DeepAgents框架详解和文件后端

秦歌6662026-05-17 0:33

DeepAgents框架详解

DeepAgents 是 LangChain 团队 在 LangChain 和 LangGraph 之上推出的 第三个独立开源项目 ，是一个 "开箱即用"的深度智能体框架，指能够在较长时间范围内完成复杂、开放式任务的深度智能体。该框架已作为Python包开源发布，整合了深度智能体的四大核心要素：规划工具、文件系统访问、子智能体委托和详细提示词。

1. 核心架构设计

DeepAgents采用主-子智能体（MainAgent-SubAgents）架构 。主Agent作为系统入口和总指挥，接收初始任务，以ReAct方式调用工具完成任务，并负责任务协调与结果呈现；主Agent可通过task.spawn()方法动态创建具有独立上下文窗口的子Agent。SubAgents负责执行具体、独立的子任务，与MainAgent上下文独立，即使子Agent崩溃也不会影响主进程。

Deep Agents 并非颠覆性技术创新，而是将业界验证过的最佳实践打包成开箱即用的框架。它的灵感来源于 Claude Code、Deep Research、Manus 等成功应用，这些应用证明了四个关键点：

•Agent 需要规划能力------ 不能上来就开干，得先拆解任务

•Agent 需要文件系统------ 长对话中，得有地方放中间结果，需要加载本地环境

•Agent 需要子 Agent------ 单体 Agent 会被上下文撑爆

•Agent 需要子 Skills------ Agent 功能可以弹性扩展，并且支持模块化开发。

LangChain 团队的想法很简单：既然这些经验都验证过了，为什么不打包成一个库？于是就有了 Deep Agents。

2. 核心技术能力

（1）结构化规划引擎

框架内置write_todos和read_todos工具，强制要求智能体在执行前生成任务清单。这一设计借鉴了项目管理中的WBS（工作分解结构）理论，将抽象任务转化为可执行的子任务序列，有效避免因随机探索导致的执行失败。

规划机制采用两阶段设计：全局规划阶段使用LLM生成高层次任务分解，局部优化阶段基于执行反馈动态调整任务顺序。实验数据显示，该机制可使复杂任务完成效率提升40%。

（2）持久化文件系统

DeepAgents提供完整的文件系统抽象层，包含6类核心操作：read_file/write_file/edit_file（文件读写）、ls/mkdir/rm（目录管理）、glob/grep/find（内容检索）。

在DeepAgents 0.2版本中，该文件系统进一步升级为可插拔后端 架构。内置后端包括：LangGraph State（内存存储）、LangGraph Store（跨线程持久化）、实际本地文件系统。还引入了复合后端概念，允许将不同子目录映射到不同存储后端，例如将/memories/目录映射到S3对象存储，实现跨会话的长期记忆。

测试数据显示，在10K tokens的长对话场景中，使用文件系统的智能体推理准确率比纯内存存储高27%。

（3）子智能体协作网络

框架采用主-子架构，主Agent负责任务分配和全局协调，子Agent池包含数据清洗、统计分析、可视化等多类专精智能体。动态调度机制基于实时负载和技能匹配度进行任务分配。在金融风控场景测试中，包含5个子Agent的协作网络可在8分钟内完成传统方案需2小时的风险评估流程。

每个子Agent拥有独立的上下文窗口和工具集，支持并行执行多个子Agent，大幅提升复杂任务处理效率。

（4）上下文与成本优化

DeepAgents内置多项优化机制：当工具返回结果超过设定token阈值时自动转存至文件系统，避免上下文窗口被大型结果占据；当对话历史token用量过大时自动压缩早期对话内容；若工具调用在执行前被中断或取消，自动修复消息历史。这些机制显著降低token成本并保持任务执行效率。

3. 技术栈定位

DeepAgents构建在LangChain的智能体抽象层之上，而LangChain的智能体抽象层又基于LangGraph的智能体运行时环境开发，形成清晰的三层架构：

