清源AI开发教程:用AI Agent实现无尽冬日自动采集

清源AI采集任务配置实战:跑通“无尽冬日”示例项目 数据采集是AI开发链路中的基础环节,源地址变化、字段缺失、调度失败等问题常常导致下游任务中断。清源AI提供可视化采集配置与任务编排能力,帮助开发者将数据源接入、字段映射、定时调度和API输出封装为可复用模板。本文以“无尽冬日”示例项目为主线,从环境检查、依赖部署到最小采集验证、增量更新、批量任务与接口调试,完整演示一套自动化采集管道的落地方法。适合正在构建AI训练数据集或自动化数据处理管线的工程师参考,可有效降低重复开发成本。 阅读详情

自动化采集在游戏日常里其实一直是个“能做但不好做”的事情。过去大家想到的是按键精灵、脚本录制,简单是简单,但界面一变就失效,逻辑一绕就崩溃,更别说异常处理、日志追踪、多任务切换这些工程问题。现在有了 AI Agent 的开发思路,情况开始不一样了:自动采集这件事,正在从“写死坐标的脚本”变成“能感知、能决策、能执行、能自我修正的智能体”。

这篇文章想围绕“清源AI开发教程”这个主题,把“无尽冬日自动采集”这个场景拆开来讲。核心不是只给你一段代码,而是带你理解 AI 自动采集类开发背后的完整链路:从屏幕感知、目标识别、任务决策,到模拟操作和异常兜底。无论你是刚接触智能体开发的新手,还是在观望是否要报名清源AI开发者计划的工程师,读完以后至少能建立一套完整的开发框架,并且能基于这个框架去跑通一个最小可用的自动化采集流程。

1. 这篇文章真正要解决的问题

先聊一个现实场景。

在“无尽冬日”这类生存模拟游戏里,日常采集是每天必须做的重复劳动。跑图、寻找资源点、点击采集、等待、再点击、再移动。熟练的玩家做一遍可能只要十几分钟,但每天重复做,时间成本非常可观。于是“自动采集”成了很多玩家和开发者的共同需求。

但需求背后藏着几个经常被低估的问题。

第一个问题是:传统的自动化脚本能不能做到?能,但非常脆弱。传统的坐标点击脚本,核心逻辑是把目标坐标写死。资源点位置一变、游戏界面尺寸一变、页面结构一调,脚本立刻失效。这种方案维护成本极高,一旦游戏更新,甚至可能要全部重写。

第二个问题是:现代 AI 方案和传统脚本的分水岭在哪里?答案是“感知能力”。传统脚本是“按固定坐标执行”,AI 方案是“先看屏幕、再决定动作”。屏幕识别、目标匹配、状态判断、异常兜底,这些能力组合起来,才称得上“AI 帮你做日常采集”,而不是“录了一段鼠标动作”。

第三个问题是:即便理解了思路,新手开发者依然会卡在几个关键节点。比如:怎么截图?怎么识别目标?怎么把识别结果转换成点击动作?怎么避免重复点击和误操作?怎么让程序在异常时安全退出而不是乱点一通?这些细节,才是开发教程真正要解决的问题。

所以这篇文章会围绕清源AI这类智能体开发平台的通用思路,把上述问题拆解成一个可落地的工程流程。你可以把本文当作一份“AI 自动采集开发入门地图”来读,先建立全局认知,再逐步深入实现细节。

2. 清源AI与AI智能体开发的核心概念

在动手之前,先厘清几个关键概念。否则你看很多 AI 自动采集项目会一头雾水:一会儿说 Agent,一会儿说 Skill,一会儿说工作流,到底在说什么?

