当前位置: 首页 > news >正文

多智能体优秀开发框架

原文链接:https://i68.ltd/notes/posts/20250402-multi-agent/

motia-面向软件工程师的智能体框架

  • 项目仓库:https://github.com/MotiaDev/motia 1.3k
  • 官方网站:https://motia.dev
  • Motia 允许开发人员在几分钟内创建,测试和部署生产就绪的 AI 代理,在一个软件工程团队熟悉的框架中。用你熟悉和喜欢的语言和软件包编写你的代理逻辑。实时可视化执行,无需为 DevOps 头疼即可部署
  • 几分钟创建一个AI Agent,事件驱动工作流的NB框架
Motia 成为理想选择的原因
  • 零基础设施难题 -无需 Kubernetes 专业知识。使用单个命令部署代理。
  • 真正的代码优先开发 -用熟悉的语言编写代理逻辑,而不是专有的 DSL。
  • 独特的多语言支持 -在同一代理中混合 Python 用于 ML,TypeScript 用于类型安全,Ruby 用于 API。
  • 带验证的可组合步骤 -从模块化、可重用的组件中构建代理,并自动进行输入/输出验证。
  • 内置可观察性 -通过可视化执行图和实时日志记录来观察代理行为。
  • 即时 API Webhooks-通过 HTTP 端点公开代理功能,无需额外代码。
  • 完全控制 AI 逻辑 -使用任何LLM,矢量存储或推理模式,没有限制。
  • 灵活的控制 -在同一个流程中,在代理和确定性控制之间轻松切换。
Motia 使用四个关键构建块
  • 步骤(Steps):可重用的逻辑单元,可以处理数据、与外部系统交互、执行计算、管理状态并触发事件。
  • 流程(Flows):分组相关步骤的容器,提供上下文和范围,便于组织和可视化工作流。
  • 事件(Events):携带数据的轻量级消息,用于触发步骤执行,支持异步和松散耦合的交互。
多语言支持
  • 支持JavaScript、Python、Ruby 等多种编程语言。
可视化工作台
  • Motia Workbench 提供创建、测试和优化工作流的工具,包括流程可视化、实时日志、自定义 UI 和热重载,支持本地开发无需登录。
部署与监控

= MotiaHub 提供零配置部署、实时监控和团队协作功能,适合生产环境。

港大开源AutoAgent

  • 完全自动化和零代码LLM代理框架
  • 完全自动化和高度自我开发的框架,使用户能够通过自然语言单独创建和部署LLM代理
  • 论文链接:https://arxiv.org/pdf/2502.05957
  • 项目仓库:https://github.com/HKUDS/AutoAgent3.5k
  • AutoAgent是将智能体开发过程从传统的编程模式转变为一种自然语言驱动的自动化过程。
    • 通过模拟现代计算机操作系统的工作方式,将复杂的智能体开发任务分解为多个模块化的组件
    • 通过自然语言接口实现这些组件之间的交互和协调。
    • 这种方法不仅降低了智能体开发的门槛,还提高了开发效率和系统的灵活性。
  • 3.4K Star 港大开源AutoAgent登顶GAIA全球评测,成本直降50%碾压商业巨头
主要特点
  • GAIA 基准测试中的顶级表现者
    • AutoAgent 在开源方法中获得了最高排名,提供了与 OpenAI 的 Deep Research 相当的性能。
  • 使用本地自管理矢量数据库的自动 RAG
    • AutoAgent 配备了一个本地的自我管理矢量数据库,优于行业领先的解决方案,如 LangChain。
  • 轻松创建代理和工作流
    • AutoAgent 利用自然语言轻松构建即用型工具 、 代理和工作流 -无需编码。
  • 通用LLM支持
    • AutoAgent 支持多种LLMs(例如,OpenAI,Anthropic,Deepseek,vLLM,Grok,Huggingface.)
  • 灵活的互动
    • 受益于对函数调用和 ReAct 交互模式的支持。
  • 动态、可扩展、轻量级
    • AutoAgent 是您的个人 AI 助手 ,设计为动态,可扩展,自定义和轻量级。
AutoAgent架构
  • AutoAgent框架基于其四个关键组件:
    • 智能体系统工具(Agentic System Utilities)
      • 提供了基础的多智能体架构,其中包含专门的网络、代码和文件智能体,它们可以无缝协作以处理各种现实世界任务。
      • LLM驱动的可操作引擎(LLM-powered Actionable Engine)
        • 作为系统的“大脑”,支持通过直接和转换后的工具使用范式灵活集成任何LLM提供商,从而实现强大的行动生成能力。
      • 自管理文件系统(Self-Managing File System)
        • 通过将各种数据格式自动转换为可查询的向量数据库,增强了系统的整体能力,使得所有操作都能高效地访问信息。
      • 自我执行智能体定制模块(SelfPlay Agent Customization)。
        • 不仅将自然语言需求转化为可执行智能体,还通过结构化的XML模式自动生成优化的工作流,消除了手动智能体编程或工作流设计的需求。
  • 具体的执行流程如下:
    • 智能体创建
      • 用户通过自然语言描述他们的需求,AutoAgent的智能体剖析代理(Agent Profiling Agent)会根据这些需求生成结构化的XML表单,定义智能体的名称、描述、指令、工具和输入输出格式。
      • 然后,工具编辑代理(Tool Editor Agent)根据表单内容创建所需的工具,智能体编辑代理(Agent Editor Agent)则根据工具和表单定义创建智能体。
    • 工作流生成
      • 对于需要多个智能体协作完成的任务,AutoAgent会根据用户需求生成工作流。
      • 工作流剖析代理(Workflow Profiling Agent):首先,分析用户需求并生成工作流表单,定义工作流的名称、输入输出格式、智能体和事件逻辑。
      • 随后,工作流编辑代理(Workflow Editor Agent)根据表单内容创建智能体和工作流,并执行任务。
    • 任务执行
      • 创建完成后,智能体和工作流可以通过自然语言接口接收用户任务,并自动执行。
      • 在执行过程中,智能体之间可以通过事件监听和触发机制进行协作,实现复杂任务的自动化解决。

