- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
7-4 悄悄关注 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/97864803 7-4 悄悄关注 (25 分) 新浪微博上有个“悄悄关注”，一个用户悄悄关注的人
1.1K10发布于 2019-11-08 - 来自专栏刷题笔记
7-4 字符串排序
点这里 7-4 字符串排序 本题要求编写程序，读入5个字符串，按由小到大的顺序输出。 输入格式： 输入为由空格分隔的5个非空字符串，每个字符串不包括空格、制表符、换行符等空白字符，长度小于80。
94510发布于 2019-11-08 - 来自专栏刷题笔记
7-4 树的遍历 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102924283 7-4 树的遍历 (20 分) 给定一棵二叉树的后序遍历和中序遍历，请你输出其层序遍历的序列
75210发布于 2019-11-07 - 来自专栏刷题笔记
7-4 括号匹配 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101472923 7-4 括号匹配 (25 分) 给定一串字符，不超过100个字符，可能包括括号
1K30发布于 2019-11-08 - 来自专栏数据结构和算法
7-4 学生成绩排序 (15分)
7-4 学生成绩排序 (15分) 输入格式: 输入一个正整数n(n<50)，下面n行输入n个学生的信息，包括：学号、姓名、三门课程成绩（整数）。
43110编辑于 2023-11-30 - 来自专栏算法与数据结构
PTA 7-4 排座位（25 分）
7-4 排座位（25 分） 布置宴席最微妙的事情，就是给前来参宴的各位宾客安排座位。无论如何，总不能把两个死对头排到同一张宴会桌旁！
1.6K90发布于 2017-12-29 - 来自专栏freesan44
PTA 7-4 素数等差数列 (20 分)
2004 年，陶哲轩（Terence Tao）和本·格林（Ben Green）证明了：对于任意大的 n，均存在 n 项全由素数组成的等差数列。例如 { 7，37，67，97，127，157 } 是 n=6 的解。本题就请你对给定的 n 在指定范围内找出一组最大的解。
40000发布于 2021-09-10 - 来自专栏刷题笔记
【2020HBU天梯赛训练】7-4 稳赢
7-4 稳赢 大家应该都会玩“锤子剪刀布”的游戏：两人同时给出手势，胜负规则如图所示： ? 现要求你编写一个稳赢不输的程序，根据对方的出招，给出对应的赢招。但是！
52710发布于 2020-06-23 - 来自专栏freesan44
PTA 7-4 最近的斐波那契数 (20 分)
=1。所谓与给定的整数 N 最近的斐波那契数是指与 N 的差之绝对值最小的斐波那契数。
48510发布于 2021-09-10 - 来自专栏freesan44
PTA 7-4 素数等差数列 (20 分)
2004 年，陶哲轩（Terence Tao）和本·格林（Ben Green）证明了：对于任意大的 n，均存在 n 项全由素数组成的等差数列。例如 { 7，37，67，97，127，157 } 是 n=6 的解。本题就请你对给定的 n 在指定范围内找出一组最大的解。
39120编辑于 2021-12-06 - 来自专栏刷题笔记
【未完成】7-4 集合相似度 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102727480 7-4 集合相似度 (25 分) 给定两个整数集合，它们的相似度定义为：
63610发布于 2019-11-07 - 来自专栏老齐教室
AI 项目落地杂谈
人工智能（AI）项目的“落地”问题，现在谈论的比较多，我也来凑个热闹，不过，我不是从宏观角度来讲，而是从具体实施过程讲讲个人体会。 首先，AI 工程师要有能力且勇敢地将项目真实情况讲出来。 如果项目管理者对某个 AI 技术的细节不很了解，而是凭借浅显的认知决定要在项目中使用，那么，AI 工程师是不是能够协助项目管理者做深入的可行性研究呢？ AI 工程师要有能力进行评估 这对多数 AI 工程师来讲，是一个挑战。因为评估一个项目是否可以使用某项 AI 技术，不仅仅是技术本身，还要考虑项目的其他问题，比如成本、运营、人员、时间等等。 仅仅就 AI 技术而言，也要求 AI 工程师除了知道某项技术之外，比如某个神经网络框架，还要能够凭借自身对项目的理解，以更开阔的视野来理解项目的关键，从而才能不局限于某个神经网络框架的限制。 在项目中是否使用 AI 技术？使用哪种技术？怎么使用？结果会如何？为项目带来什么价值？所以，如果一名 AI 工程如果要有能力对项目进行评估，需要掌握和具备比较全面的的知识和技能以及相关能力。
54510编辑于 2022-12-09 - 来自专栏freesan44
PTA 7-4 最近的斐波那契数 (20 分)
=1。所谓与给定的整数 N 最近的斐波那契数是指与 N 的差之绝对值最小的斐波那契数。
60810编辑于 2021-12-06 Spring AI 项目介绍
