登录社区云,与社区用户共同成长
邀请您加入社区
用 LangGraph 构建生产级 Agent,本质上是把"做一个聪明的聊天机器人"的思维,转变成"设计一套可靠的执行系统"的思维。状态机让流程可控,工具编排让能力可扩展,错误处理让系统可生存,人工介入让风险可管理,持久化让任务可持续,可观测性让问题可定位,成本控制让业务可持续,评测闭环让质量可保障。这些工程能力没有一样是"炫酷"的,但它们才是 Agent 从 Demo 走向生产的分水岭。技术选型
<think>我们只需要根据内容生成题目列表对应的摘要?用户说“根据以下内容,生成≤150字的文章摘要”。内容是一系列题目列表,共200个。摘要应当概括这些题目,而不是具体每个题目。注意字数限制≤150字。需要生成一个关于这些题目集合的摘要。可以说明这些题目涵盖人工智能多个领域,包括计算机视觉、NLP、机器学习、推荐系统、对话机器人等,以及具体应用场景。注意中文摘要,150字内。尽可能简洁。</t
具身智能(Embodied AI / Embodied Intelligence):基于物理身体、通过多模态感知与环境实时交互,在"感知—认知—决策—行动"闭环中自主学习并完成任务的智能系统。有身体(Embodiment):智能的载体不是服务器里的参数,而是有自由度、有惯量、会受力、会磨损的物理实体——机械臂、轮式底盘、双足人形、四足机器狗,甚至无人机与手术导管。能交互(Interaction):
本文会把 ai-goofish-monitor 部署到飞牛 NAS,让 NAS 按照设定好的关键词、价格、地区、发布时间等条件持续执行监控。它和普通关键词提醒最大的区别,是抓到商品以后还可以把标题、描述和图片交给多模态模型进一步分析,再根据你写下的购买要求给出判断理由,把大量明显不符合条件的商品先过滤掉。
本章主要介绍了《Eloquent JavaScript》 · 07-项目-机器人,是本书的第一个项目,将前面讲的很多东西都串起来了,也借机引入了图这种数据结构以及图的遍历方法,最短路径等思想,循序渐进,挺有趣的一个项目。【刚总结好时发布不了,【发文上限了】第一次使用定时发布,发现一个csdnbug:定时发送即使在另一天,如果你发文上限了,也无法使用定时发送功能】
微信公众号:搜一搜“aigcbiye”如果你正在写论文,大概率经历过这样的时刻:对着空白文档发呆半小时,一个字没敲;好不容易憋出几千字,一查重直接红了一片;导师的批注比你的正文还长……毕业论文这场仗,打的是体力,更是方法。今天要聊的这个平台叫(官网,微信公众号搜一搜 AIGCbiye)。它不是那种你问一句它答一句的聊天机器人,而是一个。翻译成人话:它懂论文,懂流程,懂你卡在哪一步。
2026年,大语言模型(LLM)Agent已从实验室走向生产环境。从AutoGPT到BabyAGI,从LangChain到自主框架,Agent的核心范式日趋统一:规划(Planning) + 记忆(Memory) + 工具调用(Tool Use)。其中,工具调用是将LLM从“聊天机器人”升级为“行动体”的关键一跃。然而,现实开发中,我们面临一个尴尬的困境:每个开发者本地都有大量沉淀多年的Pytho
这篇文章记录了一个开发者从构思到实现为个人Hexo网站添加AI助手的过程,重点分享了技术决策、踩坑经验和工程复盘。最初设想是简单的聊天机器人,但考虑到幻觉、不可验证性和费用问题,最终确定为基于RAG的封闭知识库助手。架构上采用BM25检索、DeepSeek生成、Cloudflare Serverless部署,通过缓存和预算控制实现可用性。文章详细剖析了检索评分校准、中文分词优化、页面上下文感知等关
机械臂自主抓取是机器人学中的核心问题,传统方法依赖精确的逆运动学求解与手工设计的控制器,在非结构化环境中鲁棒性不足。近年来,深度强化学习(Deep Reinforcement Learning, DRL)与视觉感知的结合为机械臂抓取提供了端到端的学习框架,使得机器人能够在复杂环境中自适应地学习抓取策略。本文以PyBullet仿真平台为基础,系统性地构建了一套基于近端策略优化(Proximal Po
四足机器人在非结构化环境中的运动控制是机器人学的核心挑战之一。传统的模型预测控制(MPC)与全身控制(WBC)依赖精确的动力学模型,在复杂地形中泛化能力受限。近年来,深度强化学习(DRL)与GPU并行物理仿真的结合为该领域带来了革命性突破。本文深入剖析基于NVIDIA Isaac Gym、RLPG框架和MuJoCo物理引擎的四足机器人步态控制解决方案,系统阐述环境构建、域随机化、奖励函数塑形、基于
