码农三叔-CSDN博客

原创（12-4-03）仿Manus通用AI Agent系统：聊天工具

文件create_chat_completion.py用于生成具有指定输出格式的结构化聊天完成，可以灵活地处理不同类型的响应（例如字符串、列表、字典或自定义模型）。该类根据提供的响应类型动态构建 JSON 模式，处理必填字段，并支持响应数据的类型转换。它还允许创建具有不同字段类型的复杂响应结构。

2025-05-06 20:43:31 246 2

原创（12-4-02）仿Manus通用AI Agent系统：计划管理工具

上述每个计划都包含唯一的 plan_id、标题、步骤列表，以及对应的状态和备注信息。工具提供了详细的错误处理，确保传递的参数符合要求，并对计划的更新操作提供智能的状态保持机制。文件planning.py是一个用于创建和管理计划的工具，适用于处理复杂任务的分步规划。

2025-05-06 20:42:02 280 1

原创（12-4）仿Manus通用AI Agent系统：Tool（工具）模块

此文件提供了基础的命令执行方法 execute，支持在特定 Conda 环境中运行命令 execute_in_env，并包含处理 cd 命令的 _handle_cd_command 方法。文件base.py定义了工具（Tool）模块的基类 BaseTool，它提供了一个通用的异步接口，使不同工具能够以统一的方式执行任务，并以标准格式进行参数传递。同时，它定义了 ToolResult 类，用于存储工具执行的结果，包括输出、错误信息、系统信息和图片数据，并提供了合并、字符串化和字段替换等操作方法。

2025-04-30 14:49:42 375 1

原创（12-3）仿Manus通用AI Agent系统：项目配置

文件还包括视觉模型（Vision LLM）的相关配置、可选的浏览器自动化设置（如是否启用无头模式、代理支持等）、搜索引擎偏好（如 Google、Baidu 或 DuckDuckGo），以及用于沙盒环境（如 Python 容器运行环境）的相关参数。在Ollama中接入DeepSeek API后，可以在文件config.example.toml中进行如下配置，这样也可以基于DeepSeek模型实现本Agent项目。通过高效的流程控制和任务管理机制，确保代理间的协作顺畅，并提升自动化任务的执行效率。

2025-04-30 14:47:35 479 1

原创（12-1）仿Manus通用AI Agent系统：背景介绍+项目介绍

在当前数字化和智能化迅猛发展的时代背景下，各行各业对智能代理系统的需求不断攀升。企业、政府及个人用户纷纷寻求利用人工智能技术来实现任务自动化、数据智能处理和决策支持，以降低运营成本、提升工作效率，并在激烈的市场竞争中抢占先机。通用AI Agent正是在这样的需求驱动下应运而生，它能够灵活适应各种应用场景，从自动化客服、智能助理到企业内部流程优化，均能发挥巨大作用。与此同时，Manus凭借其强大的多功能性和灵活的扩展能力，在智能代理领域迅速走红。

2025-04-28 17:17:05 348 1

原创 (11-6-02）基于深度强化学习的量化交易Agent：DRL、最小方差和DJIA的可视化

（2）使用 Plotly 创建了多个散点图 (trace0_portfolio、trace1_portfolio、trace2_portfolio 等)，这些图分别表示 A2C 模型的投资组合收益、DJIA 收益以及最小方差投资组合的收益。在上述代码中，trace0_portfolio 表示 A2C 模型的投资组合收益曲线，trace1_portfolio 表示 DJIA 的收益曲线，trace2_portfolio 表示最小方差投资组合的收益曲线。图10-8 投资组合收益的可视化图。

2025-04-28 17:14:52 453

原创 (11-6-01）基于深度强化学习的量化交易Agent：优化投资组合

（3）下面的代码用于计算最小方差投资组合的资产价值。随后，使用EfficientFrontier模块进行投资组合分配，设置权重的上下限为（0， 0.1），并通过min_volatility()方法获取最小方差投资组合的原始权重。最小方差投资组合分配是一种通过优化投资组合权重，以最小化整个投资组合的方差（波动性）的方法。（4）计算使用A2C模型、最小方差投资组合以及基准（Dow Jones指数）的累积收益率，将每日收益率序列累积，得到了它们相对于初始值的总体增长情况，用于比较和评估不同投资策略的绩效。

