rStar2-Agent 是一篇在大模型推理领域极具洞察力和工程实力的工作，它没有追求参数规模的堆砌，而是通过精巧的算法设计和系统优化，在一个14B的小模型上实现了媲美671B大模型的数学推理能力。

核心思想非常明确：让模型“想得更聪明”，而不是“想得更长”。

传统的“长思维链”（Long CoT）方法本质上是延长了模型内部的自回归生成过程，但这并不能解决根本问题——模型在复杂推理中容易陷入局部最优、产生错误中间步骤，并且这些错误会累积放大。rStar2-Agent 的突破在于，它不再仅仅依赖模型内部的“思考”，而是引入了一个外部可验证的工具环境（Python解释器），并将强化学习（RL）与这个环境紧密结合，使模型能够像人类专家一样，通过“动手实验”、“自我验证”和“迭代修正”来进行真正的推理。

下面我将从核心方法论、关键技术细节和工程实现三个层面进行详细拆解。

一、 核心方法论：Agentic Reinforcement Learning with Tool Use (代理式强化学习 + 工具使用)

这是整篇论文的灵魂。它颠覆了以往“纯文本推理”的范式。

  • 传统范式 (CoT) 的局限性：

    • 黑箱推理：模型在内部生成一个长序列，所有步骤都是“想象”出来的，没有外部世界来验证其正确性。
    • 错误累积：一旦某一步推导出错（例如，算错了 5+7=13），后续所有步骤都会基于这个错误进行，最终导致答案完全错误。
    • 缺乏反馈：模型只能通过最终答案是否正确（二元奖励）来获得反馈，无法知道具体哪里错了，导致学习效率低下。

  • rStar2-Agent 的范式转变：

    • Agent 与 Environment：我们将LLM视为一个“智能体”（Agent），而Python解释器及其科学计算库（NumPy, SciPy, SymPy）构成了一个“环境”（Environment）。这个环境能执行代码并返回精确、可验证的结果（成功输出、错误信息、超时）。
    • 交互式推理：推理不再是单次生成，而是一个多轮交互的过程：
      1. 思考 (Think): 模型决定需要计算什么。
      2. 行动 (Act): 模型调用 execute_python_code_with_standard_io 工具，发送一段Python代码。
      3. 观察 (Observe): 模型接收工具返回的执行结果（如 Total valid colorings: 24 或 Traceback: GeneratorsNeeded）。
      4. 反思 (Reflect): 模型根据观察到的结果，判断是成功了、失败了、还是需要调整策略，然后进入下一轮思考。
    • 目标：通过这种“思考-行动-观察-反思”的循环，模型学会如何战略性地使用工具来验证假设、探索替代方案、并纠正自身错误。

关键洞见：工具不是用来替代思考的，而是用来增强思考的确定性和可靠性。 它为模型提供了“外部记忆”和“客观裁判”。

二、 关键技术细节：GRPO-RoC 算法与训练流程

1. 基础框架：Group Relative Policy Optimization (GRPO)

论文选择 GRPO 而非 PPO 作为基础 RL 算法，是因为它更适合处理群体样本（group of rollouts）。

  • GRPO 核心公式：

    J_GRPO(θ) = E_{q,a} ~ D, {oi}iG=1 ~ π_θold(·|q) [ 1/G Σ_i=1^G [ 1/||oi|| Σ_t=1^||oi|| min[ r_i,t, clip(r_i,t, 1-ε, 1+ε) ] A_i,t - β D_KL(π_θ || π_ref) ] ]
    • q: 问题
    • a: 正确答案
    • {oi}: 一组 G 个从旧策略 π_θold 中采样的完整推理轨迹（rollout）
    • A_i,t: 在轨迹 oi 的第 t 步的优势估计 (Advantage)
    • r_i,t: 在轨迹 oi 的第 t 步的奖励 (Reward)
    • clip(...): 防止重要性采样比率（即新旧策略的概率比）剧烈波动，稳定训练。
    • D_KL(...): KL 散度惩罚项，用于防止新策略偏离参考策略太远（论文中移除了此项以促进探索）。

  • GRPO 的优势：

    • 组内相对比较：它不依赖于绝对的奖励值，而是比较同一问题下不同轨迹之间的优劣。这使得它对奖励函数的设计不那么敏感。
    • 适用于稀疏奖励：我们的奖励只有 0（失败）或 1（成功），GRPO 能有效利用这种信息。
2. 核心创新：GRPO-RoC —— Resample on Correct

