- 综合排序
- 最热优先
- 最新优先
- 来自专栏前行的CVer
大模型Agent
PanelGPT💡: 💁🏼🎤 (👾💬) (🤖💭) (🤯🗯) 受到“三个臭皮匠，赛过诸葛亮”启发，设计one-shot的例子，让多个LLM同时给出答案，然后再用一个LLM打分，做决定。他们使用的prompt：3 experts are discussing the question with a panel discussion, trying to solve it step by step, and make sure the result is correct and avoid penalty:，这个prompt的效果要优于Let's think step by step:。
35710编辑于 2024-05-15 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-5 超参数
在前面我们随机的指定参数k的值，究竟k的值为多少的时候，模型才是最好的呢？这就涉及到了机器学习领域非常重要的问题~超参数问题。 我们将这些在运行机器学习算法之前需要指定的参数，称之为超参数。 和超参数相对应的概念就是模型参数，模型参数就是在模型训练过程中，机器学习算法根据训练样本学习到的参数。 其实可以简单理解： 超参数，需要在使用机器学习算法之前指定的数值，指定不同的数值可能为模型带来不同的泛化能力，使用机器学习算法相同，但是其中的超参数不同，也可以认为是两种不同的模型，因此可以看出超参数还是很重要的 ； 模型参数，模型在训练的过程中根据训练集学到的参数。 根据我们任务的不同，最好的超参数和经验数值是不一样的，这种情况下就只能使用实验搜索的方式了，也就是说我们尝试几种不同的超参数，比如在kNN算法中，我们制定几个不同k的值，最终选择表现最好的k的值作为实际模型所使用的的超参数的值
76730发布于 2019-11-13 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程4-5：LM模型+数值+因子+PCA协变量
「飞哥感言：」 ❝从开始介绍plink做GWAS数据的质控，到构建模型，到定义协变量，已经灌了很多水，这篇是plink做GWAS的结尾，因为plink做GWAS只有两个模型可以用：GLM和logistic 而现在GWAS更多使用LMM模型，这个模型plink没法做，以后几篇介绍GEMMA的操作方法。 ❞ 1. 结论 plink中一般线性模型（LM），linear可以支持数值协变量，因子协变量（经过转化），pca等等，这些过程都可以通过R语言的lm函数复现结果。 6. 一般线性模型可以用plink做，那么混合线性模型怎么做？gemma！ gemma也可以做一般线性模型，也可以做混合线性模型。 plink只可以做一般线性模型，gemma可以利用plink的数据格式做一般线性模型和混合线性模型，这就很厉害了。 「遗憾：gemma只有linux版本，所以后面的分析在linux系统下。」
4.5K40发布于 2020-05-29 - 来自专栏服务端技术杂谈
AI Agent：模型->工具->结果->模型
Reddit上有人说，AI Agent就是：模型->工具->结果->模型。 从程序员角度来说，就是拼接参数json，调用LLM，处理返回值json。 Agent不只是聊天机器人，还需要工具，所以要先告诉Agent，你有哪些API/工具，这些工具可以做什么。 不需要用什么复杂的框架，基本上只需要串联： 用户输入目标Prompt->将提示词传递给LLM->模型决定下一步->需要工具（API调用、爬取网页、操作API）执行->将结果反馈给模型进行下一步->直到任务完成 即：模型 → 工具 → 结果 → 模型 关于记忆，先用短期记忆，比如最近几条上下文消息。 如果需要跨会话记忆，可以从持久存储获取，比如向量数据库。
16810编辑于 2026-03-11 - 来自专栏Hank’s Blog
4-5 R语言函数 split
#split根据因子或因子列表将 向量或其他对象分组 #通常与lapply一起使用 #split(参数):split(向量/列表/数据框,因子/因子列表) > x <- c(rnorm(5),runif(5),rnorm(5,1)) > x [1] 0.61008707 0.81746169 -1.09859969 -1.78134612 -1.94262725 0.99760581 [7] 0.37793960 0.05258653 0.38525197 0.46051864 -0.
