tag AI

標籤
貢獻179
1259
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 - Trae Agent三步解決軟件難題

Trae Agent三步解決軟件難題 認識自動化軟件工程師 Trae Agent 想象一下，一個由多位專家機器人組成的“自動化軟件工程團隊”接到了一項緊急任務：修復一個複雜的軟件漏洞。團隊成員分工明確、協作高效，在短時間內便能提出多種解決方案，並通過嚴格的測試與審查，最終選出最優方案完成修復。這正是 Trae Agent 的工作方式。 Trae Agent 是一個基於大語言模型（LLM）的先

AI

收藏 評論

codingtea 頭像

Coding茶水間 - 基於深度學習的輪船分類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 基於深度學習的輪船分類檢測系統 1. 前言​ 隨着航運業與海洋經濟的不斷髮展，船舶類型的快速、準確識別在港口管理、海上交通監控、安全巡檢及環境保護等領域具有重要作用。傳統船舶分類多依賴人工判讀或基於 AIS 數據的分析，在視頻監控、無人機航拍、衞星影像等非結構化場景中，人工識別易受天氣、光照和拍攝角度等因素干擾，效率低且難以滿足實時性需求。 近年來，深度學習目標檢測技術取得顯著進展，YO

AI

收藏 評論

lying7 頭像

躺柒 - 讀人工智能全球格局：未來趨勢與中國位勢13進化(上)

1.概述 1.1.本輪人工智能熱潮在算法或模型方面並無革命性的重大突破，就算是聽起來很新的深度學習概念也早在20世紀80年代就已經出現 1.2.大數據，它為深度學習算法提供海量的訓練數據做支撐，讓深度學習如虎添翼，大顯神威 1.3.高性能計算，尤其是通用計算GPU給予神經網絡和深度學習強大的計算力支持，使得以前無法完成的計算或者無法在短時間內完成的計算成為可能 1.4.人工智能近幾年突飛猛進的發

AI

收藏 評論

catchadmin 頭像

JaguarJack - 保姆級 OpenClaw （原 Clawdbot）飛書對接教程 手把手教你搭建 AI 助手

保姆級 OpenClaw （原 Clawdbot）飛書對接教程 手把手教你搭建 AI 助手 OpenClaw 是一款開源的本地 AI 助手,支持在你自己的服務器上部署,通過飛書、WhatsApp、Telegram 等聊天工具交互。與雲端 SaaS 服務不同,OpenClaw 讓你完全掌控數據隱私,可以執行系統命令、瀏覽網頁、管理文件,甚至編寫代碼。本教程將手把手教你在 Linux 系統下安裝 Op

AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 模型評估小冊（1） ROC 曲線與 AUC

一點前言：之前完成了吳恩達深度學習的相關內容，最近忙於畢設，更新可能沒之前那麼頻繁。這個新開的分類關於模型評估的各種指標的詳解，之前翻看書籍總是被一堆很官方化的概念和密密麻麻的符號搞的看不下去，因此，這次的中心思想是以儘可能通俗的語言、精簡的篇幅來講解這類概念並輔以實例。 不多廢話，以下為正文。 1. 檢測問題中的“兩難情景” 假設我們在機場負責安檢。任務很簡單：把攜帶危險物品的人攔下來。

AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程四：計算機視覺 第一週：卷積基礎知識（二）卷積參數

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第四課的第一週內容，1.4到1.5的內容。 本週為第四課的第一週內容，這一課所有內容的中心只有一個：計算機視覺。應

AI

收藏 評論

ZYPLJ 頭像

妙妙屋（zy） - Windows系統安裝OpenClaw並使用Qwen千問接入飛書教程

Windows系統安裝OpenClaw並使用Qwen千問接入飛書教程 🤖 免責聲明 ⚠️ 本教程僅供學習和參考 purposes，作者不對使用本教程產生的任何後果承擔責任。 使用風險： 讀者應自行評估使用本教程的風險，因遵循本教程操作而導致的任何直接或間接損失（包括但不限於數據丟失、系統故障、賬號安全問題等），作者不承擔任何責任。 技術支持： 本教程為個人經驗分享，不提供正式技術支持。遇到問題請

AI

收藏 評論

lying7 頭像

躺柒 - 讀人機溝通法則：理解數字世界的設計與形成04機器是不完整的

1.適時的設計 1.1.適時的設計比永恆的設計更重要 1.2.Scrum 1.2.1.發佈一個不完整但會進行多次迭代的產品，而非試圖交付一個完整的產品 1.3.瀑布式開發 1.3.1.傳統的軟件產品開發方式是“瀑布式開發”​，這是一系列從高處開始逐步向下完成的邏輯步驟，就像水流從懸崖上跌落那樣 1.3.2.是線性過程，要有對產品需求、設計、實現、測試和維護細緻入微的關

