- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI多栈
AI时代下的多栈开发思考
然而，随着人工智能（AI）技术的快速发展，多栈开发正从技术集成向智能驱动迈进。AI在多栈开发中的作用不仅是辅助，更是重新定义了技术协作与生产力的边界。 本文将探讨如何通过AI技术提升多栈开发的效率与创新能力。一、什么是AI驱动的多栈开发？ 四、AI驱动多栈开发的挑战与应对尽管AI为多栈开发带来了前所未有的可能性，但仍面临一些挑战：技术复杂度提升开发团队需要掌握AI相关技术，如模型训练、推理部署等。这要求团队具备跨技术栈的学习能力。 五、未来展望：AI重塑多栈开发借助AI技术，多栈开发的边界正在被打破，形成一个更加开放、智能和高效的生态。 低代码与多栈结合低代码开发工具与AI结合，将进一步降低多栈开发的门槛，使非技术背景的开发者也能参与其中。
61973编辑于 2024-12-03 - 来自专栏蓝天
多写引发的思考
如果是3个Master，采用2PC保证一致性，单个Master故障，会导致不可写。如果正提交的是一个大数据，会造成较大影响。实际上，这个时候可以允许提交，在故障Master恢复后，再同步数据到它上面，但是这个时候的数据对外是不可见的，因此不会影响数据的安全。
33010发布于 2018-08-07 - 来自专栏量化投资与机器学习
AI的思考
1 引言 从事深度学习的人数比以往任何时候都要多。在过去几年中，Journal和arXiv提交的内容增加了约5倍。 如果你考虑的是未以学术论文形式发表其结果的从业者，从事与AI相关的工作的人数可能会增加10-25倍。 开源虽然很棒，但我们认为它不能解决某些人认为的那样多的问题。 首先，开源代码提供可再现性，但不提供可复制性。代码包括作者的超参数和归纳偏差。 8 把研究作为艺术 在更多地讨论激励措施之前，让我们退后一步，思考一下研究的内容。我们所讨论的大多数问题都是针对以基准为基础的经验研究。 同样，由于每个人都在努力使NNs超越现在的最新基准，因此我们可能忽略了AI其他领域的巨大潜力，这些潜力可以利用我们为深度学习创建的庞大数据集和新基础架构。
48710发布于 2020-07-08 - 来自专栏机器之心
250多篇论文，上海AI Lab综述推理大模型高效思考
上海AI Lab联合 9 家单位，总结超过 250 篇相关论文，深入探讨了当前提升 LRMs 思考效率的研究，聚焦于这个新范式下的独特挑战。 ：定义、常见模式与挑战 在深入探讨方法之前，我们先明确什么是思考效率，看看 LRMs 通常在哪些方面表现「低效」，以及提升思考效率面临哪些独特挑战。 过度思考简单问题：LRM 难以根据任务复杂度有效分配「思考预算」。即使是简单问题（如 2+3=?），也可能生成多轮冗余的验证步骤。 不连贯与次优推理：这类现象称为「欠思考」。 针对 LRM 高效思考的研究尚处早期，未来有许多激动人心的方向值得探索： 高效多模态与视频推理（Efficient Multimodal and Video Reasoning） 现状：CoT 推理在多模态领域 评估与基准（Evaluation and Benchmark） 现状：当前评估多集中于数学任务，比较准确率-token 权衡。
44210编辑于 2025-04-05 - 来自专栏算法一只狗
3个Agent多模态感知秘诀，让AI真正具备“思考+执行”能力！
因此 Agent 真正的概念在于：能够让 AI 自主的完成任务。 多模态能力感知：GPT-4o的出现，使得这类大模型能够拥有视觉感知、语音感知等在规划能力中，其实就是需要 Agent 具备一定的逻辑推理能力。 比如最著名的那道数学题目：为了提升模型的规划能力，从而引入思维链COT：让大模型思考，再进行回答。本质上就是让模型再回答之前，先主动拆解一下问题，一步一步进行回答。 Everyday Decisions）：适用简单、常规性的决策•易出错（Error Prone）：容易受到偏见和认知偏误的影响LLM模型 level 2：•慢（Slow）：需要花费时间和认知资源进行深度思考 未来的Agent将能够在多场景、多设备之间进行无缝切换，从个人生活助手到企业级自动化服务，再到更高层次的智能决策系统。
