w‑solace kyn什么意思
粉丝7511获赞1.1万
相关视频
01:30查看AI文稿AI文稿大家好，我是小鹏，今天我们来看一下二八柜，二八柜他又叫中置柜，然后他的型号是 k y 二八杠幺二，嗯，他主要用在配电房，配电室开闭锁当中，起到一个保护线路的作用。那么我们面前的这一套呢，是根据客户的指定方案来制作的，他主要有进线隔离柜、进凉柜、 售电总柜、 pt 柜，还有两个出线柜。像我们自己的这个柜子呢，尺寸大致就是八百毫米宽，一点五米深，两点三米高。首先呢我们先来看一下第一台柜子，是这个进线隔离柜哈，上班 基本上是柜子的这个操控装置，然后我们打开可以看到里面是接线仓，接线机构，这个是端子，这里面有我们的接的二次线。中间这一部分呢是装的隔离手车， 格力手车只装在格力柜当中，起到一个分合线路的作用。我们可以看到外面有一个示意图，这个示意图就是带电显示器，避雷器，线路从下端接上 计量柜，上端还是一样的操控装置。嗯，中间呢就是我们这个计量手车，计量手车这个是计量盒 表支架，然后到时候使用前会有供电局的相关人员来安装一个电表。这两手车里面主要是安装了 电流计量电流互感器和计量电压互感器，这个计量柜呢主要就是用来计算用电总量的一个作用。
282洲驰电气高低压成套厂家
01:53查看AI文稿AI文稿今天上庭结束，还是一个刑事案件，今天想讲啊，一个爱尔兰刑法，也是英美法系国家刑法当中的一个重要原则， confession 啊，执意的话就是有罪供述， 这个和我们中国的法律文化当中的坦白从宽，抗拒从严有着非常大的区别。 在中国的话啊，嫌疑人会被鼓励啊，就是配合警察的调查，也就是坦白从宽，抗拒从严啊。但是在爱尔兰刑法以及这个英美法系国家啊，当中有一个啊， 非常重要的权力就是沉默权，所以我们在看香港的电视剧啊，当中就是看警察在抓人前， 他会先 caution， 就是 警示啊对方，然后说你有权保持沉默，但是你所说的会成为呈堂证供，这个就是一个 caution， 就是 先要告知这个 嫌疑人，对方啊他有这个沉默权，他可以什么都不说，但是一旦说了呢，那就可能会成为一个呈堂证供。在爱尔兰的刑法当中，刑事案件当中有一些案子 就是在没有其他证据的情况下，仅仅有这个 confession 有 罪共述也是被定罪的。那确实是有这样的刑事案件，这个对中国人来说的话啊，比较吃亏，因为这个法律原则不同嘛， 所以可能在啊，中国人在一些刑事案件当中，因为这样一个 confession， 然后给自己造成了非常大的麻烦 啊，所以就是说我建议，如果就是啊，你有相关的法律事，尤其是刑事方面的啊，在你说任何话之前，你如果不确定的话，你就先咨询律师，然后再决定要不要说。
00:4716驰骋之英
03:25查看AI文稿AI文稿北京时间五月二十日凌晨二零二六， google i o 开发者大会在美国加州山景城开幕，两万人的海岸线剧场座无虚席。谷歌 ceo 桑达尔提查一开场第一句话是，我们已经进入了 agent gemini 时代。这场大会的核心不是某一个功能，而是一次系统性转向， 谷歌正在把 ai 从回答问题的模型推进到持续理解、规划、执行任务的系统。我们先聚焦最硬核的部分模型，谷歌发布了两个关键模型， gemini 三点五 flash 以及世界模型 gemini omni。 先说 gemini 三点五 flash， 谷歌对它的定义是结合前沿智能与行动能力的新一代模型。性能数据方面， gemini 三点五 flash 在 多项精准评测中都拿到了顶尖分数。 在第三方机构 artificial analysis 的 智能与速度指数图上，它占据了右上角目前没人能触及的位置。但比性能数据更重要的是速度和成本。 gemini 三点五 flash 的 输出速度比其他前沿模型快四倍，在 anti gravity 平台上优化后甚至可以快十二倍，而成本只有前代旗舰 gemini 三点一 pro 的 三分之一到一半。皮差一的原话是， gemini 三点五 flash 比 gemini 三点一 pro 更好， 你不再需要在质量和速度之间二选一了。