摘要: 制造业设备巡检正加速向工业4.0转型,从人力巡检转向基于数字员工与智能硬件的自主感知模式。选型重点从物理参数转向数据采集能力的全维度评估,涵盖传感器精度、跨系统协同及边缘AI解析能力。主流方案分为两类:以实在Agent为代表的端到端智能自动化流派,通过大模型实现异常自主决策与业务闭环;以四足机器人、多模态轮式机器人为核心的特种硬件流派,专注于复杂环境的高精度数据采集。随着大模型落地技术成熟
摘要: 本文介绍了Agent的核心原理与实现,重点围绕ReAct(Reasoning+Acting)框架展开,通过思考→选工具→执行→反馈的闭环完成多步任务。理论部分阐述了Agent与聊天机器人的区别,强调工具调用(如天气查询、计算器)和结果回灌的必要性,并解析了约束模型输出的方法(固定格式、Stop Sequence、正则解析)。实战部分展示了一个Mini-ReAct Agent的实现,包含工具
公开报道显示,他于2025年年中从字节跳动离职,最终加盟小米,主要负责机器人基础具身模型的研发。据IT之家援引"大厂青年"公众号消息,在近期一场内部会议上,小米高层对其给出了"远超预期"的评价。此次把"大脑"(大模型)与"身体"(硬件本体)团队从组织层面打通,被视为小米机器人从"分兵试探"转向"统一指挥"的关键一步。据三言科技、IT之家等媒体报道,小米机器人事业部在8月7日前后完成一轮组织调整,内
Loader统一标准化:多源数据统一转为Document,一套逻辑适配所有知识库语义分割是核心:用中文标点优先分割+重叠冗余,平衡长度与语义完整Cheerio简化爬虫:CSS选择器替代复杂正则,快速提取网页正文向量检索解决幻觉:只拿原文相关片段喂给LLM,杜绝凭空编造低成本落地:MemoryVectorStore无需部署向量数据库,本地快速验证RAG效果这套流程不仅能爬网页,替换对应Loader即
二维地面移动机器人只使用三个参数:linear.x,linear.y,angular.z。angular.x、angular.y、linear.z 永远填 0,写了也不生效。
想象一下,你正在组装一个乐高机器人。机器人的头部、手臂、腿部都是独立的组件。为了让手臂知道它应该连接在身体的哪个位置,你需要给它一个“连接点”的指令。在 Vue3 中,定义 Props 时可以配置多种属性来约束和描述数据。结合 TypeScript 可以获得更完善的类型提示和检查。这是 Vue2 风格的写法,在 Vue3 中仍然兼容。这是 Vue3 组合式 API 中最简洁的写法。就是这个“指令”
基于扩展卡尔曼滤波器的同时定位与地图构建(EKF-SLAM)是移动机器人自主导航的核心经典算法,凭借结构简洁、实时性强的优势被广泛应用于各类无人设备场景。但算法固有的状态估计不一致性问题,会导致机器人位姿与环境地图的估计误差随迭代累积、协方差矩阵失真,严重制约SLAM系统的长期运行精度与稳定性。现有研究多聚焦于算法迭代优化与误差修正,较少从系统本质的可观测性缺陷层面剖析不一致性的根源。
日期时间选择看起来只是“点一下日历”,实际放进影刀操作题里,经常比普通输入框更麻烦。页面可能不允许键盘直接输入,月份需要翻页,日期单元格可能重复,开始时间和结束时间还要分别定位。只要其中一步没处理好,流程就会选错日期或直接找不到元素。影刀中级课程给出了两种高效思路:直接输入,以及使用“通用日期选择”指令。真正备考时,不是二选一死记,而是要先判断网页控件支持哪种方式,再选择更稳定的方案。
scene_handler.js场景报警脚本开发指南摘要 本指南详细介绍了scene_handler.js脚本的开发与配置方法,该脚本用于处理AI推理结果的场景报警逻辑。主要内容包括: 脚本架构:由C++引擎托管,通过onSceneInit和onSceneAnalysis两个回调函数与系统交互,接收场景配置和分析数据。 数据参数:详细解析analysisJson结构,包括人物姿态(17个关键点)、
2026年世界人工智能大会(WAIC)逛展攻略出炉,提供三大精选路线:快速打卡(H3机器人→H1大模型)、沉浸体验(西岸AI终端→H3机器人)、行业深度(H2算力→张江芯片→H4创投)。攻略涵盖世博4大展馆及西岸、张江展区核心内容,包括机器人、大模型、算力芯片等热点展区,并附完整展位图和交通信息。建议提前保存路线图,根据需求选择参观路径,避免因展区面积大、信息密集而错过重点。原攻略由脉脉社区创作者
