- 博客(127)
- 收藏
- 关注
RSS订阅原创 吴恩达新课程：Agentic AI（笔记14）
本文探讨了AI代理系统中的两种进阶模式：代码执行规划与多智能体协作。在代码执行规划中，研究表明让LLM直接生成代码比输出结构化JSON更高效，能充分利用现有函数库表达复杂逻辑，但需注意代码安全执行问题。多智能体系统则将复杂任务分解为多个专业化子代理，具有任务分解、专注性、模块化等优势，还能突破上下文限制并降低计算成本。这两种模式通过放弃部分控制权来显著提升AI系统的能力范围，为构建复杂业务系统提供了有效方法框架。
2025-12-10 15:48:33
691
原创 吴恩达新课程：Agentic AI（笔记13）
摘要：本文介绍了Agent系统中的规划设计模式，该模式使智能体能够自主决定执行复杂任务的工具调用序列，无需硬编码。以客服助理Agent为例，通过提供工具集和LLM编写结构化执行计划（如JSON格式），系统可灵活处理复杂查询。该模式扩展了任务范围，提高了灵活性，但也存在结果不稳定等风险。推荐使用Huggingface社区的smolagents框架，其简洁易用，适合开发者入门和定制化系统。结构化输出（如JSON）确保计划可靠解析和执行，提升系统稳定性。
2025-12-08 21:00:45
906
原创 吴恩达新课程：Agentic AI（笔记12）
摘要：代理式AI系统开发应优先关注输出质量，待系统稳定后再优化延迟和成本。优化延迟需通过计时基准测试定位瓶颈，采用并行化或更换LLM等方法；成本优化则需计算各步骤费用并替换高成本组件。开发流程分为快速原型、初步评估、严谨分析和高效调优四个迭代阶段，强调构建与分析的平衡。早期团队应善用现有工具，后期需定制评估方案，采用系统化开发流程支撑复杂Agent系统建设。
2025-12-07 17:37:51
732
原创 吴恩达新课程：Agentic AI（笔记11）
摘要：文章介绍了AI系统中组件级评估的重要性及其改进方法。组件级评估类似单元测试，能高效定位问题组件（如网页搜索），避免端到端评估的高成本与系统噪声干扰。改进方法包括：调整非LLM组件的参数/超参数或更换服务商；优化LLM组件的提示词、尝试不同模型、任务分解或微调。作者强调培养模型选择直觉需频繁测试不同模型、建立评估集、学习优秀提示词并实际验证性能。组件级评估与端到端评估应结合使用，先针对性改进组件再验证整体效果提升。
2025-12-06 16:20:02
994
原创 吴恩达新课程：Agentic AI（笔记10）
《代理式AI工作流程中错误分析的重要性与方法》摘要：在代理式AI系统开发中，系统性的错误分析对提升工程效率至关重要。本文阐述了错误分析的核心方法：通过检查追踪(traces)和中间输出来定位问题组件，聚焦错误案例并建立量化统计表格。两个典型案例显示：在发票处理流程中，重点应优化LLM数据提取而非PDF转文本；在邮件回复流程中，应优先改进SQL查询编写而非邮件撰写。文章强调，从项目初期就建立错误分析机制，能有效管理日益复杂的系统，并通过量化数据指导优化重点，避免依赖直觉决策带来的风险。
2025-11-15 21:53:19
987
原创 吴恩达新课程：Agentic AI（笔记8）
MCPModelContextProtocol是一种标准化工具访问协议，旨在解决AI开发中重复集成外部工具的问题。该协议通过建立共享服务器机制，将工作量从m×n降为m+n，极大提升了开发效率。其核心包含客户端（应用）和服务器（工具封装）两大组件，支持从数据获取到功能调用的多种操作。现有生态已覆盖Slack、GitHub等主流工具，典型应用场景如ClaudeDesktop通过GitHub服务器获取仓库信息并生成摘要。该协议显著优化了代理式AI开发流程，形成了活跃的技术生态系统。
2025-11-13 12:03:09
253
原创 吴恩达新课程：Agentic AI（笔记9）
文章摘要：本文探讨了构建AI代理工作流程时的评估方法。作者提出通过构建评估测试集来替代主观观察，建议从快速原型开始迭代优化。通过三个案例（发票日期提取、营销文案字数限制、研究观点完整性）展示了不同类型评估的设计方法，区分了客观评估（代码检查）和主观评估（LLM评判）。核心技巧包括：从少量案例快速启动评估、持续迭代改进评估体系、以专业人类表现为参照标准。这些方法能帮助开发者建立可量化、可扩展的AI系统评估机制。
2025-11-13 12:02:08
429
原创 吴恩达新课程：Agentic AI（笔记7）