谷歌每月处理超过三千二百万亿的 token， 近一年内增长了七倍。 在这种规模下，速度和成本的优化不是锦上添花，而是生死线。皮查一算了一笔账，对于谷歌云上每天处理约一万亿 token 的 顶级客户，如果把百分之八十的工作量转移到 flash， 每年可以省下超过十亿美元。如果说 gemini 三点五 flash 解决的是快和便宜，那么 gemini omni 解决的是理解和生成。谷歌对 omni 的 定义非常直接，可以从任何输入生成任何输出的模型。 第一阶段从视频开始，过去的视频生成更像画一段会动的画，而 omni 做的是理解物理世界后再生成。它能理解一个人如何走路，镜头如何变化，物体如何受重力影响。 谷歌特别强调物理效果的改进，重力动能、流体力学，这些细节决定了视频看起来像实拍还是 ai 生成。现场演示中，用户上传一段户外骑行视频输入，把背景换成雪地，而你在保持骑行者和自行车运动轨迹不变的情况下换掉了环境。 接着说改成从侧面跟拍的角度，摄像机视角就跟着调整。最后要求加上一段旁白解释这条路线，模型便生成了配乐和解说， 整个过程在同一个对话县城里完成，不需要导出文件、切换工具或重新上传。 omni 还支持从任意素材开始创作，文本、图片、视频、语音都可以作为输入参考， 用户甚至可以用自己的声音创建数字化身 gemini omni flash 已经向 gemini 付费用户推出 a p i， 将在未来数周开放。总结一下模型层， gemini 三点五 flash 负责行动和代码，以四倍速度和一半成本实现前沿性能。 gemini omni 负责世界理解和多模态生成，让 ai 开始学习一个可被编辑、可被推演、可被重构的现实。这些模型能力已经通过 gemini app api 和 google flow 向开发者和用户开放， 无论构建应用还是日常创作， gemini 三点五 flash 和 omni 都在重新定义 ai 的 边界。如果你对这个视频感兴趣，记得点赞关注。
00:43查看AI文稿AI文稿google 的 ai 模型为什么叫 gemini？ 第一个是技术上的双星合并， gemini 这个词是为了纪念 google brain 和 deep mind 两个 ai 团队正式合体，两个顶级大脑强强联合，双星合并。 第二个是为了致敬 nasa 的 一个双子星计划 project gemini， 但凡和太空扯上名字的关系，可见它的野心。第三也是最有意思的一点，星座特质的完美契合。双子座就是善于沟通，视觉灵活， 反应快的代表，这不就是顶级大语言模型该有的样子吗？评论区复读这个词，先立其名，后成其势， you get two for the price of one when you are a gemini。
40Sara英阅记
01:21查看AI文稿AI文稿ai 写代码为什么还在用人类设计的语言？如果有一门语言从第一天起就是为 agent 量身打造的呢？ first labs 给出了答案， zero lamb 现在的 ai agent 写代码第一步永远是装依赖，解冲突， 编一气爆错是一段自然语言， agent 根本读不懂，这就像让一个机器人去读人类说明书。 zero lamb 把所有诊断信息变成了结构化， gsm 语法检查，依赖图谱体积报告，诊断修复全部可以程序化读取。 agent 不 用猜报错什么意思了，直接解析 j s o n 就 能自己修。变易器核心用 c 语言写的，占代码量百分之七十三点七，追求极致性能，标准库深度设计，常见功能，开箱即用，不用搜第三方包，还有 vs code 插件，一键语法高亮。你可能会想，这又是一个把拍放包了一层皮的框架吧。 但其实他连源码文件后缀都换了。点零，从翻译器到工具链，从语法到标准库，全部从零中写。 agent 不 再是人类语言的二手用户， versa x j s 和 turbo ripple 的 创造者，二百二十次提交四个版本，刚发了 v 零点一点三，迭代速度飞快， 还内置了技能系统， agent 可以 直接获取可用的能力数据。这不是实验玩具，这是生产级基础设施的雏形。三千九百颗 star， apache 协议完全免费。第一门为 agent 设计的语言已经来了，关注我，下期继续带你发现开元宝藏！