  • LangGraph（底层运行时引擎）：提供原子级控制能力，负责流程执行与状态管理

  • LangChain（中间层应用框架）：封装常用组件，提供工具集成和快速组装能力

  • DeepAgents（顶层Agent构建器）：实现开箱即用的智能体构建，聚焦复杂自主任务

LangChain将三者分别定义为：DeepAgents是"Agent Harness（智能体工具）"，LangChain是"Agent Framework（智能体框架）"，LangGraph是"Agent Runtime（智能体运行时环境）"

4.与传统多智能体框架对比

5.DeepAgents的核心优势

DeepAgents的核心理念是"为复杂问题提供系统化的工程解决方案"。它不是简单地将多个Agent堆叠在一起，而是通过四大支柱（规划引擎、文件系统、子Agent协作、提示词工程）从根本上解决了传统多智能体系统的核心痛点：

  1. 从不可控到确定性：将传统Agent的"黑箱探索"转化为基于规划工具的结构化执行

  2. 从上下文爆炸到持久化管理：用文件系统解耦信息存储与推理，突破LLM的上下文窗口限制

  3. 从手动编排到开箱即用：预置规划模板、文件操作工具和多Agent协作框架，大幅降低开发门槛

  4. 从串联到并行：支持子Agent独立执行和计算隔离，实现真正的分布式协作

因此，DeepAgents特别适合需要处理复杂、多步骤、长期运行任务的场景，如自动化研究、数据分析流水线、智能客服系统等。对于需要精确控制执行顺序、对实时性要求极高的场景（如金融风控系统），LangGraph是更合适的选择；而对于需要快速验证AI能力、实现简单工具调用链的场景，LangChain则更具优势。

6.Harness Engineering

1、什么是 Harness Engineering（驾驭工程）？

• Prompt Engineering（2022-2024 主流）主要优化单次交互的质量，重点是 "一句提示词该怎么写，模型才更容易给出想要的结果"

• Context Engineering（2025 年2月后兴起）则动态构建知识、记忆、RAG，解决 "模型看什么" 的问题，减少幻觉、提高检索命中率

• Harness Engineering（当前阶段）重点构建整个运行环境，解决 "模型怎么把长链路任务稳定做完" 的系统级问题。

Harness Engineering 是当前 AI Agent 开发领域的一个核心范式转变。它不再仅仅关注如何通过提示词（Prompt Engineering）或上下文管理（Context Engineering）来"优化模型输出"，而是聚焦于构建包裹在模型之外的一整套系统化基础设施 ，旨在将大语言模型（LLM）那种"不稳定、非确定性"的智能，转化为能够稳定、可靠、长时间执行复杂任务的工作引擎。

  • 核心定义 ：Harness（马具/缰绳）指的是除了模型本身之外的所有东西------工具、记忆、规划、安全护栏、执行循环、状态管理等。LangChain 团队将其精炼为公式：Agent = Model + Harness。

    • 模型（Model）：负责思考和决策

    • 驾驭层（Harness）：负责把思考变成稳定执行，决定Agent能访问什么、能调用什么、能走到哪一步、什么时候停下、出了错怎么回退、结果如何校验

  • 解决的问题：传统 Agent 在应对长周期、多步骤的复杂任务时，常面临上下文窗口爆炸、状态丢失、工具调用混乱、缺乏规划、无法从失败中恢复等工程难题。Harness Engineering 正是为了解决这些"工程上的'稳'的问题"而生的。

2.DeepAgents 中全面采用 Harness Engineering：

  • DeepAgents 框架本身就是 Harness Engineering 思想的具体实现。DeepAgents 可以看作是 Harness Engineering 理念的一个具体技术实现，它通过内置能力，为 Agent 提供了稳定运行的"内核"，让开发者无需从零搭建复杂系统，只需通过配置即可获得一个功能完备的深度智能体。

