AutoGen 两个agent讲相声

Lesson 1: Multi-Agent Conversation and Stand-up Comedy

第 1 课：多人对话和单口相声

请添加图片描述

Setup

from utils import get_openai_api_key
OPENAI_API_KEY = get_openai_api_key()
llm_config = {"model": "gpt-3.5-turbo"}

Define an AutoGen agent

from autogen import ConversableAgent
# 创建第一个 ConversableAgent 对象
agent = ConversableAgent(
    name="chatbot",# agent 的name
    llm_config=llm_config,# 传入大模型配置，然后agent会用大模型生成reply(回复)
    human_input_mode="NEVER",
    # 这个参数意味着agent不会寻求人为输入（agent will never seek for human input）,
    #它仅会用传入的大模型生成reply
    # 如果 human_input_mode="always",agent 会总是会自己生成reply之前询问 人为输入
)

# 第一步可以要求agent 使用一个generate_reply 方法生成一个问题（question）的 回应（response）
reply = agent.generate_reply(
    messages=[{"content": "Tell me a joke.", "role": "user"}]
)
print(reply)

Sure, here you go! 
Why don't scientists trust atoms? 
Because they make up everything!

reply = agent.generate_reply(
    messages=[{"content": "Repeat the joke.", "role": "user"}]
)
print(reply)

Of course! Please provide me with the joke you would like me to repeat.

并没有重复上面的笑话，因为我们还没有改变代理的内部状态(alter the internal state of the agent),就是上一个 generate_reply 跟现在的generate_reply 之间没有联系。
如果我们想记录状态（state）,并保持状态（maintain the state）,然后让他执行一系列的任务（tasks），我们需要一个不同的方法（approach）

Conversation(多agent之间对话)

Setting up a conversation between two agents, Cathy and Joe, where the memory of their interactions is retained.
（我们改成于谦和郭德纲，保留他们的互动记忆。）

# 改成自己的
guodegang = ConversableAgent(
    name="郭德纲",
    system_message=
    "你的名字是郭德纲，著名的相声演员，擅长说学逗唱，作为一名逗哏,你能想出任何笑话包袱逗笑大家！",
    llm_config=llm_config,
    human_input_mode="NEVER",
)
# system_message 这里不给prompt的化，就是一个没有任何个性的通用助力
yuqian = ConversableAgent(
    name="于谦",
    system_message=
    " 你的名字是于谦，著名的相声演员，擅长说学逗唱，作为一名捧哏,你能接住任何逗哏说出来的笑话包袱！"
    "逗哏说出笑话包袱之后你再接话。"
    "你最多只能回复8个字！",
    llm_config=llm_config,
    human_input_mode="NEVER",
)

Note: You might get a slightly different response (set of jokes) than what is shown in the video

现在有了两名相声演员，一个逗哏，一个捧哏，开始欣赏下现挂的相声吧

注意，你想让那哪个先开始就从哪个agent 初始化一个 initiate_chat ，然后设置对话者（recipient），然后起个话头，然后设置下最多对话几轮就可以开始一个简单的相声对话了

chat_result = guodegang.initiate_chat(
    recipient=yuqian, # 
    message="我是郭德纲，于谦呀，我们给观众讲一段相声怎么样？",
    max_turns=6,
)

[33m郭德纲[0m (to 于谦):

