登录社区云,与社区用户共同成长
邀请您加入社区
面对新能源并网与负荷多元化的挑战,传统电力调度因预测精度低、响应滞后、协同不足等问题,难以应对源荷波动与低碳需求。依托机器学习构建的AI负荷预测与智能调度体系,通过LSTM、注意力机制等模型实现高精度时序预测,融合多源数据动态优化源-网-荷-储协同运行。该体系可精准匹配绿电消纳、智能调控储能峰谷套利、削峰填谷柔性负荷,实现能耗成本降低15%-30%、新能源就地消纳率提升20%以上,显著增强电网稳定
模型吐出第一个字要 8 秒,这 8 秒屏幕上显示什么——这个问题,做后端的答不上来,做前端的天天在答。
本研究基于鸢尾花数据集,通过决策树模型进行分类分析。数据预处理显示无重复样本,但存在异常值。特征重要性显示花瓣长度(petal length)最为关键。模型在测试集上准确率达96.7%,分类报告与混淆矩阵表明分类效果良好,尤其对山鸢尾和变色鸢尾识别精准。
机器学习作为人工智能的核心实现路径,正从理论教材走向工程实践。无论是期末复习、课程设计还是真实项目,初学者常困惑于AI、机器学习、深度学习和大模型之间的关系,也容易在分类与回归、评估指标、过拟合与数据泄漏等基础环节踩坑。理解模型、策略、算法的基本框架,掌握线性回归等经典模型的数学原理与调包实现,是快速建立知识体系的关键。从定义问题、数据清洗、特征工程到模型训练与部署监控,一套完整项目流程比孤立地跑
2026年,用Python打造内部链接结构分析器,自动识别孤岛页面、死胡同、断链等问题。基于广度优先爬取构建链接图,分析入链/出链、深度分布、锚文本等,输出可视化报告。代码简洁高效,依赖requests与BeautifulSoup,助力精准优化网站权重分配。
AI 生成了 HTML 网页,怎样让别人通过浏览器直接访问?本文介绍使用 ShareOne 发布 HTML 文件的方法,包括通过 AI 助手安装 Skill 自动发布,以及通过在线发布页面粘贴 HTML 源码生成链接,并介绍评论反馈、更新原链接和适用场景。
省选题单总结-CSDN博客。
基于 YOLO11-L 的水下垃圾检测系统,Vue 3 + Django + MySQL 全栈实现,支持单图/批量/视频/摄像头四种检测模式,3 模型对比,DeepSeek 智能问答,附完整训练部署流程。
Cockpit= 管电脑里的AI工具和账号Codex++= 专门增强CodexCPA= 把账号变成APINewAPI= 管很多APISub2API= 管很多账号,并把账号池变成APICockpit:工具管家Codex++:Codex外挂CPA:账号转换器NewAPI:API管理后台Sub2API:账号池管理后台如果你只是刚入门,建议不要看到什么都搭。先确定自己到底有什么:账号、API,还是只是想写
本文介绍如何通过开源工具magpie,将阿里Qoder CN、腾讯WorkBuddy国际版、ZCode等平台的分散免费AI模型额度汇聚至本地网关(127.0.0.1:3425),并接入DSH等工具实现统一调用。magpie支持订阅登录与API Key接入,兼容OpenAI、Anthropic、Gemini接口,可让多端模型额度集中管理,提升使用效率。需注意免费额度时效性及账号共享风险,确保合规使用
本研究针对大学生体质健康下滑、体测管理滞后问题,构建基于机器学习的体测成绩预测与分析系统。融合静态体测数据与动态运动行为数据,通过随机森林、XGBoost等算法实现成绩精准预测,量化身高体重、耐力、力量等指标影响权重,实现体质短板智能识别与个性化锻炼推荐。系统采用前后端分离架构,具备数据管理、多维分析、可视化报表与智能指导功能,推动高校体育管理从“事后统计”向“事前干预”转型,兼具理论创新与实践应
claude 文件夹本质上是一套协议:告诉 Claude 你是谁、你的项目是干什么的、该守什么规矩。定义得越清楚,你纠正 Claude 的时间越少,它干正经活的时间越多。CLAUDE.md 是杠杆率最高的文件,先把它写好,其他一切都是优化项。从小处开始,边用边调,把它当成项目里的基础设施来经营:一次配好,每天分红。与其每次开会话都重复交代背景,不如这个周末就把 CLAUDE.md 写了。
