Agent全貌-情感建模

最新推荐文章于 2025-08-02 09:45:15 发布

原创

最新推荐文章于 2025-08-02 09:45:15 发布 · 410 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

欢迎关v：数据分析能量站

1.5 智能体情感建模

一、情感建模的心理学基础

1. 情感构成维度（图6.1）

核心理论：

PAD模型：Russell & Mehrabian (1977) 提出三维情感空间，覆盖90%人类情感状态[^1]。

基本情感理论：Ekman 的六类基础情感（愤怒、快乐、悲伤、恐惧、惊讶、厌恶）可组合为复杂情绪[^2]。

2. 情感的功能

决策调制：杏仁核激活 → 调整风险偏好（恐惧时规避风险）。
学习加速：高唤醒状态增强记忆巩固（多巴胺释放↑）。
社会信号：面部表情/语调传递意图（如微笑表友好）。

二、AI情感建模的三层框架

1. 情感状态表示<

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

数据分析能量站

关注关注

11
点赞
踩
18

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

AI Agent在智能个性化营销中的应用

AI天才研究院

03-26

636

随着互联网技术的飞速发展和市场竞争的日益激烈，传统的营销方式已难以满足企业的需求。智能个性化营销成为了企业提升竞争力、提高客户满意度和增加销售额的重要手段。AI Agent作为一种具有自主学习和决策能力的智能体，能够在智能个性化营销中发挥重要作用。本文的目的在于深入探讨AI Agent在智能个性化营销中的应用，包括其核心概念、算法原理、实际应用场景等，为企业和相关从业者提供理论和实践指导。范围涵盖了AI Agent的基本原理、在个性化营销中的具体应用方式、相关算法和技术，以及实际案例分析等方面。

Agent全貌-记忆

晓的博客

07-28

692

欢迎关v：数据分析能量站。

参与评论您还未登录，请先登录后发表或查看评论

Agent全貌-奖励机制

晓的博客

07-30

1379

环境直接提供的标量反馈（如游戏得分、任务完成信号）。

Agent全貌-认知框架

晓的博客

07-27

847

靠引导性指令激活思路，比如 Chain-of-Thought（“一步步说理由”，像解数学题时写过程）、Step-Back Prompting（先提炼通用规则再应用，比如 “先想‘行程规划的基本原则’，再套用到具体案例”）；- ICL（上下文内快速学习，比如给几个例子就会做题）- Voyager（积累技能库，像玩家存攻略）- Reflexion（反思错误并记录，避免重蹈覆辙）- 预训练（通用知识打底）- SFT/PEFT（适配特定领域）- RLHF/DPO（对齐人类偏好）

Agent全貌-世界模型

晓的博客

07-29

530

AI Agent的自监督对比学习技术

AI天才研究院

03-29

943

在人工智能领域，让AI Agent具备高效学习和自主决策的能力是重要的研究目标。传统的监督学习方法需要大量的标注数据，标注过程不仅成本高，而且在某些场景下难以实现。自监督对比学习技术为解决这一问题提供了新的思路，它可以在没有人工标注的情况下，让AI Agent从数据中自动学习到有价值的特征表示。本文的目的是深入介绍AI Agent的自监督对比学习技术，涵盖其核心概念、算法原理、数学模型、实际应用等方面，帮助读者全面理解和掌握这一技术。范围包括对该技术的理论分析、代码实现以及实际应用场景的探讨。

基于LLM的Agent的兴起及其潜力：综述

安静的软件工程师

02-05

2639

基于LLM的Agent的兴起及其潜力：综述

一文搞懂大模型！基础知识、 LLM 应用、 RAG 、 Agent 与未来发展

2301_78285120的博客

08-10

1706

这么一说，把LLM叫做自然语言处理工具可能没有那么准确，LLM 更多的是理解和生成文本。不过，从你的回答上，我在思考一个很重要的问题：对于 LLM 来说，生成具有语义和语法正确性的文本是不是还不太够，生成的文本和问题如何对应上的？比如有下面的问答：问题：2022年 NBA 总冠军是谁？回答：“我认为这个意大利面,就应该拌42号混凝土,因为这个螺丝钉的长度很容易影响到挖掘机的扭矩”单纯从语义和语法正确性貌似没有很大的问题，但是确并没有回答我的问题。

年薪百万的“AI智能体”长啥样？一张图看懂企业级AI Agent的全貌！

最新发布

weixin_48001635的博客

08-02

368

理解用户提问（是否涉及结构化/非结构化数据？协调上下文（之前聊了啥？问题是否有依赖？调度模型与模块（是查数据库、调用LLM还是做图表？它不是一个API，而是一整套模型协作与语义调度的工作机制。RAG（Retrieval-Augmented Generation），是一种“检索+生成”的混合智能方式：先用向量搜索找出相关文本片段再交由大模型理解+总结，输出精准回答数据连接：结构化 + 非结构化全打通语义建模：自然语言 → 可理解的问题表示模型编排：MCP调度多模型合作策略检索：RAG+问数融合问答。

提升CSDN文章在AI大模型的RAG搜索中引用率的综合策略分析,以“微学AI“为例

微学AI的博客

08-01

163

随着大型语言模型（LLM）与检索增强生成RAG技术的普及，AI驱动的搜索与问答正在成为获取技术信息的核心渠道。对于像“微学AI”这样的CSDN技术博主而言，其文章能否被这些AI系统有效检索和引用，直接关系到其知识传播的广度、个人品牌的影响力以及潜在的技术领导力。本报告深入剖析了RAG系统的工作原理，并结合传统的搜索引擎优化（SEO）与新兴的AI内容优化策略，为CSDN博主提出一套系统性的、可操作的优化方案。报告的核心观点是，创作者需要从“为人类读者写作”进化到“为人类与AI双重读者写作”.