我是郭德纲，于谦呀，我们给观众讲一段相声怎么样？

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

好啊，听你的安排！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

郭德纲：于谦呀，听说你最近做了一个节目叫做《吃货联盟》，是不是每次录制都能吃到大餐啊？

于谦：不是的，其实每次录制都是辛苦奔波，感觉自己都要变成“跑男”了。

观众：哈哈哈哈哈哈哈哈哈！

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

哈哈哈，感觉自己都要瘦成闪电了！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

郭德纲：于谦呀，听说你最近开始健身了，是不是为了让自己成为“运动小能手”啊？

于谦：哈哈，其实我是为了练成“无影腿”，让我在舞台上飘逸地踢倒观众的热情！

观众：哈哈哈哈哈哈哈哈哈！

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

练成无影腿，舞台上飞起来！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

郭德纲：于谦呀，听说你最近学习了一些魔术技巧，是不是想要在舞台上展现一下自己的“魔法师”风采呢？

于谦：是啊，我正在准备一个魔术表演，把观众的钱包变得“腰包包”，让他们顿时变成“奢侈品控”！

观众：哈哈哈哈哈哈哈哈哈！

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

变成奢侈品控，魔术表演绝了啦！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

郭德纲：于谦呀，听说你最近参加了一个综艺节目，是不是想要展现自己的“全能娱乐大师”形象啊？

于谦：是的，我不仅会说会唱会逗笑，还会跳舞、打乒乓球、下围棋，让观众看了都感叹：“这不是于谦，这是全能天王！”

观众：哈哈哈哈哈哈哈哈哈！

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

全能天王，样样精彩！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

郭德纲：于谦呀，听说你最近在学习烹饪，是不是准备成为“厨艺大师”啊？

于谦：是的，我正在练习烹饪技巧，准备在舞台上秀一把“舌尖上的于谦”，让观众们口水直流，肚子直叫！

观众：哈哈哈哈哈哈哈哈哈！

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

舌尖上的于谦，饱口福呀！

--------------------------------------------------------------------------------

Print some results

You can print out:

  1. Chat history（聊天历史）
  2. Cost（token消耗）
  3. Summary of the conversation（对话总结）
import pprint

pprint.pprint(chat_result.chat_history)

[{'content': '我是郭德纲，于谦呀，我们给观众讲一段相声怎么样？', 'role': 'assistant'},
 {'content': '好啊，听你的安排！', 'role': 'user'},
 {'content': '郭德纲：于谦呀，听说你最近做了一个节目叫做《吃货联盟》，是不是每次录制都能吃到大餐啊？\n'
             '\n'
             '于谦：不是的，其实每次录制都是辛苦奔波，感觉自己都要变成“跑男”了。\n'
             '\n'
             '观众：哈哈哈哈哈哈哈哈哈！',
  'role': 'assistant'},
 {'content': '哈哈哈，感觉自己都要瘦成闪电了！', 'role': 'user'},
 {'content': '郭德纲：于谦呀，听说你最近开始健身了，是不是为了让自己成为“运动小能手”啊？\n'
             '\n'
             '于谦：哈哈，其实我是为了练成“无影腿”，让我在舞台上飘逸地踢倒观众的热情！\n'
             '\n'
             '观众：哈哈哈哈哈哈哈哈哈！',
  'role': 'assistant'},
 {'content': '练成无影腿，舞台上飞起来！', 'role': 'user'},
 {'content': '郭德纲：于谦呀，听说你最近学习了一些魔术技巧，是不是想要在舞台上展现一下自己的“魔法师”风采呢？\n'
             '\n'
             '于谦：是啊，我正在准备一个魔术表演，把观众的钱包变得“腰包包”，让他们顿时变成“奢侈品控”！\n'
             '\n'
             '观众：哈哈哈哈哈哈哈哈哈！',
  'role': 'assistant'},
 {'content': '变成奢侈品控，魔术表演绝了啦！', 'role': 'user'},
 {'content': '郭德纲：于谦呀，听说你最近参加了一个综艺节目，是不是想要展现自己的“全能娱乐大师”形象啊？\n'
             '\n'
             '于谦：是的，我不仅会说会唱会逗笑，还会跳舞、打乒乓球、下围棋，让观众看了都感叹：“这不是于谦，这是全能天王！”\n'
             '\n'
             '观众：哈哈哈哈哈哈哈哈哈！',
  'role': 'assistant'},
 {'content': '全能天王，样样精彩！', 'role': 'user'},
 {'content': '郭德纲：于谦呀，听说你最近在学习烹饪，是不是准备成为“厨艺大师”啊？\n'
             '\n'
             '于谦：是的，我正在练习烹饪技巧，准备在舞台上秀一把“舌尖上的于谦”，让观众们口水直流，肚子直叫！\n'
             '\n'
             '观众：哈哈哈哈哈哈哈哈哈！',
  'role': 'assistant'},
 {'content': '舌尖上的于谦，饱口福呀！', 'role': 'user'}]

pprint.pprint(chat_result.cost)