2025-04-27 21:36:38 723 2

原创鸿蒙HarmonyOS从零到精通，开启国产系统开发新篇章

本书内容由浅入深，从基础的UI组件开发到复杂的AI应用，每个案例都配有详细的实现步骤和代码解析，帮助读者快速掌握HarmonyOS开发的核心技能。从用户登录文本框到留言板发布系统，从栅格布局到动态广告组件，本书通过27个案例，带你掌握HarmonyOS UI组件的开发技巧。作为一本专注于纯血国产HarmonyOS的开发教程，本书不仅是技术学习的工具，更是对国产操作系统发展的一份支持与致敬。从音乐播放器到拍照程序，从录像到扫码功能，本书通过15个案例，带你探索HarmonyOS的多媒体开发潜力。

2025-04-27 21:33:10 601

原创国产系统开发圈炸了！“鸿蒙HarmonyOS应用开发100例”竟藏着这些宝藏？

作为一个对国产系统充满信仰的开发者，我刚拿到这本书的时候，内心OS是：“100个案例？这本书的案例设计得超贴心，从最简单的“用户登录框”到复杂的“在线支付系统”，循序渐进，完全不用担心被劝退！作为一个对国产系统充满热爱的开发者，看到这本书的时候，我直接泪目了！这本书直接把鸿蒙开发的全貌摆在你面前，从基础的UI组件到高阶的AI开发，100个案例手把手教你从零到精通！这本书不仅是技术指南，更是对国产系统的一份支持！：人脸识别、文字识别、语音识别，这些听起来高大上的功能，书里居然都有详细教程！

2025-04-26 19:57:18 410 2

原创 DeepSeek新手秘籍：底层架构原理+部署+接入+应用实操

DeepSeek是一款由中国领先的人工智能初创公司开发的大型语言模型，旨在彻底革新技术领域。与OpenAI的ChatGPT不同，DeepSeek专注于技术研发和创新，目标是实现通用人工智能（AGI），即在广泛的任务中达到或超过人类的能力。DeepSeek采用混合专家（MoE）架构，拥有6710亿参数，但每次推理仅激活370亿参数，显著降低了计算成本。此外，DeepSeek支持多模态任务，能够处理文本、图像、视频等多种数据类型，展现出卓越的推理能力和灵活性。

2025-04-25 17:43:48 1026 2

原创 (11-5）基于深度强化学习的量化交易Agent]：回测交易策略

上面的输出结果展示了基准（道琼斯工业平均指数）的绩效统计信息，基准的绩效指标包括年化收益率、累积收益率、年化波动率、夏普比率等。这些指标反映了当前策略在回测期间的收益、波动性、风险调整后的绩效等多个方面信息，其中夏普比率、卡玛比率、索提诺比率等是衡量策略风险调整后收益的重要指标，而最大回撤则是衡量策略可能面临的最大损失。通过绘制回测结果的可视化图来分析交易策略的性能，这些可视化图通常包括策略资产价值随时间的变化、策略每日收益率、基准（如道琼斯工业平均指数）的表现等，有助于更直观地理解策略的优势和劣势。

2025-04-25 17:40:28 970

原创纯血国产系统：HarmonyOS Next

本书内容由浅入深，从基础的UI组件开发到复杂的AI应用，每个案例都配有详细的实现步骤和代码解析，帮助读者快速掌握HarmonyOS开发的核心技能。从用户登录文本框到留言板发布系统，从栅格布局到动态广告组件，本书通过27个案例，带你掌握HarmonyOS UI组件的开发技巧。作为一本专注于纯血国产HarmonyOS的开发教程，本书不仅是技术学习的工具，更是对国产操作系统发展的一份支持与致敬。从音乐播放器到拍照程序，从录像到扫码功能，本书通过15个案例，带你探索HarmonyOS的多媒体开发潜力。

