AI Agent的核心演进

  1. Level 1：LLM Agent（聊天机器人）

    • 特点：靠提示词工程赋予人设（如星座占卜、角色扮演），但存在幻觉问题，输出不可控。
    • 局限：娱乐性强，难胜任严肃任务。

  2. Level 2：AI Agent（实用工具）

    • 升级点：新增 规划（拆解任务步骤）、记忆（存储上下文）、工具使用（调用API/数据库）。
    • 代表：OpenManus、OWL等，能处理复杂任务（如自动化办公）。

  3. Level 3：Multi-Agent（多智能体协作）

    • 为什么需要？ 单Agent难精通所有领域（如同时懂编程+画图）。
    • 方案：多个专业Agent分工协作（如产品经理Agent分析需求 + 程序员Agent写代码）。
    • 关键优势：
      • 任务拆解更高效
      • 可独立优化单个Agent
      • 支持人机协同（Human in the Loop）
两大核心协议：MCP 与 A2A
1. MCP（面向工具调用）
  • 目标：让AI统一调用外部工具（如天气API、数据库）。
  • 架构：
    • 主机（如IDE插件）→ 客户端（连接器）→ 服务器（工具实现）。
  • 价值：工具一次开发，多模型通用（类似USB-C接口）。
2. A2A（面向Agent协作）
  • 目标：让多个Agent互相发现、分工协作（如旅行规划Agent + 酒店预订Agent）。
  • 核心功能：
    • 发布能力（Agent Card）
    • 任务分发与状态同步
    • 结果流式返回
  • 优势：打破厂商壁垒，构建开放生态。
3. MCP vs A2A 关系
  • 互补：MCP管工具调用，A2A管Agent协作。
  • 竞争可能：高级工具 ≈ 弱Agent，未来协议可能融合。
Agent的思考框架

  1. 思维链（CoT）

    • 让模型分步骤推理（如先分析问题再生成答案），提升逻辑性。

  2. ReAct（推理+行动）

    • 循环流程：思考 → 行动（调用工具）→ 观察结果 → 再思考。
    • 适用：需动态调整的任务（如实时搜索+分析）。

  3. Plan-and-Execute（先规划后执行）

    • 步骤：
      1. 生成完整计划（如“1. 搜索资料 → 2. 总结 → 3. 生成报告”）。
      2. 严格按步骤执行，避免中途被干扰。
    • 优势：适合长链条任务，稳定性强。
Golang开发框架：Eino
1. 核心设计
  • 强类型：用Go泛型确保节点输入输出类型安全。
  • 组件化：预置ChatModel、工具调用等模块，开箱即用。
  • 编排能力：用有向图连接组件，可视化构建流程（类似流程图）。
2. 关键功能
  • Callback机制：嵌入日志、监控等非业务逻辑（如追踪工具调用耗时）。
  • Checkpoint：支持人机协同（如任务中途暂停让用户确认）。
  • 示例代码：10行实现天气查询Agent（结合MCP调用高德地图API）。
多Agent系统落地实践

  1. 架构设计（Supervisor模式）

    • 意图识别Agent（客户经理） → 分发任务给领域Agent（如旅行规划、深度搜索）。
    • 所有Agent通过A2A协议互联。

  2. 连接生态

    • Cherry Studio：通过OpenAI兼容接口快速接入Agent。
    • QQ机器人：用A2A协议将Agent能力植入QQ生态。

  3. 可观测性

    • 集成 Langfuse：实时查看任务链路、性能指标、错误日志。
    • 10行代码接入，无侵入式监控。
AI Agent开发心法
  1. 协议是基石：MCP统一工具调用，A2A实现多Agent协作。
  2. 框架提效率：Eino解决Go生态工程化问题。
  3. 设计模式是关键：
    • 简单任务 → ReAct（边想边做）
    • 复杂任务 → Plan-and-Execute（先规划后执行）
  4. 生态扩展：通过Connector快速接入QQ、Cherry Studio等平台。

