深度学习标签_AI Agent技术社区

深度学习

AI编程Agent闭环：工具选型检查项与协作调整

Loop 工程这个说法值得拆开看。公开描述把 AI 编程的当前阶段概括为：AI Agent 可以自主完成触发、执行、评估与重试构成的闭环。这四个词其实是一份现成的检查表——任何一个宣称支持 Agent 编程的工具，都可以放进这四个环节里逐项核对，看它覆盖了哪一段，又在哪一段交还给人和流程。

天风之翼
2026-09-15 14:00:29

 180

 2

#人工智能 #机器学习 #深度学习
2026年AI智能体（Agent）十大技术趋势深度解析

2026 年 AI Agent 的发展，已经从“模型能不能调用工具”进入“系统能不能在生产环境稳定运行”的阶段。十大趋势背后有一条共同主线：标准化、工程化、可观测、可控制。无论是多智能体协同、MCP 工具协议，还是长程记忆与安全对齐，最终目标都是让 Agent 从炫酷 Demo 变成可靠生产力。对于开发者和企业来说，与其追逐每一个新概念，不如围绕自身业务构建一条最小可用的 Agent 链路：明确任

 今天AI了吗
2026-09-14 17:28:44

 540

 1

#人工智能 #架构 #安全 +2
一文彻底搞懂AI Agent是什么，大模型入门到精通，收藏这篇就足够了！

OpenAI 将AI Agent（智能体）定义为，以大语言模型为大脑驱动，具有自主理解感知、规划、记忆和使用工具的能力，能自动化执行完成复杂任务的系统。它不像传统工具只会“被动干活”，而是可以像“数字员工”一样，自己接任务、做规划、找方法，还能不断自我优化。想象你招了个“超级员工”：它自己会拆解任务，主动调用工具，持续进化不摆烂。简单来说，它具备三个“核心技能”：👁️ 能看懂：能感知客户行为、文

 IT职业领路人
2026-09-14 15:53:49

 477

 4

#人工智能 #深度学习 #机器学习
AI Agent全解：原理、主流框架、设计模式及应用案例分享_ai agent 框架

学术界和工业界对术语“智能体”提出了各种定义。大致来说，一个智能体应具备类似人类的思考和规划能力，拥有记忆甚至情感，并具备一定的技能以便与环境、智能体和人类进行交互。可以将智能体想象成环境中的数字人，其中：智能体 = 大语言模型（LLM） + 观察 + 思考 + 行动 + 记忆。这个公式概括了智能体的功能本质。为了理解每个组成部分，让我们将其与人类进行类比：1. 大语言模型（LLM）：LLM 作为

 IT职业领路人
2026-09-14 15:46:22

 201

 2

#人工智能 #深度学习 #机器学习
深度学习-卷积神经网络

（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。3，池化层：如最大池化、平均池化，用于降维、减少计算量，并增强一定的平移不变性。图像分类、目标检测、语义分割、实例分割、人脸识别、OCR、医学影像、遥感、视频分析、语音识别、文本分类等。2，激活函数：引入非线性，常用 Re

2603_96570567
2026-09-14 15:11:54

 600

 4

#深度学习 #python
AI Agent 工具越多越聪明吗？今天的热点告诉你：真正难的是“让 Agent 一直可靠地干活

随着 AI Agent 从简单的工具调用逐渐发展到长时间、自主化的任务执行，Agent 的技术重点正在从“模型有多聪明”转向“系统能不能稳定地把事情做完”。本文结合近期人工智能领域的热点，围绕 Agent 工具膨胀、上下文管理、长任务执行、Checkpoint、Harness、Multi-Agent、模型路由以及安全治理等问题展开分析。通过多个实际场景，用通俗易懂的方式讲清楚为什么工具并不是越多越