2.1 什么是 AI Agent(智能体)

AI Agent 可以理解为一个“能自己看、自己想、自己动手”的程序实体。它不只是执行固定指令,而是循环地做四件事:

  1. 感知:获取外部信息,比如截图、日志、用户输入。
  2. 决策:基于感知到的信息,决定下一步动作。
  3. 执行:调用工具或 API 完成动作,比如模拟点击、发送请求。
  4. 学习/调整:根据执行结果,修正后续策略。

对应到自动采集场景,“感知”就是截取游戏画面,“决策”就是判断当前画面里有没有可采集目标,“执行”就是模拟鼠标点击采集,“调整”就是点击后判断是否采集成功、要不要换目标。从这个角度看,自动采集天然就是一个 AI Agent 应用。

2.2 清源AI平台在开发中扮演什么角色

从标题中的“清源AI开发者招募”可以看出,清源AI是一个面向开发者的智能体开发平台。它解决的问题,是让开发者不用从零搭建模型推理、任务编排、工具调用这些底层能力,而是把精力集中在“业务逻辑”上。

以自动采集为例,传统开发方式需要你独立完成一切:准备训练数据、部署模型、写识别算法、做任务调度。而智能体开发平台通常会提供:

  • 模型能力底座:图像识别、文本理解等基础 AI 能力。
  • 开发者框架:定义 Agent 行为、配置任务流程、挂载自定义工具。
  • 运行与调试环境:测试 Agent 在真实场景下的表现。

当然,具体 API 和配置项要以清源AI 官方文档为准。本文后面写的示例是通用的智能体开发思路,不绑定某个平台的私有接口,这样才能保证你在任何 Agent 框架里都能迁移使用。

2.3 自动采集开发的三层结构

我们可以把整个自动采集开发拆成三层:

层级 技术内容 解决的问题
感知层 屏幕截图、模板匹配、OCR 文字识别 判断“屏幕上有什么”
决策层 状态机、任务队列、规则引擎 判断“接下来该干什么”
执行层 模拟鼠标/键盘、定时调度、异常兜底 把决策变成真实操作

这三层缺一不可。只做执行层的脚本,就是传统按键脚本,脆弱且难维护。把感知层做好,程序才有“眼睛”。把决策层做好,程序才有“大脑”。三层配合起来,才是一个完整的 AI 自动采集智能体。

2.4 AI Agent 与传统脚本的核心区别

对比维度 传统按键脚本 AI Agent 方案
界面变化影响 坐标写死,界面一变就失效 基于图像识别,界面变化后仍可自适应
异常处理 简单,甚至没有 可以识别异常状态并触发兜底逻辑
任务切换 需要手动改脚本 可通过状态机自动切换
可维护性 低,维护成本高 高,业务逻辑与识别逻辑分离
开发门槛 低,但上限也低 门槛略高,但适用场景广
清源AI开发教程:构建无尽冬日科技研究助手 在AI应用开发与智能体开发实践中,垂直场景的工具往往需要一套从数据建模到接口服务的完整链路。本文以游戏策略规划为例,介绍了基于清源AI框架开发科技研究辅助系统的方法,涵盖项目初始化、数据模型设计、路径规划算法、API接口封装与批量任务处理。通过清晰的分层架构和可复用的接口设计,开发者可以快速搭建出具备策略推荐、资源缺口分析能力的实用工具,既满足游戏玩家规划需求,也能作为学习智能体开发的工程范例。从通用技术原理切入,逐步落到“无尽冬日科技研究”这一具体场景,展示了将AI开发框架应用于垂直业务的完整思路。 阅读详情

相关推荐

无尽冬日数据采集配置:AI开发多源管线搭建全流程指南

数据采集是AI开发中不可忽视的基础环节,无论是构建RAG知识库、训练垂直领域模型,还是搭建Agent技能库,一套稳定可扩展的采集管线往往决定了项目的成败。本文从基础概念切入,介绍如何基于YAML配置和Python模板,实现多源采集、增量更新、任务调度与清洗入库的完整链路。通过“无尽冬日”项目实战,演示了从环境准备到API暴露的工程化方案,覆盖了数据去重、批量任务、性能监控等关键环节。同时强调采集合规边界与授权要求,帮助开发者以更通用、更安全的视角构建数据基础设施。适合正在从事数据工程、知识库建设或模型微调相