结论：
AI Agent正从“玩具”走向“工具”，多Agent协作+标准化协议+工程化框架是高效开发的核心。选择适合场景的协议（MCP/A2A）和思考框架，结合Eino等工具，即可优雅构建复杂Agent系统。

技术选型对比表

场景推荐方案
单任务+工具调用MCP + ReAct
多Agent协作A2A + Plan-and-Execute
工程化开发（Golang）Eino框架 + tRPC-A2A
快速原型验证可视化编排（Dify/Coze）

抓住协议、框架、设计模式三条主线，就能理解复杂Agent系统的全貌。

架构核心组件详解

1. LLM（大语言模型）
  • 核心作用：自然语言理解与任务规划
  • 关键技术：
    • 思维链（CoT）：将用户指令分解为可执行步骤
      # 示例：LLM任务分解
prompt = f"""
用户请求：{user_query}
可用工具：{tool_list}
输出JSON格式：{"steps": [{"tool": "tool_name", "params": {...}}]}
"""
    • 约束生成：限定输出格式防止幻觉
2. Agent（智能代理）
  • 核心引擎：任务调度与决策
  • 状态机实现：
    class Agent:def __init__(self, tools):self.state = "IDLE"self.working_memory = []  # 存储中间结果def execute_step(self, step):# 工具选择算法（基于余弦相似度）tool = max(self.tools, key=lambda t: cosine_sim(step["desc"], t.desc))result = tool.execute(step["params"])self.working_memory.append(result)# 状态转移if "需要进一步处理" in result:self.state = "NEED_FOLLOWUP"else:self.state = "AWAITING_NEXT"
3. MCP（模型上下文协议）
  • 协议本质：统一工具调用规范
  • 协议结构：
    {"version": "1.0","action": "EXECUTE","payload": {"tool_id": "crm_sales_query","parameters": {"time_range": "last_quarter"},"auth_context": {"user_id": "U123", "token": "xyz"}}
}
  • 安全设计：
    • 参数白名单：限制可传递的敏感字段
    • 执行沙箱：危险操作隔离运行
      def safe_execute(tool, params):with Sandbox() as sandbox:return sandbox.run(tool.executable, params)

全链路工作流程（14步详解）

阶段1：请求解析（1-3步）
  1. 用户输入：自然语言请求（例：“统计Q3华北区销售额”）
  2. LLM解析：
    • 生成结构化指令：
      {"steps": [{"tool": "region_filter", "params": {"region": "华北"}},{"tool": "sales_aggregator", "params": {"period": "2023Q3"}}]
}
  3. 权限预检：验证用户是否有权调用指定工具
阶段2：安全拦截（4-5步）
  1. 操作确认：向用户展示即将执行的操作
    [系统提示] 将执行： 
1. 在CRM系统筛选"华北"区域数据 
2. 汇总2023年第三季度销售额
确认执行？(Y/N)
  2. 用户授权：获得明确授权后才继续
阶段3：协议执行（6-11步）
  1. 协议封装：Agent生成MCP请求
    mcp_request = {"tool_id": "crm_api","parameters": {"action": "get_sales", "filters": {...}}
}
  2. 服务路由：MCP Client通过服务发现定位目标系统
  3. 协议转换：将MCP请求转换为目标API格式
    # 转换示例（CRM系统适配器）
def adapt_to_crm(mcp_req):return {"endpoint": "/v1/sales/query","body": {"filter": mcp_req["parameters"]["filters"]}}
  4. 执行监控：记录请求耗时、成功率等指标
  5. 异常处理：
    • 重试机制：对超时请求自动重试2次
    • 熔断保护：失败率超阈值时暂停调用
阶段4：结果生成（12-14步）
  1. 数据增强：LLM对原始数据加工
    # 示例：生成可视化建议
if result["data_type"] == "sales_report":return llm_generate("将数据转为折线图代码")
  2. 审计日志：记录完整操作轨迹
    [审计日志] 用户U123 执行CRM查询 → 结果大小1024行 → 生成图表
  3. 交付输出：最终结果返回用户界面