本文是AI应用开发30天系列首篇,旨在彻底厘清机器学习、深度学习、大模型三者之间的包含、演进与应用关系。通过概念辨析、技术演进树、应用地图及首日实战代码,帮助零基础学习者建立清晰的全景认知,并规划出可落地的入门路径。
本文介绍一套以数据主权为核心的个人AI工作台架构:采用“客户端—本地回环服务—本地数据”三层单向数据流,确立文件、SQLite、索引的唯一真源,杜绝双写不一致;通过权限、审批、审计与幂等机制约束AI操作,所有工具调用均需候选审批;搜索基于可重建的FTS5全文索引,向量检索默认关闭;REST+SSE保障操作可溯源,强调“默认关闭”与评测驱动。核心理念:控制权在手,才能真正驾驭AI。
2026 年主流 AI 公司一览:基本信息 + 主流评价*标注说明:⚠️ = 网页版/App 名称与 Agent 名称不一致;🚪 = 基础使用方式/入口特殊*
本文用通俗语言厘清人工智能、机器学习、深度学习与大模型的关系:AI是目标,机器学习通过数据训练模型替代规则,深度学习以多层神经网络自动提取特征,大模型则是参数规模巨大的深度学习产物。作者强调零基础应选择“应用开发”路径,聚焦调用API、构建RAG与Agent,而非研究模型本身。今日作业为思考一个具体生活/工作问题,为后续实战项目铺垫。
一个 Agent 调用另一个 Agent,结果可以是文本,也可以是结构化 JSON。这篇文章讲 dsh 的多 Agent 机制:Subagent 的启动、可继续子 Agent、工具过滤、Persona、以及实验性的 Agent Teams
CLAUDE.mdHooksSkillsSubagentsCLAUDE.md是「记忆」,让 AI 懂项目Hooks是「神经」,让 AI 行为可控Skills是「肌肉记忆」,让 AI 会做事Subagents是「团队」,让 AI 能协作掌握这四者,你就能把 Claude Code 从单打独斗的编码助手,升级为深度融入团队流程的智能开发伙伴。建议从CLAUDE.md开始,逐步构建属于你自己的 AI 协
这几天,Meta 新发布的 AI 助理 Muse 冲到了苹果 App Store 下载榜第一。跟咱们平时用的大模型对话工具不一样,Muse 真正切中了“Agent(智能体)”的定位:它能在后台帮你回邮件、订餐厅、甚至直接下单买东西。很多人觉得科幻电影变成了现实,但就在发布不到两周,安全研究员爆出了 Muse 的一个零日漏洞(0-day)。在 Mac 平台上,黑客只需要诱导你点一下(即 ClickF
本文手把手教程带你用Python在2小时内从零构建首个AI Agent,详解其核心机制——思考(Think)、行动(Act)、观察(Observe)的ReAct循环。通过搭建包含大脑(LLM)、工具(如计算器、文件操作)和记忆(历史记录)三大组件的任务助手Agent,实现自然语言任务的自主规划与执行。附完整可运行代码及环境配置,适合零基础入门,深入理解Agent底层逻辑,为未来智能自动化打下坚实基
https://bojieli.github.io/ai-agent-book/book/chapter10
李沐《动手学深度学习》129–134集系统解析小数据图像分类与目标检测核心技术:第129集复盘树叶分类竞赛,提炼“预训练微调+数据增广+模型集成”制胜公式;第130–131集深入目标检测范式,详解锚框、IoU、NMS三件套及两阶段(精度高)与单阶段(速度快)算法对比;第132–134集聚焦多尺度锚框设计与SSD模型实现,揭示如何通过多特征图生成不同尺寸锚框,实现高效精准检测。完整学习路径清晰呈现,
1.创建Agent及配置名称、角色以及目标2.Agent 自主思考、规划、执行3.最终输出。
AI-deepseek-harness-学习笔记
与此同时,Journal of Fluid Mechanics、Physics of Fluids、Nature Computational Science 等顶刊持续刊发“AI+CFD“PINN+湍流”、“强化学习+流动控制”等交叉研究成果,表明该方向已成为国际学术前沿。流体力学、热能工程、航空航天、车辆工程、机械工程、能源动力、土木工程、船舶与海洋工程等领域科研人员、高校研究生、企业CAE仿真
无人机、智能体、航线规划、远程操控