AI算法实现解析-C++实例

keny-大成的博客

07-29

2124

本文摘要：本文汇总了基于C++实现的多种AI/机器学习技术，涵盖计算机视觉、自然语言处理和强化学习等领域。主要内容包括：计算机视觉：目标检测（YOLOv3/YOLO Tiny）人脸识别（OpenCV Haar级联/OpenFace）图像风格迁移（OpenCV DNN模块）特征匹配（SIFT/Lucas-Kanade光流）自然语言处理：文本分类（朴素贝叶斯/TF-IDF）语言模型（N-gram/Word2Vec）文本生成（LSTM/GRU）情感分析（FastText/深度学习）强化学习

【YOLO系列】YOLOv11详解：模型结构、损失函数、训练方法及代码实现

一碗白开水一

08-01

715

YOLOv11在目标检测领域实现重大突破，通过动态骨干网络(Dyna-Backbone)和FPN++架构，在保持高帧率(≥60FPS)的同时提升小目标检测精度(AP_S提升5.6%)。创新采用CIoU++损失函数和类别平衡Focal Loss，结合Mosaic-Plus数据增强，参数量减少18%至6.5M。实验显示，该模型在COCO数据集上实现更高mAP，特别适合移动端部署，Jetson Xavier平台能耗比优化至3.2W·ms⁻¹，支持目标检测、实例分割等多任务场景。关键创新包括动态深度调整和双向特征金

AI崛起后，对使用AI的一些小思考

2303_81991798的博客

07-29

1064

AI编程工具的快速发展极大降低了技术门槛，使普通用户也能轻松制作静态网页等项目。然而，真正的技术壁垒在于后端开发、SEO优化等专业领域。开发者需从用户需求出发，关注解决实际痛点而非技术本身。在变现方面，需设计符合用户心理的定价策略，如免费增值模式和小额支付。面对大厂竞争，应通过优化体验、建立品牌等方式提升用户粘性。AI时代，创意和服务能力比技术实现更重要。

TDengine 中 TDgpt 异常检测的数据密度算法

TDengine(老段）专注时序数据库领域

07-29

499

Local Outlier Factor(LOF)，局部离群因子/局部异常因子，是 Breunig 在 2000 年提出的一种基于密度的局部离群点检测算法，该方法适用于不同类簇密度分散情况迥异的数据。根据数据点周围的数据密集情况，首先计算每个数据点的局部可达密度，然后通过局部可达密度进一步计算得到每个数据点的一个离群因子。该离群因子即标识了一个数据点的离群程度，因子值越大，表示离群程度越高，因子值越小，表示离群程度越低。最后，输出离群程度最大的。后续待添加基于数据挖掘检测算法。第三方异常检测算法库。

Whisper 语音识别使用笔记

jacke121的专栏

07-30

390

WhisperProcessor 语音转文字使用笔记

【AI造梦】《凡人修仙传》银月桌宠开发指南（二）：银月语音对话技术选型

牛奶夹心巧克力

07-31

858

本文将深入探讨构建一个先进AI语音助手的全链路技术方案。我们将沿着“语音识别 (ASR) → 对话理解 (NLU) → 文本生成 (LLM) → 语音合成 (TTS)”这一核心流程，对每个技术环节的原理、主流模型、开源框架及实践挑战进行详细剖析。此外，我们还将特别探讨前沿的“语音克隆”技术，如何为你的助手赋予独一无二的声音。本文旨在为AI开发者、产品经理和技术爱好者提供一份详尽的、可落地的技术蓝图。

云服务器上基于lora微调Qwen2.5-VL-7b-Instruct模型之Lora微调代码讲解

m0_51430275的博客

07-29

662

本文详细解析了基于LoRA微调Qwen2.5-VL-7B模型的配置参数。LoRA通过低秩分解技术，仅训练小矩阵增量，大幅降低显存消耗（节省70%+）。关键配置包括：任务类型为因果语言建模（CAUSAL_LM）、目标模块覆盖注意力层和FFN层（q/k/v/o_proj等）、秩r=64与alpha=16保持合理缩放比（0.25）、5%的dropout防止过拟合。该配置在16.7M参数的原模块上仅需训练0.52M参数，实现了高效微调，特别适合多模态生成任务。参数设置平衡了性能与效率，是Qwen模型的推荐实践方案。

上下文工程（上）——充分发挥智能体AI系统的潜力

Anspire的博客

07-29

659

几周前，我尝试用Claude Code构建一个完整的Spring Boot应用（一个略复杂的企业级用例）。由于这不是一个现成的用例，我很难定义精确的提示词（包括恰当的上下文学习、检索增强生成（RAG）等）。我得到的结果总是不一致——有时很出色，有时则完全是无意义的内容。我偶然看到了各种关于上下文工程的论文和博客，虽然之前听说过这个概念，但我曾认为它只是又一个昙花一现的潮流。我很快意识到，应该有解决办法，而且我们确实需要一种系统化的方法来定义上下文。

Cohere发布Command A Vision视觉多模态模型，评分超过GPT4.1

sexy19910923的博客

08-01

553

Cohere发布开源视觉语言模型Command A Vision（112B参数），在多模态任务中表现卓越，超越GPT-4.1等主流模型。该模型基于Command A构建，采用SigLIP2视觉编码器和三阶段训练流程（对齐、微调、强化学习），在图表分析、文档OCR等企业场景中表现突出。支持低资源部署（2块A100或单张H100），提供Hugging Face和Cohere平台体验入口，赋能企业自动化视觉数据处理与决策分析。