首页
沸点
课程
数据标注
HOT
AI Coding
更多
直播
活动
APP
插件
直播
活动
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
登录
注册
后端
前端
Android
iOS
人工智能
开发工具
代码人生
阅读
ai部署开源软件
做了一个自然语言驱动全自动安装开源软件的程序,话说有前途吗?客户端就纯粹的bat启动嵌入式python,需求是ai自己理解
深入 LangChain 内存向量存储(Memory Vector Stores):架构解析与优化
1. 向量存储(Vector Stores) 1.1 向量数据库介绍 在 LangChain 中,关键步骤需要将我们提取出的嵌入向量存储到向量数据库中。向量存储是比较核心的组件,在整个 RAG 框架中
Discourse搜索参数高危SQL注入漏洞利用工具 (CVE-2024-42364)
本项目实现了针对CVE-2024-42364漏洞的Ruby利用工具,该漏洞是Discourse论坛系统中一个严重的SQL注入漏洞,攻击者可利用搜索参数提取敏感数据甚至执行命令,工具支持数据库类型检测、
EnCompass框架:用搜索回溯优化AI代理
某机构CSAIL团队开发了EnCompass框架,将AI代理的工作流与搜索策略分离。该框架通过自动回溯和并行克隆运行时,高效寻找大语言模型的最佳输出路径,可将实现搜索的编码量减少80%,显著提升代理在
2026横评6款实测对比:降aigc用什么软件?降重鸟带队出场
我这次先把实情说在前面,我在一次课程结课作业里,为了能够赶进度我临时用了生成工具写了个初稿,结果一测直接被系统标成“AI味太重”,我自己心里当场直冒冷汗也直犯嘀咕。为了能够搞清楚自己和同学们都关心的“
AI模型无法规避实验危险操作
研究测试19种主流AI模型在科学实验设计中的安全识别能力,结果显示所有模型均未能全面识别火灾、爆炸或中毒等风险,部分模型表现接近随机猜测,暴露出AI在实验室安全应用中的严重缺陷。
Hermes成功实现Ralph Loop+多智能体协作 完成任务质量大大提高!!!
最近看到哔哩哔哩博主费曼冬瓜学徒的“Ralph+多智能体协作”,我认为很赞,这个方案很严谨,能解决非常多的现实问题,于是就花了两天时间在Hermes中引入,具体效果如何? 费曼冬瓜学徒的“Ralph+
AI 重构测试行业!火山引擎云手机应用助手重磅来袭!
火山引擎云手机应用助手(MobileUseAgent)利用AI技术实现自动化测试革新,支持自然语言驱动和多模态识别,具备智能自适应与零代码测试能力。可降低80%脚本维护时间,减少40%-60%测试成本
Hermes Agent - 自改进 AI Agent 的精髓
本文对Hermes Agent的核心理念、独特优势进行说明。 Hermes Agent 是 Nous Research(赫尔墨斯模型家族的创造者)于 2026 年 2 月开源发布的自主 AI Agen
学习 AutoML——神经架构搜索(NAS)
2017 年,我亲眼见证了一次范式转变。Google 的研究人员刚刚发布了 NASNet,这是一个完全由机器学习算法发现的神经网络架构。这个发布之所以不同寻常,并不只是因为自动化系统发现了一个新架构,
DeepSeek V4系列:Agent 的觉醒
🤖 序章:一个周五下午的 Bug 2026年某个周五下午,一位工程师盯着屏幕,表情复杂。 他的任务是修复一个 Bug。 不是普通的 Bug。 是那种藏在 500 个文件里、跨越 3 个微服务、触发条件
开源大模型杀出王炸!SenseNova U1实现“图文共舞”
如果说过去一年的多模态大模型还在“拼图式融合”语言与视觉信息,那么 SenseNova U1 的出现,让我第一次感受到什么叫“原生协同思考”
人工智能(十三)- Prompt 工程完全指南:从原理到实战
目录 一、先搞清楚:什么是 Prompt 工程? 二、理论底座:为什么"提问方式"能决定 AI 的回答质量? 三、基础篇:写一个"能用"的 Prompt 四、结构化篇:用 Prompt 框架系统化地表
学习 AutoML——超参数优化
我还记得第一次在生产环境中遇到调参很差的机器学习模型。那是 2018 年,我在一家银行工作,该银行部署了一个欺诈检测系统。这个模型是一个梯度提升分类器,特征也都选对了,概念上没有问题,但性能最多只能算
veStack × DeepSeek-V4:从模型到企业级 Agent,一步到位
火山引擎veStack混合云平台完成DeepSeek-V4大模型适配,支持本地化私有部署。提供全栈版与轻量智算版方案,优化推理性能与智能路由,集成ArkClaw助手与AgentKit平台。
学习 AutoML——自动化数据预处理与特征工程
我永远不会忘记那个让我真正理解糟糕数据预处理代价的项目。那是 2006 年,我正在为一家价格优化初创公司做咨询。它想用电子健康记录来预测患者再入院风险,用于一个保险定价项目。三个月后,它把 80% 的
LLM评估体系工程2026:如何科学度量AI应用的真实质量
## 引言:没有评估就没有进步 "我们的 AI 助手回答质量变差了,但我们说不清楚哪里差,也不知道哪个版本好。" 这是 AI 应用团队最常见的困境之一。没有系统的评估体系,Prompt 迭代、模型
AI代码助手工程化落地:从个人工具到团队级AI编程基础设施
## 引言:Vibe Coding 的下一阶段 "Vibe Coding"这个词在 2025 年流行开来——用 AI 辅助编程,凭感觉写代码,让模型填充实现细节。但随着越来越多的团队将 AI 编程深
学习 AutoML——理解 AutoML 流水线
自动化机器学习(AutoML)的承诺是具有变革性的:以最少人工干预,将原始数据转化为生产就绪的预测模型。然而,在这种优雅简洁的表象背后,隐藏着一套复杂的、相互连接的流程编排;这些流程必须协同工作,才能
大模型微调工程实践2026:从SFT到DPO的完整技术路线图
## 引言:微调不是万能药,但很多时候不可缺少 "我们能不能直接用 Prompt Engineering 代替微调?"——这是 2026 年企业 AI 团队最常问的问题之一。 答案是:**在很多场
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30