机器学习标签_AI Agent技术社区

机器学习

Skill 市场爆发四万项，但 62% 半年未更新——如何验证一个 Skill 的真实能力？

Skill 市场的繁荣是 AI Agent 生态成熟的标志，但数量不等于质量，描述不等于能力。当前 Skill 市场正在经历的，是每一个技术生态从诞生到成熟都必须经过的"野蛮生长期"——npm 如此，VS Code 插件如此，今天的 Skill 也是如此。作为 Skill 的使用者，我们没法改变市场的整体质量分布，但可以通过系统化的验证方法，在良莠不齐的海洋中筛选出真正可靠的能力模块。

Efiwob?
2026-08-31 14:20:03

 529

 9

#人工智能 #机器学习
AI Agent 从 Demo 到工业落地：Skills、Trajectory、Policy 与 Omniverse 训练体系解析

本文观察 Agentic AI 背后的计算架构变化，重点解析生产级 AI Agent 的训练逻辑：为什么 Agent Demo 进入真实工厂后难度骤增，以及如何通过 Knowledge、Skills、Trajectory、Rollout、Policy 构建任务能力。进一步结合工业场景，围绕设备知识与运维、生产协同、系统调用及多 Agent 协同等实际场景，讨论 AI Agent 如何从“回答问题”

qq_40453532
2026-08-27 17:08:07

 457

 13

#人工智能 #机器学习 #深度学习 +2
智能体性能评估

在传统的生成式 AI 应用中，评估的核心通常聚焦于单次输入输出（Single-turn I/O）的质量。例如，通过 RAG Triad 评估检索的相关性与回答忠实度，或通过预设标准答案评估数学推理的准确率。然而，一旦进入AI Agent（智能体）│ 传统 LLM 评估 vs Agent 智能体评估 ││ 评估维度 │ 传统 LLM 评估 │ AI Agent 智能体评估 ││ 交互模式 │ 单轮

 tachibana2
2026-08-27 09:30:00

 333

 10

#人工智能 #机器学习 #数据库 +1
AI Agent 架构全解：LLM、Skills、Tools、Memory 与 MCP 如何协同

本文面向想弄懂"AI Agent 到底是什么、为什么能自己干活"的读者。跟着一个例子看完，就能理解它的架构与协同机制。

程序猿李巡天
2026-08-26 20:43:53

 356

 12

#人工智能 #架构 #剪枝 +3
AI大模型与数学·第56课快速傅里叶变换FFT：DFT高效优化算法，图像、音频、扩散模型工程加速核心工具

本文介绍了快速傅里叶变换（FFT）的算法原理及其在AI工程中的应用。FFT通过利用旋转因子的周期性和对称性，采用分治策略将离散傅里叶变换（DFT）的时间复杂度从O(N²)优化至O(NlogN)，显著提升了计算效率。文章详细推导了基2-FFT的分治过程，解释了蝶形运算这一核心计算单元，并对比了FFT与DFT的性能差异。在应用层面，FFT已成为图像处理（降噪、压缩）、语音识别、扩散模型和时序预测等AI

船厂电气自动化ai大模型
2026-08-26 08:17:05

 593

 19

#机器学习 #人工智能 #算法 +2
Agent 技术原理与架构解析

AI Agent（智能体）的技术架构，本质上是让大语言模型（LLM）从"能说会道的大脑"，进化成"能动手解决问题"的完整系统。它的核心是一个"思考-行动-观察"的循环，让AI能自主完成复杂任务。核心架构：四大关键模块。

游民一枚
2026-08-24 11:27:35

 347

 4

#人工智能 #开发语言 #算法 +1
初见DeepSeek Harness和论文解析

DeepSeek 于 2026 年 8 月开源了 AI Agent 运行时框架 DeepSeekHarness（DSH），核心理念是"一切皆插件"——模型适配器、工具注册表乃至 Agent 主循环都可热替换，发布数日即收获超 14.9 万Star。本文前半介绍 DSH 的安装与四种运行模式，后半整理其底层框架 Cordis 的论文《A Programming Paradigm forSpatiot

小综t
2026-08-24 00:10:32

 600

 3

#人工智能 #机器学习
AI大模型与数学·第43课傅里叶级数（量子态波函数前置）

本文深入解析了傅里叶级数作为现代数学、AI和量子物理核心工具的重要地位。课程阐明：任何周期性波动都可分解为基频正弦波与高频谐波的叠加，这与泰勒展开的局部曲线拟合形成互补。通过方波分解案例，直观展示了傅里叶级数处理非光滑波形的优势。重点揭示了其在三大领域的应用：1）AI领域（图像压缩、扩散模型降噪、语音识别）；2）工程领域（信号处理）；3）量子物理（为波函数叠加原理奠基）。特别强调傅里叶思想与量子态