2025-04-24 17:09:55 426 4

原创 (11-4-03）基于深度强化学习的量化交易Agent(1)：Agent交易模型（3）基于TD3算法+交易测试

（1）下面的代码划分了名为df的数据集，选择了日期范围从'2020-010-01'到'2021-10-31'，并使用之前定义的参数env_kwargs创建了一个名为e_trade_gym的股票交易环境。（5）将df_daily_return数据框保存为 CSV 文件（df_daily_return.csv），并显示了 df_actions 数据框的前几行内容，其中包含了每个交易日的交易动作信息。（4）下面的代码显示了 df_daily_return 数据框的前几行内容，该数据框包含了每日的回报率信息。

2025-04-24 17:05:44 786 1

原创 20年经验的程序员告诉你的开发秘籍：项目开发实战（微视频版）

本书通过9个创新且前沿的商业项目，帮助读者深入理解和掌握大型C#项目的开发技巧，让读者充分体验到当前编程技术和行业需求的最新动向。这些项目紧跟行业趋势，涉及从传统的企业管理系统到前沿的人工智能应用，帮助学习者深入了解项目开发的各个环节和实际技术需求。项目实战让学习者从单纯的代码练习中脱离出来，进入到真正的开发世界，体验到开发的全貌，从而大大提升编程技能和解决实际问题的能力。随着经验的积累，我逐渐明白了编程的核心不在于掌握技术的“深度”，而是如何将技术应用于实际问题的“广度”。

2025-04-23 15:48:05 899 2

原创 (11-4-02）基于深度强化学习的量化交易Agent(1)：Agent交易模型（2）基于DDPG算法+基于SAC算法

SAC_PARAMS 包含了 SAC 模型的关键参数设置，这个模型使用了 FinRL 库中的 get_model 方法，并指定模型类型为 "sac"，同时传递了 SAC 模型的参数。具体来说，model=model_ddpg表示使用之前创建的DDPG模型，tb_log_name='ddpg'表示TensorBoard日志的名称，total_timesteps=50000表示总的训练步数。trained_sac 包含了训练完毕的 SAC 模型，该模型已经学习了在给定环境下执行股票交易策略的参数。

2025-04-23 15:46:28 692

原创 (11-4-01）基于深度强化学习的量化交易Agent(1)：Agent交易模型（1）基于A2C算法+基于PPO算法

训练完成后，返回已训练的 A2C 模型 trained_a2c。（3）将已经训练好的 A2C 模型保存到指定的文件路径 /content/trained_models/trained_a2c.zip，保存模型的目的是为了在以后的应用中重新加载和使用。（2）使用上面创建的PPO模型在环境中进行了8万步的训练，这将对模型进行学习，以在股票交易环境中执行交易决策。（1）使用FinRL库中的DRLAgent类初始化一个强化学习代理（agent），然后创建了一个使用PPO算法的模型，并传递了一些PPO算法的参数。

2025-04-22 10:55:24 921 4

原创 (11-3）基于深度强化学习的量化交易Agent：构建交易环境

这种环境的向量化可以带来训练速度的显著提升，特别是在使用深度学习模型进行训练时，因为模型的计算可以在多个环境之间并行进行。通过使用get_sb_env()方法，原始的股票交易环境被包装成了Stable-Baselines3库中的向量化环境，以便与该库中的强化学习算法进行集成。在上述代码中，print(type(env_train))语句用于打印输出env_train的类型，以确认其为Stable-Baselines3中的环境类型。（5）render()：用于返回当前环境状态的表示，用于可视化或记录。

2025-04-21 20:48:34 931 3

原创 (11-2）基于深度强化学习的量化交易Agent：数据处理

这行代码的目的是展示经过协方差矩阵添加后的数据的头部，以便查看数据的结构和内容。通过df.shape，可以确认处理后的数据的规模，确保数据准备步骤没有导致数据维度的意外变化。这行代码的目的是查看下载的金融数据的规模，即数据框中的行数和列数。（3）通过如下代码显示 DataFrame df 的前几行数据，目的是展示经过预处理和特征工程后的数据的头部，以便查看数据的结构和内容。（3）通过df.head()显示DataFrame df 的前几行数据，目的是展示下载的金融数据的头部，以便查看数据的结构和内容。