7.开发建议和agent封层

  • 底层框架 （如LangChain）解决通用性问题。提供 create_agent，tool, LLM调用等高层抽象和标准组件。

    • 简单、直接的任务 → 使用 LangChain的 create_agent。

  • 专项框架（如LangGraph for 多Agent， DeepAgents for 长任务）在通用框架上针对特定场景做深度优化。

    • LangGraph：提供最底层的状态管理、工作流编排。需要完全自定义、复杂控制流的工作流 → 使用 LangGraph从底层构建。

    • DeepAgents：专为 "重任务" 设计，不适合简单聊天机器人，需要处理复杂、多步骤、长时间运行的"深度"任务 → 选择 DeepAgents。

      其典型场景包括：

      • 深度研究与报告撰写：自动进行多轮搜索、阅读、分析并生成长篇报告。

      • 全栈代码生成与重构：在沙箱中编写、测试、调试和重构整个代码库。

      • 复杂数据分析流水线：连接数据库、执行查询、处理中间文件并生成可视化图表。

      • 自动化运维与业务流程：操作文件、执行命令、编排需要多角色协作的复杂工作流。

案例

复制代码 
import asyncio
import uuid
from deepagents import CompiledSubAgent, create_deep_agent
from langchain.agents import create_agent
from langchain_core.messages import HumanMessage
from langchain_mcp_adapters.client import MultiServerMCPClient
from agent.my_llm import llm

bazi_mcp_server_config = {
      "transport": "streamable_http",
      "url": "https://mcp.api-inference.modelscope.net/3d52f9994fce47/mcp"
}

my12306_mcp_server_config = {
      "transport": "sse",
     "url": "https://mcp.api-inference.modelscope.net/a6e1af0f976b4f/sse"
}

mcp_client = MultiServerMCPClient({
    "bazi": bazi_mcp_server_config,
    "12306": my12306_mcp_server_config,
})

system_prompt = '''
# 角色与核心目标
你是主协调智能体，负责高效处理用户请求。你的首要任务是分析用户问题，若其属于预设的专门领域，则分配给相应的子智能体处理；否则，由你亲自解答。

# 任务分配规则
请严格依据以下关键词和领域描述，决定是否进行任务分配：

## 八字智能体负责领域
- **负责内容**：提供精准的八字数据，助力性格分析、命运预测等应用。
- **触发关键词**：八字，命运，命理，玄学。

## 12306铁路查询子智能体负责领域
- **负责内容**：一切与中国铁路客运相关的问题，特别是车票查询和预订。
- **触发关键词**：火车、高铁、动车、车次、车票、票价、余票、时刻表、火车站、车站、12306、订票、购票、抢票、列车、站台、正晚点、检票口。

# 工作流程
1.  **分析请求**：仔细阅读用户问题，识别其中的核心意图和关键词。
2.  **匹配领域**：将识别出的关键词与上述"负责领域"进行匹配。
    -   如果问题**明确且主要**属于某一个子领域（例如，问题中同时包含"八字"和"命理"），则毫不犹豫地将任务分配给对应的子智能体。
    -   如果问题**同时涉及**两个子领域（例如，"帮我查一下去上海的火车票，并规划一下从家到火车站的地铁路线"），这是一个需要协调的复杂任务。当前版本请你直接处理，向用户说明这是一个复杂请求，并尝试分步骤给出建议或优先处理其中一个最明确的需求。
    -   如果问题**不属于**上述任何子领域，则由你亲自回答。
3.  **执行与响应**：一旦做出分配决定，即调用相应的子智能体，并将其回复完整地呈现给用户。若是你亲自回答，请确保回应清晰、准确、有帮助。