weixin_29053383的博客 339

大模型API实战:构建无尽冬日科技研究规划助手

在AI应用开发中,基于大模型API构建结构化数据与业务逻辑结合的工具已成为主流实践。通过将游戏内的科技树数据转化为JSON格式,配合Prompt工程约束模型输出,开发者可以搭建一个智能策略推荐系统。本文以SLG游戏科技研究场景为例,展示从需求拆解、数据建模、后端接口封装到Streamlit可视化的完整开发流程,并支持批量任务处理与异常重试机制。这种开发模式不仅适用于游戏攻略工具,还可复用于文档问答、个性化推荐等场景,其核心在于利用大模型推理能力处理结构化输入,并结合FastAPI提供稳定服务。深入理解科技树

weixin_34221073的博客 441

清源AI实战:可视化工作流构建无尽冬日采集策略助手

在AI Agent与工作流自动化日益普及的当下,将复杂的业务决策拆解为可编排的节点化流程,已成为提升运营效率的关键思路。其核心原理是把输入数据、计算逻辑、筛选条件和输出结果抽象为独立模块,通过可视化配置串联成可复用、可修改的智能决策链路。这种技术价值不仅体现在游戏策略辅助中,在库存调度、物流配送、设备巡检等场景同样适用。本文从资源点评估、队伍匹配等基础概念切入,系统讲解如何借助清源AI平台配置采集策略工作流,涵盖数据解析、收益评分、分配调度、API发布等完整环节,帮助开发者快速掌握AI工作流的工程实践路径。

weixin_28707535的博客 203

基于清源AI平台开发游戏自动采集Agent实战教程

AI Agent作为人工智能与自动化结合的关键技术,正在重塑重复性任务的执行方式。其核心原理是通过任务编排将复杂目标拆解为可执行的步骤,并借助屏幕感知能力(如OCR识别)理解环境状态,再通过API调度完成动作闭环。这项技术不仅适用于游戏资源自动采集,还可迁移至数据抓取、报表整理、设备巡检等合规场景。以清源AI平台为例,逐步演示如何开发一个用于游戏日常资源自动采集的Agent,涵盖智能体创建、提示词设计、JSON结构化输出、批量任务调度及失败重试机制,并强调在模拟器和测试环境中进行功能验证,帮助开发者快速掌握

weixin_29973493的博客 284

用AI Agent实现SLG自动采集:感知-决策-执行全解析

AI Agent正在替代传统脚本成为自动化任务的主流实现方式。与传统基于固定坐标的规则脚本不同,AI Agent通过感知-决策-执行循环,实现对真实环境的理解与动态响应。它整合视觉识别、任务编排与异常兜底能力,能够应对界面变化、动态调度和复杂状态判断。在游戏场景中,SLG日常采集作为重复性极高且视觉依赖强的任务,是AI Agent落地的理想练兵场。本文以清源AI平台开发《无尽冬日》自动采集为例,拆解智能体从环境感知、决策策略到动作执行的核心原理,并给出完整开发流程与工程实践建议,帮助开发者快速掌握可迁移的A

weixin_29041767的博客 334

清源AI开发教程:用图像识别实现《无尽冬日》自动采集

在自动化开发中,图像识别与坐标定位是实现重复性操作的关键技术。通过OpenCV模板匹配、pyautogui屏幕控制以及定时调度,能够构建稳定可靠的工作流。这类技术广泛应用于UI自动化测试、桌面助手和批量处理场景。当应用于游戏资源采集时,结合AI工作流编排,可实现智能决策与异常处理。本文以《无尽冬日》自动采集为例,完整讲解基于清源AI平台从需求拆解到代码实现的开发流程,帮助开发者快速迁移到其他自动化场景。

weixin_29053695的博客 275

商汤&清源-AI可持续发展白皮书暨智能产业生态联盟倡议书-2020.6-20页精品报告2020.pdf

商汤&清源-AI可持续发展白皮书暨智能产业生态联盟倡议书-2020.6-20页精品报告2020.pdf

chrome-win64-159.0.8145.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

用Pixel5玩转AOSP:从零开始定制Android13系统(含GMS集成方案)