64210编辑于 2025-04-03 AI时代的思考模式-从内思考到外思考
AI和大模型时代-我们应该如何保持独立思考的能力？ 这篇文章其实重点强调了独立思考能力实际跟是否AI时代没有任何关系，同时提到了在AI时代知识的广度比深度更加重要。 解决问题过程中采用什么样的方法工具技术，这个是内思考的过程。在AI时代到来后，人大部分的思考重心都应该转入到外思考，而内思考则逐步被AI大模型能力替代。 当然你提示语写不清楚也可以AI辅助，但是你和AI交互的次数，迭代的次数就急剧上升，虽然AI辅助了，但是感觉你工作量并没有节省出来。 说了这么多，大家就清楚AI时代如何提升独立思考能力了。 即AI时代独立思考能力的提升是将外思考和内思考分离，将面向问题域的思考和面向解决问题的思考分离，然后将内思考转移到AI。个人思考重心转移到外思考。 对于问题分析和解决原来属于慢思考里面的深度思考和推理过程，那么在AI时代大家要注意，这个应该由AI辅助来完成并逐步被AI替代。
43310编辑于 2025-07-21- 来自专栏程序随笔
聊聊多模态大模型处理的思考
多模态：文本、音频、视频、图像等多形态的展现形式。 目前部门内业务要求领域大模型需要是多模态——支持音频/文本。从个人思考的角度来审视下，审视下多模态大模型的实现方式。 多模态基座模型 即原生基座模型，比如GLM、LlaMa2、QWen、文心一言等基座模型支持多模态的输入输出，从个人调研来看，GLM、文心一言对这方面的支持比较弱，仅支持文本/图像；LlaMa2有开源的实现支持文本 魔塔社区/HuggingFace上，已经开源了很多高质量的多模态模型，截个图展示下： 文本化处理 使用开源/商务组件处理输入的内容，将其文本化，再输入到模型中；然后再经历输入部分的流程。 总结 最终来看，第一个方案肯定是最合适的；但如果对于选型的大模型不支持多模态的情况下，考虑开源实现或是第二张方案，但要综合调研其带来的影响，并不是简单的转文本就行。 第三种，目前我没有找到合适的Embedding模型支持多模态，后续继续探讨挖掘下。 转载请注明出处：https://www.cnblogs.com/zhiyong-ITNote
79410编辑于 2024-03-27 - 来自专栏SAMshare
多业务融合推荐策略实践与思考
多业务：首页的访问量较大(千万级别pv)，如何把流量分配给不同的业务就很关键。 推荐感知：虽然用户的目标单一，但是如何做到推荐结果的多样性就需要对其优化。 58app首页推荐业务 ( 多品类推荐 ) 主要面临的挑战在于： 如何满足用户对于不同品类的兴趣？( 用户兴趣问题 ) 推荐的业务比例如何和平台的业务比例进行匹配？ 业务流量分配策略 这个优化主要针对第二个挑战：多业务之间的流量均衡 实际业务需求： 由于58首页信息流是多品类混合推荐的场景，推荐的结果既要满足用户个性化需求，又要满足在整体上各业务的占比与58实际业务流量比例相符合 04 心得体会 回顾下实践过程中的一些教训与思考： 理解业务：要做好策略上的优化并最终提升用户体验，最关键的切入点是业务。 目前负责 APP 首页业务信息流推荐，致力于通过融合多业务、多策略推荐系统的迭代升级，支持流量分发，优化连接效率，提升用户体验。 今天的分享就到这里，谢谢大家。
1.9K21发布于 2020-08-27 - 来自专栏AI系统
【AI系统】从 CUDA 对 AI 芯片思考