作为一名写了 5 年 Java 的后端开发,去年我成功转型做了 AI 应用开发。身边很多同事觉得 “Java 转 AI 等于从零开始”,其实完全不用 —— 我们熟悉的 SpringBoot、MVC 架构、接口设计,在 AI 应用开发中反而能成为优势。这篇文章结合我的转型经历,讲清楚 Java 开发者如何利用现有技能快速切入 AI 领域,3 个月内做出能落地的智能应用(比如带 AI 分析功能的管理系
本文详细介绍了ROS2中从SLAM建图到Nav2自主导航的完整流程及常见问题解决方案。核心要点包括:1) 必须分两步进行,先建图后导航;2) 路径设置要使用绝对路径而非相对路径或波浪号;3) 操作步骤包括清理环境、启动仿真、加载地图和解决定位问题;4) 关键技巧是正确使用"2D Pose Estimate"进行初始定位。文章特别强调了绝对路径的重要性,并提供了完整的命令行示例和调试方法,帮助开发者
起初看到觉得很复杂,自己做一遍发现也并不简单。开个玩笑,博主写的如此详细我一次按照教程就正确导出了。将urdf文件和stl复制到前端工程中,然后修改urdf的文件路径,默认是package开头的。第二步:构建vue3项目 vite vue脚手架。第三步:vscode添加urdf的代码提示插件。第四步:solidwork中导出urdf文件。图中是niryo这个开源机械臂的模型。第一步:下载nodej
做一个能对话的AI助手,和让一个AI Agent真正在企业里工作,是两件性质完全不同的事。这个区别,大多数人在看到Agent演示的时候不会意识到。演示很流畅:Agent接收指令,调用工具,返回结果,一气呵成。看起来和用一个更聪明的聊天机器人Chatbot没什么两样。
2026年,AI Agent 已经从概念炒作进入了规模化落地阶段。但很多开发者对 Agent 的理解仍然停留在"能调用工具的聊天机器人"这个层面。实际上,Agent 代表的是一种全新的软件范式——从"请求-响应"模式转向"目标-执行"模式。传统的大模型应用是"被动回答型"的:用户提问,模型回答,一轮交互结束。而 Agent 是"主动执行型"的:用户给出一个目标,Agent 自主完成理解需求、拆解任
Claude Code 不是一个简单的聊天机器人,而是一位**执行力极强、但需要明确约束的工程师**。记住三个关键原则:1.**提问越具体,产出越精准** — 说清楚背景、目标、约束1.**选择合适的模式** — Ask 搞清楚、Plan 避免弯路、Edit 谨慎执行1.**善用 MCP 扩展** — 让 Claude 从"写代码"到"跑代码、测代码、管代码"开始使用你的 AI 编程伙伴吧!🚀
BicMap,一款专为机器人场景设计的室内外一体化地图引擎。它基于 MapLibre GL JS 开发,集成了 Three.js 和 Turf.js,解决了传统地图库在机器人应用中的局限性,支持激光雷达点云、SLAM 栅格地图加载及实时轨迹回放。核心功能包括室内外无缝渲染、机器人专属组件(如方向标记、位姿跟随)以及交互式地图编辑。BicMap 提供多平台支持(Web、移动端、Python 桥接),
开发一个 AI 驱动的 IM 应用 Bot 时,某些场景用命令会更快更准确。我的设想是先按空格分割用户输入的文本,拿到第一段去匹配命令字典,如果匹配上了,说明用户想要执行命令,接着交给命令类处理即可;如果未匹配到,说明用户发的只是自然语言,那就需要交给 AI 相关的模块来处理。我在之前一篇介绍方法的博客中有提到过怎么处理命令,不过那里面只能处理简单格式的命令,命令文本只能按空格切片,不支持--xx
大家好,我是一名正在学习大模型应用开发的研究生。最近跟着导师做了一个扫地机器人智能问答Agent的项目,用的是ReAct+RAG的技术方案。说实话,一开始我是懵的——什么ReAct、什么RAG、什么LangChain,听着都很高大上,但真的上手的时候,连环境都搭了半天。现在项目终于跑通了,我想着把整个过程整理成一篇博客,一方面是给自己做个总结,另一方面也希望能帮到和我一样刚入门的同学。毕竟我踩过的
2 小时内完成传统 3-5 天的 3D 大屏开发,已不是神话。AI 编程助手把开发者从“码农”变成“需求拆解者 + Prompt 工程师 + 代码审查员”。当原型验证通过后,用同样的 AI 协作方式完成架构重构、数据打通、部署上线、性能调优,整个过程依然高效可控。在 AI 编程助手的选择上,Claude Code 因其强大的推理能力脱颖而出。而对于需要长期项目维护和复杂上下文管理的团队,一些实践者
DevExpress JS & ASP.NET Core v24.2已全新发布,新版本官宣了全新的聊天组件、集成了AI&聊天机器人等,欢迎下载最新版组件体验!
