- 博客(934)
- 资源 (5)
- 问答 (9)
- 收藏
- 关注
RSS订阅
原创 Qt源码分析--QObject(4)
解析了QObject类的disconnect、dumpObjectInfo、dumpObjectTree等函数。
2022-07-28 15:43:38
1292
原创 Python捕获try...except没抓到的异常
今天在修复项目的一个bug。bug是在点击某个Menu项时，程序会崩溃退出。然后，我就用try...except结构试图捕获异常。代码类似于这样：但是，程序并没有输出catch exception.这一句，还是崩溃退出时。最后，用了以下方法，捕获到程序出错时的调用堆栈。......
2022-07-14 14:02:59
1849
原创 Python全栈项目：从零构建基于 Django 的知识管理系统（KMS）
本文介绍了一个基于Python+Django的知识管理系统开发实践。系统采用Django4.2框架构建，具备Markdown编辑、分类标签管理、全文检索等核心功能。技术栈包含Bootstrap5前端、MySQL/PostgreSQL数据库，并集成Editor.md编辑器和Whoosh搜索引擎。文章重点分享了数据模型设计、Markdown渲染实现方案，以及开发过程中遇到的图片存储、目录树性能优化等典型问题的解决方案。项目充分体现了Django框架"内置电池"的优势，未来计划引入Docker
2026-04-24 17:02:56
376
原创 Python全栈项目实战：自建高效多媒体处理工具
在数字化时代，视频剪辑、格式转换、音频提取等需求已成为日常。虽然市面上有很多成熟的工具，但作为开发者，**亲手构建一个属于自己的“全栈多媒体处理平台”**不仅能深度掌握 Python 生态，还能解决隐私安全和批量化定制的痛点。本博文将带你梳理一个 Python 全栈多媒体处理工具的核心设计与实现方案。
2026-04-23 16:41:55
610
原创 解构 OpenWork：从 MCP 到 Skill Manager：构建可无限扩展的 AI 技能生态
OpenWork项目通过MCP协议和SkillManager架构，为AI行动能力提供了标准化解决方案。它将各类工具抽象为统一接口，支持动态加载可组合任务单元，实现AI技能的无限扩展。项目亮点包括浏览器深度整合、上下文感知和安全沙箱，旨在构建开放的AI技能生态，让开发者、企业和用户共享技能资源。OpenWork为AI从对话转向行动提供了关键技术路径，是推动AGI发展的重要基石。
2026-04-23 09:15:05
203
原创 打破沙盒限制：OpenWork 如何通过权限模型实现安全的系统级调用？
OpenWork是一款开源AI智能体开发框架，通过创新的权限模型解决了AI系统级操作的安全难题。其采用客户端-服务器架构，将GUI与执行层分离，并构建三层防护：限定工作目录的作用域、实时权限弹窗的人机协同机制以及完整操作日志审计。这使得AI既能读取文件、执行命令等系统操作，又确保所有敏感行为都需用户授权。OpenWork的开源特性让安全机制透明可验证，为开发者提供了既强大又安全的AI协作工具。
2026-04-22 09:15:44
302
原创 解构 OpenWork：Orchestrator 编排器深度解析：如何指挥 AI Agent 完成复杂任务？
本文深入解析了OpenWork框架中的核心组件Orchestrator（编排器），探讨其如何实现AI协作式办公。作为ClaudeCowork的开源替代方案，OpenWork以本地优先和高度定制化为特色，其Orchestrator组件通过四大机制实现复杂任务自动化：1）智能任务分解与规划；2）模块化技能管理系统；3）严格权限控制与人工干预机制；4）实时状态同步与流式更新。文章通过React代码优化案例，展示了Orchestrator从意图解析到验证闭环的完整生命周期，体现了OpenWork"可预测性
2026-04-21 09:26:37
326
原创 不止于 UI：OpenWork 的核心哲学与“引擎+外壳”架构全景图
OpenWork开源项目通过"引擎+外壳"解耦架构，实现了AI Agent从对话框到执行器的跨越。其核心设计理念强调透明性、隐私保护和可扩展性，采用本地优先原则确保数据安全和用户控制权。技术架构包含基于Tauri+React的轻量级外壳、任务编排引擎和模块化Skill系统，通过严格权限管理和实时通信机制，构建了一个安全可控的AI协作平台。该项目不仅优化了模型输出结构化处理，还积极适配行业标准协议，为开发者提供了构建高性能AI系统的参考范式。