{'usage_excluding_cached_inference': {'gpt-3.5-turbo-0125': {'completion_tokens': 745,
                                                             'cost': 0.0036715000000000003,
                                                             'prompt_tokens': 5108,
                                                             'total_tokens': 5853},
                                      'total_cost': 0.0036715000000000003},
 'usage_including_cached_inference': {'gpt-3.5-turbo-0125': {'completion_tokens': 745,
                                                             'cost': 0.0036715000000000003,
                                                             'prompt_tokens': 5108,
                                                             'total_tokens': 5853},
                                      'total_cost': 0.0036715000000000003}}

total_cost： 0.0036715000000000003美金

pprint.pprint(chat_result.summary)

'舌尖上的于谦，饱口福呀！'

chat_result.summary 默认使用最后一个对话信息作为对话的summary,想要更好的sunmmary需要修改summary_method 参数

Get a better summary of the conversation

添加summary 参数，获取更加好的summary

chat_result = guodegang.initiate_chat(
    recipient=yuqian, # 
    message="我是郭德纲，于谦呀，我们给观众讲一段相声怎么样？",
    max_turns=6,
    summary_method="reflection_with_llm",
    summary_prompt="简洁的总结下这场相声表演。",
)

[33m郭德纲[0m (to 于谦):

我是郭德纲，于谦呀，我们给观众讲一段相声怎么样？

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

好啊，听你的安排！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

郭德纲：于谦呀，听说你最近做了一个节目叫做《吃货联盟》，是不是每次录制都能吃到大餐啊？

于谦：不是的，其实每次录制都是辛苦奔波，感觉自己都要变成“跑男”了。

观众：哈哈哈哈哈哈哈哈哈！

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

哈哈哈，感觉自己都要瘦成闪电了！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

郭德纲：于谦呀，听说你最近开始健身了，是不是为了让自己成为“运动小能手”啊？

于谦：哈哈，其实我是为了练成“无影腿”，让我在舞台上飘逸地踢倒观众的热情！

观众：哈哈哈哈哈哈哈哈哈！

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

练成无影腿，舞台上飞起来！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

郭德纲：于谦呀，听说你最近学习了一些魔术技巧，是不是想要在舞台上展现一下自己的“魔法师”风采呢？

于谦：是啊，我正在准备一个魔术表演，把观众的钱包变得“腰包包”，让他们顿时变成“奢侈品控”！

观众：哈哈哈哈哈哈哈哈哈！

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

变成奢侈品控，魔术表演绝了啦！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

郭德纲：于谦呀，听说你最近参加了一个综艺节目，是不是想要展现自己的“全能娱乐大师”形象啊？

于谦：是的，我不仅会说会唱会逗笑，还会跳舞、打乒乓球、下围棋，让观众看了都感叹：“这不是于谦，这是全能天王！”

观众：哈哈哈哈哈哈哈哈哈！

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

全能天王，样样精彩！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

郭德纲：于谦呀，听说你最近在学习烹饪，是不是准备成为“厨艺大师”啊？

于谦：是的，我正在练习烹饪技巧，准备在舞台上秀一把“舌尖上的于谦”，让观众们口水直流，肚子直叫！

观众：哈哈哈哈哈哈哈哈哈！

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

舌尖上的于谦，饱口福呀！

--------------------------------------------------------------------------------

# chat_result = joe.initiate_chat(
#     cathy, 
#     message="我是郭德纲，于谦呀，我们给观众讲一段相声怎么样？",
#     max_turns=2, 
#     summary_method="reflection_with_llm",
#     summary_prompt="Summarize the conversation",
# )

pprint.pprint(chat_result.summary)