31GiftLee
00:45查看AI文稿AI文稿大家好，我们今天来学个博来词啊， tolaby。 tolaby 它是什么意思呢？ it means trouble， 意思是问题、麻烦、纠纷。 其实说实话吧，博来词对我来说是一个很微妙的东西啊。很多时候我知道它的英语单词是什么意思，但是我得日翻英英翻中，经过两道程序，对我来说就很麻烦了。 ok， 我 们来看两个句子表达啊， tolaby 哦， of course， 意思就是造成麻烦，引起麻烦。 所以说 oculus， 它的意思就是造成，引起。我们再看第二个句子， cartini toula berry god tai nai tai nai 它的原型是 tauru， 意思是终结，终止。所以说这句话的意思是家庭不断有纠纷。 ok， 大家学会了吗？
20Hiloyous
03:42查看AI文稿AI文稿如果你最近总刷到 agent、 mcp、 skill 这些词，可能会有一种感觉，我刚搞懂大模型怎么 ai 又变成数字员工了？ 别急，今天我们就用一条线，把 agent 的 四个核心概念讲清楚。 agent、 api、 mcp、 还有 skill， 你 可以把他们想成一位数字员工，从会思考到能接模型，再到会用工具，最后沉淀成经验的四个层级。 第一个概念， agent， 他 不是一个更聪明的聊天框，而是一个会拆任务、会选择动作、会检查结果的执行者。 普通聊天工具更像，你问一句，他回一句， agent 更像你说帮我整理一份竞品分析。他会先拆成搜资料、读网页、作对比、写结论几个步骤，然后一步一步往前推进。 当然， agent 自己不是凭空变聪明的，它背后还是要靠大模型来理解你的意图，判断下一步做什么。大模型像脑子， agent 像把脑子装进了工作流程里的人。第二个概念， api。 这个词听起来很技术，其实可以先把它理解成一扇门。 agent 想调用某个模型或者接入某个服务，就要通过 api 这扇门发请求。 api t 就 像门禁卡，告诉系统你是谁，能用什么，用多少。 所以当你看到有人把 clock code 接到别的模型上，本质上就是给 agent 换了一条模型通道，模型负责回答， api 负责把请求送过去，再把结果带回来。第三个概念， m c p agent 只会聊天还不够，因为真实任务经常需要联网搜索、读取文件、访问数据库、分析网页，甚至操作软件。 mcp 就 像一个统一插座，让不同工具用同一种方式接近 agent。 它的过程可以拆成三步，先是工具告诉 agent， 我 会搜索，会读网页，会查数据库。然后当你提出需求， agent 会去清单里找合适的工具。最后，工具把外部世界里乱七八糟的信息 翻译成大模型能读懂的结构化内容，再放回上下文里。这就是为什么有了 m c p 以后， agent 不 只是会响，而是开始会动手。 第四个概念， skill 前面解决的事能不能做， skill 解决的事能不能稳定反复高效地做。 你可以把 skill 理解成给 agent 写好的 so， 比如固定的调研流程，固定的数据分析流程，固定的写作格式。以前你每次都要写一大段提示词，告诉他先做什么，再做什么，输出成什么样。 现在把这些规则封装成 skill， 下次遇到同类任务， agent 就 能直接调用这套流程， 这样不但省时间，也能减少偷看浪费，让结果更稳定。最后，把四个概念串起来， agent 负责把任务推进起来， a p i 负责接上模型和服务， m c p 负责连接外部工具， q 负责沉淀可附用的工作流。当这四层都搭好， ai 才真的从一个会回答问题的聊天框，变成一个能替你推进任务的数字员工。这就是理解 agent 最重要的一张地图。
21是蓝洛呀