 船厂电气自动化ai大模型
2026-08-20 08:14:42

 447

 10

#机器学习 #算法 #深度学习 +2
企业选购AI会议助手，真正该比较的不是功能数量，而是语音识别底座

其中ASR，也就是Automatic Speech Recognition，是把语音变成文本的核心环节。这一层一旦发生错误，错误会沿着后续链路继续传递。例如原话是：“第三季度采购预算调整为一百五十万。如果ASR阶段把“一百五十万”识别成“一百五十五万”，后面的大模型即使把会议纪要整理得非常漂亮，也很难凭空知道原始语音实际上说了什么。更麻烦的是，人名、企业名称、金额、日期、型号、项目编号这类信息，本

 shxjnpl
2026-08-19 19:27:02

 314

 7

#人工智能 #语音识别 #机器学习
AI Agent 必知必会 - Zero shot few shot

【代码】AI Agent 必知必会 - Zero shot few shot。

Starrier
2026-08-19 11:04:32

 231

 4

#人工智能 #机器学习 #深度学习
【AI Agent面试题】Agentic RAG 和传统 RAG 的区别？

传统 RAG 里检索是一条写死的流水线，Agentic RAG 把检索这件事"决策化"了——查不查、查几次、怎么改写、够不够，全交给 Agent 自己判断。下面把这句话拆开讲透。

瓦罗兰特顶级C位
2026-08-19 10:10:46

 201

 8

#人工智能 #机器学习 #前端 +2
如何选择合适的背单词软件：深度分析与品牌推荐

随着技术的发展，口碑好的背单词软件品牌和忘不掉的背单词软件品牌正不断融入新技术，如口语常用单词的智能语音识别和高频英语单词的动态学习计划等。背单词APP推荐中，一些应用已经开始使用大数据分析用户学习习惯，提供个性化学习方案。

单词记忆方法研究
2026-08-18 08:53:25

 208

 9

#人工智能 #机器学习 #学习方法
Python中的上下文管理器：原理与实践

计时器上下文管理器# 使用计时器# 临时更改环境变量import oselse:# 使用环境变量上下文管理器上下文管理器是Python中的一个强大特性，它为资源管理和状态管理提供了一种优雅、安全的方式。核心原理：上下文管理器的基本概念、工作原理和优势实现方法：如何使用类和装饰器实现上下文管理器内置支持：Python内置的上下文管理器和contextlib模块高级应用：嵌套上下文管理器、ExitSt

雷帝木木
2026-03-27 16:32:13

 2564

 27

#python #机器学习 #深度学习 +1
从原理到实战：一文读懂主流交叉验证技术及其Python/R实现

本文全面解析主流交叉验证技术，包括K折交叉验证、留一法、分层交叉验证等，并提供了Python/R实现代码。通过实战案例展示如何提升模型稳健性，特别适合小样本数据、复杂数据分布及模型调参场景，帮助数据科学家避免常见陷阱。

我会笑你一辈子的
2026-04-10 10:17:42

 222

 3

#机器学习
Python 中的异步编程高级技巧：从原理到实践

Python 异步编程是一种强大的并发编程技术，它通过协程和事件循环实现了高效的 I/O 操作处理，显著提高了程序的性能和响应速度。通过本文的介绍，我们了解了从基本的语法到复杂的任务管理，从异步 HTTP 客户端到异步数据库操作的各种异步编程技术。

雷帝木木
2026-04-03 23:47:20

 1159

 6

#python #机器学习 #深度学习 +1
AI大模型支持下的：Python双驱动计量经济学多源数据处理、机器学习预测及复杂因果识别全流程

AI大模型支持下的：Python双驱动计量经济学多源数据处理、机器学习预测及复杂因果识别全流程

 宝藏口袋
2026-03-26 11:19:22

 378

 6

#人工智能 #python #机器学习
Python中的生成器和迭代器：原理与实践

生成器和迭代器是Python中强大的特性，它们为处理大量数据提供了一种高效的方式。核心原理：迭代器和生成器的基本概念、工作原理和优势实现方法：如何实现自定义迭代器、生成器函数和生成器表达式高级特性：生成器的sendthrow和close方法实际应用：大文件处理、数据处理管道、异步编程等性能对比：与列表等其他数据结构的性能对比随着Python的不断发展，生成器和迭代器的应用场景也在不断扩展。更强大的

 雷帝木木
2026-03-27 16:34:56

 2477

 29

#python #机器学习 #深度学习 +1
计算机毕业设计：Python全栈智慧交通监控预警系统 Flask框架可视化百度地图汽车车况数据分析大模型机器学习（建议收藏）✅