2025-04-21 20:43:52 899 1

原创鸿蒙HarmonyOS从零到精通，开启国产系统开发新篇章

本书内容由浅入深，从基础的UI组件开发到复杂的AI应用，每个案例都配有详细的实现步骤和代码解析，帮助读者快速掌握HarmonyOS开发的核心技能。从用户登录文本框到留言板发布系统，从栅格布局到动态广告组件，本书通过27个案例，带你掌握HarmonyOS UI组件的开发技巧。作为一本专注于纯血国产HarmonyOS的开发教程，本书不仅是技术学习的工具，更是对国产操作系统发展的一份支持与致敬。从音乐播放器到拍照程序，从录像到扫码功能，本书通过15个案例，带你探索HarmonyOS的多媒体开发潜力。

2025-04-20 15:39:26 678 3

原创（11-1）基于深度强化学习的量化交易Agent：背景介绍+项目介绍

金融市场一直以来都是一个信息量巨大、高度复杂且动态变化的领域。随着科技的不断发展，量化交易作为一种基于数据分析和数学模型的交易方式变得日益重要。传统的人工决策面临着市场波动、信息滞后等问题，而量化交易通过算法和模型，能够更迅速、精确地应对市场变化，为投资者提供更可靠的交易策略。感知市场状态：智能体通过获取金融市场数据（如价格、成交量等）来感知市场状态，类似于视觉和听觉等感知能力。

2025-04-20 15:36:50 881

原创（10-4-02）自动驾驶决策Agent：路径规划（2）RRT算法

此文件实现了多个功能函数，包括全局变量的初始化、移动基地客户端、坐标转换函数、距离计算函数、旋转函数、前往目标函数、路径跟随函数、订阅里程计和地图信息的回调函数、地图转换为图像函数以及发布路径点函数。RRT（Rapidly-exploring Random Tree，快速探索随机树）算法是一种用于路径规划的基于树结构的算法，通过在自由空间中随机生成点，并将这些点逐渐连接起来形成树结构，以便找到起点到目标点的可行路径。在指定的地图上生成随机点并逐步连接，最终找到起点到目标点的可行路径。图9-1 执行效果。

2025-04-18 20:04:04 863 3

原创（10-4-01）自动驾驶决策Agent：路径规划（1）跟墙壁行驶+ A*算法路径规划

整个项目通过ROS的launch文件进行配置和启动，可视化部分使用RViz工具实时展示机器人的运动轨迹和地图信息，为用户提供了一个方便直观的界面来监控和调试路径规划的效果。文件a_star_main.py实现了一个 ROS 节点，实现了 A* 算法进行路径规划，并利用 ROS 框架中的消息订阅和发布功能与机器人进行交互。具体来说，实现了如下所示的功能。该节点在 ROS 框架中运行，通过订阅机器人的激光雷达和里程计信息，实时更新机器人的位置和地图信息，并根据新的目标点进行路径规划和路径跟踪。

2025-04-18 19:59:03 549 2

原创感谢铁粉！粉丝回馈活动，免费赠书计划启动！

注意：每本书限量5个名额，先到先得！各位CSDN的代码战士们！今天必须搞点大动作回馈大家——正式启动！

2025-04-17 20:01:05 810 12

原创（10-3）自动驾驶决策Agent：障碍物和边界检测

文件global_rrt_detector.cpp实现了一个 ROS 节点，用于检测全局的障碍物和边界，并根据检测结果发布目标点。在本项目中，文件global_rrt_detector.cpp和文件local_rrt_detector.cpp实现了ROS节点，用于实现路径规划和障碍物检测功能。通过订阅地图和RViz点击点，实现了随机采样、最近点查找、障碍物检测和边界识别等功能，最终发布探索目标和可视化数据，以便机器人在当前位置附近规划安全路径和探索目标。