93740发布于 2020-09-16 - 来自专栏大前端_Web
javascript高级程序设计(4-5)章笔记
版权声明：本文为吴孔云博客原创文章，转载请注明出处并带上链接，谢谢。 https://blog.csdn.net/wkyseo/article/details/51234909
75740发布于 2018-09-27 - 来自专栏玩转Lighthouse
玩转Hermes Agent｜云上Hermes Agent配置大模型指南
一篇文章搞懂并教你快速搭建属于自己的HermesAgent>>HermesAgent一键部署指南快捷配置（推荐）Lighthouse控制台现已支持快捷配置模型，进入应用管理页签即可快速配置主流大模型手动配置步骤一 ）获取APIKey：https://openrouter.ai/keysOpenRouter是一个模型聚合平台，通过一个APIKey即可访问200+个来自不同提供商的模型。 进阶配置配置备用模型（Fallback）当主模型遇到限流或故障时，HermesAgent可以自动切换到备用模型。 配置智能路由简单问题用便宜模型，复杂任务用主力模型，节省API开销。 Q：本地模型工具调用不生效怎么办？
3.2K65编辑于 2026-04-26 - 来自专栏运维之路
【每日一思】2022年第4-5周
一直认为理想情况下的数据运营方法应该基于“贴源层数据-》指标（至少到带有主题的流水）-》洞察-》决策-》执行”的路线，这样才能减少返工的重复性工作量。
28620编辑于 2022-03-07 - 来自专栏自然语言处理
大模型 Agent 就是文字艺术吗？
最近在技术圈里有一个很有趣的争论：大模型 Agent 是不是就是各种 Prompt 的堆叠？ 像 Manus 这样看起来很智能的 Agent，本质上是不是就是用巧妙的 Prompt 约束大模型生成更好的输出？换句话说，这是不是一门文字艺术？ 这个问题引发了业内专家的激烈讨论，观点分化明显。 但关键是：Prompt 是 Agent 系统中大模型和其他各个组件的润滑油，而不是全部。 结论：既是也不是 回到最初的问题：大模型 Agent 是不是文字艺术？ 答案是：既是也不是。 从某种意义上说，所有与 LLM 的交互最终都要通过文字（Prompt）来实现，这确实是一门语言艺术。 你觉得大模型 Agent 是文字艺术吗？欢迎在评论区分享你的观点。
27201编辑于 2025-05-24 - 来自专栏iOS面试
iOS 面试策略之算法基础4-5节
前面介绍了数组、字典、字符串、链表、栈、队列的处理和应用方法。本节将会探讨平常相对很少用到、面试中却是老面孔的数据结构：二叉树。本节主要包括以下内容：
1.1K60发布于 2021-04-20 5种大模型Agent模式
大模型中的5种AI Agent模式在大模型中，AI Agent（人工智能代理）模式是一种重要的应用方式，可以从以下几个方面来理解：1. 在大模型的背景下，AI Agent 是基于大规模预训练模型（如 GPT 等）构建的智能代理，能够利用模型的语言理解和生成能力来完成复杂的任务。 智能性：它基于大模型的强大语言理解能力，能够理解自然语言指令，并生成自然语言响应。这种智能性使其能够处理复杂的语言任务，如对话、写作、翻译等。 工作原理感知与理解：AI Agent 首先通过输入（如用户指令、环境数据等）感知外部信息，然后利用大模型的语言理解能力解析这些信息，确定任务目标。 技术负责人（Tech lead agent）、开发运维（DevOps agent）、工程师（SDE agent）：各司其职，协作完成任务。
4.9K10编辑于 2025-05-07- 来自专栏技术汇总专栏
面向 LLM Agent 的组织模型设计：多 Agent 协同的新范式
面向LLMAgent的组织模型设计：多Agent协同的新范式一、引言：为什么多Agent系统需要“组织模型”随着人工智能系统从“单智能体”向“群体智能”演进，多Agent系统（Multi-AgentSystem 为了解决这些问题，组织模型（OrganizationalModel）被引入多Agent系统设计中，用于规范Agent的结构、职责与协作方式。 二、多Agent组织模型的核心要素一个完整的MAS组织模型通常包含以下三个关键维度：角色分配（RoleAssignment）权限管理（Authority&PermissionControl）任务协同策略 未来的Agent系统，不只是“更聪明”，而是“更有组织”。多Agent系统的复杂性本质上源于“多主体协作”本身，而组织模型正是将这种复杂性工程化、可控化的核心手段。 可以说，组织模型决定了多Agent系统是否具备规模化扩展与长期演进的能力，是多Agent从“概念验证”走向“工程落地”的关键基础设施。
58410编辑于 2026-01-12 - 来自专栏NetCore 从壹开始
4-5 安装并迁移数据库：mysql
docker volume create volume_name命令新建一个数据卷
88920编辑于 2023-01-09 - 来自专栏服务端技术杂谈
Agent的瓶颈从来不是模型智力
现阶段Agent的瓶颈从来不是模型智力，失败的原因大多来自于不被模型理解的上下文，如模式/规约/问题设定等。 如今，这一层被harness包裹起来。 比如上下文的存取与管理，提示词的缓存，工具的识别与调用，上下文冗余信息的最小化，会话信息的结构化，多agent等。 通用 agent 的通用性在于 harness，如文件管理/上下文读取与加载/安全校验与审计，而专有领域 agent 的上限来源于各种 skill，这些 skill 中包含了逻辑判断/业务流程/领域知识 确定性的工具层，有助于消除模型的幻觉，可以确保 agent 可控，判断力交给模型，执行力交给工具。 为了确保 Agent 在专有业务领域下跑的更好更快，应该避免给模型讲大道理或堆砌所有的 SOP，更好的方式是提炼与沉淀业务流程，固化为 skill。