# 通用行为规范
- 你的回答应保持专业、友好和乐于助人的态度。
- 如果无法确定用户意图，或问题模糊，应主动询问澄清。
- 对于超出你知识范围或工具能力的问题，如实告知，不要编造信息。
'''

async def create_my_agent():
    bazi_tools = await mcp_client.get_tools(server_name="bazi")
    railway_tools = await mcp_client.get_tools(server_name="12306")

    gaode_assistant = create_agent(
        model=llm,
        tools=bazi_tools,
        system_prompt="您是一位命理八字的子Agent，提供精准的八字数据，助力性格分析、命运预测等应用"
    )
    gaode_subagent = CompiledSubAgent(name="gaode_assistant", description="提供精准的八字数据，助力性格分析、命运预测等应用的智能体", runnable=gaode_assistant)

    railway_assistant = create_agent(
        model=llm,
        tools=railway_tools,
        system_prompt="您是一位12306铁路查询的子Agent，负责查询火车站、高铁站的信息和查询各种火车、高铁票。"
    )
    railway_subagent = CompiledSubAgent(
        name="railway_assistant",
        description="专门查询火车站、高铁站的信息和查询各种火车、高铁票的智能体",
        runnable=railway_assistant
    )

    subagents = [gaode_subagent, railway_subagent]
    return create_deep_agent(model=llm, subagents=subagents, system_prompt=system_prompt)

#deep_agent = asyncio.run(create_my_agent())
async def run_agent():
    deep_agent = await create_my_agent()
    config = {
        "configurable": {
            "thread_id": str(uuid.uuid4())
        }
    }
    res = await deep_agent.ainvoke(
        #input={'messages': [HumanMessage(content='明天2026年5月15日，我需要从长沙到北京出差，我要做高铁到北京西站，帮我查一下高铁票，并且帮我推荐一下北京西站附近3公里返回内的3家酒店')]},
        input={'messages': [HumanMessage(content='我是男生出生于1990年3月19日，帮我查一下八字')]},
        config=config
    )
    print(res["messages"][-1].content)
asyncio.run(run_agent())

文件后端(Backend)系统

后端是智能体（Agent）文件系统工具的底层实现，它决定了Agent可以访问哪些存储介质（如内存、本地磁盘、数据库等）以及如何访问。

DeepAgents 通过一套文件系统工具（如 ls, read_file, write_file等）为Agent提供与外界存储交互的能力。这些工具并不直接操作存储，而是通过一个可插拔的后端 （Backend）来执行实际的操作。后端是一个遵循特定协议（BackendProtocol）的组件。

Agent的文件系统工具调用后端，后端再根据配置将操作路由到不同的具体存储实现，DeepAgents 提供了多种开箱即用的后端，适用于不同场景。例如：

  • 状态存储 (StateBackend): 存储在 LangGraph 状态中，单次会话有效。

  • 本地磁盘 (FilesystemBackend): 访问宿主机的真实文件系统。

  • 持久化存储 (StoreBackend): 使用 LangGraph 的 BaseStore实现跨会话持久化。

  • 沙盒/本地Shell (Sandbox, LocalShellBackend): 提供隔离或非隔离的执行环境。

  • 复合后端 (CompositeBackend): 作为路由器，将不同路径的请求分发到不同的后端。

默认后端是 StateBackend ，它将文件存储在Agent的运行时状态中，仅在一次执行线程内有效。

1、StateBackend (临时状态后端)

  • 工作原理 ：将文件数据存储在 LangGraph 的Agent状态（runtime.state）中。这些数据在同一个执行会话（thread）的多次调用间是持久的，但线程（会话）结束后即消失。当然：如果有Checkpointer快照机制，那么也能恢复。

  • 最佳用途：作为Agent的草稿纸，用于暂存中间结果。也用于上下文的自动剪裁（offload）大文件输出。

注意：必须提供具体的Checkpointer。部署到LangSmith时可省略，平台会自动提供。

在没有Checkpointer的情况下，是看不到刚刚创建的文件的。 子Agent与主Agent共享此状态后端，子Agent创建的文件对主Agent可见。

复制代码 
import uuid

from deepagents import create_deep_agent
from deepagents.backends import StateBackend
from langgraph.checkpoint.memory import InMemorySaver

from agent.my_llm import zhipuai_client, llm
from langchain_core.tools import tool