本文将主要从流水编排、SIMT 前端、分支预测和交互方式等方面进行分析，同时对比 DSA 架构，思考可以从英伟达 CUDA 中借鉴的要点。 英伟达生态的思考点从软件和硬件架构的角度出发，CUDA 和 SIMT 之间存在一定的关系，而目前 AI 芯片采用的 DSA 架构在编程模型和硬件执行模型上还处于较为早期的状态，英伟达强大的生态同样离不开 面对新的 AI 芯片，在流水隐藏方面，实现架构层面的隐藏流水编排机制，提出一个形式上与 SPMD 没有关系的编程模式，而且易用性堪比 CUDA 的软件是可能的。 编程模型上缺乏统一的标准，因此需要专门搭建编译器和编程体系，硬件主要以 AI 加速芯片（TPU、NPU 等）为主。 借鉴与思考点流水编排在指令流水线编排方面，最重要的是从硬件设计上解决 SIMD data path 流水编排问题。
45410编辑于 2024-11-27 - 来自专栏Chasays
AI测试的思考与探索
然而，由于AI是一种新的编程范式，无论是学术界还是工业界，对于AI测试的研究还刚刚起步。 AI测试及挑战 AI 作为一项变革性的技术已经渗透到了各行各业，随着AI在各行各业的应用日益广泛，对AI系统测试的需求也与日俱增。 此外，AI测试需要高效的持续测试，所以AI测试尤其需要测试环境快速部署的能力。 结语 AI是一种新的编程范式，需要测试人员具备机器学习、统计学、大数据分析等综合知识和能力，因此AI测试人员的稀缺将成为AI企业的现实问题。 AI的全流程的测试将不仅仅是测试团队的任务，而需要算法开发人员、系统运营人员的共同参与。 此外，AI测试技术也需要不断演进，来适应并解决AI测试带来的挑战。
1.2K40发布于 2019-08-18 - 来自专栏不止dotNET
实现多租户系统的一点思考
要将传统的私有化部署的软件重构成支持 SaaS 模式，多租户是一个迈不过去的坎，首先需要将系统改造成多租户模式，然后再逐步实现计费、系统监控、用户行为分析等功能。 在 WebAPI 的代码实现上，可以参考 Abp 框架中多租户的实现，这里给出一个简化版本： TenantConfiguration：租户配置信息 [Serializable] public class await next(context); } await next(context); } } 数据库 数据库在这里指的是关系型数据库，用来存储业务数据，实现多租户 可以通过修改配置文件的方式进行数据库的扩展，默认为 16 个；3、通过 Redis 分片集群的方式进行部署，可以进行横向扩展；3、在 Redis 集群中，官方推荐节点数量不超过 1000 个，这个对于多租户系统的前期来说应该是够用了
2K20发布于 2021-07-05 - 来自专栏联远智维
AI大模型的基本思考
过去几个月里，基于AI大模型的各种应用层出不穷，例如：AI能够接入微信客服，能够帮人写一篇新闻稿，能够帮人们编写代码等。 在这个背景下，我们重新审视了AI大模型在工业元宇宙、数字孪生以及物联网等前沿领域的应用潜力，探讨了其可能为我们带来的益处~，在本推文中展示一些个人看法~图片ChatGPT的应用场景 相信很多人都体验过 物联网技术社区的运行维护；2.数据的理解及后处理等；下边展示了一些基本的工作：实现方式 我们采用gradio 框架，做了一些基本的 AI 应用，通过定义 predict 函数，输入输出参数， txt.submit(**predict_args))cancel_handles.append(submitBtn.click(**predict_args)) 3月初，跟伙伴花了部分精力去了解AI 大模型，学习了chatgpt_academic项目，后续在此基础上进行了修改，添加了一些自己的ai 应用（后续非常适合将不同的按钮集成为专门的 AI 模型），具体如下：图片附件：附1：希望国内早早做出优异的大模型
58840编辑于 2023-06-02 - 来自专栏测试技术圈
面向AI应用的测试思考