 打工仔折腾 AI
2026-09-13 18:32:25

 447

 3

#人工智能 #深度学习 #机器学习
Agent = Model + Harness：为什么说Harness是决定Agent成败的关键？

过去一年，AI Agent从技术概念走向工程落地。但很多人仍然把注意力集中在“用哪个模型”上——换更强的模型、写更长的提示词，仿佛模型就是Agent的全部。但实际开发过Agent 的人，大概率会认识到，这并非事实。一个在业界已形成共识的公式是：Agent = Model + Harness。模型负责“思考”，Harness负责让这份思考变得有用。长程Agent对Harness的依赖，超过它对任何单

 IT职业领路人
2026-09-13 16:54:29

 252

#人工智能 #深度学习 #机器学习
从 vercel/ai README 看 TypeScript AI Agent 的工具链结构

反过来，如果希望一套代码快速切模型，网关的字符串路由方式降低了接入成本，但也引入了对网关可用性和配置的依赖。使用时要安装对应框架包，例如。从选型角度，这意味着「Agent 循环控制权」是必须进一步查文档或源码的点：循环次数、终止条件、并行工具调用、人工确认、超时与取消，都会影响生产可用性。需要进一步验证的则包括：Provider 直连与网关的行为差异、模型串映射规则、Agent 循环的终止和错误策

 天风之翼
2026-09-12 20:00:31

 78

 2

#人工智能 #机器学习 #深度学习
2026 年 GitHub 最值得关注的 10 个开源项目，第 3 个太实用了！

每年这种盘点满天飞，大部分的筛选逻辑是"Star 排序 + 简介复制粘贴"。范式价值—— 它是不是在改变"软件应该怎么做"这个问题的答案本身；生态位—— 它卡住的位置，未来两年会不会越来越重要（还是三个月后就被替代）；工程含金量—— 扒开源码看，是真东西，还是一层 prompt 包着的 shell 脚本。AI Agent 基础设施。去年我们还在争论"用不用 AI 写代码"，今年整个开源社区在解决的

 一九九一晚春
2026-09-12 15:49:40

 1038

 3

#github #开源 #深度学习 +1
8大AI Agent架构深度解析：从Demo到工业化生产，高性价比技术选型与避坑指南

本文系统解析8大主流AI Agent架构（如ReAct、Plan-and-Execute、Multi-Agent Hierarchical等）核心原理，提出技术选型决策树与避坑指南，聚焦状态管理、工具调用、成本控制与可观测性等工程挑战。对比主流框架与自研Runtime，展望MCP协议标准化、Agent Mesh及端侧Small Language Model趋势，强调AI Agent的未来在于工程架

 进击的码农！
2026-09-12 11:45:24

 190

 3

#人工智能 #架构 #AI +2
从流量逻辑到任务逻辑，AI Agent正在终结互联网的免费午餐

互联网锁住的是用户的关系链，Agent 锁住的是用户的工作上下文，这也是行业争相布局入口的核心原因：抢的不只是流量，更是上下文的原始积累。AI Agent 经济对传统经济最深的冲击，并不是市场上多出了一类AI产品，而是原本分散在网站、App和软件中的用户入口，正在被一批新的任务代理层重新争夺。用户越多，不一定意味着利润越高；过去，广告可以在搜索排序、信息流原生、网红推荐、品牌内容等多种场景中嵌入用

 中國龍在廣州
2026-09-12 09:45:13

 118

#人工智能 #大数据 #机器学习 +2
github上关于节省token的项目一览，上下文压缩，节省token,agent优化skill,热门项目

2026年5月至8月，GitHub涌现以“省Token”为核心的开源浪潮，推动AI Agent工作流深度产品化。头部项目如Headroom（可逆压缩）、caveman（输出精简）、pxpipe（视觉偷渡）等，通过智能中间件、行为优化、多模态降本等六大学派路径，实现90%以上Token节省。这些技术融合学术成果与工程创新，将压缩从算法层延伸至流程、接口与计费策略，形成低成本、高效率的AI开发新范式。