本文介绍了大型语言模型（LLM）通过代码执行工具解决复杂任务的方法。核心优势在于LLM能自动生成并运行代码，比预定义工具更加灵活高效。实现步骤包括：设计系统提示词让模型返回Python代码、在沙盒中安全执行代码、处理错误反馈。安全执行是关键，必须使用沙盒环境防止风险。代码执行极大扩展了模型能力边界，是代理式AI应用的重要发展方向。新兴的MCP协议将简化工具集的访问流程，推动该技术的普及。
2025-11-08 15:25:53
1156
原创 吴恩达新课程：Agentic AI（笔记6）
摘要：本文介绍了AISuite库在工具调用方面的核心功能和工作原理。AISuite由Andrew Ng团队开发，提供统一语法调用不同LLM提供商，并自动处理工具描述。文章详细说明了如何定义工具函数（如获取当前时间），并通过AISuite自动生成JSON Schema传递给LLM。重点阐述了AISuite在带参数函数处理中的自动化能力，以及整个工具调用的工作流程：从函数定义、Schema生成到LLM决策和执行。最后指出代码执行工具赋予LLM极大灵活性，开发者只需提供函数即可扩展模型能力。
2025-11-08 15:24:48
700
原创 吴恩达新课程：Agentic AI（笔记5）
摘要：本文介绍了语言模型中工具使用的核心机制。工具即函数，模型通过自主决策判断何时调用工具，从而突破自身限制。文章阐述了工具调用流程：模型识别需求后生成工具调用请求，系统执行对应函数并将结果反馈给模型，最终生成自然回复。重点说明了条件性调用原则和复杂场景下的多工具协作能力，以及开发者如何通过四步循环（提供工具、告知模型、解析执行、反馈结果）实现工具集成，使语言模型从聊天功能升级为能执行实际任务的智能助手。
2025-11-02 20:09:01
1047
原创 吴恩达新课程：Agentic AI（笔记4）
摘要：反思设计模式（Reflection Design Pattern）通过让AI代理自我审视和优化输出，能提升8%的性能，但会略微降低效率。评估方法分为：1）客观任务（如数据库查询）使用带标准答案的数据集自动评分；2）主观任务（如图表生成）采用结构化评分量表。外部反馈（如事实核查工具）可突破性能瓶颈，形成"生成-反馈-优化"的闭环。实验展示了如何通过反思改进SQL查询：首先生成初始查询，执行后结合结果反馈进行优化，最终生成更准确的查询。
2025-10-27 18:57:56
805
原创 吴恩达新课程：Agentic AI（笔记3）
本文介绍了反思设计模式在AI任务中的应用，该模式通过模仿人类反思过程来提升输出质量。文章以邮件撰写和代码编写为例，展示了硬编码的"提示-反思"工作流如何通过二次优化实现性能提升。研究数据表明，反思模式能在各种任务中稳定提高模型表现，尤其在结构化输出和多步骤任务中效果显著。文章还详细演示了多模态AI在图表生成中的反思应用，通过咖啡销售数据案例说明如何结合视觉反馈优化可视化效果。最后指出反思虽非万能，但能提供明确的优化方向，是性价比较高的工程化方法。
2025-10-27 18:57:05
964
原创 吴恩达新课程：Agentic AI（笔记2）
摘要： Agentic AI是一种自主执行多步骤任务的工作模式，通过调用工具、访问数据并动态决策，实现复杂流程自动化。其核心在于任务分解，将大任务拆解为可执行的子步骤（如发票处理中的PDF解析、数据库更新），并通过LLM与工具协作提升质量。评估采用端到端与组件级指标，结合LLM裁判进行迭代优化。关键设计模式包括反思（自我改进）、工具使用（扩展能力）、动态规划（自主决策）和多智能体协作（角色分工）。该范式并非取代人类，而是释放人力专注高阶工作，需遵循模块化、容错和持续优化的设计原则。
2025-10-19 22:30:14
433
原创 吴恩达新课程：Agentic AI（笔记1）
Agentic AI工作流是指利用大语言模型（LLM）将复杂任务拆解为多个步骤，通过指挥不同LLM分工协作完成每个步骤的过程。其核心在于自主性程度：低自主性需人工指导每个步骤，高自主性能自主规划步骤、调用工具并优化结果。主要优势包括：1）性能显著提升，如编程任务通过率大幅提高；2）并行处理加速任务完成，比人类顺序操作更高效；3）模块化设计支持自由替换工具和模型，如根据不同步骤需求选择最优模型。Agentic AI的精髓在于系统能自主决策任务执行方式，而非仅按指令执行。
2025-10-16 13:40:25
663
1