ai短剧怎么制作,核心路径是:用AI生成剧本和分镜,再用视频生成模型把分镜图转成动态片段,最后配音剪辑合成成片。截至2026年,这条流程已被压缩为"创意→视觉生成→后期"三阶段,传统11步缩减到5步以内。特种猫的做法是按条计费、纯线上交付,素材由客户提供,不捆绑硬件设备。
1、下列说法正确的是(BC)2、下列说法错误的是(C)
核心观点:8/25 Hot Chips 2026 英特尔一天连开三场,边缘 Wildcat Lake、服务器 Diamond Rapids(256 核 Xeon)、推理 Crescent Island(480GB)。但先澄清:所谓「三档 agentic AI 架构」是观察者归纳,不是英特尔的官方框架,而且目前全停在「架构摊牌」阶段,验证点都在 2027。真正的看点不是核数内卷,而是英特尔赌「age
<think>我们需要根据用户提供的内容,生成一篇≤150字的文章摘要。用户给的内容是关于DeepSeek的基本信息、运行环境依赖、基础配置等。摘要需要简明扼要,涵盖关键点。 用户要求:“根据以下内容,生成≤150字的文章摘要”。内容分三部分:1. DeepSeek基本信息(百度百科、WebUI、GitHub);2. 运行环境依赖(Node.js、pnpm、Git、DeepSeek A
算法不是要取代交易者的判断,而是要放大交易者的洞察力——它帮助交易者在海量数据中发现人眼无法察觉的模式,在纷繁因子中筛选出真正具有预测能力的信号,在无数次历史回测中验证逻辑的可靠性。与通用的大语言模型不同,魔方智脑在期货细分领域接受了专项训练,能够理解交易者的自然语言描述,并将其转化为可执行的策略代码或指标代码。是决策树的"升级版"。这种"对话式编程"的体验,让策略编写的门槛从"需要掌握Pytho
dsh-agent-teams 是 DeepSeek Harness 生态中的多 Agent 团队协作插件,由 NanmiCoder 开发维护。GitHub 仓库地址:https://github.com/NanmiCoder/dsh-agent-teams,当前星标 1433,综合评分 70.1,最近更新时间 2026-09-06。该插件的核心定位是"一句话,拉起一支真正协作的团队"。
在 Agent 中,LLM 更像是“大脑”或“决策核心”。它主要负责理解用户意图、分析当前上下文、判断下一步动作、决定是否调用工具、生成工具参数,以及根据工具返回结果继续推理。但 LLM 本身不应该直接负责所有执行,真正的执行动作应该交给工具、接口、数据库、文件系统等外部模块完成。概括一下LLM:负责想清楚要做什么Tools:负责真正去做Agent:负责把“想”和“做”组织成完整流程。
1. 让任务更具体、更聚焦不好的例子:「帮我处理业务问题」好的例子:「把销售通话的内容,总结成一份行动清单」\2. 明确输出格式不好的例子:「给我一个答案」好的例子:「返回内容包含:摘要、证据、风险、下一步行动」\3. 提供示例告诉模型:“这是3个好的输出例子” / “就按照这种风格来写”\4. 只在需要的时候加工具比如改写笔记,就不需要上网搜索;如果答案本身就在提示词里,就不需要访问文件\5.
<think>用户要求根据提供的内容生成一篇不超过150字的文章摘要。内容是关于在WorkBuddy中测试多个AI模型生成SVG动画的对比。关键点:GLM-5.3最稳定,速度快不等于可交付,测试任务是“鹈鹕骑自行车”动画。摘要需简洁提炼核心发现。</think>在WorkBuddy对多个模型生成“鹈鹕骑自行车”SVG动画的测试中,GLM-5.3最稳,主体结构完整且运动自洽;快模型如Kimi K3适
更关键的是引入了**MATLAB MCP Core Server**与**Agentic Toolkit**,让AI智能体不仅能生成建议,还能直接执行代码生成、模型修改与迭代优化等实际操作,实现AI与环境的闭环。此外,版本还增强了**Python**与MATLAB的数据交换和环境管理,并推出了**MATLAB Course Designer**(课件设计)、**Wireless Network T
上次在linuxdo发布了 视觉大模型 充分利用好deepseek-v4-flash-vision 的各种应用:佬友对这些有兴趣,那么这次玩个大的:利用好deepseek-v4-flash-vision 复刻带货爆款视频!