zhurui_xiaozhuzaizai
2026-09-10 16:07:32

 510

 4

#github #人工智能 #深度学习
Python 3.14 + AI Agent 实战：从“会聊天”到“会干活”，手把手做一个真正能调用工具的智能体

单纯调用大模型 API 只能实现问答能力，而 AI Agent 可以自主规划任务、调用外部工具完成复杂工作。本文基于 2026 年 9 月最新的 Python 3.14.7 与 OpenAI Agents SDK，从零搭建可运行的工具调用智能体；通过对比普通大模型与 Agent 的本质差异，拆解 Agent「思考‑选工具‑执行‑汇总结果」的闭环运行机制，提供完整可直接运行的实战代码，实现版本查询、

打工仔折腾 AI
2026-09-09 08:54:39

 316

 9

#人工智能 #深度学习 #python
AI平台算力额度怎么分层？先弄清概念再选版本

总结：先分清 token、算力和工作流次数分别限制什么，再优化提示词、拆分任务和复用模板，最后再判断是否需要升级版本。AI 平台算力额度分层本质上是按照任务复杂度、使用频率和协作需求划分的，入门分层对应轻量试用和低频任务，专业分层对应高频稳定的内容创作和工作流，团队分层对应多成员协作和项目沉淀。AI 平台版本选择不是越贵越好，而是要看任务频率、任务长度、流程复杂度和协作需求。扣子这类 AI Age

2601_96608165
2026-09-08 17:34:06

 218

 3

#人工智能 #大数据 #运维 +2
Agent是什么？一文讲清智能体（AI Agent），这是一篇不得不看的干货总结！_agent智能体

智能体（Agent）作为先进的人工智能实体，通过持续感知外部环境、自主决策并执行行动来达成预设目标。其架构具备环境感知、动态决策、行为执行等核心功能模块，并集成记忆存储机制、多层级规划策略及工具调用能力。其规划模块整合了思维链推演、自我反思机制及目标分解技术，形成闭环式认知增强系统。区别于传统AI系统，智能体展现出三大核心特性：在独立运作层面具有无需人工干预的决策自主性；在时间维度上支持长期运行与

 IT职业领路人
2026-09-08 17:43:38

 541

 9

#人工智能 #深度学习
8G显存5-10秒延迟的AI语音聊天助手(Qwen3-ASR-0.6B Q8_0(语音识别)+ DeepSeek-R1-7B-Q4-K-M(自然语言推理) + Qwen3-TTS(语音合成))

8G显存近乎流畅运行的AI语音聊天助手(ubuntu24.04:Qwen3-ASR-0.6B Q8_0(语音识别)+ DeepSeek-R1-7B-Q4-K-M(自然语言推理) + Qwen3-TTS(语音合成))

CODER0304
2026-09-06 18:31:59

 309

 7

#人工智能 #语音识别 #深度学习 +3
深入理解 AI Agent 架构：从单 Agent 到多 Agent 协作

AI Agent 是能够自主感知环境、做出决策、执行行动的人工智能系统。感知 (Perception)：观察环境状态、接收用户输入、读取工具结果推理 (Reasoning)：分析信息、规划任务、做出决策行动 (Action)：执行工具调用、操作环境、生成响应Agent = LLM + 工具 + 记忆 + 规划Agent 是一个有"目标感"的 LLM，它不仅能思考，还能主动采取行动。LangGrap

tiger865
2026-09-05 07:26:55

 244

 6

#人工智能 #机器学习 #深度学习 +2
HyperAI 上新丨MCP接入开发工作流；PyTorch/AI for Beginners/TVM等系列教程上线；AI顶会资源检索功能再升级

从找到合适的数据集和教程，到创建开发环境、调用 GPU、运行项目，再到管理自己的算力资源，一个完整的 AI 工作流往往需要在多个页面和工具之间不断切换。一直以来，所以，除算力资源外，我们还构建了包含优质数据集、热门模型 Notebooks、海量前沿论文、多维度基准测试在内的高质量资源站。同时，随着 AI Agent、MCP 等技术的发展，HyperAI 也在持续优化、升级，以期为广大开发者提供更加