12710编辑于 2026-06-02 鸡翅-大模型与Agent开发实战
鸡翅·大模型与Agent开发实战：从入门到企业级落地的腾讯云全路径2026年，AI Agent已不再是实验室里的概念验证，而是企业降本增效、重塑业务流程的核心引擎。 本文基于鸡翅大模型与Agent开发实战体系，结合腾讯云全栈AI工具链，为你拆解从零构建智能体的完整链路。 一、Agent的本质：给大模型装上"手脚"与"大脑"如果说大模型是"大脑"，那Agent就是"大脑+手脚+记忆系统"的完整智能闭环。传统大模型擅长生成文本回答，但缺乏自主执行能力。 四、开发实战：从零搭建你的第一个Agent4.1 选基座模型国内开发者优先选择DeepSeek-V3.2，其多步工具调用能力可媲美海外顶级模型，成本降低80%。 本文基于鸡翅大模型与Agent开发实战课程体系，结合腾讯云2026年最新产品能力编写。想要5分钟搭建你的第一个AI Agent？打开腾讯云AI开发套件，从零开始。
21810编辑于 2026-06-09- 来自专栏AI SPPECH
IO竞赛2025年题目解析：基础级难度（4-5）
2025年的IO竞赛基础级（难度系数4-5）题目开始涉及更多的数据结构和算法思想，对选手的编程能力和逻辑思维提出了更高的要求。 难度进阶路径: 入门(1-3) → 基础(4-5) → 提高(6-8) → 竞赛(9-10) 难度系数 考察重点 核心知识点 学习目标 4-5 数据结构、算法应用 栈、队列、树、图的基础应用 掌握基础数据结构的使用和简单算法的实现 ） ├── 第四章：基础级题目解题技巧总结 └── 第五章：从基础到提高的学习建议 第一章：2025年IO竞赛基础级题目概述 根据2025年NOI修订版大纲，基础级（CSP-J提高）的知识点难度系数为4-
36610编辑于 2025-11-13 - 来自专栏AgenticAI
给LLM Agent应用插上视觉模型的翅膀：封装ONNX加载的头部姿态评估模型作为Agent的工具
如果将视觉模型按照LLM工具调用方式嵌入到大语言模型应用中，给大语言模型插上视觉模型必定能让你的LLM应用更为有趣。 在深入探讨ONNX如何赋能LLM Agent以视觉理解能力之前，如果您渴望更全面地理解这一领域的核心理论与实践，以下这部著作将是您不可或缺的伴侣： 话不多说，我们先看看看论文全称：6D Rotation the yaw of head"] Roll: Annotated[float, "the roll of head"] 然后通过autogen的register_function将函数注册到Agent 至此，我们已共同见证了ONNX如何为LLM Agent巧妙融入头部姿态评估模型，开启了多模态交互的新篇章。 在我们探索之旅的尾声，若您意犹未尽，渴望亲自操刀，将理论付诸实践，那么黄佳老师这本《大模型应用开发：动手做AI Agent》将是您理想的选择。 关注点赞不迷路哦！
83000编辑于 2025-03-18 - 来自专栏跟着官方文档学小程序开发
第二章 小程序开发指南4-5
小程序经常需要向服务器传递数据或者从服务器拉取数据，这个时候可以使用wx.request这个API，在本章节会重点讨论wx.request的使用和注意事项。
75310编辑于 2025-08-25 - 来自专栏喔家ArchiSelf
基于大模型（LLM）的Agent 应用开发
目前，业界一般认为基于大模型的应用集中在两个方向上：RAG 和 Agent，无论哪一种应用，设计、实现和优化能够充分利用大模型(LLM)潜力的应用都需要大量的努力和专业知识。 这种流程的潜在设计空间可能是巨大而复杂的，《如何构建基于大模型的App》一文给出了一种探索中的大模型应用开发基础框架，基本可以适用于RAG 和Agent。 但是，对于面向Agent的大模型应用开发，有没有其独特之处呢？有没有聚焦于Agent的大模型应用开发框架呢？ 那么，什么又是Agent 呢？ 1. agent program 是 agent function 的真子集 1.2 大模型领域中的Agent 在大模型领域，大模型替代了传统agent 中的规则引擎以及知识库，Agent提供了并寻求推理 小结 Agent 是与大模型主动交互的一种重要程序形式，而Multi-Agent则是多个Agent利用大模型完成复杂任务的系统机制。
8.1K33编辑于 2023-10-23 - 来自专栏深度学习自然语言处理
每日论文速递 | Agent-FLAN: Agent指令训练让开源大模型Agent能力更进一步
基于上述发现，我们提出了 Agent-FLAN 来有效地微调代理的 LANguage 模型。 实验设置：Agent-FLAN在开源的Llama2系列模型上进行了实验，这些模型在各种代理评估基准上的表现超越了以往的工作，特别是在一般代理任务和工具使用方面。 在Llama2系列模型上的微调：在不同规模的Llama2模型上应用Agent-FLAN方法，并在多个代理评估基准上测试模型的性能，包括一般代理任务和工具使用。 Agent-H基准测试：使用自建的Agent-H基准对模型的幻觉问题进行全面评估，包括格式级别和行动级别的测试。 Agent-FLAN方法：基于这些观察，论文提出了Agent-FLAN方法，旨在有效微调语言模型以适应代理任务。
1.1K10编辑于 2024-03-26
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