Dapr Agents-分布式多智能体系统

  • 基于 Dapr 构建的框架,结合了有状态的工作流协调和先进的 Agentic AI 功能
  • 项目仓库:https://github.com/dapr/dapr-agents 271
  • 项目文档:https://dapr.github.io/dapr-agents
  • Dapr Agents 是一个开发者框架,旨在构建可大规模运行的生产级弹性 AI 代理系统。建立在久经考验的 Dapr 项目之上,使软件开发人员能够创建使用大型语言模型(LLMs)进行推理,行动和协作的 AI 代理,同时利用内置的可观察性和有状态的工作流执行来保证代理工作流成功完成,无论在多么复杂的环境中
  • Dapr Agents 是构建适合企业级应用的分布式多代理系统的最佳方式
  • Dapr Agents 发布:支持规模化 AI 工作流、多智能体协作
关键特征
  • 可扩展性和效率 :在单个核心上高效运行数千个代理。Dapr 在机群中透明地分发单个和多代理应用程序,并处理它们的生命周期
  • 工作流弹性 :自动重试代理工作流并确保任务完成
  • Kubernetes-Native:在 Kubernetes 环境中轻松部署和管理代理
  • 数据驱动代理 :通过连接到数十个不同的数据源,直接与数据库、文档和非结构化数据集成
  • 多代理系统 :默认情况下安全且可观察,支持代理之间的协作
  • 供应商中立的开源 :避免供应商锁定,并获得跨云和本地部署的灵活性
  • 平台就绪 :内置的 RBAC、访问范围和声明性资源使平台团队能够将 Dapr 代理集成到他们的系统中
优势
  • 作为一等公民的可扩展工作流
    • Dapr Agents 使用可持续执行的工作流引擎 ,确保每个代理任务在网络中断,节点崩溃和其他类型的破坏性故障面前执行完成。开发人员不需要了解工作流引擎的基本概念-只需编写一个执行任意数量任务的代理,这些任务将自动分布在集群中。如果任何任务失败,它将被重试,并从停止的地方恢复其状态
  • 经济高效的 AI 采用
    • Dapr Agents 构建在 Dapr 的工作流 API 之上,它在引擎盖下将每个代理表示为一个参与者,一个线程安全且原生分布式的计算和状态单元,很好地将其自身用于代理 Scale-To-Zero 架构。这最大限度地降低了基础设施成本,使每个人都可以采用 AI。底层虚拟角色模型允许数千个代理在单核机器上按需运行,从零扩展时具有两位数的毫秒延迟。当未使用时,系统会回收代理,但会保留其状态,直到下次需要它们时。通过这种设计,在性能和资源效率之间没有折衷
  • 以数据为中心的 AI 代理
    • 通过与 50 多个企业数据源的内置连接,Dapr Agents 可以有效地处理结构化和非结构化数据。从基本的 PDF 提取到大规模的数据库交互,它能够以最少的代码更改实现无缝的数据驱动的 AI 工作流。Dapr 的绑定和状态存储提供了对大量数据源的访问,这些数据源可用于将数据摄取到代理。
  • 加速发展
    • Dapr Agents 提供了一组 AI 功能,为开发人员提供了一个完整的 API 界面来解决常见问题。其中包括:
      • 多智能体通信
      • 结构化输出
      • 多个LLM提供商
      • 背景关联记忆
      • 灵活提示
      • 智能工具选择
  • 集成的安全性和可靠性