本地部署27B大模型搭配DSH与Skills工具,在玄机靶场完成30分钟应急响应溯源,全题命中。完全私有化保护敏感数据,但速度逊于人工,依赖工具增强,难适应真实复杂日志。AI定位为辅助工具,适合日志初筛,研判决策仍需工程师。
codex制作论文汇报PPT
在基于大语言模型(LLM)的应用架构中,流式响应(Streaming Output)已经成为标配体验。相比于 WebSocket 双向全双工通道的复杂维护成本,基于 HTTP 协议的单向长链接技术——Server-Sent Events (SSE) 成为了 AI 对话场景的首选。要彻底解决这些顽疾,必须从前端 Ingress Nginx 路由规约、BFF 网关转发到底层 TCP 连接保活进行全链路
这里隐藏的内容,就是前面购买的DeepSeek调用所需的API Key。然后编写一个 .bat 文件,以后双击自动启动。注意这个Proxy API key,要复制下来,后面要用。1.安装uv 服务转发deepseek程序。编辑好之后就可以关闭了。
本文系统解析大模型训练的底层硬件与并行架构,涵盖NVIDIA H100 GPU核心结构、集群带宽层级、四种基本并行策略(DP/CP/PP/TP)及混合优化技术。重点介绍完全分片数据并行(FSDP)、激活检查点、多维并行(4D Parallelism)等关键技术,结合Llama3-405B实例,阐述显存优化与性能评估指标(MFU/HFU),提出从单卡到超大规模集群的实战训练路径,最终以最大化模型算力
而它,是能给你交代的。你开完两个小时的会,录音直接丢给它整理,做图、配音、剪片子,一条链路上它的手都是现成的。是我想明白了一件事,模型这个东西,只会越来越便宜,便宜到最后变成基础设施,跟水电一样。三个产品的操作界面,相似度能到 90%,对话框居中,一排功能按钮,新建会话传文件。有的直给,有的爱绕,有的写长文稳,有的动手利索。这篇东西,我本来备了个薅羊毛的开场,教大家把 workbuddy、豆包、千
本文整理了涵盖全流程管理、实验代码工程、文献润色、图表生成等维度的一部分高质量科研 Skills 推荐及其快速配置与启动方法,主要适用于AI/CS领域
人工智能、机器学习与深度学习常被混为一谈,其实它们是包含关系:AI是让机器表现出智能的大目标,机器学习是让算法从数据中自动找规律的主流路径,而深度学习则是其中依赖多层神经网络的方法。理解这一层关系,是入门的第一块基石。机器学习的有效性建立在独立同分布、训练测试同分布和潜在映射存在这三大假设之上,弄懂它们才能理解模型为什么能泛化,也才能解释树模型在真实业务中为何更怕数据漂移。实际应用中,数据质量与算
本文测试了gpt-6-astra生成“鹈鹕骑自行车”2D动画HTML的能力。结果显示,模型完整交付了单文件HTML,包含可识别鹈鹕、结构合理的自行车及脚与踏板联动的动画,未出现明显降智,并附有代码与对比。
Harness本义为马具、缰绳,映射到AI领域,它不属于全新算法或大模型,而是包裹在原生大模型外层,用于管控智能体全链路运行的工程闭环体系。• 原生大模型:如同未经驯服的野马,具备推理能力,却容易产生幻觉、随意执行、行为失控;• Harness:是配套的缰绳与运行规则框架,约束边界、引导行为、记录问题;• 核心价值:将随性的原生AI,打磨成可控、可用、可迭代的专业化业务工具。
找西瓜,
本学习笔记系统梳理《动手学深度学习》第51至111集内容,涵盖加州房价竞赛复盘、nn.Module模块化设计、GPU使用与选购、卷积神经网络基础(卷积/填充/池化/多通道)、经典CNN演进链(LeNet→ResNet)及单机多卡并行与分布式训练。重点提炼了从特征工程到模型构造的实战经验,掌握数据并行、梯度同步、BN与残差连接等核心思想,完成深度学习计算框架与经典网络架构的完整知识闭环,为后续模型优
昆虫检测和识别2:基于深度学习YOLO26神经网络实现昆虫检测和识别(含训练代码和数据集)