2025-04-17 15:51:11 874 1

原创国产系统开发圈炸了！“鸿蒙HarmonyOS应用开发100例”竟藏着这些宝藏？

作为一个对国产系统充满信仰的开发者，我刚拿到这本书的时候，内心OS是：“100个案例？这本书的案例设计得超贴心，从最简单的“用户登录框”到复杂的“在线支付系统”，循序渐进，完全不用担心被劝退！作为一个对国产系统充满热爱的开发者，看到这本书的时候，我直接泪目了！这本书直接把鸿蒙开发的全貌摆在你面前，从基础的UI组件到高阶的AI开发，100个案例手把手教你从零到精通！这本书不仅是技术指南，更是对国产系统的一份支持！：人脸识别、文字识别、语音识别，这些听起来高大上的功能，书里居然都有详细教程！

2025-04-16 17:28:51 565 7

原创（10-2）自动驾驶决策Agent：公用文件

（1）文件mtrand.h定义了一个名为MTRand_int32的类，实现了Mersenne Twister伪随机数生成器，以及派生类MTRand、MTRand_closed、MTRand_open和MTRand53，分别用于生成不同范围的双精度浮点数。在本项目中，公用文件负责实现一系列方法和类的声明、原型和定义，这些方法和类用于实现随机数生成、向量运算等功能，这些功能在自主探索和路径规划算法中被用到。具体来说，这些文件定义了用于生成随机浮点数、计算向量之间的距离、查找最近点、检查障碍物等功能的方法和类。

2025-04-16 17:17:50 408 2

原创（10-1）自动驾驶决策Agent：背景介绍+项目介绍

随着机器人技术的不断发展，自主路径导航成为了机器人研究领域的重要课题之一。机器人被广泛应用于各种复杂环境，如家庭服务、工业生产、物流配送、太空探索以及灾难救援等场景。在这些场景中，机器人需要具备在未知或已知环境中自主移动的能力，以完成各种任务，如物品运输、区域巡逻、环境监测和数据收集等。自主路径导航是实现机器人智能化的关键技术之一。它使机器人能够在复杂多变的环境中，根据给定的目标位置，自主规划出一条最优或次优的路径，并沿着该路径准确地移动，同时避开各种障碍物。

2025-04-16 17:15:21 843 1

原创《鸿蒙HarmonyOS应用开发100例》：从零到精通，开启国产系统开发新篇章

本书内容由浅入深，从基础的UI组件开发到复杂的AI应用，每个案例都配有详细的实现步骤和代码解析，帮助读者快速掌握HarmonyOS开发的核心技能。从用户登录文本框到留言板发布系统，从栅格布局到动态广告组件，本书通过27个案例，带你掌握HarmonyOS UI组件的开发技巧。作为一本专注于纯血国产HarmonyOS的开发教程，本书不仅是技术学习的工具，更是对国产操作系统发展的一份支持与致敬。从音乐播放器到拍照程序，从录像到扫码功能，本书通过15个案例，带你探索HarmonyOS的多媒体开发潜力。

2025-04-15 19:30:17 1080 3

原创（9-5-02）智能客服Agent开发：API服务(2)对话管理+队列消息处理+事件路由

文件message_processor.py定义了类MessageProcessor，主要用于处理消息队列中的消息，并通过与代理 (agent) 交互生成回复。若没有找到相应的处理函数，将调用默认处理器。类DialogsManager主要处理活动对话的加载、更新、获取、添加、新对话的开启、关闭对话、更新对话信息等操作，并且会与数据库和代理进行交互，以保证对话数据的同步和更新。本项目提供了用于前端调用的 API 接口和实时通信（如 WebSocket）的支持，大家可以以此为基础，自行构建具体的聊天对话界面。

2025-04-15 12:25:45 409 3

原创（9-5-1）智能客服Agent开发：API服务(1)