    • 通过在 Dapr 之上构建,平台和基础设施团队可以将 Dapr 的弹性策略应用于 Dapr 代理使用的数据库和/或消息代理。这些策略包括超时、重试/回退和断路器。在安全性方面,Dapr 提供了一个选项,可以将对给定数据库或消息代理的访问范围扩展到一个或多个代理应用程序部署。此外,Dapr Agents 使用 mTLS 来加密其底层组件的通信层
  • 内置消息传递和状态基础架构
    • 服务到服务调用(Service-to-Service Invocation):通过内置的服务发现、错误处理和分布式跟踪,促进代理之间的直接通信。代理可以利用这一点在多代理工作流中进行同步消息传递
    • 发布和订阅 :通过共享消息总线支持代理之间的松散耦合协作。这就实现了对任务分配和协调至关重要的实时、事件驱动的交互
    • 持久工作流 :定义长期运行的持久工作流,将联合收割机确定性流程与基于LLM的决策相结合。Dapr Agents 使用它来无缝地编排复杂的多步骤代理工作流程
    • 状态管理 :为代理提供灵活的键值存储,以在交互中保留上下文,确保工作流程的连续性和适应性
    • Actor :实现虚拟Actor模式,允许代理作为独立的、有状态的单元操作,顺序处理消息。这消除了并发问题,并增强了代理系统的可伸缩性
  • 供应商中立和开源
    • 作为 CNCF 的一部分,Dapr Agents 是供应商中立的,消除了对锁定,知识产权风险或专有限制的担忧。组织可以使用他们可以审计和贡献的开源软件来获得对其 AI 应用程序的完全灵活性和控制

相关文章:

多智能体优秀开发框架

原文链接:https://i68.ltd/notes/posts/20250402-multi-agent/ motia-面向软件工程师的智能体框架 项目仓库:https://github.com/MotiaDev/motia 1.3k官方网站:https://motia.devMotia 允许开发人员在几分钟内创建,测试和部署生产就绪的 AI 代理,在一个…...

JavaScript创建对象与构造函数

目录 创建对象 一、创建对象的 5 种核心方式 1. 对象字面量(直接量) 2. 使用 Object.create() 3. 工厂模式 4. 构造函数模式 5. ES6 class 语法(语法糖) 二、构造函数与 new 关键字 1. 构造函数的作用 2. 构造函数的特征…...

【langchain4j系列教程-02】Langchain4j调用DeepSeek

文章目录 依赖引入代码示例api key如何获取模型名称及价格为什么调用DeepSeek API用的是OpenAIChatModel 这篇文章主要介绍了如何在Java项目中引入DeepSeek的依赖,并提供了调用DeepSeek API的代码示例。 依赖引入 DeepSeek是一个与OpenAI接口标准兼容的人工智能平台…...

c++STL入门

目录 什么是STL? vector容器 构造函数 赋值操作 vector容量和大小 vector存放内置数据类型 vector存放自定义数据类型 存放指针 vector容器嵌套容器 string容器 构造函数 赋值操作 字符串拼接 查找和替换 string字符串比较 string字符存取 string插…...

公有云子账号认证的原理和步骤

1 为什么使用子账号 1.1 子账号认证的背景 主账号权限过大:公有云账号(主账号)对账号中的资源具有完全管理权限,且无法调整其权限大小,多人共用时无法在审计日志中区分出具体使用人,一旦泄露风险极大且难以追溯。 安全需求:为了提高安全性,避免因主账号信息泄露而导致…...