AI

收藏 評論

u_16773655 頭像

向量檢索 - 通義深度搜索-操作指南

應用開通 1.在阿里雲百鍊控制枱的應用廣場中點擊通義深度搜索卡片，進入應用詳情。 2.首次試用時，點擊右上角免費開通完成應用開通。 應用管理 點擊我的應用進入應用管理頁面。頁面展示所有已創建的應用和應用key等信息，首次使用需要新增應用。 應用配置 點擊應用卡片或新增應用進入應用配置界面。

阿里巴巴 , 大數據 , yyds乾貨盤點 , 深度搜索 , 數據倉庫 , AI , 人工智能 , 大模型

收藏 評論

poloai 頭像

poloai - 【2025年推薦】NanoBananaPro 生圖|如何用 poloapi.top 中轉一鍵調用

用 poloapi 中轉調用 NanoBananaPro 生圖：一份實戰筆記 適合人羣： ✔ 用過 OpenAI API ✔ 知道什麼是文生圖 ✔ 只想把圖“穩定地生成出來” 如果你只是想快速用 NanoBananaPro 生圖，而不是研究模型原理，這篇就夠了。 先把話説清楚（很重要） poloapi.top = API 中轉站（relay / proxy）

AI

收藏 評論

wintersun 頭像

PetterLiu - RAG應用性能優化入門指南

從“能用”到“好用”的RAG之旅 檢索增強生成（Retrieval-Augmented Generation, RAG）技術正深刻地改變着我們與信息交互的方式，它為構建知識問答系統、智能對話代理、文檔處理和工作流自動化等應用提供了強大的動力。通過RAG，我們可以讓強大的語言模型（LLM）理解並運用那些它們在訓練時從未見過的私有數據。 RAG的核心工作流程可拆分為兩個階段： 1. 數據索

AI

收藏 評論

u_16213649 頭像

mob64ca14082604 - 充滿可能的新一代輔助編程神器：Cursor

目錄 1、網站功能規劃 2、生成網站UI設計圖 3、生成項目代碼架構設計文檔 4、分佈操作生成代碼 4.1 生成首頁 4.2 生成文件轉換功能 4.3 生成圖片壓縮功能 1、網站功能規劃 創建網站功能規劃文件，在文件中利用cursor的自動補全功能，一步步規劃網站的功能規劃 在需

AI , AI編程 , AI寫作 , 後端服務 , 前端開發 , AI作畫 , Javascript

收藏 評論

muziji 頭像

木子吉 - 混合專家模型 (MoE) 詳解

混合專家模型 (MoE) 詳解 隨着 Mixtral 8x7B (announcement, model card) 的推出，一種稱為混合專家模型 (Mixed Expert Models，簡稱 MoEs) 的 Transformer 模型在開源人工智能社區引起了廣泛關注。在本篇博文中，我們將深入探討 MoEs 的核心組件、訓練方法，以及在推理過程中需要考量的各種因素。讓我們開始吧！ 目錄

AI

收藏 評論

wintersun 頭像

PetterLiu - 千問快速review評審Java工程代碼與異步代碼智能體

千問快速review評審Java工程代碼與異步代碼智能體 背景 《Effective Java》是由 Joshua Bloch 編寫的一本經典 Java 編程指南，被廣泛認為是 Java 開發者必讀的權威書籍之一。該書通過一系列具體、實用的“條款”（Items），幫助開發者寫出更清晰、高效、健壯和可維護的 Java 代碼。截至 2025 年，《Effective Java》已出版至第三版（201

AI

收藏 評論

wintersun 頭像

PetterLiu - AI瀏覽器Comet用户體驗測試

AI瀏覽器Comet用户體驗測試 移動Web應用 UI/UE 測試的 5 大核心痛點 移動Web應用（H5/PWA）的 UI/UE 測試與傳統的 PC 網頁測試截然不同，也比原生 App 測試更具挑戰性。 以下是 移動Web應用 UI/UE 測試的 5 大核心痛點，這些通常是測試人員和設計師最頭疼的地方： 1. 極致的“碎片化”兼容性 (The Fragmentation Hell) 這是最直觀、

AI

收藏 評論

yjmyzz 頭像

菩提樹下的楊過 - Agent設計模式學習(基於langchain4j實現)(5) - 條件工作流

書接上回，簡歷評估完後，根據評估結果，如果合格，公司就該通知面試，否則回郵件拒絕。也就是今天要演示的“條件工作流”。下面定義這2個分支對應的Agent: 一、定義不同分支的Agent 1.1EmailAssistant (發郵件拒絕候選人Agent) 1 public interface EmailAssistant { 2 3 @Agent("向未通過篩選的候選人發送拒絕郵件

