnityEngine; using UnityEngine.AI MyEnemyMovement.cs using System.Collections; using System.Collections.Generic; using UnityEngine; using UnityEngine.AI System; using System.Collections; using System.Collections.Generic; using UnityEngine; using UnityEngine.AI
23310编辑于 2025-12-18 AI大模型教学实践训推一体化系统：让AI教学从“理论”落地“实操”
传统AI教学常陷入“老师讲得深、学生听不懂，模型训练难、实践没法推”的困境——要么只讲算法原理，学生摸不到真实模型；要么训练好的模型没法落地应用，教学和实操严重脱节。 而AI大模型教学实践训推一体化系统，用实打实的技术打通“教学-训练-部署”全链路，让AI教学既懂理论又能实操，成为师生都能用的“硬核教学工具”。 这个系统的核心技术逻辑，是“轻量化训练+实时推理+教学联动”的闭环设计，把复杂的AI大模型技术，变成适配教学场景的易用工具：首先是“低门槛训练”技术，让学生敢上手、老师易管控。 AI大模型教学实践训推一体化系统，用轻量化训练降低实操门槛，用实时推理验证学习成果，用教学联动打通理论与实践。 未来，这套系统会让AI教学更接地气，让更多学生在实操中掌握硬核技术，真正实现“教得会、学得会、用得上”。
35510编辑于 2025-11-16
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