此文件包含了数据集重载、对话加载与卸载、消息添加、对话开启、关闭和更新等操作，同时还负责初始化与外部 API、数据库、WebSocket 以及向量存储等组件的交互，确保整个对话系统能够高效、稳定地运作。“API服务”模块提供了处理各种API相关操作的后端服务，包括对话管理、路由事件、处理消息、与数据库交互以及建立WebSocket连接等功能。该模块在促进无缝API交互和实时通信管理方面发挥了重要作用。能够处理对话和消息的管理、数据集的重新加载、以及相关的 API 操作，适用于基于对话系统的应用。

2025-04-14 20:57:50 413 2

原创（9-4-2）智能客服Agent开发：Agent（02）DeepSeek对话Agent

上面的代码实现了一个 DeepSeekAssistantAgent 类，该类通过与 DeepSeek API 交互来实现自动化对话生成和多媒体处理。其主要功能包括创建和删除对话线程、生成回答以及处理不同类型的多媒体数据（图片、音频、视频等）。文件deepseek_assistant_agent.py是一个适用于 DeepSeek AI 的智能助手代理（Agent），其主要功能是与 DeepSeek API 交互，实现自然语言处理（NLP）对话、音视频转录以及多媒体信息解析等能力。

2025-04-14 20:55:04 738 1

原创 DeepSeek学习的秘籍：底层架构原理+部署+接入+应用实操

DeepSeek是一款由中国领先的人工智能初创公司开发的大型语言模型，旨在彻底革新技术领域。与OpenAI的ChatGPT不同，DeepSeek专注于技术研发和创新，目标是实现通用人工智能（AGI），即在广泛的任务中达到或超过人类的能力。DeepSeek采用混合专家（MoE）架构，拥有6710亿参数，但每次推理仅激活370亿参数，显著降低了计算成本。此外，DeepSeek支持多模态任务，能够处理文本、图像、视频等多种数据类型，展现出卓越的推理能力和灵活性。

2025-04-13 17:35:52 75 3

原创（9-4-1）智能客服Agent开发：Agent（01）Agent工厂+OpenAI对话Agent

本项目的“Agents”目录包含了与智能代理（Agent）相关的功能和实现，主要负责管理和实现智能代理相关的功能，包括定义代理的基础接口（BaseAgent）、提供代理工厂（agent_factory.py）以根据配置创建不同类型的代理，以及实现具体的代理逻辑，如 OpenAIAgent 和 OpenAIAssistantAgent。（5）下面代码的功能是处理各种类型的媒体文件（图片、音频、视频、文件），并将其转换为可发送给 OpenAI Assistant 的结构化消息。

2025-04-13 17:33:04 1162 1

原创（9-3）智能客服Agent开发：实体模型

本项目的“entities”目录主要包含了与系统中的对话、消息和代理实例相关的数据库模型，分别定义了对话 (Dialog) 和消息 (Message) 的结构及其与其他实体（如代理实例 AgentInstance）的关系。上述代码定义了四个数据模型，主要用于 API 请求时的数据验证和处理。文件api.py定义了多个请求的数据模型类，主要用于在 API 请求中传输用户的输入和消息数据。文件models.py定义了几个与对话和消息相关的数据库模型，主要用于表示和处理对话、消息以及代理实例的信息。

2025-04-13 17:29:44 502

原创（9-2）智能客服Agent开发：大模型交互

具体而言，“llm”目录下的模块实现了对不同 LLM 服务的封装，包括 OpenAI 和 DeepSeek。文件base_llm.py实现了类BaseLLM，此类提供了一个通用的接口，子类可以根据不同的实现需求，如不同的语言模型（例如 OpenAI GPT），来扩展这些方法。文件openai_llm.py定义了一个名为 OpenAILLM 的类，继承自 BaseLLM，用于与 OpenAI 的 API 进行交互，提供文本生成、文本嵌入和语音转文本等功能。

2025-04-11 15:48:56 675 2

原创（9-1）智能客服Agent开发：背景介绍

在数字化转型和信息化浪潮的推动下，客户服务正从传统模式向智能化、自动化迅速转型。随着人工智能、机器学习和自然语言处理技术的飞速发展，企业越来越重视通过智能客服系统提高服务效率、降低成本并提升用户体验。传统客服系统往往存在响应慢、处理效率低、难以实现全天候服务等问题，而先进的智能客服代理系统能够实现实时对话、多渠道交互和跨平台服务，满足客户多样化、即时性需求。此外，市场竞争的加剧和客户期望的不断提高促使企业不断寻求创新技术，以提供更精准、个性化的服务，这为智能客服代理系统的应用和推广提供了广阔的市场空间。