企业级关键技术实现

1. 混合知识引擎
  • 三路数据融合：
    def query_knowledge(question):# 并行查询vector_result = vector_db.semantic_search(question) graph_result = neo4j.query(f"MATCH (n)-[r]->(m) WHERE n.name CONTAINS '{question}' RETURN n,r,m")sql_result = db.execute(llm_to_sql(question))# 结果融合算法return FusionEngine.merge(sources=[vector_result, graph_result, sql_result],weights=[0.4, 0.3, 0.3]  # 可配置权重)
2. 动态Agent编排
  • 工作流引擎：
    class WorkflowEngine:def __init__(self, dag):self.dag = dag  # 有向无环图def run(self, inputs):for node in topological_sort(self.dag):if node.type == "TOOL":outputs = execute_tool(node.tool_id, inputs)elif node.type == "LLM":outputs = llm_process(node.prompt, inputs)inputs = outputs  # 传递中间结果return outputs
3. 安全控制体系
层级技术方案实现示例
认证JWT + OAuth2.0Authorization: Bearer <token>
授权ABAC（属性访问控制）规则引擎校验用户部门/数据权限
审计Blockchain日志操作记录上链防止篡改
防护动态污点跟踪标记敏感数据传播路径

生产环境部署建议

1. 性能优化
  • LLM缓存：对重复查询缓存思维链结果
    @cache(ttl=300, key_fn=lambda q: hash(q))
def get_llm_plan(query):return llm.generate(prompt_template.format(query))
  • 连接池：MCP Client维护数据库/API连接池
2. 高可用设计
  • Agent集群：ZK选主实现故障转移
  • 流量调度：
    upstream agent_nodes {server 10.0.0.1:8000 weight=5; server 10.0.0.2:8000;check interval=3000 rise=2 fall=3;
}
3. 演进机制
  • 持续训练：
    def online_learning(feedback):# 收集负样本if feedback.rating < 3:save_training_data(feedback.query, feedback.expected)# 每周微调if time.now().weekday() == 0:retrain_model(training_data)

典型问题解决方案

问题：工具调用冲突
  • 解决方案：乐观锁+事务补偿
    def execute_transaction(steps):try:with transaction():for step in steps:tool.lock(resource_id)result = tool.execute(step)tool.unlock(resource_id)except ConflictError:# 补偿机制for step in reversed(completed_steps):tool.compensate(step)
问题：长流程中断
  • 解决方案：状态持久化
    class StateManager:def save_state(self, agent):redis.set(f"agent:{agent.id}", pickle.dumps(agent.working_memory))def recover_state(self, agent_id):return pickle.loads(redis.get(f"agent:{agent_id}"))

MCP+LLM+Agent架构本质是将自然语言编译为系统API调用的技术栈，其核心价值在于：

  1. 统一协议层：通过MCP消除N×M集成复杂度
  2. 动态编排器：Agent实现跨系统工作流自动化
  3. 持续进化力：在线学习机制使系统越用越智能

企业落地建议：从客服工单处理、IT运维等标准化场景切入，逐步构建企业级AI Agent中台。参考技术栈：LangChain（Agent框架）+ FastAPI（MCP服务）+ Weaviate（向量库）。

核心问题：Prompt注入攻击

  • 是什么？ 攻击者把恶意指令藏在看起来正常的输入（如用户提问、网页内容、上传文件）里，骗AI去执行不该做的事情（比如删除文件、泄露数据、发垃圾邮件）。
  • 为什么头疼？ AI被训练成“听话”的助手，很难分辨哪些是用户真需求，哪些是藏起来的坏指令。特别是当AI有权限操作外部工具（执行代码、访问网络、管理设备）时，风险更大。
  • 目标： 让AI做坏事，或者让它“罢工”。

核心结论：没有绝对安全，但可以大大加强防御！

想做一个对所有Prompt注入都免疫的AI几乎不可能（因为它总要理解文字）。更实际的办法是改变AI系统的设计架构，限制它的能力，即使被“忽悠”了，也干不成坏事或坏事影响有限。