原创 MCP与A2A
AI交互协议对比：MCP与A2A的核心差异 MCP(模型上下文协议)是Anthropic推出的标准化协议，旨在解决LLM与外部工具交互的碎片化问题。它采用类似"翻译官"的架构，通过JSON-RPC格式实现LLM对各种工具的统一调用，显著提升了开发效率。 A2A(智能体间协议)则是Google开源的Agent互操作框架，专注于不同Agent间的安全协作。它通过AgentCard名片机制、任务状态管理等实现跨平台Agent的无缝协同，支持多模态数据交换。 核心差异在于定位：MCP是工程思维的
2025-09-07 22:22:54
861
原创 [Bug] ModuleNotFoundError: No module named ‘transformers_modules.InternLM2‘
【错误摘要】程序运行时出现"ModuleNotFoundError: No module named 'transformers_modules.InternLM2'"错误，主要由于transformers加载动态包时无法处理包含"."符号的本地模型路径名称。该错误由tokenization_internlm2_fast.py文件引发，提示无法找到'transformers_modules.0'模块。解决方案已在InternLM项目issue#756中提供：调用本地模
2025-07-17 10:35:11
329
原创 微软重磅开源Magentic-UI！
微软开源Magentic-UI人机协作Web智能体，突破传统自动化工具的"黑箱"模式。该系统采用多智能体架构，包含决策中枢、网页浏览、代码执行和文件处理四大模块，支持用户直接参与规划编辑和执行控制。核心技术特点包括：基于AutoGen框架的智能体协同、Playwright驱动的真实浏览器操控、沙箱隔离的安全机制，以及在线计划学习能力。与传统AI工具相比，Magentic-UI实现了分级控制、交互式执行图谱和渐进式部署，使人机协作更透明可控。该工具特别强调在执行关键操作前需用户确认，并通过
2025-07-07 19:47:14
808
原创 文心大模型 4.5 系列开源，海外开发者为何纷纷点赞？
百度文心大模型4.5系列重磅开源，涵盖47B至0.3B参数规模的混合专家与稠密型模型，在模型数量、类型及开源宽松度等维度全球领先。此次开源展现了中国AI的全栈优势，海外开发者评价其性能超越DeepSeek-V3，CNBC等国际媒体高度关注。文心4.5系列不仅为开发者提供了更多技术选择，更推动全球AI技术竞争与开源生态发展，成为中国AI领域的重要里程碑，彰显中国在全球人工智能竞争中的领先地位。
2025-07-02 17:21:55
952
原创 BUG-RuntimeError: CUDA error: device-side assert triggered CUDA
换到了cpu上，果然爆出了真正的错误！愿世界没有代码bug。
2025-03-17 16:33:18
239
原创 RAG与微调
RAG 通过检索和整合长文本信息，强化了模型对长上下文的理解和生成，有效突破了输入长度的限制，同时降低了调用成本，并提升了整体的处理效率。RAG 通过检索特定领域的相关文档，为模型提供丰富的上下文信息，从而提升了在专业领域内的问题回答质量和深度。RAG 结合检索到的信息和模型的生成能力，通过提供额外的背景知识和数据支持，增强了模型的推理和理解能力。RAG 将生成内容与检索到的原始资料建立链接，增强了内容的可追溯性，从而提升了用户对生成内容的信任度。，从而显著提升了回答的准确性与深度。
2025-02-21 11:21:32
667
原创 O1、R1和V3模型
它通过大规模强化学习（RL）和冷启动技术，在无需大量监督微调（SFT）的情况下，实现了与O1系列相当的推理能力。在基准测试中，R1在数学推理（如MATH-500）和代码生成（如Codeforces Elo）方面表现优于V3，接近或超越O1。：由DeepSeek（深度求索）开发，R1专注于高级推理任务，而V3是通用的自然语言处理模型。：均开源，允许开发者自由定制和优化。：由DeepSeek开发，专注于高级推理任务，适合复杂问题求解和逻辑推理。：由OpenAI开发，专注于复杂推理任务，适合科研和编程辅助。
2025-02-13 21:24:57
1606
原创 Transformers基础知识