这是论文最精妙的部分，解决了工具环境噪声（Tool-induced Noise）这一致命瓶颈。

  • 问题本质：

    • 在真实环境中，模型生成的代码几乎不可避免地会包含语法错误、逻辑错误或无限循环。
    • 在传统的 GRPO 中，只要最终答案正确（ri=1），即使轨迹中有10次错误的工具调用，它也会被当作“好样本”来更新策略。
    • 这导致模型学会了“先乱写一通，碰运气”的策略，产生了大量冗长、低质量、充满错误的推理轨迹。这不仅浪费计算资源，还污染了训练数据。

  • GRPO-RoC 解决方案：

    • 步骤1：过采样 (Oversampling)：对于每个问题 q，我们生成 2G 条轨迹（而非标准的 G 条）。
    • 步骤2：分组过滤 (Asymmetric Filtering)：
      • 负样本 (Negative Samples, Oneg)： 所有 ri=0 的轨迹。我们不做任何过滤，直接随机抽取一半（⌊|Oneg|/2⌋）作为训练样本。这样做的目的是保留多样化的失败模式，让模型学到“哪些路是死胡同”。
      • 正样本 (Positive Samples, Opos)： 所有 ri=1 的轨迹。这才是关键！我们不能直接用它们。我们需要从中筛选出高质量的成功轨迹。
        • 定义惩罚分数 ptotal：我们为每条正样本轨迹计算一个综合惩罚分数：
          • perr: 工具错误率。计算该轨迹中工具调用的总次数和其中报错的次数，perr = (错误次数) / (总次数)。如果一条轨迹完全没有工具调用，则默认 perr=0.5（鼓励使用工具）。
          • pformat: 格式违规惩罚。检查是否在 <answer> 标签后又出现了多余的 <reason> 块等格式错误。pformat = min(1, (多余<answer>标签数 - 1) / (总turn数))。
          • ptotal = perr + pformat
        • 按概率采样：我们根据 ptotal 的倒数来抽样正样本。也就是说，ptotal 越小（错误越少、格式越干净），被选中的概率就越高。
    • 步骤3：构建最终批次：最终用于策略更新的批次由 G 条轨迹组成，其中一半来自 Oˆneg（保留的失败样本），另一半来自 Oˆpos（筛选出的高质量成功样本）。

  • 为什么 GRPO-RoC 有效？

    • 对抗噪声：它主动将“垃圾”（含大量错误的正样本）从训练数据中剔除，迫使模型学习如何写出可靠、简洁、无误的代码。
    • 鼓励探索：它保留了多样化的失败案例，模型可以从中学习到各种可能的陷阱。
    • 提升效率：通过只保留高质量的正样本，模型能更快地收敛到正确的推理模式，避免了在低效路径上的无效探索。
    • 避免奖励黑客：它没有修改奖励函数（仍然是 0/1），而是通过采样机制来间接引导行为，这比直接在奖励中加入惩罚项（可能导致模型为了规避惩罚而放弃使用工具）更加鲁棒。

类比理解：想象你是一名教练，要训练一支篮球队（模型）赢得比赛（最终答案正确）。

  • 传统方法：只要赢了，无论过程多么混乱，都给满分。
  • GRPO-RoC：你观看所有胜场录像。你会把那些靠对手失误侥幸赢球、自己运球失误十几次的录像扔掉；你只会挑选那些进攻流畅、配合默契、失误极少的精彩比赛录像来反复分析和学习。同时，你也会看一些输球的比赛，但重点看他们是怎么输的，避免重蹈覆辙。
3. 训练流程：非推理冷启动 + 多阶段RL

这是一个极其高效、节省算力的训练配方。

  • 阶段0：非推理冷启动 (Non-reasoning SFT)：

    • 目标：教会模型基本的指令遵循、JSON格式化和工具调用，不教它如何推理。
    • 数据：使用大量工具调用数据集（ToolACE, APIGen）、指令跟随数据（Tulu3）、对话数据（LLaMA-Nemotron）。
    • 为什么这么做？
      • 避免SFT过拟合：如果在SFT阶段就用大量数学题训练，模型会记住答案和套路，而不是学会推理。
      • 保持响应短小：SFT后的模型初始响应很短（~1K tokens），这为后续RL提供了一个“干净的画布”。如果SFT后模型已经习惯了写长篇大论，RL很难再让它“瘦身”。
      • 分离职责：SFT负责“语言和工具接口”，RL负责“认知和决策”。