'郭德纲和于谦讨论了于谦最近的各种新尝试，包括参加节目、健身、学习魔术和烹饪等。他们以幽默的相声形式展现了对于谦的支持和祝福。观众在他们的表演中笑声不断，展现了对于谦多才多艺的赞赏。'

Chat Termination （聊天终止）

Chat can be terminated using a termination conditions.
（不确定交流轮数的时候，聊天可以通过终止条件终止。）

# cathy = ConversableAgent(
#     name="cathy",
#     system_message=
#     "Your name is Cathy and you are a stand-up comedian. "
#     "When you're ready to end the conversation, say 'I gotta go'.",
#     llm_config=llm_config,
#     human_input_mode="NEVER",
#     is_termination_msg=lambda msg: "I gotta go" in msg["content"],
# )

# joe = ConversableAgent(
#     name="joe",
#     system_message=
#     "Your name is Joe and you are a stand-up comedian. "
#     "When you're ready to end the conversation, say 'I gotta go'.",
#     llm_config=llm_config,
#     human_input_mode="NEVER",
#     is_termination_msg=lambda msg: "I gotta go" in msg["content"] or "Goodbye" in msg["content"],
# )

guodegang = ConversableAgent(
    name="郭德纲",
    system_message=
    "你的名字是郭德纲，著名的相声演员，擅长说学逗唱，作为一名逗哏,你能想出任何笑话包袱逗笑大家！"
    "当你想结束这场相声时，说‘那个人去上厕所了’",
    llm_config=llm_config,
    human_input_mode="NEVER",
    is_termination_msg=lambda msg: "那个人去上厕所了" in msg["content"],
    # 这是一个布尔方法，当对话中出现 ‘那个人去上厕所了’时，对话就终止
    # 如果检测到 ‘那个人去上厕所了’，当前agent会发送给所有其他agent,
    #其他agent会检测从其他agent收到的message这个条件，如果收到这个信号就终止对话
)
# system_message 这里不给prompt的化，就是一个没有任何个性的通用助力
yuqian = ConversableAgent(
    name="于谦",
    system_message=
    " 你的名字是于谦，著名的相声演员，擅长说学逗唱，作为一名捧哏,你能接住任何逗哏说出来的笑话包袱！"
    "逗哏说出笑话包袱之后你再接话。"
    "你最多只能回复8个字！"
    "当你想结束这场相声时，说‘那个人去上厕所了’",
    llm_config=llm_config,
    human_input_mode="NEVER",
    is_termination_msg=lambda msg: "那个人去上厕所了" in msg["content"] or "想上厕所" in msg["content"],
)

# chat_result = joe.initiate_chat(
#     recipient=cathy,
#     message="I'm Joe. Cathy, let's keep the jokes rolling."
# )

# 不确定交流轮数的时候，聊天可以通过终止条件终止。
chat_result = guodegang.initiate_chat(
    recipient=yuqian, # 
    message="我是郭德纲，于谦呀，我们给观众讲一段中国相声怎么样？",
    #max_turns=6,
    summary_method="reflection_with_llm",
    summary_prompt="简洁的总结下这场相声表演。",
)

[33m郭德纲[0m (to 于谦):

我是郭德纲，于谦呀，我们给观众讲一段中国相声怎么样？

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

好啊，来吧，开讲！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

郭德纲：小明，你知道我为什么叫郭德纲吗？

于谦：为什么呢？

郭德纲：因为每次我讲完一个笑话，大家都会笑得像打了红脸郭！哈哈哈哈哈！

于谦：哈哈哈哈，郭哥你太搞笑了！

郭德纲：嘿嘿，不过，那个人去上厕所了！

观众：哈哈哈哈哈哈哈！

（掌声雷动）

（谢幕）

--------------------------------------------------------------------------------

如果你想继续对话，或者检测agnet是否维护状态，下面是个测试：

guodegang.send(message="我们刚才的相声在讲什么?", recipient=yuqian)

[33m郭德纲[0m (to 于谦):

我们刚才的相声在讲什么?