@tool
def search(query):
    """网络搜索工具"""
    try:
        response = zhipuai_client.web_search.web_search(search_engine="search_pro", search_query=query)
        if response.search_result:
            return "\n\n".join([result.content for result in response.search_result])
        return "没有搜素到任何内容"
    except Exception as e:
        print(e)
        return "搜索出现错了"

checkpointer = InMemorySaver()

agent = create_deep_agent(
    model=llm,
    tools=[search],
    checkpointer=checkpointer,
    system_prompt="你是一个智能助手，请根据用户输入的指令，进行相应的操作",
    #backend=StateBackend() #默认是StateBackend， 不用配置
)

config = {"configurable": {"thread_id": str(uuid.uuid4())}}

resp =  agent.invoke(input={"messages":[{"role": "user", "content": "请创建一个文件/plan.txt,内容是项目启动计划"}]}, config=config)
print(resp["messages"][-1].content)
resp =  agent.invoke(input={"messages":[{"role": "user", "content": "读取/plan.txt内容"}]}, config=config)
print(resp["messages"][-1].content)

2、FilesystemBackend (本地磁盘后端)

  • 工作原理 ：允许Agent读写本地机器上指定根目录（root_dir）下的真实文件。

  • ⚠️ 重要安全警告 ：此后端赋予Agent直接的文件系统访问权限。切勿在Web服务器、API等多租户生产环境使用。仅在可信的本地开发中使用。

安全建议：

  • 始终设置 virtual_mode=True以启用路径沙盒，阻止Agent使用 ..或 ~访问根目录之外的路径。

  • 从可访问路径中排除包含密钥、密码的敏感文件（如 .env）。

  • 对于需要高安全的生产环境，考虑使用沙盒后端。

    temp_worksapace = "./agent_workspace"
    os.makedirs(temp_worksapace, exist_ok=True)
    agent = create_deep_agent(
    model=llm,
    tools=[search],
    checkpointer=checkpointer,
    system_prompt="你是一个智能助手，请根据用户输入的指令，进行相应的操作",
    backend=FilesystemBackend(
    root_dir = temp_worksapace,
    virtual_mode=True
    )
    )

3、LocalShellBackend (本地Shell后端)

  • 工作原理 ：在 FilesystemBackend的基础上，额外提供了一个 execute工具，允许Agent在主机上执行任意的 Shell 命令。

  • ⚠️ 极度危险警告 ：此后端赋予Agent在您的主机上执行任意命令的最高权限。仅限 在您完全信任Agent代码的本地开发环境中使用。禁止用于生产环境或处理不可信输入。

    import os
    import sys
    import uuid

    from deepagents import create_deep_agent
    from deepagents.backends import StateBackend, FilesystemBackend, LocalShellBackend
    from langgraph.checkpoint.memory import InMemorySaver

    from agent.my_llm import zhipuai_client, llm
    from langchain_core.tools import tool

    @tool
    def search(query):
    """网络搜索工具"""
    try:
    response = zhipuai_client.web_search.web_search(search_engine="search_pro", search_query=query)
    if response.search_result:
    return "\n\n".join([result.content for result in response.search_result])
    return "没有搜素到任何内容"
    except Exception as e:
    print(e)
    return "搜索出现错了"

    checkpointer = InMemorySaver()