 HyperAI超神经
2026-09-05 00:54:50

 250

 8

#人工智能 #pytorch #深度学习
【AI Agent 实战：我做了个双 Agent 协作系统】

本文介绍一个开源的 AI Agent 协作系统，采用执行者 + 监督者双 Agent 架构，支持插话引导、AI 自主学习、Headroom 上下文压缩等高级特性。完整代码 + Docker Compose 一键部署，适合中高级 AI 应用开发者学习参考。

qq_38483995
2026-09-04 16:38:33

 420

 14

#人工智能 #python #深度学习 +1
删掉邮箱后，Agent Trace 仍可能泄露什么：一条可重放脱敏流水线

删掉邮箱后，Trace 仍可能通过工具结果/内部文档/secret/准标识符组合泄密；删得过多又会破坏失败重放。真正的问题不是把更多字符串替换成 ***，而是做可验证转换——删掉不该进入评测资产的内容，同时保留失败复现需要的实体关系、状态变化、工具 Schema、判定条件。风险在 Trace 生成时就出现。OpenAI Agents SDK tracing 默认启用。关闭一个开关不会机械清空其他副

 武子康
2026-09-02 10:16:03

 391

 9

#人工智能 #AI #深度学习
循环神经网络RNN

循环神经网络 RNN 专门处理**序列数据**，依靠内部循环与隐藏状态记忆历史时序信息，多用于 NLP、时间序列预测、语音识别等任务。

ai大模型-探索者
2026-08-30 12:05:47

 405

 11

#rnn #人工智能 #深度学习
有没有低成本又好用的AI工作流工具：先看任务，再看套餐

总结：先分清token、算力和工作流次数分别限制什么，再优化提示词、拆分任务和复用模板，最后再判断是否需要升级版本。AI工作流工具选型不是越贵越好，而是要看任务频率、任务长度、流程复杂度、自身技术学习成本。扣子这类AI Agent工作台适合从轻量任务逐步进阶到工作流和项目空间，但具体是否升级、选择哪一类工具，仍要以官方最新权益和个人真实使用频率为准。优先用入门资源验证自动化想法，再决定是否付费，是

 Z554396zhang999
2026-08-29 13:23:52

 395

 6

#人工智能 #大数据 #深度学习
面试官问：多个 AI Agent 之间如何进行通信与协作？

只回答「调接口、传 JSON」，大概率下一句就接不住了。比如报告 Agent 把取数任务交给数据 Agent。十分钟后连接断了，报告 Agent 该重试，还是继续等？数据 Agent 是没收到、正在处理、等人补充时间范围，还是已经生成了报表？如果直接重试，会不会把同一份数据又算一遍？

Python编程杰哥
2026-08-29 10:45:00

 438

 10

#人工智能 #transformer #深度学习 +1
大数据深度学习|计算机毕设项目|计算机毕设答辩|Django 多种模型训练基于机器学习的二手房数据分析与挖掘

深度学习（Deep Learning）是机器学习的一个子领域，它被设计用来模拟人类学习的层次化过程，通过构建具有多个隐藏层的神经网络模型，从大量数据中自动学习有用的特征表示。这种技术极大地提升了机器学习模型在图像识别、语音识别、自然语言处理等任务上的性能。深度学习的核心是神经网络，特别是深度信念网络、循环神经网络和YOLO11等。这些网络通过大量的训练数据学习输入到输出的复杂映射，从而能够执行诸图

 IT实战课堂小啵学长
2026-08-29 09:00:00

 426

 10

#大数据 #深度学习
大数据深度学习|计算机毕设项目|计算机毕设答辩|Django 多种模型训练基于机器学习的二手房数据分析与挖掘

深度学习（Deep Learning）是机器学习的一个子领域，它被设计用来模拟人类学习的层次化过程，通过构建具有多个隐藏层的神经网络模型，从大量数据中自动学习有用的特征表示。这种技术极大地提升了机器学习模型在图像识别、语音识别、自然语言处理等任务上的性能。深度学习的核心是神经网络，特别是深度信念网络、循环神经网络和YOLO11等。这些网络通过大量的训练数据学习输入到输出的复杂映射，从而能够执行诸图

