目录
2025年是AI人工智能大规模使用的一年。AI大模型能力在不断挖掘的同时，如何基于大模型做更进一步的升级呢，于是AI智能体就应运而生。AI智能体是结合了众多软件技术的合集，充分发掘大模型的能力，并且拓展大模型的能力，让更多使用者即使不懂大模型，也能低成本的快速掌握AI的使用。在众多的智能体平台中，像Coze ， Dify ，FastGPT等，都在构筑自己的智能体平台，为普通的非互联网人员也能快速打造属于自己的智能体应用，接下来以Coze平台为例，基于Coze制作一个在日常生活、工作和学习非常实用的场景，将文本内容或者文章链接转思维导图的应用。
coze是新一代AI应用发布平台，不管你是否有编程经验，都可以在coze这个平台上面快速搭建基于大模型的各类AI应用，并将AI应用发布到各个社交平台，通讯软件等，也可以通过API或者SDK将AI应用集成到你的业务系统中。平台入
当AI技术从“概念炒作”迈入“落地攻坚”的深水区，企业与开发者面临的核心痛点已从“能否用AI”转变为“如何高效、低成本、可复制地落地AI”。传统AI应用开发依赖专业算法工程师与全栈开发者协同，开发周期长、技术门槛高、迭代成本高，难以适配中小企业与非技术群体的需求，也无法快速响应业务场景的动态变化。在此背景下，ModelEngine凭借其核心的智能体构建与应用编排能力，打破了AI落地的技术壁垒，构建起“低代码、高灵活、强适配”的AI开发新生态，成为连接技术能力与实际场景的核心桥梁。 本文立足ModelEngine的技术内核，结合AI助手、智能办公、数据分析、内容创作四大核心实战场景，深度拆解创新应用的构建逻辑、技术细节与落地路径，补充多行业真实案例，兼具专业性、实用性与前瞻性，为AI应用开发者、企业数字化负责人提供可复制、可落地的实践参考，助力行业破解AI落地难题，抢占智能时代发展先机。 一、深度解析ModelEngine：不止于“编排”，更是AI落地的“生产力引擎” 要实现AI应用的高效落地，核心在于解决“技术与场景脱节”
Python——搭建一个有记忆，可以人工干预转人工，调用搜索工具的机器人 前言 在看了LangGraph官网：https://github.langchain.ac.cn/langgraph/concepts/why-langgraph/ 的教程之后，也是跟着教程做了一个简单的聊天机器人作为初始的一个计划，为啥学的是python的LangGraph呢？我本身学习的就是JAVA，实习找的也是JAVA的工作，但是JAVA确实太卷了，本人之前没有背过八股文，有幸进入一家外包公司java实习，也参与过项目的开发，但是现在的AI发展的很快，我一开始实习的时候，会以为我可能跟不上，因为这是我的第一段实习，可结果确实有着AI的开发辅助，我就发现，很快就可以上手开发，但是要注意提示词，并且规范好，开发的代码格式等。然后又对大模型应用开发这些感兴趣，于是开始慢慢的学了起来。 前置准备 前置准备分为环境和APIkey的获取，这些就不再进行重复了，都放在前面的文章里面有，大家感兴趣的可以看看就行了，包括.env我们也不再进行重复 环境配置 python3.12(python 3.9+)
如何轻松分析大疆无人机信号？DJI DroneID 信号解析工具全指南 🛸 【免费下载链接】dji_droneid 项目地址: https://gitcode.com/gh_mirrors/dj/dji_droneid DJI DroneID 信号分析项目（dji_droneid）是一个开源工具集，专为无人机爱好者和研究人员设计，通过软件定义无线电（SDR）技术捕获、解码和分析大疆无人机发射的DroneID信号。该项目提供完整的信号处理流程，从原始IQ数据捕获到最终数据帧解析，支持Octave和MATLAB环境运行，帮助用户深入理解无人机通信机制。 📌 项目核心功能与技术架构 🔍 信号捕获与处理全流程 项目实现了从射频信号到数据帧的完整解析链路，主要包括： * 原始信号采集：支持32位浮点IQ数据文件输入（需配合SDR设备录制） * ZC序列检测：通过归一化互相关算法定位信号中的Zadoff-Chu序列 * 频率校正：自动检测并补偿信号中的频率偏移 * OFDM符号提取：精准提取9个OFDM符号（含2个ZC序列符号） * 相位校正与均衡：解决无线信道引入的
RK3588+AI算力卡替代英伟达Jetson方案的技术对比与实施路径 1. 硬件性能与算力配置 * RK3588核心优势：采用8nm工艺，集成6TOPS NPU，支持INT4/INT8混合精度计算，搭配PCIe 3.0接口可扩展Hailo-8等AI加速卡，实现32TOPS总算力12。 Jetson Thor对比：英伟达新一代平台提供2070 FP4 TFLOPS算力（约5168 TOPS），是RK3588+扩展方案的160倍，但功耗高达130W，远超RK3588的5W典型功耗34。 2. 边缘AI场景适配性 * 实时性需求：RK3588在1080P视频结构化分析中延迟低于50ms，满足工业质检、安防监控等场景；Jetson Thor虽支持毫秒级多模态推理，但成本过高（量产模组2999美元）24。 能效比：RK3588方案能效达1.2 TOPS/W，优于Jetson Orin的4.5 TOPS/W，适合电池供电的移动机器人14。