tag AI

標籤
貢獻179
1256
03:55 AM · Nov 07 ,2025
wintersun 頭像 lying7 頭像 Goblinscholar 頭像 codingtea 頭像 dmx778 頭像 OBCE666 頭像 yupi 頭像 poloai 頭像 longronglang 頭像 XY-Heruo 頭像 yjmyzz 頭像 u_16773655 頭像

@AI / 博客 RSS 訂閱

wintersun 頭像

PetterLiu - 如何用 Trae IDE與Agent重塑軟件需求工程概要

基於不止於代碼-如何用 Trae IDE與Agent重塑軟件需求工程 在 AI 編程工具爆發的今天，大多數人的目光仍聚焦在 Copilot 的代碼補全上。但作為資深開發者，我們都清楚一個殘酷的現實：如果需求（PRD）本身就是垃圾，寫代碼的速度越快，產出“技術債務”的速度就越快。 最近，AI 輔助開發的概念已從簡單的“輔助編程”演進為 “氛圍編程 2.0 (Vibe Coding)” ——即通過 C

AI

收藏 評論

wintersun 頭像

PetterLiu - SWE-smith規模化生成軟件工程訓練數據

1. 破解軟件工程領域AI的數據瓶頸 近年來，大型語言模型（LM）Agent在自動化軟件工程（Software Engineering, SE）任務方面取得了顯著進展。然而，在能力飛速提升的背後，開源社區與掌握海量私有數據的專有模型之間正形成一道日益擴大的鴻溝。其核心癥結在於：高質量、大規模訓練數據的嚴重稀缺已成為制約開源模型發展的根本瓶頸。為了確保開放研究在這一關鍵領域保持競爭力，我們必須建

AI

收藏 評論

wintersun 頭像

PetterLiu - 中國電動汽車充換電市場技術趨勢、核心挑戰與未來競爭格局

中國電動汽車充換電市場技術趨勢、核心挑戰與未來競爭格局 1. 市場概述：從基礎設施建設到服務生態演進 在中國電動汽車市場以前所未有的速度迅猛發展的宏大背景下，充換電基礎設施不僅是關鍵的配套支撐，更已上升為決定產業成敗的核心戰略環節。根據國家規劃，到“十四五”末期，中國的充電基礎設施體系需滿足超過2000萬輛電動汽車的充電需求，這清晰地勾勒出一個規模龐大且充滿潛力的市場。當前，行業正經歷一場深刻

AI

收藏 評論

u_17182302 頭像

u_17182302 - 下一代AI心理產品，會長什麼樣？

下一代AI心理產品，會長什麼樣？ 本文共 1903 字，閲讀預計需要 3 分鐘。 你認為的下一代 AI 心理產品會是什麼樣？ 很多人會先想到：更會聊、更像人，然後按小時、按次數收費。 這條路能走，但不算**“下一代”。** 真正的分歧在於： 人類諮詢按小時計費，核心原因是稀缺；而 AI 不稀缺。 它的價值不該被鎖在“你開口説話的一小時”，

AIGC二三事 , AI產品 , AI , 心理學 , 人工智能 , 數據分析

收藏 評論

atila-fassina 頭像

Atila Fassina - What Does AI Really Mean?

In 2024, Artificial Intelligence (AI) hit the limelight with major advancements. The problem with reaching common knowledge and so much public attention so quickly is that the term becomes ambiguous

Guides , AI , User Interaction

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的汽車自動駕駛目標檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的汽車自動駕駛目標檢測系統 1. 前言​ 目前鐵路鐵軌巡檢主要依賴人工目測，存在效率低、漏檢率高及受主觀因素影響大等弊端，難以滿足現代鐵路的高安全性需求。為此，本文提出基於YOLO深度學習算法的解決方案，通過構建專用數據集訓練模型，並開發圖形化界面（GUI）將算法工程化，旨在用機器視覺替代人工，實現鐵軌缺陷的自動化、智能化識別，解決傳統檢測方式的痛點。 本系統集成了多元化的檢

AI

收藏 評論

gogoSandy 頭像

風雨中的小七 - 解密Prompt系列65. 三巨頭關於大模型內景的硬核論文

這一章我們不談應用，而是通過三巨頭 Google、OpenAI、Anthropic 三篇充滿腦洞的論文，深入探討模型內部狀態的可訪問性與可操控性。我們將從三個維度展開： 模型是否有自我認知？ 如何引導這種認知？ 如何從數學和電路層面解釋這種認知？ Google：In-Context Learning 本質上是隱式梯度更新 📄 Google:# Learning without