02:18查看AI文稿AI文稿接上篇我们已经讲完 lion chin 四 g 的 定位统一、抽象模型适配和 red 全链路。 下篇继续往应用层看。当知识库问答还不够时，他怎么让大模型去调用工具执行任务查询业务数据？ 先看智能 agent 和工具调用。 linchine 四 g 原声，支持标准化工具调用。我们可以把订单查询、公单创建、报表生成接口调用这些业务动作封装成工具，让大模型根据任务自动判断什么时候调用、传什么参数。 它也支持多种 agent 执行方式，比如单任务工具调用、规划式任务拆解、分布执行叫验以及多智能体协助。 新版本还兼容 a to a 智能体通信协议，适合把复杂业务流程拆成多个角色协同处理。然后是很多企业很关心的自然语言。转 coco landchain 四 j 有 官方专用模块，可以读取数据库表结构、字断信息和表关联关系，把日常中文问题转换成可执行 coco， 他会做语法校验和注入防护，默认强调只读查询边界，降低误删误改数据的风险。 整个链路就是用户提问解析库表结构，生成 sql 安全执行查询，再把结果整理成自然语言答案，适合内部数据自助查询和智能 b i 报表。 最后看企业即落地，它能和 spring boot、 corkos、 micronut 这些主流 jvm 框架整合，支持异步和响应式编程，也能接入日制指标和链路追踪，方便观察模型调用耗时成功率和偷啃消耗。 对于金融、政务、国企这类合规要求高的场景，还可以结合数据脱敏、权限管控、本地模型和私有化部署来做数据隔离。 总结一下 blockchain 四 g 的 价值不是单点能力，而是把模型接入 red agent 工具，调用自然语言查库和企业工程化串成一套 java 开发者能落地的完整闭环。
32阿泽说AI
02:03查看AI文稿AI文稿hello， 大家好，今日说辞我们来聊 perform。 说到 perform， 大家可能会想到表演。其实 perform 来源于古法语，表示彻底完成一件事，所以它强调的是执行这个过程以及结果。 好，我们来看一些例句， the band will perform live at concert tonight 是 说乐队将在今晚的音乐会上现场表演。 又例如， she performed a beautiful piano piece at a recital， 她在独奏会上演奏了一首优美的钢琴曲。除此以外， perform 还能表示执行或完成。例如， the robot can perform complex tasks with precision。 这个机器人能够精确地执行复杂任务。此外，动手术也可以用 perform， 例如， the surgeon performed the operation successfully。 外科医生成功完成了手术， 履行职责也可以用 perform， 例如， he performed his duties with great diligence。 他 非常勤奋地履行了自己的职责。 最后， perform 还能指向结果，表达表现运作这个意思。例如， the new software performs much faster than the old version。 新软件比旧版本运行快得多。 再比如， the car performs well in extreme weather conditions。 这辆车在极端天气条件下表现良好。 好了，总结一下， perform 的 核心是把一件事情完整地做出来。所以 perform 可以 指向过程，表示表演啊，执行任务这样的意思。也可以指向结果，表示性能和业绩这样的意思。今日的一句话，挑战，看看小瑞蒙是哪没做好。 little raymond performed confidently in the school play， but he didn't perform nearly as well in math class the next day。 今天是二零二六年五月十八号星期一今日说辞，祝你既享受 perform 的 过程，也拥有理想的 performance 结果。
9小瑞蒙