本文介绍了一个基于Python和Flask框架开发的智慧交通大数据监控系统。系统采用SQLite数据库存储数据，前端使用Echarts和百度地图API实现可视化展示。主要功能包括：交通数据监控大屏（展示核心统计信息、车辆分布等）、实时监控画面（显示违规车辆和多路监控）、地图可视化（标注车辆位置和拥堵情况）、统计分析（车辆类型和状态图表）、后台管理（数据增删改查）以及用户登录模块。系统通过多维度数据

 yuanmazhiwu
2026-03-29 19:15:31

 724

 23

#python #flask #机器学习 +3
收藏！小白/程序员转行Agent必看，4步理清学习思路，轻松具备求职竞争力

如今，AI领域的风口早已到来，Agent作为当下最热门的赛道之一，掌握其相关技能，无疑能让你在就业市场中脱颖而出，成为企业争抢的核心人才。无论是刚入门的编程小白，还是想转型的资深程序员，Agent都是值得深耕的方向。但很多学习者都面临一个共同困境：并非不愿付出时间和精力，而是埋头学习许久后，依然摸不清自己的真实水平，不知道自己是否达到入行标准，更不清楚下一步该往哪里发力。

咔咔学姐kk
2026-04-03 10:28:19

 335

 12

#学习 #人工智能 #大数据 +1
计算机毕业设计：Python智能二手车数据可视化推荐系统 Flask框架 requests爬虫协同过滤推荐算法可视化汽车之家机器学习（建议收藏）✅

本文介绍了一个基于Flask框架的二手车数据分析与推荐系统。系统通过requests爬虫从汽车之家网采集二手车数据，使用MySQL存储数据，并采用基于用户的协同过滤推荐算法实现个性化车源推荐。核心功能包括：汽车数据分析可视化（展示销量排行、售价分布等）、各品牌销售数量分析、奔驰/丰田等品牌专项分析、二手车数据管理以及用户注册登录。系统整合了数据采集、智能推荐、可视化分析和用户交互功能，通过Echa

vx_biyesheji0001
2026-04-02 18:05:42

 382

 8

#python #机器学习 #大数据 +3
LLM 最大支持的提示词注意事项： Python字符串最大长度完全解析

本文介绍了Python字符串最大长度的关键点：1. 理论最大长度由CPython解释器的sys.maxsize决定，64位系统约922亿亿字符；2. 实际长度受可用内存限制，超大字符串会引发MemoryError；3. 处理大数据应采用流式或分块读取；4. 澄清了整数转字符串长度限制(4300位)和Windows路径限制(260字符)与字符串长度无关的区别。建议避免创建超大字符串，改用逐行或分块处

 ZhangJiQun&MXP
2026-04-10 17:24:09

 335

 8

#python #开发语言 #程序人生 +2
Python 中的函数式编程：从原理到实践

函数式编程为 Python 开发者提供了一种强大的编程范式，它强调不可变性、纯函数和函数组合，能够帮助我们编写更加清晰、可维护的代码。

雷帝木木
2026-04-04 23:47:32

 2887

 9

#python #机器学习 #深度学习 +1
Python3.8环境配置全攻略：避免包冲突的终极解决方案

本文介绍了如何在星图GPU平台上自动化部署Python3.8镜像，快速搭建隔离的开发环境以避免包冲突问题。该镜像预装了Miniconda和常用科学计算包，特别适用于数据分析和机器学习项目，能确保开发、测试和生产环境的一致性。通过环境隔离和版本控制，开发者可以高效管理不同项目的依赖关系。

阿卞是宝藏啊
2026-03-18 02:02:11

 37

#机器学习
Python实战：用NumPy手把手教你计算伪逆矩阵（附SVD分解代码）

本文详细介绍了如何使用NumPy计算伪逆矩阵，重点讲解了基于奇异值分解(SVD)的实现方法，并提供了完整的Python代码示例。文章涵盖了伪逆矩阵的基础概念、NumPy环境配置、SVD分解原理、性能优化技巧以及在机器学习中的实际应用场景，帮助读者深入理解并掌握这一重要的矩阵运算工具。

职场老油条170
2026-02-19 05:28:03

 304

 5

#机器学习
用Python3复现经典算法：手把手教你从零实现K-means聚类（含数据集+可视化）

本文详细介绍了如何使用Python3从零实现K-means聚类算法，包含完整代码实现、数据集加载与可视化解析。通过Iris数据集实战演示，讲解算法核心思想、数学原理及优化技巧，帮助读者掌握机器学习中的经典聚类方法。文章还涵盖肘部法则、轮廓系数等关键评估技术，以及图像压缩等扩展应用场景。

gin88
2026-02-21 11:07:13

 151

 1

#机器学习
Python实战：用sklearn搞定数据标准化与归一化（附避坑指南）

本文详细介绍了在机器学习中使用sklearn进行数据标准化与归一化的实战方法。通过对比StandardScaler和MinMaxScaler的核心差异，结合电商、金融等应用场景，指导读者根据数据特性选择合适方法。文章重点强调了避免数据泄漏的关键流程，并提供了针对不同模型（如SVM、KNN、神经网络）的缩放策略与避坑指南。

cola5
2026-03-10 02:16:35

 510

 9

#机器学习