    创建一个临时目录作为Agent的"沙盒"

    temp_workspace = "./agent_workspace"
    os.makedirs(temp_workspace, exist_ok=True)

    backend = LocalShellBackend(
    root_dir=temp_workspace,
    virtual_mode=True,
    timeout=30,
    max_output_bytes=50000,
    env={
    "PATH": f"{os.path.dirname(sys.executable)};{os.environ.get('PATH', '')}",
    }
    )
    agent = create_deep_agent(
    model=llm,
    tools=[search],
    checkpointer=checkpointer,
    system_prompt="你是一个智能助手，请根据用户输入的指令，进行相应的操作",
    backend=backend
    )

    config = {"configurable": {"thread_id": str(uuid.uuid4())}}

    resp = agent.invoke(input={"messages":[{"role": "user", "content": "请创建一个文件/plan.py,内容是用python打印hello world!的脚本"}]}, config=config)
    print(resp["messages"][-1].content)
    resp = agent.invoke(input={"messages":[{"role": "user", "content": "执行/plan.py"}]}, config=config)
    print(resp["messages"][-1].content)

4、StoreBackend (LangGraph 存储后端)

  • 工作原理 ：使用 LangGraph 的 BaseStore抽象（支持 Redis、Postgres、内存等实现）来存储文件，从而实现跨不同执行线程的持久化存储。

  • 最佳用途：存储需要长期记忆的数据，例如用户偏好、跨对话知识库。

注意：必须提供具体的存储实现。部署到LangSmith时可省略，平台会自动提供。

复制代码 
import uuid

from deepagents import create_deep_agent
from deepagents.backends import StateBackend, StoreBackend
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.store.memory import InMemoryStore

from agent.my_llm import zhipuai_client, llm
from langchain_core.tools import tool

@tool
def search(query):
    """网络搜索工具"""
    try:
        response = zhipuai_client.web_search.web_search(search_engine="search_pro", search_query=query)
        if response.search_result:
            return "\n\n".join([result.content for result in response.search_result])
        return "没有搜素到任何内容"
    except Exception as e:
        print(e)
        return "搜索出现错了"

checkpointer = InMemorySaver()
store = InMemoryStore()

agent = create_deep_agent(
    model=llm,
    tools=[search],
    checkpointer=checkpointer,
    system_prompt="你是一个智能助手，请根据用户输入的指令，进行相应的操作",
    backend=lambda rt: StoreBackend(rt),
    store=store
)

config = {"configurable": {"thread_id": str(uuid.uuid4())}}

resp =  agent.invoke(input={"messages":[{"role": "user", "content": "请创建一个文件/plan.txt,内容是项目启动计划"}]}, config=config)
print(resp["messages"][-1].content)
resp =  agent.invoke(input={"messages":[{"role": "user", "content": "读取/plan.txt内容"}]}, config=config)
print(resp["messages"][-1].content)

5、CompositeBackend (复合/路由后端)

  • 工作原理：作为后端路由器，根据文件路径的前缀，将操作定向到不同的底层后端。

  • 最佳用途 ：实现混合存储策略。例如，临时工作文件用 StateBackend，长期记忆用 StoreBackend，特定目录映射到本地磁盘。

    import os
    import uuid

    from deepagents import create_deep_agent
    from deepagents.backends import StateBackend, FilesystemBackend, CompositeBackend, StoreBackend
    from langgraph.checkpoint.memory import InMemorySaver

    from agent.my_llm import zhipuai_client, llm
    from langchain_core.tools import tool

    @tool
    def search(query):
    """网络搜索工具"""
    try:
    response = zhipuai_client.web_search.web_search(search_engine="search_pro", search_query=query)
    if response.search_result:
    return "\n\n".join([result.content for result in response.search_result])
    return "没有搜素到任何内容"
    except Exception as e:
    print(e)
    return "搜索出现错了"

    checkpointer = InMemorySaver()

    composite_backend = lambda rt: CompositeBackend(
    default = StateBackend(rt),
    routes = {
    "/memories/": StoreBackend(rt)
    }
    )

    agent = create_deep_agent(
    model=llm,
    tools=[search],
    checkpointer=checkpointer,
    system_prompt="你是一个智能助手，请根据用户输入的指令，进行相应的操作",
    backend=composite_backend
    )

    config = {"configurable": {"thread_id": str(uuid.uuid4())}}

    resp = agent.invoke(input={"messages":[{"role": "user", "content": "请创建一个文件/plan.txt,内容是项目启动计划"}]}, config=config)
    print(resp["messages"][-1].content)
    resp = agent.invoke(input={"messages":[{"role": "user", "content": "读取/plan.txt内容"}]}, config=config)
    print(resp["messages"][-1].content)