“ 人工智能（AI）已无处不在，AI正在为各行各业赋能，并以前所未有的速度全方位地改变着我们的生活。 然而，由于AI是一种新的编程范式，无论在学术界还是工业界，对于AI测试的研究和实践尚处于起步阶段。” AI引导了新一轮的产业变革，随着AI在各行各业的应用日益广泛，对AI应用测试的需求也与日俱增。 由此可见，对于AI应用的质量保障显得愈发重要。 1 AI测试面临挑战 关于AI应用（系统）的组成，通常是由软件工程和机器学习模型结合。 对于AI产品业务的测试，可以从两个方面着手，数据验证测试和AI应用测试。 2 AI测试的主要策略 基于数据验证的测试：验证数据集，消除数据偏差。 总之，对于AI/ML模型的测试问题与传统软件测试问题有较大不同，且存在着诸多技术挑战。但伴随着业界越来越多地使用AI技术来构建其系统和应用程序，对AI应用的测试方法和实践将在未来迅速发展和逐步完善。
1.9K51发布于 2020-09-08 - 来自专栏老张的求知思考世界
近期对AI的几点思考
23年大模型领域出现了你追我赶的趋势，从单体大模型，到多模态，到混合专家架构，大模型的能力越来越强，成本越来越低。 找到应用场景并构建能解决具体问题的AI应用，会是今年AI领域竞争的核心。 虽然目前还未出现出圈爆火的AI应用，但按照前面三年AI技术的发展，今年下半年大概率会出现出圈的AI应用。 AI工具在当前阶段最大的作用，就是让人摆脱对信息的存储、检索和浅加工，转为深度思考和创作。 我个人认为，当前阶段我们和AI的关系，更像一个“合作互补型”的关系。 我们提出核心原则和思考(问题和方向)，AI负责解析我们提出的问题(以prompt的形式)并进行信息遍历和加工处理，这个过程中双方不断的互动(训练调优)。 当你的工作有标准化的工作流程和评判标准，当你的工作只是执行任务，而非思考并落地解决方案的话(很多互联网大厂有大量类似的岗位和工作)，那么很容易被AI替代。
28710编辑于 2025-05-19 - 来自专栏企鹅号快讯
ai量化系统架构的思考
ai量化系统架构的思考 背景 现在很多群体，尤其是有点金融背景或兴趣的程序员群体，“大量”进入量化交易这个领域。 以quantopian为蓝本，做出to c的quant平台。 因子是无穷多的，策略也是无穷多的。你可以认为星期几，天气，温度，甚至日月星辰的方位。回测看看，没准也很好看。 自动发现因子，自动构建投资组合，才是关键吧。 投资单个股票的时候，投资者有3种选择，做多、做空，和不投资。我们用1, -1, 和0分别表示这三种行为，那么action space= 在每一个时间点，我们都需要决定选择什么样的投资行为。 偏爱python，深度关注互联网趋势，人工智能，AI金融量化。致力于使用最前沿的认知技术去理解这个复杂的世界。
1.5K70发布于 2018-01-16 - 来自专栏英杰
多模态及图像安全的探索与思考
其中对我触动最大的就属上海合合信息的郭丰俊博士讲解的“文档图像前沿技术探索—多模态及图像安全”专题部分了。图片合合信息在讲解多模态及图像安全之前，我们先对合合信息科技做一个简单的介绍吧。 l AI安全：在文档图像分析识别与理解过程中，通过篡改分类、篡改检测、合成检测、AI生成检测等技术来保证用户的数据隐私和文档图像安全性。 多模态模型进展与探索去年随着ChatGPT的横空出世，大家对多模态模型是否能快速融入到自己的工作场景产生了浓厚的兴趣。我们接下来讲一下多模态大模型对文档图像处理方面将会产生怎样的影响。 由此可见文档图像具有天然的多模态属性。多模态大模型在文档图像处理中的应用l GPT-4：多模态大模型如GPT-4已经取得了显著的进展，可以同时处理文本和图像数据，从而提高了文档图像识别与理解的性能。 AI换脸、证照篡改等会对银行、保险、金融行业的人脸认证产生很大的问题：图片图片图片中国信通院携手合合信息开启《文档图像篡改检测标准》制定工作，为文档图像内容安全提供可靠保障，助力新时代AI安全体系建立。
65320编辑于 2023-10-18 - 来自专栏架构精进之路
Redis 实现多规则限流的思考与实践