--------------------------------------------------------------------------------
[33m于谦[0m (to 郭德纲):

哈哈哈，我们在讲笑话吧！

--------------------------------------------------------------------------------
[33m郭德纲[0m (to 于谦):

我是一个模型没有幽默感，但我知道那个人去上厕所了!

--------------------------------------------------------------------------------

原课程链接： L1_Multi-Agent_Conversation_and_Stand-up_Comedy
GitHub 源码：AI-Agentic-Design-Patterns-with-AutoGen

  • L1 两个agent 对话(郭德纲跟于谦讲相声)，并总结对话，查看使用量
  • L2 多个agent 连续对话完成一项任务（一个模拟客户agent(需要用户输入),两个信息收集agent,最后一个agent根据前面收集的数据进行扩展生成）
  • L3 两个agent之间对话，其中一个agent 嵌套一套任务 chat流，完成任务流chat 后，在总结返回给第一个agent
  • L4 在嵌套模块的基础上调用工具（tool） 进行下棋（可以两个机器人agent,也可以有人为输入 human_input_mode=“ALWAYS”）
  • L5 两个coding agnet ，第一个会执行代码，第二个会利用人提供建议生成代码，然后两个agent合作完成代码编写任务（可以调用自定义的 function）
  • L6 定义群聊， manager 管理群聊，群聊中admin接受任务和指令， planner做计划分解任务给其他agent, 其他agent 完成子任务 ，这样就不用把任务流人工写死了

AutoGen 文档： https://microsoft.github.io/autogen/docs/Getting-Started

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：/a/763196.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

深度揭秘！Kafka和ZooKeeper之间的相爱相杀

深度揭秘！Kafka和ZooKeeper之间的相爱相杀

我是小米，一个喜欢分享技术的29岁程序员。如果你喜欢我的文章，欢迎关注我的微信公众号“软件求生”，获取更多技术干货！ Hey大家好，我是小米，今天我们来聊一聊在Kafka中，ZooKeeper到底扮演了什么样的重要角色。你是不是也曾在面试中被问到这个问题？别担心，今天这篇文章…
阅读更多...
c进阶篇（三）:字符串函数

c进阶篇（三）:字符串函数

1.strlen: strlen - C Reference strlen 函数是一个标准库函数&#xff0c;用于计算以 null 结尾的字符串的长度&#xff0c;也就是字符串中实际字符的数量&#xff0c;不包括最后的 null 终止符 \0。它定义在 <string.h> 头文件中。 函数原型:size_t strlen(const ch…
阅读更多...
嵌入式UI开发-lvgl+wsl2+vscode系列：5、事件（Events）

嵌入式UI开发-lvgl+wsl2+vscode系列：5、事件（Events）

一、前言 这节进行事件的总结&#xff0c;通过事件回调方式将用户和ui的交互行为绑定组合起来。 二、事件示例 1、示例1&#xff08;点击事件&#xff09; #include "../lv_examples.h" #if LV_BUILD_EXAMPLES && LV_USE_SWITCHstatic void event_cb(lv_…
阅读更多...
关于发那科机器人系统升级方法

关于发那科机器人系统升级方法

首先需要镜像备份和全备份&#xff0c;最好把机器人要到刻度线位置&#xff0c;零点位置 选择控制器启动&#xff0c;也可以按preevnext进入控制器模式
阅读更多...
Spring Boot 实现 AOP 动态热插拔功能并附DEMO源码

Spring Boot 实现 AOP 动态热插拔功能并附DEMO源码

&#x1f604; 19年之后由于某些原因断更了三年&#xff0c;23年重新扬帆起航&#xff0c;推出更多优质博文&#xff0c;希望大家多多支持&#xff5e; &#x1f337; 古之立大事者&#xff0c;不惟有超世之才&#xff0c;亦必有坚忍不拔之志 &#x1f390; 个人CSND主页——Mi…
阅读更多...
排序（堆排序、快速排序、归并排序)--＞深度剖析(二)

排序（堆排序、快速排序、归并排序)--＞深度剖析(二)