本文提供了一份详尽的Pixel 5 AOSP定制指南,涵盖从环境搭建、源码下载、系统编译到刷机的完整流程。重点解决了原生AOSP缺失Google移动服务(GMS)的难题,分享了从官方镜像提取并集成GMS组件的实战方案,助你打造独一无二的Android 13系统。

sam99的博客 532

基于昇腾MindIE开箱部署Qwen2.5-VL-32B,体验更聪明的多模态理解能力

昇腾MindIE已适配支持Qwen2.5-VL-32B-Instruct并上架魔乐社区,欢迎广大开发者下载体验!

2401_87243659的博客 6880

Visual Tracker Benchamark傻瓜式教程(二)

问题  1 1  在调用main.m跑TRE和SRE时,因为会生成相应的.mat数据文件,如果跑完以后发现自己算法生成的.mat文件有问题,那么要把该文件删除,待找到错误原因后,重新生成相应的.mat文件。因为程序中写的是如果已经存在了.mat文件,例如已经存在car4_STC.mat文件,即使该文件中的数据有错误,但是重新跑时会默认该文件中的数据写完,不会重新写入数据 问题  2  b

mingbujingren的专栏 9928

iOS安全攻防:从DarkSword漏洞利用链剖析到纵深防御实践

在移动安全领域,内存破坏漏洞(如堆溢出、释放后使用)是攻击者突破系统防线、实现远程代码执行和权限提升的核心技术原理。这些漏洞利用技术通过精心构造的攻击链,能够绕过沙箱、地址空间布局随机化等安全机制,最终威胁设备内核安全,其技术价值在于揭示了系统安全架构的潜在薄弱环节。在iOS应用开发与系统防护中,理解此类攻击链对于构建有效的纵深防御体系至关重要。应用场景涵盖从安全编码、网络通信加固到运行时应用程序自保护等多个层面。本文以DarkSword工具包为例,深入拆解其利用链,并分享如何通过内存安全实践、代码签名强化

weixin_30357231的博客 484

ROS Navigation global_planner框架解析

ROS Navigation global_planner框架解析主要讲一下我看源码总结的框架,如果大家跟着这个框架看源码的话可能会看的比较快。主要讲解global_planner关键配置参数含义及关键函数Astar,Dijkstra,QuadraticCalculator::calculatePotential,PotentialCalculator::calculatePotential,GridPath::getPath,GradientPath::getPath.

Jeff_Lee_的博客 4697

Altium Designer 超详细入门教程

本文是一份Altium Designer新手入门教程,详细介绍了从软件基础到PCB制版的全流程。主要内容包括:软件界面介绍与工程创建方法;原理图设计中的元件放置、电气连线、标注添加等操作;PCB设计的布局布线、铺铜和DRC检查;Gerber和钻孔文件的导出方法。教程还提供了分类整理的实用快捷键表和新手避坑指南,强调原理图编译和DRC检查的重要性。通过本教程,新手可以快速掌握AD基本操作,完成简单电路板的设计与制版文件导出。

学习中...... 878

姿态传感器/陀螺仪之IIS2DLPC 应用驱动程序设计

* 转换为°C单位 (参考温度为25°C,灵敏度为16 LSB/°C) */

corlin6688的博客 224

Cilium动手实验室: 精通之旅---5.Mutual Authentication with Cilium

在Cilium 入门实验室中,您将在受《星球大战》启发的场景中实施高级第 3-7 层网络策略。在实验结束时,您将实施强大的网络策略,并通过微分段保护 Empire 免受来自叛乱的攻击。在本实验中,您将重新部署《星球大战》演示应用程序,但除了网络策略之外,您还将了解如何在工作负载之间实施相互身份验证。

Q先生 1403

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

上一篇: 多元时序异常检测的可解释之路:模态转换与双模态SHAP实战
下一篇: GLM-OCR开源大模型本地部署实录:从环境配置到批量处理
李维伊
博客等级 码龄10年 51粉丝 1635原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址