基于Flask的微博舆情数据分析系统

【Flask】基于Flask的微博舆情数据分析系统(完整系统源码开发笔记详细部署教程)✅ 目录 一、项目简介二、项目界面展示三、项目视频展示 一、项目简介 该系统能够高效收集、处理微博上的海量数据,实时反映公众对某些事件或话题的舆论倾向&am…...

Mac OS 禁用 SIP 系统完整性保护

关闭并重新启动 Mac,CommandR在启动时按住以进入Recovery Mode.进入Recovery模式后打开终端 -bash-3.2# csrutil disable Turning off System Integrity Protection reguires modifying system security.Allow booting unsigned operating systems and any ker…...

第十四届蓝桥杯省赛真题解析(含C++详细源码)

第十四届蓝桥杯省赛 整数删除满分思路及代码solution1 (40% 双指针暴力枚举)solution 2(优先队列模拟链表 AC) 冶炼金属满分代码及思路 子串简写满分思路及代码solution 1(60% 双指针)solution 2&#xff0…...

整车CAN网络和CANoe

车载网络中主要包含有Can网络,Lin网络,FlexRay,Most,以太网。 500kbps:500波特率,表示的数据传输的速度。表示的是最大的网速传输速度。也就是每秒 500kb BodyCan车身Can InfoCan娱乐信息Can 车身CAN主要连接的是ESB电动安全带 ADB自适应远光灯等 PTCan动力Can 底盘Can...

从扩展黎曼泽塔函数构造物质和时空的结构-16

都是一样的泽塔函数,却呈现出不同的性质,而不同的性质无关于自然数还是质数,完全是由s来决定的。可以猜想, 就是光子,而如果, 就是物质粒子。其中不同的k指出不同的周期或者对应于不同的质数p,虽…...

【C++】list模拟实现

📝前言: 这篇文章我们来讲讲STL中list的模拟实现: 🎬个人简介:努力学习ing 📋个人专栏:C学习笔记 🎀CSDN主页 愚润求学 🌄其他专栏:C语言入门基础&#xff0c…...

人脸专注度检测系统(课堂专注度检测、人脸检测、注意力检测系统)

人脸专注度检测系统 项目介绍 本项目是基于Flask、MobileNetV2、Mediapipe的人脸专注度检测系统。 项目采用tensorflow.keras库内置的MobileNetV2预训练模型,对自主采集的少量人脸图片数据迁移训练而得到最终的人脸专注度检测模型。 项目采用前后端分离的技术框架…...

文件操作和IO ——Java

初识文件 首先文件分为: 1.狭义的文件 – 保存在硬盘上的文件。 2.广义的文件 – 操作系统进行资源管理的一种机制。很多的软件/硬件资源,抽象成“文件”来进行表示。 (println > 控制台,scanner > 控制台的标准输入&#…...

dmsetup 清理ceph osd残留磁盘分区

在物理机上接入磁盘并准备格式化时,发现磁盘中存在之前残留的 Ceph OSD 分区。尝试运用 fdisk 重新分区、重新格式化,以及使用 sgdisk 格式化,甚至重写磁盘头,都未能成功清理掉这些 OSD 残留分区。最终,借助 dmsetup 直…...

每日一题(小白)字符串娱乐篇16

分析题意可以了解到本题要求在一串字符串中找到所有组合起来排序递增的字符串。我们可以默认所有字符在字符串中的上升序列是1,从第一个字符开始找,如果后面的字符大于前面的字符就说明这是一个上序列那么后面字符所在的数组加一,如果连接不上…...

【Mac 从 0 到 1 保姆级配置教程 11】- Mac 基础配置 Finder、触控板、常用快捷键等

文章目录 前言配置 Finder1. 把我们的家目录请出来2. 显示文件扩展名3. 展示隐藏文件4. 显示路径栏和状态栏5. 固定文件夹到工具栏 基础快捷键1. Finder 导航快捷键2. 文件操作快捷键3. 视图和显示快捷键4. 搜索和选择快捷键5. 实用技巧6. 关于文件创建 配置触控板1. 右键设置2…...

Redis 渐进式rehash怎么判定rehash完成了?