AI

收藏 評論

dmx778 頭像

大模型玩家七七 - 大模型從“瞎聊”到“幹活”：指令微調核心邏輯全拆解

大模型從“瞎聊”到“幹活”：指令微調核心邏輯全拆解 指令微調破局，讓大模型從 “瞎聊” 變 “能幹” 大家好，我是七七！剛入門大模型時，我總被一個問題困擾：明明Llama 2、Qwen這些模型能聊天説地，可一讓它幹具體活就掉鏈子——讓它寫電商文案，通篇空話套話；讓它整理會議紀要，邏輯混亂漏重點；讓它做客服話術，答非所問不專業。 後來才明白，預訓練大模型就像“剛識字的小孩”，只會基礎的語言表達，卻

AI

收藏 評論

lying7 頭像

躺柒 - 讀智能新物種07權利理論

1.權利理論 1.1.權利理論是關於誰應該獲得什麼類型的權利，以及為什麼他們應該獲得這項權利的理論 1.2.某人或某物一旦足夠像我們，就應該享有權利，這樣的想法很普遍 1.3.將虛構的未來機器人與人類相提並論的故事，並不能完全捕捉到如果機器人權利成為話題，我們將面臨的真正混亂 1.4.西方動物權利的歷史和現狀提供了更為準確的、截然不同的圖景，這些故事可供我們借 1.4.1.歷史清楚地揭

AI

收藏 評論

dmx778 頭像

大模型玩家七七 - 你以為 PPO 很高級，其實它更像個“微調旋鈕”

為什麼 PPO 在真實業務裏越來越重要 如果你是從論文或者課程裏接觸 PPO 的，那大概率會有一種“這東西看起來很厲害”的感覺。策略梯度、clip、KL 約束、reward model，一整套體系下來，很容易讓人產生錯覺：只要把 PPO 跑起來，大模型就能被“精細打磨”。 但真正進到業務裏，你會發現情況完全不是這麼回事。 大多數業務方找你，並不是因為模型“不會回答”，而是因為模型“回答得讓人不放心

AI

收藏 評論

xxhxs-21 頭像

xxhxs-21 - OpenClaw 智能體本地部署和使用並與飛書連接

一、環境配置 1、環境要求 node、npm 2、node 安裝 方式一：brew 安裝 brew install node 方式二：nvm 安裝 brew install nvm mkdir ~/.nvm vim ~/.zshrc 在裏面添加，按i，到最後一行添加 export NVM_DIR="$HOME/.nvm" source $(brew --prefix nvm)

AI

收藏 評論

xjwhaha 頭像

哈哈丶丶 - 從 Tool Calling 到 A2A，再到 MCP. 大模型 Agent訪問外部世界的橋樑

隨着大語言模型（LLM）能力不斷增強，我們逐漸發現一個事實： 真正有價值的，不是模型“會説話”，而是模型“能做事”。 因為再強大的LLM，其核心優勢仍然在於語言理解與推理能力，而非實時計算或外部狀態獲取。, 在某些簡單事情上, 例如 查詢當前時間, 當前地區的天氣, 進行一個簡單的數學運算, 其實都不是大模型擅長的事情, 我們也不需要大模型全知全能, 這不是一個正確的路線. 大模型應該像人類

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的風力渦輪機檢測系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的風力渦輪機檢測系統 1. 前言​ 着新能源行業的快速發展，風力發電已成為清潔能源的重要組成部分。傳統風力渦輪機巡檢多依賴人工，存在效率低、成本高、受環境限制大、難以大規模實時監測等問題。為實現風力渦輪機的自動化、智能化、高精度檢測，我們基於 YOLO 算法設計並開發了一套完整的風力渦輪機檢測系統，可對圖片、視頻、文件夾及攝像頭實時流進行快速識別與可視化分析。下面為大家詳

AI

收藏 評論

wintersun 頭像

PetterLiu - 釘釘文檔已正式接入Wan 2.6模型

釘釘文檔已正式接入Wan 2.6模型，新增文檔圖片生成功能，無需切換至其他工具，即可在文檔編輯場景中快速生成符合需求的圖片，大幅提升文檔創作的效率與豐富度，適配各類辦公場景的圖文創作需求。 核心功能優勢 此次接入的Wan 2.6模型，其圖像生成能力經過優化升級，適配釘釘文檔的辦公場景特性，核心優勢突出： 畫質與細節更出色：生成圖片格式為PNG，支持靈活調整分辨率，總像素可在(1280

AI

收藏 評論

muziji 頭像

木子吉 - 一文讀懂MOE：大模型背後的"專家分工"智慧

一文讀懂MOE：大模型背後的"專家分工"智慧 本文基於綜述論文：A Comprehensive Survey of Mixture-of-Experts Algorithms, Theory, and Applications(Siyuan Mu and Sen Lin)。如需深入瞭解，建議閲讀原文。 重點內容 MoE（混合專家模型） 是當前大模型擴展的核心技術之一，DeepSeek、M