2025-04-11 15:46:18 364 2

原创（8-3）通用AI Agent开发全流程：部署与维护

例如下面的实例实现了一个具有自我监控和异常恢复能力的AI Agent系统，通过定期采集系统、应用和安全指标，结合Isolation Forest异常检测和自愈规则（如降低负载、释放内存、重启服务）来确保AI Agent的稳定运行。（2）启动监控线程：后台线程定期采集系统（CPU、内存、磁盘）、应用（任务队列、工作线程数、成功率）、安全（异常事件）等指标，并存入加密队列。（3）任务处理：AI Agent 通过工作线程池从任务队列中取出任务并执行，模拟正常工作负载，同时引入一定概率的任务处理错误。

2025-04-10 17:38:05 1448 3

原创（8-2）通用AI Agent开发全流程：原型开发与迭代

此外，随着技术的发展，Low-Code平台也在不断与其他新兴技术（如AI、机器学习等）整合，为开发更智能、更复杂的AI Agent提供了更多可能性。（4）结果统计与可视化：测试结束后，程序通过 BenchmarkTool 汇总所有采集到的数据，计算出每个模块的平均执行时间、内存峰值、CPU 使用率和执行时间分布。（1）定义测试目标和指标：在开始基准测试之前，需明确测试的目的和重点，例如评估Agent的响应速度、任务完成率、资源消耗等。确保测试过程的自动化和数据收集的准确性，以提高测试效率和可靠性。

2025-04-10 10:04:24 1030 3

原创（8-1-02）通用AI Agent开发全流程：需求分析与场景建模（2）环境状态空间建模

例如下面的实例实现了一个简单的AI Agent，演示了环境状态空间建模的过程。（3）离散化或连续表示：根据任务特点，决定状态空间是离散的还是连续的。而在更复杂的场景如自动驾驶中，状态空间可能是连续的，需要使用函数逼近（如神经网络）来处理。（5）环境动态建模：在基于模型的强化学习中，构建环境动态模型以预测执行动作后的未来状态。（7）多模态状态融合：在复杂场景中，可能需要融合多种类型的状态信息（如视觉、听觉等），构建综合的状态表示。（2）定义状态空间范围：确定每个状态变量的取值范围，构建状态空间的边界。

2025-04-09 17:08:03 1061 2

原创（8-1）通用AI Agent开发全流程：需求分析与场景建模（1）三层设计+目标函数与奖励机制设计

通用AI Agent开发全流程包括需求分析与场景建模、原型开发与迭代、部署与维护三个阶段。在需求分析与场景建模阶段，要明确目标、设计奖励机制、建模环境状态；原型开发与迭代阶段需基于低代码平台快速开发原型并进行性能测试；部署与维护阶段则要制定云边端协同部署策略并建立持续监控与异常恢复机制，以确保Agent稳定高效运行并能不断优化升级。

2025-04-09 10:57:36 676 1

文本分类与情感分析算法 数据集

行为预测算法：基于自动驾驶大模型的车辆轨迹预测系统

专栏《NLP算法实战》中第9部分《大模型Transformer》的所有配套源码

斗转星移换图系统（PyTorch+Visdom+CycleGAN）源码

Tensorflow机器翻译系统和PyTorch机器翻译系统

AI智能问答系统的源码资料

《基于深度强化学习的量化交易策略》一文的源码

比特币价格预测系统的项目的源码和数据集

我的专栏《大模型从入门到实战》2-1到2-3的配套源码，包含数据集

金融大模型实战：个人专栏《检测以太坊区块链中的非法账户》项目的源码和数据集

android网络编程

工资管理系统 +源码+25000字论文

空空如也

文本分类与情感分析算法数据集