Redis 渐进式 Rehash 的完成判断机制 在 Redis 的字典(dict)结构扩容或缩容时,会使用 渐进式 Rehash 来避免一次性迁移所有键值对导致的阻塞。以下是判断旧哈希表(ht[0])是否全部迁移完毕的核心逻辑: 1. 渐进式 Rehash 的核心流程 Redis 的字典结构包含两个哈希表: t…...

Redis的常用数据结构

三. Redis 的常用数据结构 (redis提供的查询功能, 不像mysql这么强大) 1. 认识数据类型和编码方式 常见数据结构 (数据类型) : string (字符串), list (列表), hash (哈希), set (集合), zset (有序集合). Redis 底层在实现上述数据结构的时候, 会在源码层面进行优化, 来达到…...

c++中的虚函数

在C中,虚函数(Virtual Function)是一种实现多态的重要机制,它允许在派生类中重写基类的函数,从而在运行时根据对象的实际类型调用相应的函数版本。 1. 虚函数的定义 虚函数是在基类中使用关键字virtual声明的函数。例…...

unreal engine5开发仿鬼泣5的游戏,把敌人击飞到空中4连击

UE5系列文章目录 文章目录 UE5系列文章目录前言一、实现思路二、具体蓝图 前言 unreal engine5开发仿鬼泣5的游戏,把敌人击飞到空中4连击,先看下效果 一、实现思路 unreal engine5开发仿鬼泣5的游戏,把敌人击飞到空中4连击 在Unreal Engi…...

蓝桥杯嵌入式第十四届模拟二(PWM、USART)

一.LED 先配置LED的八个引脚为GPIO_OutPut,锁存器PD2也是,然后都设置为起始高电平,生成代码时还要去解决引脚冲突问题 二.按键 按键配置,由原理图按键所对引脚要GPIO_Input 生成代码,在文件夹中添加code文件夹,code中添加fun.c、fun.h、headfile.h文件,去资源包中把lc…...

深挖 TypeScript 基础数据类型:应用与陷阱

在 TypeScript 的学习与实践过程中,对基础数据类型的深入理解和正确运用,是写出高质量代码的关键。本篇文章会通过探讨数据类型在实际场景中的应用,分析常见错误,帮助大家提升运用 TypeScript 基础数据类型的能力。​ 一、函数参…...

B站视频教材: Yocto项目实战教程 第一章 PPT讲解

B站视频链接,请多多关注本人B站: 📌 Yocto项目实战教程:第一章 视频讲解 在当今嵌入式系统快速发展的背景下,越来越多的设备和行业依赖于高效、可定制、可维护的操作系统解决方案。嵌入式Linux系统,凭借其开源灵活性和…...

嵌入式软件开发调试方法

文章目录 1. 利于函数返回值,retrurn 定位错误位置2. 合理使用逻辑分析仪(正点原子 厉害!!) 1. 利于函数返回值,retrurn 定位错误位置 如下图所示,设置不同的返回值,0是ok的,其他值均为失败&…...

Sentinel核心源码分析(上)

文章目录 前言一、客户端与Spring Boot整合二、SphU.entry2.1、构建责任链2.2、调用责任链2.2.1、NodeSelectorSlot2.2.2、ClusterBuilderSlot2.2.3、LogSlot2.2.4、StatisticSlot2.2.5、AuthoritySlot2.2.6、SystemSlot2.2.7、FlowSlot2.2.7.1、selectNodeByRequesterAndStrat…...

TCPIP详解 卷1协议 一 概述

相关概念 协议族:一系列相关协议的集合称为一个协议族体系结构:指定一个协议族中的各种协议之间的相互关系并划分需要完成的任务的设计,称为协议族的体系结构。分组交换:数据被分割为固定或可变长度的分组 ,每个分组包…...

条件生成对抗网络(Conditional GAN, CGAN)原理及实现(pytorch版)

CGAN 原理及实现 一、CGAN 原理1.1 基本概念1.2 与传统GAN的区别1.3 目标函数1.4 损失函数1.5 条件信息的融合方式1.6 与其他GAN变体的对比1.7 CGAN的应用1.8 改进与变体二、CGAN 实现2.1 导包2.2 数据加载和处理2.3 构建生成器2.4 构建判别器2.5 训练和保存模型2.6 绘制训练损…...