  • 阶段1-3：多阶段RL训练：

    • 核心原则：逐步增加难度和长度，而非一开始就铺开。
    • Stage 1 (8K)：使用全部42K道题，最大响应长度设为8K。由于模型初始响应短，实际生成长度很快稳定在4K左右。此阶段的目标是让模型快速掌握使用工具进行推理的基本模式。关键成果：AIME24准确率从SFT后的3.3%飙升至72.1%。
    • Stage 2 (12K)：当模型在8K长度下性能达到瓶颈（奖励和分数停滞），我们放宽长度限制到12K。这允许模型进行更复杂的、多步的推理（例如，多次尝试不同的代码方案），进一步提升性能。
    • Stage 3 (12K, Harder Problems)：当模型能完美解决大部分题目时，我们切换数据集。我们用当前最好的策略（Stage 2末期）对原始42K题集生成8次推理，移除所有8次都答对的问题，留下约17K个真正“难啃”的硬骨头。在这个更困难的数据集上继续训练，推动模型逼近极限。

为何如此高效？ 传统方法（如DeepSeek-R1）动辄使用16K-48K的超长上下文和成千上万的RL步骤。rStar2-Agent 只用了 510个RL步骤 就达到了同等水平。这是因为：

  1. GRPO-RoC 提供了极高的数据效率，每一条训练样本的价值都最大化。
  2. 多阶段 设计让模型循序渐进，避免了在早期阶段就被海量、低质的长轨迹淹没。
  3. 非推理SFT 为RL打下了坚实的基础，RL只需专注于“优化推理策略”这一单一任务。

三、 工程实现：大规模Agentic RL基础设施

再好的算法，没有强大的系统支撑，也无法落地。微软团队为此构建了一套高度优化的基础设施。

1. 高吞吐、隔离的代码环境服务
  • 挑战：一次RL训练批次（batch）可能触发数万次并发的Python代码执行请求。本地运行会导致CPU过载、GPU闲置，且LLM生成的代码可能包含恶意或无限循环，直接执行会危及主训练进程。
  • 解决方案：
    • 分布式架构：将代码执行服务部署在独立的CPU集群上，与GPU训练集群物理隔离。
    • 异步批处理：Master节点收集任务，Send Workers 将多个（最多64个）工具调用打包成一个批次，异步提交给Worker Nodes。
    • 高并发执行：Worker Nodes 上有上千个轻量级的执行工作线程，确保高并发下的低延迟（平均0.3秒/次）。
    • 安全沙盒：执行环境是独立的，任何崩溃或异常都不会影响主训练进程。
2. 动态负载均衡调度器 (Load-Balanced Rollout Scheduler)
  • 挑战：在标准的静态分配中，所有GPU被平均分配相同数量的rollout请求。但由于每个推理轨迹的长度（token数）和工具调用次数差异巨大，有些GPU很快完成任务，而有的还在处理长轨迹，导致大量GPU长时间空闲（Idle），严重拖慢整体训练速度。
  • 解决方案：
    • 动态分配：调度器不按固定数量分配，而是根据每个GPU当前可用的KV Cache容量来动态分配新的rollout请求。
    • 异步执行：当模型在一个turn中生成一个工具调用时，立即将其异步发送给环境服务，无需等待其他GPU的同步。
    • 实时回收：当一个GPU完成其分配的rollout并释放了KV Cache空间，调度器立即为其分配新的请求。
    • 效果：极大提升了GPU利用率，显著缩短了整个训练周期。

四、 深度分析：rStar2-Agent 的“智能”体现在哪里？

论文最后通过分析高熵（High Entropy）Token揭示了模型的高级认知行为。

  • 高熵Token：指模型在生成过程中，对下一个词的预测不确定性很高的地方。这通常发生在模型面临抉择、需要深思熟虑时。
  • 两种关键模式：
    1. Forking Tokens (传统)：如 “But before”, “Double-check”, “Alternatively”。这些是长CoT模型也具备的，代表了内部的自我反思。
    2. Reflection Tokens on Tool Responses (革命性)：这是rStar2-Agent独有的！当模型收到工具返回的错误信息（如 GeneratorsNeeded）时，它会生成一连串密集的高熵Token，如 “The error occurred because…”, “Instead of wrapping…, I can simply check…”, “I’ll try a more straightforward print…”。这表明模型不仅仅是在执行代码，而是在‘阅读’错误信息、诊断问题、形成假设、设计新的实验（新的代码）并再次测试。这是一种人机协同的闭环推理，是传统CoT所无法企及的。