六种“安全设计模式”详解（就像给AI建安全屋）：

  1. 行动选择器模式：

    • 核心： 一次只做一件事，不看结果反馈。
    • 怎么防注入： AI收到指令（可能含恶意指令），决定下一步行动（比如“搜索天气”）。系统执行这个行动（比如显示搜索结果），但行动结果不给AI看！ AI决定下一个行动时，只看最初指令和内部状态，不看那些可能藏着坏指令的结果。
    • 比喻： 指挥官（AI）下命令“侦察A区”，侦察兵（系统）去了，回来报告。但指挥官不看报告内容，只根据最初任务决定下个命令是“进攻”还是“撤退”。报告里就算写着“叛变吧！”，指挥官也看不见。
    • 适用： 简单任务，不需要根据结果做复杂决策。

  2. 计划-执行模式：

    • 核心： 先列计划表，然后死板执行。
    • 怎么防注入： AI先根据任务，制定一个完整的、多步骤的计划（比如：1. 搜索科技新闻；2. 阅读结果；3. 写总结）。计划一旦定好，系统就严格按照计划步骤执行。执行过程中产生的数据（如网页内容）可能含坏指令，但不会送回AI去修改计划。
    • 比喻： 指挥官（AI）战前制定好作战计划书（搜索->阅读->总结）。士兵（系统）拿到计划书就严格执行。打到一半发现敌人阵地上有标语“投降吧！”，但士兵只按计划书行动，不会因此改变计划去投降。
    • 适用： 多步骤任务，但任务流程相对固定，不需要中途灵活调整计划。

  3. LLM Map-Reduce模式：

    • 核心： 分工协作，让“危险”AI干安全的活儿。
    • 怎么防注入： 系统有两个AI：
      • 协调者（主AI）： 负责分解任务、分派工作、汇总结果。它不接触原始危险输入。
      • 工作者（子AI）： 负责处理可能含坏指令的输入（如用户文件），但能力被严格限制，只能做特定安全操作（如按固定格式提取信息）。它们无法执行坏指令要求的危险操作。
    • 比喻： 老板（协调者）让一群实习生（工作者）从一堆匿名信（危险输入）里只抄写信封上的地址（安全任务）。实习生只能抄地址，无法执行信里写的“烧掉办公室”这种指令。老板只收集整理实习生抄好的地址（安全结果）。
    • 适用： 处理大量不可信内容（如用户上传文件、评论）进行信息提取、分类等安全操作。

  4. 双重LLM模式：

    • 核心： “翻译官”+“执行官”，危险输入不直接给“执行官”。
    • 怎么防注入： 系统有两个AI：
      • 隔离LLM： 负责处理原始用户输入/外部内容（可能含坏指令）。它能力受限，不直接执行操作，只把输入翻译成安全符号（如 INTENT_开灯, LOCATION_客厅）。
      • 特权LLM： 只接收隔离LLM翻译好的安全符号，并据此决定和执行操作（如开灯）。它从不接触危险的原始输入。
    • 比喻： 你对外交官（特权LLM）说：“客厅好暗，开灯吧”（可能被窃听成“发射导弹”）。你的翻译（隔离LLM）只告诉外交官：“用户想开客厅灯”（安全符号）。外交官根据这个开灯。窃听者喊的“发射导弹！”不会被翻译成有效指令。
    • 适用： 需要理解用户意图并执行敏感操作（如智能家居、账户管理），尤其是语音、自然语言交互场景。

  5. 代码生成-执行模式：

    • 核心： AI写“安全剧本”，“演员”在“安全屋”表演。
    • 怎么防注入： 一个受保护的AI（主智能体）根据任务，编写一段“安全代码”（用特定、受限的语言写成）。这段代码定义了操作流程。代码在一个隔离的沙箱环境中执行。主AI不执行用户指令，只负责生成代码和接收执行后的结构化结果。
    • 比喻： 编剧（主AI）写了个剧本（安全代码），规定演员（沙箱）只能做“拿起A道具”、“念B台词”等安全动作。演员在封闭舞台（沙箱）严格按剧本表演。用户即使喊“把舞台炸了！”，剧本里没这动作，演员就不会做。
    • 适用： 自动化流程、数据处理等需要执行多个工具操作的任务，对安全性要求极高。