总的来说,这两个脚本共同构建了一个双层检测体系:第一个脚本用于识别"谁在访问"(即生成设备指纹),第二个脚本用于判断"是不是真人"(即检测机器人)。它们是Cloudflare机器人管理系统中不可或缺的一环。
本文复盘编辑器项目大纲跳转与数据持久化开发过程,记录踩坑经历与解决方案,梳理Hook理解与数据流,见证新手前端成长。
numberMultiply(0.2, ‘0.7’) // 0.14 可以是字符串类型的数字。我使用的是big.js,基于big.js库封装了下工具方法,当然也可以用其他库,如。numberMultiply(0.2, 0.7) // 0.14乘法。numberDiv(5, 2) // 2.5 除法。numberMinus(5, 2) // 3 减法。numberPlus(5, 2) // 7 加法
最后,针对优化设计后的实际双轮腿机器人模型,搭建 ADAMS 与 MATLAB 联合仿真平台,在 ADAMS 中建立机器人的机械动力学模型,在 MATLAB/Simulink 中搭建改进 GA - LQR 控制器模型,通过接口实现两者之间的数据实时交互,模拟机器人在不同工况下的运动过程,如平坦路面直线行驶、弯道转向、不同腿长下的高低位行驶等,实时采集机器人的姿态数据(倾角、偏航角)、轮体运动数据(
CRUD代码生成、内置WEB终端,基于Vue3.x(setup)+ThinkPHP6+TypeScript+Vite+Pinia+Element Plus,自适应多端,同时提供Web和Server端、自动注册路由、无限级菜单权限节点、全局数据回收站、字段级修改保护等集颜值、实用、敏捷于一身的后台管理系统。...
强烈推荐 GitHub 上值得前端学习的开源实战项目。Vue.jsvue-element-admin 是一个后台前端解决方案,它基于和 element-ui 实现基于 iView 的 Vue 2.0 管理系统模板基于 vue2 + vuex 构建一个具有 45 个页面的大型单页面应用基于 vue + element-ui 的后台管理系统基于Vue.js + Elem...
慧荣科技 SM770 芯片可替代DL6950, SM770是一款高性能USB显示接口片上系统(SoC),支持三路并行4K超高清(3840x2160@60p)显 示,可通过USB 3.2 Gen2(10Gbps)或PCIe设备接口进行传输,并配备HDMI 、DisplayPort和LVDS等多 输出接口。SM770采用多种图像与视频处理算法,通过压缩显示数据有效降低带宽占用,实现计算机到 显示器的超
本文详细介绍了Dijkstra算法的原理与实现。该算法由荷兰科学家Dijkstra于1956年提出,用于解决带非负权值图的最短路径问题。文章通过示例演示了算法步骤:初始化距离数组,迭代选择最近节点并更新邻居距离,最终重建路径。MATLAB实现部分展示了在20x20网格地图上的应用,包含障碍物处理和可视化功能。测试结果显示,在13.5%障碍物比例下,算法耗时0.0072秒找到35步的最短路径。文中还
✨擅长,毕业论文、期刊论文经验交流。
SnapDOM是一款高性能的JavaScript网页截图工具库,相比传统的html2canvas具有显著优势。它支持精准捕获DOM元素(包括动态内容、CSS3特效等),渲染速度快8倍,仅0.8秒即可完成全屏截图。该工具采用异步分层渲染技术,支持GPU并行处理,能完美还原复杂样式。虽然仅支持现代浏览器,但具有轻量化(8KB)、零依赖等特点。需要注意跨域图片、iframe限制等使用限制。SnapDOM