 IT实战课堂小元酱
2026-08-29 08:00:00

 381

 9

#大数据 #深度学习
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

 474

 13

#人工智能 #机器学习 #深度学习 +2
智能体测试不能只做单元验证

智能体的风险常出现在多个工具串联之后：它是否用了正确的身份、是否重复调用、遇到超时会不会停止。单元测试依然必要，但还应在隔离环境中检查调用轨迹、权限拒绝和异常降级，避免把自然语言回答看成唯一结果。在传统的软件工程中，写好单元测试（Unit Test）往往能覆盖 80% 以上的代码缺陷。但在 AI Agent 和多模态交互系统的开发里，仅仅依靠单元测试去校验单个 Tool 函数或者单个 Prompt

南屹川
2026-08-27 17:03:41

 4713

 5

#AI #人工智能 #深度学习
LangChain Agent 年度报告：输出质量仍是 Agent 最大障碍，客服、研究是最快落地场景！

2025 年，让 Agent 实际投产、落地应用的最大障碍已经不再是成本问题了，而是「质量」。如何让 Agent 输出可靠、准确的内容，仍然是最难的部分。近期，LangChain 通过对工程师、产品经理、企业高管等 1300 名行业人士进行调查，深度调研了 AI Agent 目前最真实的应用情况。进入 2026 年，企业对于 Agent 的讨论焦点，已经从「要不要做」全面转向了「如何规模化、可靠且

 上马定江山
2025-12-23 16:43:15

 561

 17

#人工智能 #大数据 #知识图谱 +1
2025企业AI Agent落地全攻略：四大主流形态对比与选型指南！

2025年是AI Agent落地的"大考之年"。文章解析了企业AI Agent落地的四种典型形态：技术编排流（灵活需自建）、模型生态流（通用但业务浅）、独立极客流（快速但风险高）和业务底座流（原生集成）。企业需根据研发能力、业务需求和IT现状选择合适路径。AI转型应从小切口入手，静水深流，将智能融入业务流程，成为组织肌体的一部分，而非简单叠加。

上马定江山
2025-12-15 11:14:06

 1075

 21

#人工智能 #语言模型 #自然语言处理 +2
AI时代IT职场生存指南：2025年求职趋势解析，如何成为年薪百万的赢家？

2025年，IT行业的分化已成定局。一些岗位因自动化、流程化而价值降低，另一些则因稀缺性和高门槛而水涨船高。AI工程与应用：不一定要懂算法，但会部署大模型、做AI Agent开发、优化推理效率的人，成了企业争抢的香饽饽。

上马定江山
2025-12-23 16:50:02

 830

 26

#人工智能 #深度学习 #产品经理
2026年AI Agent工程化实战：从概念到规模化落地的完整路径！

2026年AI Agent进入工程化落地阶段，57%企业已实现生产部署。应用从内部提效转向外部创收，面临质量、延迟和安全等新挑战。开发者需构建包括架构升级、高级检索、多模型协作、全链路观测、评估驱动开发和零信任安全在内的完整工程体系，才能实现AI Agent的规模化应用。工程纪律将决定AI Agent的成败。

上马定江山
2025-12-22 16:08:45

 1203

 10

#人工智能 #知识图谱 #深度学习 +2
首个版本该保留什么

在构建自动化 AI Agent 时，开发者往往希望智能体拥有极高的自主决策能力。但当 Agent 被赋予在长链条下自主选择 Tool Calling 的权限时，系统往往会在特定多模态场景下陷入预期之外的闭环陷阱。一个典型的故障场景是：智能体在处理一张模糊的文本图片时，由于 OCR 提取失败，便不断尝试更换参数重试 API，最终在没有任何阻断的情况下运行数百轮，在几个小时内消耗掉上千美元的 API