AI

收藏 評論

poloai 頭像

poloai - 2026 最新 Gemini API 接入指南：國內開發者首選 poloai.top 中轉方案

隨着 Google DeepMind Gemini 3 系列（含 Gemini 3、3 Flash、3 Pro）的正式落地，其在長上下文理解、複雜指令執行、多模態一致性及工具調用穩定性上的跨越式升級，讓這款模型成為支撐生產級系統的核心選擇。但對國內開發者而言，官方直連的諸多壁壘讓先進技術 “看得見、用不上”—— 支付限制、適配繁瑣、網絡波動等問題，成為阻礙接入的核心痛點。而poloai.top推出

AI

收藏 評論

u_16213645 頭像

mob64ca1407216b - 【Vue3教程】創建你的第一個Vue 3項目 - 前端小智的個人空間 -

前端 Vue3 項目效率提升：DeepSeek 輔助組件邏輯編寫與 Props 類型定義 引言 在當今快速迭代的前端開發環境中，Vue3 憑藉其響應式系統、Composition API 和 TypeScript 支持，已成為企業級應用的首選框架。然而，隨着項目規模擴大，組件邏輯編寫和 Props 類型定義常成為效率瓶頸。開發者面臨代碼重複、

deepseek , AI , AI編程 , 人工智能 , 前端開發 , 前端 , Javascript

收藏 評論

smartloli 頭像

哥不是小蘿莉 - 使用 Vibe Coding 構建 AI 自動化評測系統

1.概述 在當今快速發展的 AI 時代，如何高效、準確地評估 AI 模型的性能已成為一個關鍵挑戰。傳統的評測方法往往依賴大量人工干預，不僅效率低下，而且難以保證評測的一致性和客觀性。本文將深入探討如何使用 Vibe Coding 的理念，結合現代 AI 技術，構建一個智能、高效且可擴展的自動化評測系統。我們將從系統架構設計出發，詳細剖析核心組件的實現，並分享在實際項目中積累的最佳實踐。 2.內容

AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程二： 改善深層神經網絡 第三週：超參數調整，批量標準化和編程框架（二）batch歸一化

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第二課的第三週內容，3.4到3.7的內容。 本週為第二課的第三週內容，你會發現這周的題目很長，實際上，作為第二課的

AI

收藏 評論

yunpan-plus 頭像

雲棧開源日記 - 從Transformer到LLaMA：AI大模型工程化實踐完整路徑解析

大模型API調用會用，但不理解背後原理？微調訓練無從下手？本文從底層架構到工程實踐，拆解完整技術路徑。 大模型技術體系全景：從原理到工程實踐 隨着ChatGPT引發的AI浪潮，大模型技術已成為開發者必備技能。但從API調用到深入理解架構原理，再到企業級應用落地，中間存在明顯的知識斷層。本文整理了一套完整的學習資源，幫助開發者系統掌握大模型技術棧。 技術棧覆蓋範圍 基礎理論層 內容涵蓋必要的數

AI

收藏 評論

ClownLMe 頭像

ClownLMe - 從0到1，無代碼微調並部署本地大語言模型LLM

前言 LLM模型微調 能讓大模型掌握特定行業的深度知識，能夠實現AI虛擬主播，AI醫生，AI程序員，AI網絡安全工程師等特定領域的延展。更重要的是，當有本地部署的硬件條件限制時，能夠讓微調後小的大語言模型等效百億級的大語言模型 測試環境：windows11，RTX4070顯卡 下面將手把手帶你跑通無代碼模型微調的全過程 環境安裝 必要的工具： git： https://git-scm.c

AI

收藏 評論

dmx778 頭像

大模型玩家七七 - 微調與安全隱私：為什麼微調會放大風險

安全問題，往往不是在“上線那一刻”出現的 如果你做過幾次大模型微調項目，很可能有一種錯覺。 項目初期，一切看起來都很安全。 數據在內網，模型在內網，訪問有權限控制， 甚至你可能會想： “我們又不是直接對外提供服務，哪來的安全風險？” 但很多隱私和安全問題，並不是在模型“上線”那一刻才出現的。 它們更像是被慢慢埋進模型參數裏的定時炸彈。 等你意識到問題的時候，往往已經很難回頭

AI

收藏 評論

Goblinscholar 頭像

哥布林學者 - 吳恩達深度學習課程四：計算機視覺 第三週：檢測算法 （二）目標檢測算法

此分類用於記錄吳恩達深度學習課程的學習筆記。 課程相關信息鏈接如下： 原課程視頻鏈接：[雙語字幕]吳恩達深度學習deeplearning.ai github課程資料，含課件與筆記:吳恩達深度學習教學資料 課程配套練習（中英）與答案：吳恩達深度學習課後習題與答案 本篇為第四課的第三週內容，3.3到3.5的內容。 本週為第四課的第三週內容，這一課所有內容的中心只有一個：計算機視覺。應

AI

收藏 評論