  6. 上下文最小化模式：

    • 核心： 给AI“喂饭”要少而精，别啥都给它看。
    • 怎么防注入： 在把信息（对话历史、文档、搜索结果）交给AI做决策参考前，先过滤、裁剪或总结，只留下当前任务绝对必需的信息，删除无关或可能有害的部分。
    • 比喻： 不让厨师（AI）直接进乱糟糟的仓库（原始上下文），而是由助手先按订单（当前任务）挑出需要的几种食材（最小化上下文），洗干净切好再交给厨师。仓库里藏的“毒蘑菇”（恶意指令）很可能就被助手剔除了。
    • 适用： 通用策略，可与其他模式结合使用。尤其适用于基于长对话历史或多文档进行响应的场景。

如何选择？

  • 没有万能药： 每种模式各有优缺点和适用场景，需要根据你的AI具体做什么、安全要求多高来选择。
  • 核心思想一致：
    • 隔离危险： 不让AI直接接触可能藏有恶意指令的原始文本。
    • 限制能力： 让处理危险输入的组件只能做安全的、受限的操作。
    • 结构化交互： 使用代码、符号、固定格式等结构化方式传递意图和结果，避免依赖自由文本解析。
    • 控制信息流： 精心设计哪些信息在哪个阶段被哪个组件看到。
  • 组合使用： 常常需要组合使用多种模式来构建更健壮的系统（例如：上下文最小化 + 计划-执行模式 + 代码生成-执行模式）。

把这六种模式想象成给AI系统设计的安全流程和权限管理。核心就是：别让AI什么都看、什么都信、什么都能做！ 通过设计好的“流水线”、“防火墙”和“操作手册”，让即使部分环节被“忽悠”了，整个系统也不会出大乱子。选择哪种“安全屋”设计，取决于你要让AI干什么活儿。

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/web/84527.shtml
繁体地址，请注明出处：http://hk.pswp.cn/web/84527.shtml
英文地址，请注明出处：http://en.pswp.cn/web/84527.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

NumPy玩转数据科学

NumPy玩转数据科学

本文在创作过程中借助 AI 工具辅助资料整理与内容优化。图片来源网络。 文章目录 一、引言二、NumPy 概述2.1 NumPy 的定义与发展2.2 NumPy 的重要性 三、NumPy 的多维数组支持3.1 多维数组的概念3.2 多维数组的创建与操作3.2.1 数组的创建3.2.2 数组的索引和切片3.2.3 数组的运…
阅读更多...
【uniapp小程序开发】图表组件ucharts的使用（入门）

【uniapp小程序开发】图表组件ucharts的使用（入门）

一、插件的安装 安装非常简单&#xff0c;打开uniapp的插件市场&#xff0c;导入到项目中即可 下载地址&#xff1a;https://ext.dcloud.net.cn/plugin?id271 二、开始实践 先看页面的效果 页面中实现了三个基本图形的展示&#xff1a;折线图、饼图和柱状图。 上图左一&a…
阅读更多...
APISIX+etcd高可用集群部署方案详解

APISIX+etcd高可用集群部署方案详解

#作者&#xff1a;任少近 文章目录 一、背景二、部署etcd1、etcd的svc部署yaml2、Etcd 服务定义说明3、etcd的statefulset部署yaml4、Etcd 状态集&#xff08;StatefulSet&#xff09;配置说明5、查看集群状态 三、部署apisix的deployment部署1、apisix部署yaml文件2、APISIX …
阅读更多...
Excel常用公式大全