09:01查看AI文稿AI文稿咱们直奔主题，今天这期解析，我们要拨开市场上关于 ai agent 那 些天花乱坠的炒作迷雾，带大家硬核扒一扒它的底层逻辑，看看一个真正的 ai agent 到底是怎么从零开始一步步构建出来的。准备好了吗？咱们直接开始 按照惯例，先过一下今天的核心脉络，从困在盒子里的数字大脑说起，接着聊聊 a 准的诞生，然后拆解大名鼎鼎的 react 运行模式，再去亲自动手敲一个贪师贼游戏的代码。 最后，咱们再拔高一下，看看先规划再执行这种进阶的高端局是怎么玩的。 ok， 先来看第一点，困在数字盒子里的大脑。 你可能也经常会有这种感觉，现在的大模型像 gpt 四或者是 deepsix， 确实聪明得不可思议，逻辑强悍，你让他写个贪吃蛇代码，他分分钟就能给你生成出来。但你有没有想过，为什么他没法直接替你把活干完呢？ 实际上，写完代码之后，你还得自己去复制、粘贴、保存文件。如果你想让他改个姓，有的 bug， 你 还得手动把旧代码喂给他，你不投喂，他就两眼一抹黑，啥也不知道。 这其实恰好点出了我们要聊的核心痛点，大模型为什么极其需要外界工具？你想想看，大模型就像是一个智商爆表、高度发达的超级大脑， 但问题是，这个大脑被死死的锁在了一个与世隔绝的数字盒子里，他没有手，没有脚，看不见外界发生了什么。那怎么办呢？我们要做的就是给这个孤立的大脑接上外部工具，比如让他能读取文件、查看目录，甚至直接敲终端命令， 这些工具就相当于给大脑装上了感知外界的眼睛和能干活的四肢。一旦装上四肢，这个数字盒子里的大脑瞬间就化身成了能听、能看、能自己动手的全能机器人。 好了，理解了刚才那个大脑与四肢的比喻，咱们顺理成章地进入第二块， ai agent 的 诞生。 在这里，我们得先拉起一个认知 ai agent， 它绝对不仅仅是个只会在对话框里陪你聊天的机器人，可以说是完全不同的两个概念。当你把大模型这个大脑和一堆外部工具组装在一起，让它能够真正自主地感知周围环境，甚至去改变外部环境时，这就成了一个 ai agent。 简单来说，它能自己去查文件、自己写代码、自己跑程序，整个过程全自动，根本不需要你在旁边当监工，真正做到了彻底解放双手，这就是它的魅力所在。 放眼现在的科技圈儿，其实你已经能看到很多非常硬核的应用了，比如程序员都爱用的 cursor， 或者最近特别火的深度研究助手 manis， 它们简直就是自动化能力的完美教科书。就拿 minnes 来说吧，你随便扔给他一句话，说帮我对比一下这几款新手机的性能，好家伙，它自己就能生成计划，自己去全网冲浪、搜资料、比对各种参数，最后直接把一份排版精美的深度报告甩到你脸上，是不是非常酷炫？ 那么，这种酷炫的操作在底层到底是怎么跑通的呢？这就来到了我们的第三部分，聊聊目前业界用的最广的底层逻辑， react 运行模式。 react 这个词儿其实就是 reasoning and acting， 也就是推理加行动的组合。 这个模式里最精华的地方就在于它给模型套上了一个极其严密的死循环，它会强迫模型遵循这三步。首先是 thought， 也就是先在脑子里想清楚我要干嘛。然后是 action， 也就是采取行动去调用某一个具体的工具。 最后是 observation， 睁开眼睛看看刚才那个工具执行完是个什么结果，看完结果，再基于这个反馈进行下一轮的思考。这个循环就这么一直滚雪球一样转下去，直到他觉得 ok， 任务搞定了，不需要再用工具了，才会停下来给你最终答案。 听到这儿，你可能会纳闷，为啥大模型拿到任务后，会乖乖地先思考再行动？这难道是 open ai 偷偷在模型预训练的时候给他开了小灶吗？ 其实真不是，说白了，魔法全在一段极其详细的系统歧视词，也就是 system prompt 里。这就好比是我们给模型量身定制了一个迷你剧本，强迫他按着剧本来演。 咱们拆开这个剧本，看看里面到底装了什么药。其实结构非常清晰，里面不仅规定了模型扮演的角色，还设下了死规矩。比如强制他必须用 xml 标签，把思考过程和采取的行动清清楚楚地分开。 不仅如此，咱们还会贴心的给他塞几个标准作业的演示例子，列清楚可用工具有哪些，甚至告诉他现在的操作系统是什么，文件目录在那。