文件后端和checkpointer、store的关系

  1. DeepAgents 的 Backend

    1. 设计目标 ：为 Agent 提供文件系统语义 的抽象。它的核心接口是 ls_info, read, write, edit等，让Agent感觉自己在一个真实的目录树下操作文件。

    2. 数据模型 ：文件/目录树。操作对象是文件路径和文件内容。

    3. 持久化范围 ：由具体实现决定。StateBackend是线程内，FilesystemBackend是进程/机器内，StoreBackend可以跨进程/会话。

    4. 典型用例 ：Agent的工作空间、长期记忆存储 (/memories/)、技能和文档的加载来源。

  2. LangGraph 的 Checkpointer

    1. 设计目标 ：为 Agent 或者 StateGraph 提供状态快照与恢复机制。用于实现对话的持久化、暂停/继续、回溯以及人类介入审核（Human-in-the-loop）。

    2. 数据模型 ：序列化的工作流状态 。它保存的是整个 State对象的检查点（checkpoint），包括所有通道的消息、变量值等。

    3. 持久化范围 ：跨会话持久化工作流状态。允许用户离开后，稍后从完全相同的地方继续对话。

    4. 典型用例：聊天机器人记住之前的对话上下文；一个长时间运行的任务支持暂停和继续；需要人工审批节点的多步骤工作流。

  3. LangChain 的 Store (BaseStore)

    1. 设计目标 ：一个通用的、需要自定义操作的 长期存储。它是 LangGraph 存储层的底层抽象，非常简单。

    2. 数据模型 ：命名空间下的键值对 。基本操作是 get, set, delete, list。

    3. 持久化范围 ：由具体实现决定（如 InMemoryStore, RedisStore, PostgresStore）。

    4. 典型用例 ：为 Checkpointer或 StoreBackend提供底层存储驱动。也可直接用于缓存、会话存储等任何需要简单KV存储的场景。

相关推荐
测试员周周2 小时前
【Appium 系列】第06节-页面对象实现 — LoginPage 实战
开发语言·前端·人工智能·python·功能测试·appium·测试用例
霸道流氓气质2 小时前
基于 Milvus Lite 的 Spring AI RAG 向量库实践方案与示例
人工智能·spring·milvus
ar01232 小时前
AR巡检平台：构筑智能巡检新模式的数字化引擎
人工智能·ar
语音之家2 小时前
【预讲会征集】ACL 2026 论文预讲会
人工智能·论文·acl
碳基硅坊2 小时前
电商场景下的商品自动识别与辅助上架
人工智能
熊猫钓鱼>_>2 小时前
强化学习与决策优化：从理论到工程落地的完整指南
人工智能·llm·强化学习·rl·马尔可夫·mdp·决策过程
-柚子皮-2 小时前
强化学习DPO算法
人工智能
tzc_fly3 小时前
AnisoAlign：各向异性模态对齐
人工智能·深度学习·机器学习
热门推荐
01GitHub 镜像站点02Codex 接入 DeepSeek API 完整配置文档03头歌软件工程导论UML画图题(基于starUML)04CC-Switch & Claude 基于 Linux 服务器安装使用指南05【AI】2026 年具身智能模型和世界模型总结06Codex 手机端连接教程：三分钟搞定，附完整步骤07零基础教你claude code 接入 deepseek V408人工智能最新动态 AI 日报 · 2026年5月10日09Gemini大升级、AI眼镜首发、Android XR亮相，13天后见分晓10AI科技热点日报 | 2026年5月11日