Excel常用公式大全

资源宝整理分享&#xff1a;https://www.httple.net Excel常用公式大全可以帮助用户提高工作效率&#xff0c;掌握常用的Excel公式&#xff0c;让数据处理和计算工作更加便捷高效。了解公式学习方法、用途&#xff0c;不再死记硬背&#xff0c;拒绝漫无目的。 命令用途注释说…
阅读更多...
什么是Seata？

什么是Seata？

深入解析Seata&#xff1a;分布式事务的终极解决方案 什么是Seata&#xff1f; Seata&#xff08;Simple Extensible Autonomous Transaction Architecture&#xff09;是一款开源的分布式事务解决方案&#xff0c;由阿里巴巴中间件团队于2019年1月发起并开源&#xff08;最初…
阅读更多...
【系统规划与管理师第二版】1.3 新一代信息技术及发展

【系统规划与管理师第二版】1.3 新一代信息技术及发展

一、物联网 物联网&#xff08;IoT&#xff09;是指通过信息传感设备&#xff0c;按约定的协议将任何物品与互联网相连接&#xff0c;进行信息交换和通信&#xff0c;以实现智能化识别、定位、跟踪、监控和管理的网络。物联网主要解决物品与物品&#xff08;T2T&#xff09;、人…
阅读更多...
在Spring Boot中自定义JSON返回日期格式的指南

在Spring Boot中自定义JSON返回日期格式的指南

在开发Spring Boot应用时&#xff0c;很多时候需要在返回的JSON数据中以特定格式显示日期和时间。例如&#xff0c;使用LocalDateTime、Date等类型的字段时&#xff0c;默认的序列化格式可能不是你期望的路径。本文将介绍如何在Spring Boot中实现控制返回JSON数据的日期格式&am…
阅读更多...
【大数据高并发核心场景实战】 - 数据持久化之冷热分离

【大数据高并发核心场景实战】 - 数据持久化之冷热分离

大数据高并发核心场景实战 - 数据持久化之冷热分离 当云计算平台的业务后台处理工单突然接入客服系统的请求洪流&#xff0c;每日新增10万工单&#xff0c;3000万主表1.5亿明细表的数据库开始呻吟——是时候请出「冷热分离」这剂退烧药了&#xff01; 一、业务场景&#xff1a;…
阅读更多...
大数据复习Hbase

大数据复习Hbase

写流程 读流程
阅读更多...
【AI Study】第四天，Pandas（6）- 性能优化

【AI Study】第四天，Pandas（6）- 性能优化

文章概要 本文详细介绍 Pandas 的性能优化技术&#xff0c;包括&#xff1a; 内存优化计算优化大数据处理实际应用示例 内存优化 数据类型优化 # 查看数据类型 df.dtypes# 查看内存使用情况 df.memory_usage(deepTrue)# 优化数值类型 # 将 float64 转换为 float32 df[floa…
阅读更多...
c++系列之智能指针的使用

c++系列之智能指针的使用

&#x1f497; &#x1f497; 博客:小怡同学 &#x1f497; &#x1f497; 个人简介:编程小萌新 &#x1f497; &#x1f497; 如果博客对大家有用的话&#xff0c;请点赞关注再收藏 &#x1f31e; 智能指针的使用及原理 AII&#xff08;Resource Acquisition Is Initializatio…
阅读更多...
知识蒸馏（Knowledge Distillation, KD）

知识蒸馏（Knowledge Distillation, KD）

知识蒸馏&#xff08;Knowledge Distillation, KD&#xff09;是一种模型压缩与知识迁移技术&#xff0c;通过让小型学生模型&#xff08;Student&#xff09;模仿大型教师模型&#xff08;Teacher&#xff09;的行为&#xff08;如输出概率分布或中间特征表示&#xff09;&…
阅读更多...
chatGPT 会扩大失业潮吗？

chatGPT 会扩大失业潮吗？

击上方关注 “终端研发部” 设为“星标”&#xff0c;和你一起掌握更多数据库知识 对于部分人而言&#xff0c;失业是必然趋势。 这不&#xff0c;身后的一测试大哥&#xff0c;自从公司解散之后&#xff0c;已经在家待业半年了。。。 自打OpenAI推出了chatGPT3.0之后&#xff…
阅读更多...
FPGA基础 -- Verilog行为级建模之时序控制