类与对象(上)

【本节目标】 1.面向过程和面向对象初步认识 2.类的引入 3.类的定义 4.类的访问限定符及封装 5.类的作用域 6.类的实例化 7.类的对象大小的计算 8.类成员函数的this指针 1.面向过程和面向对象初步认识 C语言是面向过程的,关注的是过程,…...

MySQL基础 [三] - 数据类型

目录 数据类型分类 ​编辑 数值类型 tinyint bit 浮点类型 float decimal 字符串类型 char varchar varchar和char的比较和选择 日期和时间类型 enum和set enum类型 set类型 enum和set的类型查找 数据类型分类 数值类型 tinyint TINYINT[(M)] [UNSIGNED]是 …...

1.1 测试计划阶段:如何制定高效的测试策略

测试计划阶段:如何制定高效的测试策略 摘要 本文详细介绍了软件测试流程中的测试计划阶段,包括测试策略制定、资源规划、进度安排和风险管理等内容。通过本文,读者可以系统性地了解如何制定有效的测试计划,确保测试工作有序进行…...

Spring 概念

Spring 是一个功能强大、灵活且广泛使用的 Java 企业级开发框架,它诞生于 2003 年,由 Rod Johnson 创建,初衷是简化 Java EE 的开发过程。 一、Spring 是什么? 简单来说: Spring 是一个轻量级的 Java 开发框架&#…...

animals_classification动物分类

数据获取 深度学习训练中第一个是获取数据集,数据集的质量很重要,我们这里做的是动物分类,大致会选择几个动物,来做一个简单的多分类问题,数据获取的方法,鼠鼠我这里选择使用爬虫的方式来对数据进行爬取&a…...

15.QT窗口:主窗口、浮动窗口、对话框

0. 概述 Qt窗口是通过 QMainWindow类 来实现的。 QMainWindow 是一个为用户提供主窗口程序的类,继承自QWidget类,并且提供了一个预定义的布局。QMainWindow包含一个菜单栏(menu bar)、多个工具栏(tool bars&#xff…...

nginx中地理位置访问控制模块geo

1.安装 GeoIP2 模块 Ubuntu/Debian 系统: sudo apt-get update sudo apt-get install nginx-module-geoip2 sudo apt-get install libnginx-mod-http-geoip2CentOS/RHEL 系统: sudo yum install nginx-module-geoip22.下载 GeoIP2 数据库 下载 GeoIP2 …...

基于SpringBoot酒店管理系统设计和实现(源码+文档+部署讲解)

技术范围:SpringBoot、Vue、SSM、HLMT、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、小程序、安卓app、大数据、物联网、机器学习等设计与开发。 主要内容:免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码编写、论文编写和辅导、论文…...

蓝桥杯嵌入式第十四届模拟二

一.LED 先配置LED的八个引脚为GPIO_OutPut,锁存器PD2也是,然后都设置为起始高电平,生成代码时还要去解决引脚冲突问题 二.按键 按键配置,由原理图按键所对引脚要GPIO_Input 生成代码,在文件夹中添加code文件夹,code中添加fun.c、fun.h、headfile.h文件,去资源包中把lc…...

【前端】Node.js一本通

近两天更新完毕,建议关注收藏点赞。 目录 复习Node.js概述使用fs文件系统模块path路径模块http模块模块化 复习 为什么JS可以在浏览器中执行 原理:待执行的JS代码->JS解析引擎 不同的浏览器使用不同的 JavaScript 解析引擎:其中&#xf…...

Groovy

一:了解 1:groovy保留字 2: 标识符 二:数据类型 1:字符串(1) 1: java.lang.string 定义的字符串是不能改变的 2: groovy.lang.GString 定义的字符串的值是不能改变的 2: 总结 三:数值类型 1: Groovy的数值型包括整数型(integer)…...

【并发编程 | 第七篇】深入学习线程池(一)

什么是线程池? 线程池是用来管理和复用线程的⼯具,它可以减少线程的创建和销毁开销。 在 Java 中,ThreadPoolExecutor 是线程池的核⼼实现,它通过核⼼线程数、最⼤线程数、任务队列和拒绝策略来 控制线程的创建和执⾏。 举个栗…...

C++ 获取一整行(一行)字符串并转换为数字

代码很简单&#xff0c;主要是自己总是忘记&#xff0c;记录一下&#xff1a; #include <iostream> #include <cstdlib> #include <cstring>#include <string> #include <vector> #include <sstream>using namespace std;void print_int_…...