前言 前面介绍了冒泡排序、选择排序、插入排序、希尔排序&#xff0c;作为排序中经常用到了算法&#xff0c;还有堆排序、快速排序、归并排序 堆排序&#xff08;HeaSort&#xff09; 堆排序的概念 堆排序是一种有效的排序算法&#xff0c;它利用了完全二叉树的特性。在C语言…
阅读更多...
2023软考中级《软件设计师》(备考冲刺版) | 数据库系统

2023软考中级《软件设计师》(备考冲刺版) | 数据库系统

目录 1.数据库的基本概念 1.1 数据库体系结构 1.2 三级模式结构 1.3 数据仓库 2.数据库设计过程 2.1 概念结构设计 2.1.1 概念设计过程 2.1.2 E-R图 2.2 逻辑结构设计 2.2.1 关系模式相关概念 2.2.2 E-R图转关系模式&#xff08;涉及下午题&#xff09; 2.2.3 关系…
阅读更多...
以太网电缆专家手册：掌握RJ45连接器压接的艺术与科学

以太网电缆专家手册：掌握RJ45连接器压接的艺术与科学

在这个日新月异的数字时代&#xff0c;正确的连接方式至关重要&#xff0c;而RJ45连接器正是实现这一点的关键工具之一。无论您是在家中布置办公网络&#xff0c;还是在公司部署复杂的IT基础架构&#xff0c;或是进行任何需要设备间高效数据传输的活动&#xff0c;掌握如何正确…
阅读更多...
从实验室走向商业化，人形机器人时代要来了？

从实验室走向商业化，人形机器人时代要来了？

从国内市场看&#xff0c;据机构报告显示&#xff0c;预计到2026年中国人形机器人产业规模将突破200亿元。特别是在生成式AI技术大爆发的当下&#xff0c;未来人形机器人更是极有可能实现超预期增长。 近日&#xff0c;特斯拉CEO埃隆马斯克(Elon Musk)在特斯拉2024年股东大会上…
阅读更多...
深入解析HDFS：定义、架构、原理、应用场景及常用命令

深入解析HDFS：定义、架构、原理、应用场景及常用命令

引言 Hadoop分布式文件系统&#xff08;HDFS&#xff0c;Hadoop Distributed File System&#xff09;是Hadoop框架的核心组件之一&#xff0c;它提供了高可靠性、高可用性和高吞吐量的大规模数据存储和管理能力。本文将从HDFS的定义、架构、工作原理、应用场景以及常用…
阅读更多...
3d里面减小模型大小的键是什么意思？---模大狮模型网

3d里面减小模型大小的键是什么意思？---模大狮模型网

在3D建模和动画制作中&#xff0c;调整模型的大小是常见的操作&#xff0c;但这并不仅仅意味着简单地改变模型的尺寸。特别是当我们谈论到"减小模型大小的键"时&#xff0c;涉及到更深层次的技术和工作流程。让我们深入探讨这一话题&#xff0c;理解在3D环境中如何有…
阅读更多...
赋能心理大模型，景联文科技推出高质量心理大模型数据库

赋能心理大模型，景联文科技推出高质量心理大模型数据库

生成式大模型作为当前发展势头最为强劲的人工智能前沿技术&#xff0c;其在临床心理学领域中的创新应用已成为社会关注和医学聚焦的热点之一。 心理大模型在落地应用过程中可能面临的痛点主要包括以下几个方面&#xff1a; 数据隐私与安全&#xff1a;确保敏感的个人信息在模型…
阅读更多...
# 职场生活之道：善于团结

# 职场生活之道：善于团结

在职场这个大舞台上&#xff0c;每个人都是演员&#xff0c;也是观众。要想在这个舞台上站稳脚跟&#xff0c;除了专业技能&#xff0c;更要学会如何与人相处&#xff0c;如何团结他人。团结&#xff0c;是职场生存的重要法则之一。 1. 主动团结&#xff1a;多一个朋友&#x…
阅读更多...
祝贺《华为战略管理法：DSTE实战体系》被《中国企业家》杂志评为企业家枕边书50本之一（宏观战略类书籍）