南屹川
2026-08-26 10:38:31

 4724

 6

#AI #人工智能 #深度学习
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

 613

 19

#机器学习 #人工智能 #算法 +2
AI Agent 系统设计与多模态交互实验：接口怎么定才不返工

在开发 AI Agent 系统或多模态交互应用时，许多团队在前期的接口定义上踩过大坑。最常见的做法是按照传统 RESTful API 的思路，定义一个接口，入参传入用户 Prompt，响应体定义为一个简单的。这种“一次性同步返回结果”的接口设计，一旦遇到多轮 Tool Calling、长推理耗时或网络中途抖动，前端界面就会长时间陷入空白死等。更糟的是，当 Agent 中途需要前端用户二次确认（Hu

南屹川
2026-08-24 17:47:52

 4931

 1

#AI #人工智能 #深度学习
AI Agent 系统设计与多模态交互实验：评审时怎样发现隐性风险

多模态 Agent 在引入视觉理解能力后，能够处理图表、网页截图和现场照片，大幅拓宽了应用边界。但在架构评审时，团队如果只停留在“能不能识别图片内容”的演示效果上，很容易忽视多模态接入后带来的计算资源暴涨与安全性漏洞。与纯文本 Agent 相比，视觉输入的非确定性与计算复杂度高出一个数量级。评审阶段必须把显存开销、图像 Prompt 注入和状态机死锁等隐性风险搬到桌面上。

南屹川
2026-08-24 17:18:01

 5124

 7

#AI #人工智能 #深度学习
模型幻觉检测与抑制技术-金融医疗双案例实战

检测技术（事实核查、一致性验证）是"安全网"，实时拦截错误；抑制技术（RAG、微调、提示工程）是"预防针"，从源头减少幻觉。金融与医疗两个工程模拟案例证明，这套双轨体系能显著提升准确率、降本增效，并规避合规风险。未来，结合 AI Agent 架构（Multi-Agent 系统）的协作校验、动态学习与跨模态融合，幻觉控制将走向更智能的形态。幻觉控制不只是技术选项，更是伦理责任——只有通过严谨的工程实

 2601_96614951
2026-08-24 08:03:50

 489

 7

#金融 #人工智能 #深度学习
Travel 项目总结：从旅行规划到可治理 AI Agent 的工程化实践

Travel 项目总结：从旅行规划到可治理 AI Agent 的工程化实践

 Adoretheall690
2026-08-24 01:18:41

 339

 9

#人工智能 #python #深度学习
AI的那点事（LLM 、Agent 、MCP 、Skill 、RAG...）

拆解 AI Agent 背后的核心概念：LLM 本质上只是在做文字接龙，Prompt、Context、Memory 是人为发明的信息包装方式；Agent 只是一个由 while(true) 循环驱动的调度器，真正的工作靠循环之外的权限、上下文压缩、工具执行等 95% 工程能力支撑。梳理 RAG、MCP、Skill、API 以及 LangChain/Workflow/Skill 三代流程编排的定位与

 pan303507479
2026-08-23 16:50:32

 332

 5

#人工智能 #大数据 #深度学习
AI Agent 系统设计与多模态交互实验：从最小可用方案搭起

在设计 AI Agent 系统时，很多团队刚立项就试图构建一个复杂的 Multi-Agent 协作网络。他们把系统拆分成规划者（Planner）、执行者（Worker）、批评者（Critic）等五六个不同的智能体角色，甚至设计了繁琐的图状态路由。然而在工程落地的初期，盲目增加 Agent 数量往往带来难以控制的非确定性与极高的 Token 耗费。真正的工程之道，是从一个单圈 ReAct 循环的最小

 南屹川
2026-08-23 14:18:53

 4890

 2

#AI #人工智能 #深度学习