初探:简道云平台架构及原理

一、系统架构概述 简道云作为一款低代码开发平台&#xff0c;其架构设计以模块化和云端协同为核心&#xff0c;主要分为以下层次&#xff1a; 1. 前端层 可视化界面&#xff1a;基于Web的拖拽式表单设计器&#xff0c;支持动态渲染&#xff08;React/Vue框架&#xff09;。多…...

鸿蒙Arkts开发飞机大战小游戏,包含无敌模式,自动射弹,暂停和继续

飞机大战可以把飞机改成图片&#xff0c;目前包含无敌模式&#xff0c;自动射弹&#xff0c;暂停和继续的功能 代码如下&#xff1a; // 定义位置类 class GamePosition {x: numbery: numberconstructor(x: number, y: number) {this.x xthis.y y} }Entry Component struct…...

使用`sklearn`中的逻辑回归模型进行股票的情感分析,以及按日期统计积极和消极评论数量的功能

以下是完成上述任务的Python代码&#xff0c;可在Jupyter Notebook中运行。此代码包含了使用sklearn中的逻辑回归模型进行情感分析&#xff0c;以及按日期统计积极和消极评论数量的功能。 import pandas as pd from sklearn.feature_extraction.text import TfidfVectorizer f…...

简洁的 PlantUML 入门教程

评论中太多朋友在问&#xff0c;我的文章中图例如何完成的。 我一直用plantUML,也推荐大家用&#xff0c;下面给出一个简洁的PlantUML教程。 &#x1f331; 什么是 PlantUML&#xff1f; PlantUML 是一个用纯文本语言画图的工具&#xff0c;支持流程图、时序图、用例图、类图、…...

Python 面向对象 - 依赖倒置原则 (DIP)

1. 核心概念 依赖倒置原则(Dependency Inversion Principle, DIP) 是SOLID原则中的"D"&#xff0c;包含两个关键点&#xff1a; 高层模块不应依赖低层模块&#xff0c;二者都应依赖抽象抽象不应依赖细节&#xff0c;细节应依赖抽象 2. 使用场景 典型应用场景 系…...

自动化框架及其设计搭建浅谈(二)--分层自动化测试

目录 测试金字塔模型 分层自动化测试的模型 分层自动化测试的最佳实践 自动化分层测试的误区 自动化框架的设计与自动化分层 自动化测试的设计建议 分层自动化测试&#xff0c;顾名思义&#xff0c;就是分层的自动化测试&#xff0c;那么自动化测试为什么要分层呢&#x…...

ResNet改进(19):基于PyTorch的ResNet改进方案详解:Mish激活+SPP模块+MixUp数据增强

1. 前言 ResNet作为深度学习领域里程碑式的网络架构,在图像分类等计算机视觉任务中表现出色。然而,随着研究的深入和技术的发展,原始的ResNet架构仍有改进空间。本文将详细介绍一种基于PyTorch的ResNet改进方案,该方案融合了Mish激活函数、SPP模块和MixUp数据增强等先进技…...

设计模式简述(九)命令模式

命令模式 描述基本使用使用 描述 命令模式是一种体现高内聚的行为模式。 将整个请求封装成一个命令对象&#xff0c;由这个命令对象完成所需业务调用。 命令对象封装了该命令需要的所有逻辑&#xff0c;不需要调用方关注内部细节。 基本使用 定义抽象命令&#xff08;所有命…...

Codecademy—— 交互式编程学习的乐园

一、网站概述 Codecademy 是一家美国在线学习编程知识的网站&#xff0c;它为编程学习者提供了一种全新的学习方式。在如今众多的编程学习平台中&#xff0c;Codecademy 凭借其独特的优势脱颖而出&#xff0c;吸引了全球数百万用户。其目标是帮助更多人轻松学习编程&#xff0…...

分布式数据库HBase

1.概述 1.1从BigTable 说起 BigTable是一个分布式存储系统&#xff0c;BigTable起初用于解决典型的互联网搜索问题。 BigTable是一个分布式存储系统利用谷歌提出的MapReduce分布式并行计算模型来处理海量数据使用谷歌分布式文件系统GFS作为底层数据存储采用Chubby提供协同服…...