Spring AI 是一个为开发 AI 应用程序提供 Spring 友好的 API 和抽象层的项目。 它将 Spring 生态系统的设计原则（如可移植性和模块化设计）应用到 AI 领域，并促进使用 POJO 作为 AI 应用程序的构建块。 核心理念 ❝ 在其核心，Spring AI 解决了 AI 集成的根本挑战：将您的企业「数据」和「API」与「AI 模型」连接起来。 聊天、嵌入Azure OpenAIspring-ai-azure-openai聊天、嵌入、图像AWS Bedrockspring-ai-bedrock聊天、嵌入Google Geminispring-ai-vertex-ai-gemini 聊天、嵌入Ollamaspring-ai-ollama本地部署聊天模型DeepSeekspring-ai-deepseek聊天、嵌入Minimaxspring-ai-minimax聊天智谱AIspring-ai-zhipuai
96110编辑于 2025-07-07浅谈AI agent项目
此文主要讲解ai项目集成心得体会个人感觉ai项目与正常开发并无太大区别，你可以理解为就多了一些依赖引入，多了些编码的固定格式。主要涉及几大板块区别，一个是模型引入，即你想使用什么LLM作为基座。 第一个模型引入，简单来说就是需要接入我们的大语言模型，作为我们整个agent项目的衔接。 识别是否为tools—》按描述进行对应接口调用—》结果返回给模型—》模型根据数据整理返回结果答复RAG（检索增强）：就是为了实现使用数据引入，让LLM能够知道你的公司的私有数据，然后进行相应答复，比如你公司项目是业财系统
20820编辑于 2026-04-13- 来自专栏freesan44
PTA 7-4 胖达与盆盆奶 (20 分)
大熊猫，俗称“胖达”，会排队吃盆盆奶。它们能和谐吃奶的前提，是它们认为盆盆奶的分配是“公平”的，即：更胖的胖达能吃到更多的奶，等胖的胖达得吃到一样多的奶。另一方面，因为它们是排好队的，所以每只胖达只能看到身边胖达的奶有多少，如果觉得不公平就会抢旁边小伙伴的奶吃。
50630编辑于 2021-12-06 - 来自专栏freesan44
PTA 7-4 胖达与盆盆奶 (20 分)
大熊猫，俗称“胖达”，会排队吃盆盆奶。它们能和谐吃奶的前提，是它们认为盆盆奶的分配是“公平”的，即：更胖的胖达能吃到更多的奶，等胖的胖达得吃到一样多的奶。另一方面，因为它们是排好队的，所以每只胖达只能看到身边胖达的奶有多少，如果觉得不公平就会抢旁边小伙伴的奶吃。
36600发布于 2021-09-11 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-4 求数据的前n个主成分
前几个小节我们将二维样本映射到一个轴上，使得映射后的样本在这个轴上的方差最大，通过公式推导将求方差最大转换为最优化问题，进而使用基于搜索策略的梯度上升法来求解。下图红色的轴就是使用梯度上升法求解出来的第一个主成分。
70940发布于 2019-11-13 AI 项目如何避免“烂尾”？怎么选择才能让AI项目长期奔跑？
据MIT的研究显示，高达95%的生成式AI试点项目未能实现预期价值。场景和模型越来越多，如何在算法的“汪洋大海”中选择最适合的那一个，成了摆在所有团队面前的巨大困境。 从硬件适配到成本控制，性价比已成为决定项目生死的最关键因素。无数AI项目从雄心勃勃开始，最终却在模型选型错误、工程化落地困难、成本失控中悄然“烂尾”。为何选错模型？ 能长期奔跑的项目，做对了什么？那些能将CV项目持续运营并创造价值的公司，通常跳出了单纯的技术比较，形成了一套系统化的方法论。首先，他们极度关注场景而非技术炫技。 当选择模型不再是令人头疼的“赌博”，而变为有数据支撑、有平台赋能的科学决策时，更多的AI项目才能驶离“烂尾”的险滩，抵达价值创造的彼岸。 这或许正是像Coovally这样的平台，在AI时代带给开发者和企业最宝贵的礼物。需要AI算法，或是需要AI解决方案的朋友，可以扫描二维码，我来给你提供解决方案！！
25510编辑于 2025-12-02AI Agents Masterclass 项目文档
项目标题与描述AI Agents Masterclass 是一个全面的AI代理开发教程项目，旨在展示如何利用大型语言模型(LLM)与外部系统交互，实现业务流程自动化。 项目包含多个功能模块，如Asana任务管理、Google Drive文档处理、Slack消息交互等，通过实际案例演示AI代理的强大能力。 ai-agents-masterclass创建虚拟环境：python -m venv ai-agents-masterclass激活虚拟环境：# Windows. \ai-agents-masterclass\Scripts\activateMacOS/Linuxsource ai-agents-masterclass/bin/activate安装依赖：pip install : str ="today") -> str: """ 在Asana中创建任务 参数: task_name: 任务名称 project_gid: 项目
39410编辑于 2025-07-24
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