  • GPQA-Diamond基准测试：在科学推理任务上，rStar2-Agent-14B达到了**60.9%**的准确率，比DeepSeek-V3的59.1%高出1.8%

  • 关键发现：该模型没有接受过任何科学数据的专门训练，仅通过数学领域的强化学习训练，就能将数学推理能力有效迁移到科学推理任务中

  • 意义：这表明数学推理能力与科学推理能力之间存在高度相关性，数学训练获得的推理模式可以有效泛化到其他科学领域

  • BFCL v3基准测试（Berkeley Function Calling Leaderboard）：rStar2-Agent-14B在工具使用任务上达到了**60.8%**的准确率，优于DeepSeek-V3的57.6%

  • 表现特点：该模型能够有效调用和使用外部工具，这与其在数学问题中使用的Python编码工具经验直接相关

  • 技术背景：rStar2-Agent的训练过程中，模型学习了如何与Python解释器交互、验证中间步骤并根据反馈调整策略，这些能力直接迁移到了工具调用任务中

  • IFEval strict prompt基准：rStar2-Agent-14B达到了**83.4%**的准确率，与非推理SFT基线的83.7%相当

  • Arena-Hard基准：rStar2-Agent-14B达到了**86.6%**的准确率，与非推理SFT基线的86.8%相当

  • 关键观察：在非推理任务上，模型"没有改进但保持了与非推理SFT基线相当的性能"，这表明其数学训练并未损害通用能力

为什么能实现如此好的泛化？

  1. 推理模式的通用性：报告指出，rStar2-Agent通过数学训练获得了"自适应、环境驱动的推理能力"，这种能力在多种任务中都具有价值

  2. 高熵token分析：通过分析模型生成的高熵token，研究者发现rStar2-Agent不仅保留了传统的自我反思行为，还发展出了独特的"对工具响应的反思"能力，这种能力在多种任务中都至关重要

  3. 工具使用经验的迁移：模型在数学问题中学习到的"思考-行动-观察-反思"循环，可以直接应用于需要调用外部工具的任务

  4. 最小化训练开销：值得注意的是，这些泛化能力是通过仅在数学数据上训练获得的，这表明数学推理训练具有极高的效率和泛化价值

与传统方法的对比

  • 传统方法通常需要在特定领域进行专门训练
  • rStar2-Agent通过数学训练获得了跨领域推理能力，避免了为每个领域单独训练的成本
  • 与DeepSeek-V3等通用模型相比，rStar2-Agent在科学推理和工具使用方面表现更优

五、 总结：rStar2-Agent 给我们的启示

  1. 规模不是唯一出路：在特定任务（尤其是有清晰验证标准的任务）上，算法创新和系统优化带来的收益，完全可以超越单纯的模型规模扩张。
  2. 工具是认知的延伸：未来的AI Agent必须能主动、智能地调用外部工具，而不是被动地依赖预训练知识。
  3. 环境噪声是机遇：工具环境产生的“噪声”（错误）不是障碍，而是宝贵的监督信号。GRPO-RoC 展示了如何将噪声转化为学习动力。
  4. 训练流程设计至关重要：非推理SFT + 多阶段RL 是一套极其高效的训练哲学，值得广泛借鉴。
  5. 工程是基石：没有这套高吞吐、低延迟、强隔离的基础设施，再好的算法也只能停留在纸面上。

rStar2-Agent 不仅仅是一个模型，它是一个关于“如何让机器真正学会思考”的宣言。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/news/923545.shtml
繁体地址，请注明出处：http://hk.pswp.cn/news/923545.shtml
英文地址，请注明出处：http://en.pswp.cn/news/923545.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Coze源码分析-资源库-创建知识库-后端源码-核心技术与总结

Coze源码分析-资源库-创建知识库-后端源码-核心技术与总结

11. 核心技术特点 11.1 知识库创建的分层架构设计 清晰的职责分离&#xff1a; API层&#xff08;knowledge_service.go&#xff09;&#xff1a;负责知识库创建请求处理、参数验证、响应格式化应用层&#xff08;knowledge.go&#xff09;&#xff1a;负责知识库创建业务逻辑编…
阅读更多...
Nano Banana制作3D立体打印效果图