只要把这套提示词喂进去，这个大脑立刻就能清楚自己长了哪些手脚，而且门清到底该用什么姿势去调用它们。 理论讲完了，是时候来点硬核实操了。进入第四部分，咱们用这套逻辑从零开始，打造一个极其简化的 cloud code， 看看如果让 agent 自己用 html css 和 javascript 搓一个贪吃蛇游戏出来，到底是个什么场面。 就像之前说的，我们得给他配上手脚，对吧？在代码层面呢，我们直接给这个 agent 脚本配置了三个 python 函数作为他的专属工具， 一个是读文件，一个是写文件，还有个共盟的直接运行终端命令。这三个函数本质上就是赋予它操控你电脑系统的那双无形的手。 咱们现在就能清晰地看到这个 react 循环跑起来的真实节奏了，简直就像齿轮咬合一样，严丝合缝儿。第一轮循环模型在脑子里想，嗯，我需要先建个 html 结构， 于是他发出了一个写入 indexer html 的 动作请求我们外部的主程序捕捉到请求，立刻帮他把文件写好，然后反馈一句，写入成功。模型收到这个观察结果，马上开启第二轮思考， html 有 了，得加点样式，于是开始写 css。 第三轮，接着写 javascript 的 逻辑代码， 一直到三个文件全部稳稳落地。模型自己一盘算，发现没啥要加的工具了，非常优雅地抛出一个最终答案告诉你，游戏做好了，整个过程完全自动化，没有任何人工干预。你看，一个简化版的 clunker， 就 这样真真切切地在你眼前跑通了。 ok， 搞定了单体 a 阵的小邮寄，咱们再把格局打开，进入最后一部分，先规划再执行，也就是 plan and execute 模式。 如果你玩过 longtrain 这个知名框架，肯定对这个模式不陌生。说实话，面对极其复杂的宏大任务，光靠 react 死循环容易把大模型绕晕。于是这个工作流被极其聪明地拆解给了三种不同工种的角色。拿到任务先不上手，先让 planner， 也就是规划大脑列个详尽的任务清单， 然后把清单的第一步丢给干活的 excepter 去实行。拿到执行结果后，有意思的来了，系统不会死板地接着做原定计划的第二步，而是把结果甩给 replanner， 让这个复盘大脑根据最新的情报去动态修改和重写接下来的计划。 这种模式的杀手锏，用两个字总结，就是动态。举个接地气的例子，假设你想查今年奥王男单冠军是谁，原计划肯定是两步走第一步，先查今年是哪一年，第二步，再去搜那年的冠军。 如果执行员跑完第一步，发现，哦，现在是二零二五年。这时候复盘大脑立刻接受，他极其机灵的把原计划的第一步直接删掉，把第二步更新成了非常明确的搜索。二零二五年奥王男单冠军。 这种走一步甚一步，随时调整策略的努力，简直比一根筋干到底的现行执行要强悍太多了。但你知道这其中最让人拍案叫绝，甚至觉得有点不可思议的设计是什么吗？那就是咱们刚才提到的一直在底层苦哈哈干活的执行员 executeer， 实际上它根本不是一段普通的死代码，它自己通常就是一个内置了各种搜索工具的完全独立自主的 react agent。 没错，你没听错， agent 里面套着 agent， 这就是所谓的 agent 嵌套模式。我们实际上是在用一个有着更高维度逻辑的系统去指挥着底层一帮 agent 替我们导空。 好了，在这期解析里，咱们算是把 agent 这个概念从高空的比喻移入硬核，拆解到了底层的代码框架。 回想一下刚才咱们探讨的内容，你只需要用几行 python 代码，一段精心设计的剧本提示词，再加一个简单的循环，就能赋予大模型一颗有逻辑的大脑和一双能干活的手，让它完全自主地搓出一个游戏。想到这儿，我想给大家留一个非常有意思的问题， 如果仅仅是今天，这种相对简单的循环就已经能实现这样的自主性了，那么在不远的将来，当这些具备自主感知和行动能力的智能系统开始学着自己去写工具，甚至去组装出结构更庞大、面嵌更深层的 agent 帝国时，我们科技的边界究竟会被推向怎样的一个新高度呢？ 这是个绝对值得咱们持续关注的硬核话题。感谢大家收听这期解析，希望这些底层的逻辑框架能给你带来一点启发，咱们下次见！
00:55
