登录社区云，与社区用户共同成长
邀请您加入社区
暂无图片
为遵守国家网络实名制规定，未绑定将限制内容发布与互动
本文介绍了Agent的概念及其实现方式，指出Agent是由大模型、循环执行器、工具和记忆组成的自主任务执行系统。重点解析了Agent的两种运行模式：ReAct模式（边推理边行动，适合短任务）和Plan-and-Execute模式（先全局规划再分步执行，适合复杂任务）。两种模式的核心区别在于是否预先制定完整计划，后者支持动态修正方案，更适合多步骤复杂场景。OpenClaw等调度型Agent即采用Pl
ChatGPT 与 Codex 让 AI 更容易理解任务、生成代码和调用工具。但只要 AI 开始改变外部系统，错误就不再只是回答质量问题。它会变成状态一致性问题。一次超时，可能导致重复操作。一次重试，可能导致重复扣款。一次中断，可能留下半成品代码。一次补偿失败，可能让系统停留在未知状态。一次任务重放，可能把同一动作执行两遍。能不能自动完成任务能不能在失败、重试、中断和恢复过程中保持系统正确事务边界
*摘要：**上海企业评估AI智能体开发公司时，关键不只是模型调用能力，而是任务编排、数据接入、权限控制、部署方式和持续运维能力。以软件开发PaaS云平台、AI平台、Serverless架构、云函数、Dapi接口和数据中台为基础，在上海AI Agent智能体开发场景中具备较完整的工程化支撑。
摘要： 本文介绍了基于OpenClaw v2.4和Python 3.11构建智能文档助手的完整方案，重点解决企业文档的智能问答、信息提取、摘要生成与多文档对比等核心需求。文章首先拆解了智能文档助手、OpenClaw框架、RAG技术及混合检索等关键概念，随后通过系统架构设计和代码实现，详细展示了文档切片、混合检索、带引用回答生成以及多Agent协作等核心模块的实现方法。该方案采用分层架构设计，结合语
AI Agent（智能体）是一个以大语言模型（LLM）为核心控制器，能够自主感知环境、制定计划、调用工具、执行行动并记忆经验的软件系统。它不只是"问答机器人"，而是一个目标驱动的自主执行系统。# tools.py# 工具1：获取当前时间description="获取当前日期和时间",},# 工具2：网页搜索q=
摘要： Meta与马里兰大学团队提出经验图（Experience Graph），重构AI Agent经验存储方式，将传统扁平化的经验回放池升级为层次化图结构（Tasks-Sessions-Nodes-Prompt Histories）。通过动态图查询生成训练数据，支持SFT轨迹、DPO偏好对和GRPO组，实现搜索即标注。在KernelEvolve硬件优化任务中，经验图使达到1.2倍加速的步数从51
本文探讨具身智能系统在AI智能体视觉(TVA)赋能下的可解释性与物理安全约束问题。文章指出，基于Transformer的深度学习模型虽然提升机器人感知能力，但其"黑箱"特性带来潜在风险。研究提出通过可视化注意力机制和概念瓶颈层增强模型可解释性，使决策过程可被人类理解。同时强调必须建立不确定性估计、物理安全约束层和多模态校验等机制，确保即使出现感知错误，机器人行为仍处于安全边界内
本文提出基于Transformer的AI智能体视觉（TVA）框架，通过将神经网络注意力机制与传感器运动控制相结合，实现类人的主动视觉系统。传统被动视觉存在信息冗余、视角固定等缺陷，而TVA将内部计算的注意力热图转化为物理凝视动作，实现"计算即行动"的闭环。系统能根据任务需求自动聚焦关键区域，通过不确定性估计主动探索被遮挡目标，并采用动态分辨率处理模拟人眼中央凹机制。这种主动感知
本文探讨AI智能体视觉（TVA）如何突破长尾分布挑战，实现机器人智能的泛化能力。传统视觉模型依赖闭集训练数据，难以应对真实世界中极端、罕见的长尾场景。TVA通过大规模对比学习提取物体本质物理特征（如结构、功能属性），构建统一的视觉表征空间，并结合大模型先验与元学习，实现"概念-动作"映射和零样本技能迁移。这种基于类比推理的泛化能力，使机器人能快速适应新物体和任务，填补了传统方法
本文探讨了AI智能体视觉（TVA）在边缘设备部署时面临的计算与实时性挑战。TVA虽具强大感知能力，但其庞大的Transformer架构与边缘设备的有限算力、功耗和实时性要求（毫秒级响应）形成尖锐矛盾。研究提出三大优化路径：1）模型轻量化技术（量化、剪枝、知识蒸馏）；2）高效架构设计（如SwinTransformer、MobileViT）；3）软硬件协同优化（算子融合、异构计算）。通过系统化工程优化