Nano Banana制作3D立体打印效果图

Nano Banana介绍Nano Banana 是 Google 于 2024 年推出的革命性 AI 驱动图像生成与编辑模型&#xff0c;正式名称为 Gemini 2.5 Flash Image。以下是对它的详细介绍&#xff1a;技术背景&#xff1a;Nano Banana 基于 Google DeepMind 最新的 Gemini 2.5 Flash Image 架构&…
阅读更多...
继续吐槽Rstudio

继续吐槽Rstudio

前言 继上次《怪谈级别疑难问题收录》后&#xff0c;怪谈级别的疑难问题又更新了&#xff0c;这次更新了三个让人吐血的奇葩问题&#xff0c;其中就包括大家又爱又恨的Rstudio&#xff0c;一起围观下。 本教程基于Linux环境演示&#xff0c;计算资源不足的同学可参考&#xf…
阅读更多...
C++：string模拟实现中的赋值拷贝函数现代写法诡异地崩掉了......

C++：string模拟实现中的赋值拷贝函数现代写法诡异地崩掉了......

事情是这样的&#xff1a;博主今天回看以前实现过的string&#xff0c;当时就遇到了一个bug:可见博主当时的破防。因为最近在集中复盘C初阶部分&#xff0c;就有点好奇年轻的时候自己写的模拟string是什么样。没想到给我自己留了个bug。现在来细看这个场景&#xff1a;为了测试…
阅读更多...
机器学习-Bagging

机器学习-Bagging

Bagging-Bootstrap AGGrgratING Bagging并行训练n个基本学习器&#xff08;base learner&#xff09;通过平均所有学习器的输出&#xff08;回归&#xff09;或主投票&#xff08;分类&#xff09;做决策每个模型是用在训练集上通过bootstrap采样得到的新的数据集进行训练得到的…
阅读更多...
Unity3D Shader 入门知识

Unity3D Shader 入门知识

Unity3D Shader 入门知识详解。 Unity3D Shader 入门知识 Shader&#xff08;着色器&#xff09;对很多 Unity 初学者来说像是“黑魔法”。 实际上&#xff0c;Shader 并没有那么神秘&#xff0c;它本质上就是一段运行在 GPU 上的小程序&#xff0c;用来控制 屏幕上每个像素的颜…
阅读更多...
【面试之Redis篇】主从复制原理

【面试之Redis篇】主从复制原理

从面试的角度来解释 Redis 主从复制原理&#xff0c;按照“总-分-总”的结构&#xff0c;清晰地阐述其核心概念、工作流程和关键要点&#xff0c;这能体现出你不仅知道是什么&#xff0c;还理解为什么以及如何应对相关问题。总览&#xff1a;一句话定义 面试官您好&#xff0c;…
阅读更多...
数据库开启ssl

数据库开启ssl

数据库&#xff1a;阿里云rds 系统&#xff1a;centos 需要修改的&#xff1a;nacos连接项目连接本地navicat连接 重点&#xff1a;为了兼容本地和服务器&#xff0c;ssl证书路径由原来的绝对路径换成环境变量参数&#xff0c;所以有步骤4 文章目录步骤1 阿里云步骤2 navicat…
阅读更多...
Redis 事件驱动与多路复用源码剖析

Redis 事件驱动与多路复用源码剖析

Redis 事件驱动与多路复用源码剖析1. 前言 Redis 是 单线程 I/O 多路复用 的典型代表。 它并不是多线程处理请求&#xff0c;而是依赖 事件驱动&#xff08;event-driven&#xff09;模型&#xff0c;在一个线程内高效管理海量连接。 核心组件&#xff1a; ae.c&#xff1a;事…
阅读更多...
VR煤矿实训系统相较于传统煤矿培训方式的独特优势​-广州华锐互动

VR煤矿实训系统相较于传统煤矿培训方式的独特优势​-广州华锐互动

高度逼真&#xff0c;沉浸体验​VR煤矿实训系统运用先进的3D建模、动态仿真技术&#xff0c;对煤矿井下的复杂环境进行1:1还原。从幽深的巷道、运转的采煤设备&#xff0c;到潮湿的空气、昏暗的灯光&#xff0c;甚至细微的煤尘颗粒&#xff0c;都能逼真呈现。使用者戴上VR设备后…
阅读更多...
javaweb XML DOM4J

javaweb XML DOM4J

XMLXML作用就是配置文件&#xff0c;properties使用不了较复杂的需求&#xff0c;xml应运而生配置文件对比 xml更方便tips1:新建resources目录&#xff0c;并将src中的jdbc.properties移到resourcs中&#xff0c;并且右键标记为源代码根目录&#xff0c;这样运行src时就会和pro…
阅读更多...
多模态视频理解领域 Benchmark 与 Leaderboard 整理