常见自然语言处理任务情感分析(sentiment-analysis):对给定的文本分析其情感极性文本生成(text-generation)根据给定的文本进行生成命名实体识别(ner):标记句子中的实体阅读理解(question-answering):给定上下文与问题，从上下文中抽取答案掩码填充(fil-mask):填充给定文本中的掩码词文本摘要(summarization):生成一段长文本的摘要机器翻译:(translation):将文本翻译成另一种语言特征提取(feature-extraction):生成
2025-02-08 11:48:47
272
原创 Transformer 的基本结构
2、将得到的单词表示向量矩阵(如上图所示，每一行是一个单词的表示x)传入 Encoder 中经过6个 Encoder block 后可以得到句子所有单词的编码信息矩阵C，如下图。单词向量矩阵用 X(nxd)表示，n是句子中单词个数，d 是表示向量的维度(论文中 d=512)。每一个 Encoder block 输出的矩阵维度与输入完全一致。1、获取输入句子的每一个单词的表示向量 X，X 由单词的Embedding和单词位置的 Embedding 相加得到。解码器模块 Decoder。
2025-02-08 11:44:25
276
原创 BUG--torch.distributed.elastic.multiprocessing.errors.ChildFailedError:
【代码】BUG--torch.distributed.elastic.multiprocessing.errors.ChildFailedError:
2025-02-05 14:38:04
426
3
原创 NLP中特征提取方法的总结
基于细粒度的特征提取方法（如词性标注、命名实体识别、核心语义分析等），获取更多的上下文信息和语法特征。：利用预训练的 BERT 等语言模型的上下文表示，通过微调模型来获得更丰富的文本特征。：与 Word2Vec 类似，但它学习的是整个文档或句子的向量表示，而非单词的表示。：对 BOW 特征进行加权，考虑词的在文本中的频率和在整个语料库中的反向文档频率。：通过预训练的词向量模型将单词表示为低维度的稠密向量，捕捉词语之间的语义关系。：通过分析文本的句法结构（如依赖解析树）提取特征，捕捉文本中的语法关系。
2025-01-05 20:33:44
1795
原创 数据结构C语言第2版课后习题答案 _ 第6章 图
2．应用1．选择题（1）在一个图中，所有顶点的度数之和等于图的边数的（ ）倍。A．．．．4答案：C（2）在一个有向图中，所有顶点的入度之和等于所有顶点的出度之和的（ ）倍。A．．．．4答案：B解释：有向图所有顶点入度之和等于所有顶点出度之和。（3）具有n个顶点的有向图最多有（ ）条边。A．nB．n(n-1)C．n(n+1)D．n2答案：B解释：有向图的边有方向之分，即为从n个顶点中选取2个顶点有序排列，结果为n(n。
2024-11-16 20:27:03
1876
原创 数据结构C语言第2版课后习题答案 _ 第7章 查找
若非二叉排序树，则置flag为false。（4）已知二叉树T的结点形式为（lling,data,count,rlink），在树中查找值为X的结点，若找到，则记数（count）加1，否则，作为一个新结点插入树中，插入后仍为二叉排序树，写出其非递归算法。设哈希表长为14，哈希函数是H(key)=key%11，表中已有数据的关键字为15，38，61，84共四个，现要将关键字为49的元素加到表中，用二次探测法解决冲突，则放入的位置是。折半查找有序表（4，6，10，12，20，30，50，70，88，100）。
2024-11-16 20:07:41
2502
原创 数据结构C语言第2版课后习题答案 _ 第8章 排序
1．选择题（1）从未排序序列中依次取出元素与已排序序列中的元素进行比较，将其放入已排序序列的正确位置上的方法，这种排序方法称为（ ）。A．归并排序 B．冒泡排序 C．插入排序 D．选择排序答案：C（2）从未排序序列中挑选元素，并将其依次放入已排序序列（初始时为空）的一端的方法，称为（ ）。A．归并排序 B．冒泡排序 C．插入排序 D．选择排序答案：D（3）
2024-10-30 23:16:32
1230
原创 数据结构C语言第2版课后习题答案 _ 第5章 树和二叉树