但是大部分都有一个缺点，就是只能实现单一的限流，比如1分钟访问1次或者60分钟访问10次这种，但是如果想一个接口两种规则都需要满足呢，我们的项目又是分布式项目，应该如何解决，下面就介绍一下redis实现分布式多规则限流的方式 思考 如何一分钟只能发送一次验证码，一小时只能发送10次验证码等等多种规则的限流 如何防止接口被恶意打击（短时间内大量请求） 如何限制接口规定时间内访问次数 解决方法 记录某IP访问次数 使用 String 获取Redis请求次数 )，那么所有线程都获取到了值为999，进行判断都未超过限定次数则不拦截，导致实际次数超过 1000 次 「解决办法:」 保证方法执行原子性（加锁、lua） 考虑在临界值进行访问 思考下图 Zset解决临界值问题 使用 Zset 进行存储，解决临界值访问问题 网上几乎都有实现，这里就不过多介绍 实现多规则限流 先确定最终需要的效果 能实现多种限流规则 能实现防重复提交 通过以上要求设计注解 代码多版改造，应用责任链设计模式 参考文章：https://juejin.cn/post/7298635806475386916 版权申明：内容来源网络，仅供学习研究，版权归原创者所有。
93010编辑于 2024-01-08 转载：【AI系统】从 CUDA 对 AI 芯片思考
本文将主要从流水编排、SIMT 前端、分支预测和交互方式等方面进行分析，同时对比 DSA 架构，思考可以从英伟达 CUDA 中借鉴的要点。 英伟达生态的思考点从软件和硬件架构的角度出发，CUDA 和 SIMT 之间存在一定的关系，而目前 AI 芯片采用的 DSA 架构在编程模型和硬件执行模型上还处于较为早期的状态，英伟达强大的生态同样离不开 面对新的 AI 芯片，在流水隐藏方面，实现架构层面的隐藏流水编排机制，提出一个形式上与 SPMD 没有关系的编程模式，而且易用性堪比 CUDA 的软件是可能的。 编程模型上缺乏统一的标准，因此需要专门搭建编译器和编程体系，硬件主要以 AI 加速芯片（TPU、NPU 等）为主。 借鉴与思考点流水编排在指令流水线编排方面，最重要的是从硬件设计上解决 SIMD data path 流水编排问题。
48110编辑于 2024-12-11- 来自专栏DeepHub IMBA
LangGraph实战教程：构建会思考、能记忆、可人工干预的多智能体AI系统
在本文中，我们将使用监督者方法构建一个多智能体系统。在此过程中，我们将介绍基础知识、在创建复杂的 AI 智能体架构时可能面临的挑战，以及如何评估和改进它们。 我们将从基础开始，通过分步方法来创建这个复杂的多 AI 智能体架构 环境设置 LangChain、LangGraph 模块构成了一个完整的架构，但是如果我一次性导入所有库，肯定会造成混淆。 深呼吸，仔细思考后再作答。 总结 本文详细介绍了使用LangGraph和LangSmith构建企业级多智能体AI系统的完整流程。 随着AI技术的不断发展，这种系统化的多智能体架构将在更多领域发挥重要作用。 作者：Fareed Khan
2.2K30编辑于 2025-08-20 AI时代普通人也难以逆袭-主动思考和多实践比什么都重要
所以大家一定要去思考，有了AI工具并不代表你原来在你的专业领域的工程实践不重要了。我的理解就是有了AI工具，反而是你原来的工程实践，你原有的私有经验知识库积累更加重要。 这些知识库这一些原有的大量编程实践经验的积累，是你真正能够写出优质的提示语，你能够跟AI进行精准对话的基础。 所以我一直在讲，有了AI各种辅助以后，对于普通人他往往更是不愿意去思考，懒于思考。 而对于真正的高手他用了AI工具以后，反而是不断的触发他新的实践和新的思考，包括我前面也专门写过文章，如何借助AI深度思考的CoT思维链提示内容来辅助改进自己的思考。 AI做好交互，这个才是你真正应该去思考的问题。 你一定要意识到在这个事情上面你要花时间，不要想着很简单的一句两句提示语，AI就能够告诉你一个很精确的答案。 好了，今天关于AI方面的一些简单思考，就跟大家分享到这里。
13500编辑于 2025-06-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号