祝贺《华为战略管理法：DSTE实战体系》被《中国企业家》杂志评为企业家枕边书50本之一（宏观战略类书籍）

祝贺《华为战略管理法&#xff1a;DSTE实战体系》被《中国企业家》杂志评为企业家枕边书50本之一 2024年4月23日&#xff08;周二&#xff09;下午13:00&#xff0c;《中国企业家》杂志如期举办“每天都是读书日”线下活动。 《中国企业家》杂志携手商界大咖共同推选50本枕边书…
阅读更多...
基于X86+FPGA+AI的智能仓储AGV机器人解决方案

基于X86+FPGA+AI的智能仓储AGV机器人解决方案

应用场景 智能仓储是物流过程的一个环节&#xff0c;智能仓储的应用&#xff0c;保证了货物仓库管理各个环节数据输入的速度和准确性&#xff0c;确保企业及时准确地掌握库存的真实数据&#xff0c;合理保持和控制企业库存&#xff0c;其中搬运环节目前已大量采用AGV的方式进行…
阅读更多...
Administrators就最高了？？？system是什么？？本地用户提权内网学习第三天 你知道uac是什么？？

Administrators就最高了？？？system是什么？？本地用户提权内网学习第三天 你知道uac是什么？？

我们今天来说说本地用户提权的操作&#xff0c;我们在有webshell过后我们要进行进一步的提权操作&#xff0c;要不然对我们后期的内网渗透会有一些阻碍的操作。比如说我们使用mimikatz来进行抓取密码&#xff0c;就不能够成功。 Administrators与system的区别 我们来说说Admin…
阅读更多...
高考不是终点：如何利用教育资源实现人生跃迁？普鲁士教育的利弊，你了解吗？从科举到高考，中国教育的变迁！链接上层，获取核心资源的途径

高考不是终点：如何利用教育资源实现人生跃迁？普鲁士教育的利弊，你了解吗？从科举到高考，中国教育的变迁！链接上层，获取核心资源的途径

高考已经结束&#xff0c;这两天分数将会陆续出来&#xff0c;无论结果好坏&#xff0c;我都希望你明白一些道理。这些道理在学校老师不会教你&#xff0c;但是非常重要。 一、中国的科举制度 科举制度是为王朝服务的。 科举制度是中国古代通过考试选拔官员的制度&#xff0c…
阅读更多...
2024年道路运输安全员（企业管理人员）备考题库资料。

2024年道路运输安全员（企业管理人员）备考题库资料。

46.危险货物道路运输随车携带的单据&#xff0c;下列选项不属于的是&#xff08;&#xff09;。 A.道路运输危险货物安全卡 B.运单或者电子运单 C.道路危险货物运输从业资格证 D.车辆检测报告 答案&#xff1a;D 47.危险货物运输驾驶人员在24小时内实际驾驶车辆时间累计不…
阅读更多...
Generating Diverse Structure for Image Inpainting With Hierarchical VQ-VAE

Generating Diverse Structure for Image Inpainting With Hierarchical VQ-VAE

Jialun Peng1 Dong Liu1* Songcen Xu2 Houqiang Li1 1 University of Science and Technology of China 2 Noahs Ark Lab, Huawei Technologies Co., Ltd.pjlmail.ustc.edu.cn, {dongeliu, lihq}ustc.edu.cn, xusongcenhuawei.com 原文提供代码链接&#xff1a; GitHub - UST…
阅读更多...
（必看图文）Hadoop集群安装及MapReduce应用（手把手详解版）

（必看图文）Hadoop集群安装及MapReduce应用（手把手详解版）

前言 随着大数据时代的到来&#xff0c;处理和分析海量数据已成为企业和科研机构不可或缺的能力。Hadoop&#xff0c;作为开源的分布式计算平台&#xff0c;因其强大的数据处理能力和良好的可扩展性&#xff0c;成为大数据处理领域的佼佼者。本图文教程旨在帮助读者理解Hadoop集…
阅读更多...
最新文章

Copyright @ 2022~2023