多模态视频理解领域 Benchmark 与 Leaderboard 整理

多模态视频理解是当前人工智能领域的研究热点&#xff0c;其核心目标是让模型像人类一样&#xff0c;综合视频中的视觉、听觉&#xff08;部分场景&#xff09;及文本信息&#xff0c;实现对视频内容的深度感知、理解与推理。为客观评估模型性能&#xff0c;行业内涌现了众多权…
阅读更多...
18j621-3通风天窗图集pdf(免费高清版)

18j621-3通风天窗图集pdf(免费高清版)

18j621-3通风天窗已经替代05j621-3通风天窗图集成为目前比较通用的建筑屋顶通风选型重要参考标准&#xff0c;18j621-3图集是对前图集的优化和革新&#xff0c;在18j621-3图集中新增了TC8圆拱型电动采光天窗&#xff0c;丰富了屋面通风排烟设备的选型。在18j621-3天窗图集中&am…
阅读更多...
LawGPT：基于中文法律知识的大模型

LawGPT：基于中文法律知识的大模型

本文转载自&#xff1a;https://www.hello123.com/lawgpt ** 一、⚖️ LawGPT&#xff1a;中文法律界的 “AI 法助”&#xff0c;啃透了 15 万份判决书&#xff01; LawGPT 是一系列专攻中文法律知识的开源大模型&#xff0c;在通用中文基座&#xff08;如 ChatGLM&#xff0…
阅读更多...
用 go-commons 快速写一个监控 CPU/内存的 Exporter

用 go-commons 快速写一个监控 CPU/内存的 Exporter

欢迎加入开源项目&#xff0c;提你的 mr Go Commons&#xff1a;Golang 开发者的常用工具集&#xff0c;一站式解决常见需求 在 Go 语言的开发过程中&#xff0c;你是不是经常遇到这样的情况&#xff1a; 想要做点小功能&#xff0c;却得从零写起&#xff0c;或者到处找三方…
阅读更多...
KingbaseES客户端工具Ksql使用全指南：从安装到高级操作

KingbaseES客户端工具Ksql使用全指南：从安装到高级操作

引言 在国产数据库蓬勃发展的今天&#xff0c;KingbaseES凭借其自主可控、高性能、高可用的特性&#xff0c;已成为政务、金融、能源等关键领域的首选数据库。而作为其配套的命令行工具&#xff0c;Ksql更是DBA和开发人员的“瑞士军刀”——它不仅能高效执行SQL查询&#xff0c…
阅读更多...
【LeetCode - 每日1题】可以输入的最大单词数

【LeetCode - 每日1题】可以输入的最大单词数

🌈 个人主页：（时光煮雨） 🔥 高质量专栏：vulnhub靶机渗透测试 👈 希望得到您的订阅和支持~ 💡 创作高质量博文(平均质量分95+)，分享更多关于网络安全、Python领域的优质内容！（希望得到您的关注~） 🌵目录🌵 难度 ⭐⭐ 题目回顾 ✅解题思路 💖概述 💓核心…
阅读更多...
3227. 字符串元音游戏

3227. 字符串元音游戏

3227. 字符串元音游戏 题目链接&#xff1a;3227. 字符串元音游戏 代码如下&#xff1a; class Solution { public:bool doesAliceWin(string s) {return ranges::any_of(s, [](char c) {return c a || c e || c i || c o || c u;});} };
阅读更多...
微信小程序坐标位置使用整理(四)map组件

微信小程序坐标位置使用整理(四)map组件

一、地图上标点&#xff0c;marker 1.wxml <map id"map" scale"9" class"map"markers"{{markers}}" longitude"{{longitude}}" latitude"{{latitude}}" show-location"{{true}}"><cover-vie…
阅读更多...
Parlant框架深度技术解析：革命性AI代理行为建模引擎

Parlant框架深度技术解析：革命性AI代理行为建模引擎

引言 在人工智能快速发展的今天&#xff0c;AI代理&#xff08;Agent&#xff09;技术已经成为连接人工智能与实际应用场景的重要桥梁。然而&#xff0c;传统的AI代理开发面临着诸多挑战&#xff1a;提示词工程的复杂性、行为不可预测性、工具调用的不确定性等问题严重制约了AI…
阅读更多...
最新文章

Copyright @ 2022~2023