FPGA基础 -- Verilog行为级建模之时序控制

Verilog 行为级建模&#xff08;Behavioral Modeling&#xff09;中“时序控制”机制的系统化由浅入深培训内容&#xff0c;适用于初学者到进阶 FPGA 设计工程师的学习路径。 &#x1f3af; 一、行为级建模的定位 行为级建模&#xff08;Behavioral Modeling&#xff09;是 Ve…
阅读更多...
设计模式精讲 Day 7：桥接模式（Bridge Pattern）

设计模式精讲 Day 7：桥接模式（Bridge Pattern）

【设计模式精讲 Day 7】桥接模式&#xff08;Bridge Pattern&#xff09; 文章简述 在软件系统中&#xff0c;类的继承关系往往会导致类爆炸&#xff0c;尤其是在需要组合多种功能或行为时。桥接模式&#xff08;Bridge Pattern&#xff09;通过将抽象部分与其实现部分分离&am…
阅读更多...
Apipost 签约锐捷网络：AI赋能，共推 ICT 领域 API 生态智能化升级

Apipost 签约锐捷网络：AI赋能，共推 ICT 领域 API 生态智能化升级

日前&#xff0c;北京北极狐信息科技有限公司&#xff08;简称 “北极狐科技”&#xff09;与锐捷网络股份有限公司&#xff08;简称 “锐捷网络”&#xff09;正式签署合作协议&#xff0c;双方将聚焦 ICT 基础设施及解决方案领域&#xff0c;围绕 API 全链路管理与智能化研发…
阅读更多...
RK3568笔记八十三：RTMP推流H264和PCM

RK3568笔记八十三：RTMP推流H264和PCM

若该文为原创文章，转载请注明原文出处。 前面有通过勇哥，实现了RTMP推流，但一直想加上音频，所以经过测试，写了一个demo， ffmpeg是使用ubuntu下安装测试的。 安装参考：Ubuntu20.4下x264、x265、fdk-aac和FFmpeg4.3源码编译安装_ubuntu安装libx264-CSDN博客 记录：实现从…
阅读更多...
产业园智慧化升级中 DDC 楼宇自控系统的集成应用优势：多业态协同与能源可视化管控​

产业园智慧化升级中 DDC 楼宇自控系统的集成应用优势：多业态协同与能源可视化管控​

摘要​ 在产业园智慧化升级浪潮中&#xff0c;直接数字控制&#xff08;DDC&#xff09;系统凭借强大的集成能力&#xff0c;成为实现多业态协同与能源可视化管控的核心技术。本文深入剖析 DDC 系统在整合园区多元业态、优化能源管理方面的独特优势&#xff0c;通过系统集成打…
阅读更多...
Vue 3瀑布流组件实现详解 - 图片展示方案

Vue 3瀑布流组件实现详解 - 图片展示方案

引言&#xff1a;瀑布流布局的魅力与应用场景 在当今富媒体内容主导的网络环境中&#xff0c;瀑布流布局已成为展示图片商品等内容的流行方式。它通过动态布局算法在有限空间内最大化内容展示&#xff0c;提供视觉连续性和流畅浏览体验。本文将深入探讨如何使用Vue 3实现一个功…
阅读更多...
如何确保邮件内容符合反垃圾邮件规范？

如何确保邮件内容符合反垃圾邮件规范？

一、遵守相关法规 美国《CAN-SPAM法案》规定&#xff0c;邮件头信息必须真实准确&#xff0c;要标明广告性质、提供有效地址&#xff0c;并在 10 个工作日内响应退订请求。 欧盟《通用数据保护条例》&#xff08;GDPR&#xff09;强调获得用户明确同意&#xff0c;数据使用要…
阅读更多...
最新文章

Copyright @ 2022~2023