2．应用1．选择题（1）把一棵树转换为二叉树后，这棵二叉树的形态是（ ）。A．唯一的Ｂ．有多种C．有多种，但根结点都没有左孩子 Ｄ．有多种，但根结点都没有右孩子答案：A解释：因为二叉树有左孩子、右孩子之分，故一棵树转换为二叉树后，这棵二叉树的形态是唯一的。（2）由3个结点可以构造出多少种不同的二叉树？（ ）D．5答案：D（3）一棵完全二叉树上有1001个结点，其中叶子结点的个数是（ ）。D．501答案：D。
2024-10-20 00:29:12
1580
原创 数据结构C语言第2版课后习题答案_第4章 串、数组和广义表
（1）串是一种特殊的线性表，其特殊性体现在（ ）。A．可以顺序存储B．数据元素是一个字符C．可以链式存储D．数据元素可以是多个字符若答案：B（2）串下面关于串的的叙述中，（ ）是不正确的？A．串是字符的有限序列B．空串是由空格构成的串C．模式匹配是串的一种重要运算 D．串既可以采用顺序存储，也可以采用链式存储答案：B解释：空格常常是串的字符集合中的一个元素，有一个或多个空格组成的串成为空格串，零个字符的串成为空串，其长度为零。
2024-10-17 23:16:00
908
原创 数据结构C语言第2版课后习题答案_第1章 绪论
如数学计算中用到的整数和实数，文本编辑所用到的字符串，多媒体程序处理的图形、图像、声音、动画等通过特殊编码定义后的数据。由用户定义的，表示应用问题的数学模型，以及定义在这个模型上的一组操作的总称。换句话说，数据结构是带“结构”的数据元素的集合，“结构”就是指数据元素之间存在的关系。顺序存储结构是借助元素在存储器中的相对位置来表示数据元素之间的逻辑关系，通常借助程序设计语言的数组类型来描述。解释：数据元素是数据的基本单位，数据项是数据的最小单位，数据结构是带有结构的各数据元素的集合。
2024-10-03 23:00:48
981
原创 数据结构_2.2、顺序表插入删除查找
线性表：是具有相同数据类型的n （n≥0）个数据元素的有限序列顺序表：用顺序存储的方式实现线性表顺序存储：把逻辑上相邻的元素存储在物理 位置上也相邻的存储单元中，元素之间的关 系由存储单元的邻接关系来体现。ElemType ：就是你的顺序表中存放的数据元素类型。
2024-09-29 00:20:51
526
原创 数据结构_2.1、线性表的定义和基本操作
线性表是具有相同数据类型的n（n≥0）个数据元素的有限序列其中n为表长，当n = 0时线性表是一个空表。若用L命名线性表，则其一般表示为：几个概念： ai是。
2024-09-24 23:18:01
343
原创 数据结构_1.2、算法
健壮性：输入非法数据时，算法能适当地做出反应或进行处理，而不会产生莫名其妙的输出结果。确定性：算法中每条指令必须有确切的含义，对于相同的输入只能得出相同的输出。不费内存，空间复杂度低。可行性：算法中描述的操作都可以通过已经实现的基本运算执行有限次来实现。输出：一个算法有一个或多个输出，这些输出是与输入有着某种特定关系的量。输入：一个算法有零个或多个输入，这些输入取自于某个特定的对象的集合。平均时间复杂度:所有输入示例等概率出现的情况下，算法的期望运行时间。可读性：算法应具有良好的可读性，以帮助人们理解。
2024-09-22 00:04:55
297
原创 数据结构_1.1、数据结构的基本概念
数据：是信息的载体，是描述客观事物属性的数、字符及所有能输入到计算机中并被计算机程序识别和处理的符号的集合。数据是计算机程序加工的原料。数据元素：数据元素是数据的基本单位，通常作为一个整体进行考虑和处理。数据元素可由若干数据项组成数据项：数据项是构成数据元素的不可分割的最小单位数据结构：是相互之间存在特定关系的数据元素的集合数据对象：是具有相同性质的数据元素的集合，是数据的一个子集。数据结构三要素：数据结构有三要素，即逻辑结构、物理结构和数据的运算。逻辑结构是数据元素之间的关系，物理结构是如何在计算机中存储
2024-09-17 22:47:04
571
原创 常见考研函数泰勒公式展开（清晰）
ex1x2!1x2⋯n!1xnOxn)ln1xx−21x231x3⋯n1−1nxn1Oxn)(1xa1αx2!αα−1x2⋯n!αα−1⋯α−n1xnOxn)1−x11xx2x3⋯xnOxn)1x11−xx2−x3⋯−1nxnOxn)sinxx。
2024-07-23 11:47:04
3683
car-price-prediction.csv
2024-07-13
乳腺癌目标检测是医疗图像处理领域的一个重要应用
2024-06-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人