摘要: 1. 智能体 在公司里承担什么职责 统一入口问答 员工随便说话:帮我生成运维日报、帮我分析今天告警、帮我查服务器负载。 意图识别与任务分发 不用人选菜单,AI 自动识别需求,自动匹配对应业务流程。 多工具智能编排 一个请求需要调多个系统,智能体自动编排先后顺序。 会话记忆、上下文理解 接着上一句对话 阅读全文
posted @ 2026-05-14 21:34 静心笃行。 阅读(1) 评论(0) 推荐(0)
摘要: 一、低代码可视化工作流(拖拽生成,不用写代码) 适合:业务、运营、快速搭流程、Coze 类场景 工具 核心特点 Coze 扣子 自带可视化工作流画布,拖拽节点、大模型、API、条件判断,零代码生成 AI 工作流,最常用 Dify 和 Coze 一致,可视化编排工作流,支持 API、数据库、逻辑分支、 阅读全文
posted @ 2026-05-14 21:31 静心笃行。 阅读(2) 评论(0) 推荐(0)
摘要: 下载 Ollama 文件 https://github.com/ollama/ollama/releases/download/v0.21.2/ollama-linux-amd64.tar.zst 安装 Ollama # 上传 tar.zst 到 Linux 服务器 ls ollama-linux- 阅读全文
posted @ 2026-05-14 21:28 静心笃行。 阅读(2) 评论(0) 推荐(0)
摘要: 1. enumerate(可迭代对象, 起始下标=0) 作用:遍历序列时,同时拿到 下标索引 + 元素值。 可迭代对象:list,tuple,str,set,dict,range,Dataset(PyTorch),DataLoader(PyTorch) fruit_list = ["苹果", "香蕉 阅读全文
posted @ 2026-05-12 20:55 静心笃行。 阅读(5) 评论(0) 推荐(0)
摘要: 一、单下划线 _attr(受保护,弱私有) 写法:self._password 含义:约定内部使用,外部别碰;语法不拦截,仍可访问。 示例: class User: def __init__(self): self._pwd = "123" # 受保护属性 u = User() print(u._p 阅读全文
posted @ 2026-05-12 15:50 静心笃行。 阅读(3) 评论(0) 推荐(0)
摘要: 1. grad_fn 它是动态计算图的一部分,记录了输入张量所执行的操作。用于在反向传播时追踪计算路径。 (1)核心作用 记录操作历史:它记录 输入张量 是通过什么运算(如加法,乘法,矩阵运算等)得到的。如 y = x + z; 那么 g.grad_fn 会指向一个 AddBackword0 对象 阅读全文
posted @ 2026-05-12 11:44 静心笃行。 阅读(1) 评论(0) 推荐(0)
摘要: 【神经网络】前向传播和反向传播 1. 前向传播 作用:从输入层开始,逐层计算到输出层,得到预测结果。 过程:数据经过每一层的线性变换(权重 * 输入 + 偏置) 和 非线性激活函数(如ReLU,Sigmoid),最终输出预测值。 附加任务:在训练时,还会根据预测值与真实标签计算损失函数(如交叉熵、均 阅读全文
posted @ 2026-05-12 09:00 静心笃行。 阅读(7) 评论(0) 推荐(0)
摘要: 【PyTorch】张量转Numpy 一、常用 4 种方式(按推荐优先级排序) 1. 最标准:.detach().numpy()​ ✅ 首选 适合:有梯度、计算图里的张量 python 运行 import torch x = torch.randn(3,4, requires_grad=True) a 阅读全文
posted @ 2026-05-11 18:17 静心笃行。 阅读(1) 评论(0) 推荐(0)