AI

收藏 評論

u_12960863 頭像

wx59290cd7bb11a - 實戰硬核！手把手教你用 Python 打造企業級 LLM 網關 (FastAPI + Asyncio 架構篇)

💎 本文價值提示 你將獲得什麼？ 從零構建：不再是寫腳本，而是構建一個可擴展的微服務架構。 企業級思維：掌握限流、熔斷、流式傳輸等生產環境必備技能。 代碼即資產：一套可直接複用的 LLM Gateway 核心代碼骨架。 轉型視角：看懂大數據高吞吐思維如何映射到 AI 高併發架構。 👋 大家好，我是你們的老朋友

llm , 大數據 , 數據 , 數據倉庫 , AI , Json

收藏 評論

yupi 頭像

程序員魚皮 - Agent Skills 傻瓜式教程，26 年最火 AI 技術就這？

你是小阿巴，正在用 AI 開發網站。 為了讓 AI 生成的效果更好，你告訴 AI： 界面不要使用藍紫漸變色 不要生成一大堆沒用的文檔 你要遵循公司的代碼規範 阿巴阿巴，洋洋灑灑幾百字。 之後每次開發網站時，你都要寫這麼一段又臭又長的提示詞，太麻煩了！ 於是聰明的你開始想辦法。 先把常用的提示詞保存到單獨的文件（比如 prompts.md），每次手動投餵給

AI

收藏 評論

lying7 頭像

躺柒 - 讀共生：4.0時代的人機關係16案例

1.社會向大規模自動化轉變的案例 1.1.自動化得到了正確運用，被用於協助人類工作者並增強他們的能力，讓他們能夠提高生產力和工作效率，從而為他們所在的組織和整個經濟體創造更多價值 1.2.決策者 1.2.1.識別威脅和機會 1.2.2.量化它們 1.2.3.模擬假設場景 1.2.4.減輕風險 1.2.5.最終改進和促進決策 1.3.

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的花朵識別系統演示與介紹(YOLOv12/v11/v8/v5模型+Pyqt5界面+訓練代碼+數據集)

視頻演示 基於深度學習的花朵識別系統 1. 前言​ 大家好，歡迎來到 Coding 茶水間！ 今天我們帶來的分享主題是 《基於 YOLO 算法的花朵識別系統》。在進入具體演示前，先簡單介紹一下現狀與我們團隊的定位——這是我們已經完成並可交付使用的成品項目，涵蓋從算法研發到可視化系統的全流程落地。如果有定製化開發需求的夥伴，也可以通過私信與我們溝通合作。我們的核心技術覆蓋 計算機視覺​ 全鏈條，

AI

收藏 評論

u_12677281 頭像

李小轟_Rex - 把手機變成聽診器！攝像頭 30 秒隔空測心率 - 開箱即用

把手機變成聽診器！Android 攝像頭 30 秒隔空測心率 —— 基於 MediaPipe + POS 算法的 rPPG 實戰 關鍵詞：rPPG、非接觸心率、Android、CameraX、MediaPipe、POS 算法、開源 Demo 源碼地址：https://github.com/liyufengrex/RPPG APK體驗：https:

移動開發 , AI , Android , 視覺理解

收藏 評論

paul-boag 頭像

Paul Boag - Giving Users A Voice Through Virtual Personas

In my previous article, I explored how AI can help us create functional personas more efficiently. We looked at building personas that focus on what users are trying to accomplish rather than demogr

User Research , ux , AI , Design

收藏 評論

u_15591470 頭像

ceshiren2022 - 無代碼開啓AI測試：字節Coze助力測試效率倍增實戰指南

關注 霍格沃茲測試學院公眾號，回覆「資料」, 領取人工智能測試開發技術合集 最近團隊裏的測試任務越來越繁重，特別是那些重複性的功能驗證和測試數據準備，幾乎佔用了我們大部分時間。直到上個月，我偶然接觸到了字節跳動的Coze平台，這個零代碼的AI工具徹底改變了我們的測試工作流程。 從手動到自動的轉變 還記得那天下午，我面對着一個需要測試的登錄功能，不僅要驗證正常登錄場景，還要測試數十

coze , AI , 人工智能 , 深度學習 , 自動化測試

收藏 評論

wintersun 頭像

PetterLiu - 優化需求評審流程論LLM與人工審查協同模式

重新定義需求評審的未來 高質量的需求是軟件項目成功的基石，然而，傳統的需求評審流程往往耗時、繁瑣且容易出錯。需求文檔中的模糊性、不一致性和遺漏是導致項目失敗最常見的因素之一。大型語言模型（LLM）作為一種顛覆性技術，為解決這些長期存在的挑戰提供了新的可能性。它強大的自然語言處理能力，能夠以前所未有的規模和速度分析文本，發現潛在缺陷。 本文的核心是，LLM在需求評審中的最佳定位並非取代人類專

AI

收藏 評論