2026-04-20 09:17:48
407
原创 [进阶篇] 性能优化指南：Toonflow 在 GPU 推理与显存管理上的实践
Toonflow作为AI短剧生产工具，针对GPU显存管理和推理加速进行深度优化。通过动态模型卸载、切片式VAE解码等技术，在8-12GB消费级显卡上实现高清视频渲染；采用FP16半精度、xFormers等方案提升推理速度；并针对短剧特点优化角色一致性处理。文章还提供了不同硬件配置的优化建议，展现了AI视频生成领域的技术创新与实践经验。
2026-04-15 09:42:35
378
原创 [前端篇] 桌面端与 AI 的碰撞：Toonflow 基于 Electron 的高效交互实现
Toonflow是一款开源AI短剧创作工具，通过Electron+Vue3技术栈实现高效桌面端体验。其特色包括：1）利用Electron多进程架构处理本地资源调度和离线服务；2）采用Vue3+Vite实现快速响应式界面；3）通过IPC通信确保AI任务流畅执行；4）智能分镜编辑器支持实时预览；5）优化海量素材处理，包括懒加载和SQLite缓存。项目展示了如何将大模型能力转化为易用的生产力工具，使AI创作更加触手可及。
2026-04-14 09:22:48
427
原创 [核心篇] 视频一致性算法：Toonflow 是如何处理视频闪烁问题的？
AI视频闪烁问题严重影响内容质量，Toonflow通过"结构化分镜控制+持久化Agent记忆+监督闭环"三位一体策略解决这一痛点。其核心机制包括：1)锁定视觉锚点确保帧间一致性；2)记忆系统保持跨镜头特征稳定；3)三层监督机制自动检测修复异常。忽视视频一致性将导致成本增加、质量下降和叙事断裂。建议用户精细配置参数并启用监督功能，将AI生成转化为可控的标准产线。Toonflow的系统级工程方案从根本上降低了闪烁风险，保障了视频的商业价值。
2026-04-13 09:02:56
235
原创 [架构篇] 解构项目蓝图：Toonflow 的模块化设计与 AI 管道流转
本文解析了开源AI短剧工具Toonflow的技术架构。其核心采用"无限画布"设计，将剧本、角色等元素抽象为可并行处理的节点，实现非线性创作。系统构建了三层AI Agent协作体系：决策层分解任务、执行层调用模块、监督层把控质量。通过模块化设计和插件化供应商系统，Toonflow实现了模型即插即用与本地推理增强，支持从小说解析到视频合成的完整AI创作流程。该架构展现了AI工具作为"管道指挥中心"的未来趋势，让创作回归创意本身。
2026-04-09 09:14:03
200
原创 [初识篇] 揭秘 Toonflow-app：如何打破视频与二次元的“次元壁”？
《Toonflow-app：打破次元壁的AI动画神器》摘要： Toonflow-app是一款革命性的开源视频转动画工具，通过集成StableDiffusion技术，让普通用户也能轻松制作专业级动漫风格视频。它解决了传统视频转动画的三大痛点：1)简化安装流程，实现开箱即用；2)采用先进算法解决画面闪烁问题；3)提供高质量的画面输出效果。该工具支持多模型适配、实时预览和一键渲染功能，兼容Windows和Mac系统，让短视频博主和动画爱好者无需专业技术就能创作出流畅的动漫风格视频，真正打破了现实与二次元之间的技术
2026-04-08 09:38:26
190
原创 动手实践：基于 Graphiti 源码定制一个具备长短期记忆的个人助理
Graphiti开源框架通过动态知识图谱技术解决了大语言模型(LLM)在个人助理应用中的记忆难题。相比传统向量数据库，Graphiti具备时态感知、关系驱动和自动演化三大优势，能有效处理复杂的时间跨度和实体关系。文章详细介绍了基于Graphiti构建个人助理的系统架构，包含短期记忆和长期记忆两个层级，并提供了从环境配置、记忆注入到检索唤醒的完整代码实现方案。通过修改源码的提取逻辑和权重算法，开发者可以进一步优化助理的记忆能力。实际演示表明，Graphiti能实现跨越时间的信息关联，为LLM应用从无状态聊天向
2026-04-07 08:59:49
193
原创 源码级优化：Graphiti 的并发处理与分布式记忆存储架构
Graphiti是一个开源的图记忆引擎，专为解决大模型应用中的记忆与逻辑推理问题而设计。它采用时间感知属性图结构，将非结构化数据转化为带时间戳的实体和关系，支持复杂知识网络的动态演进。系统通过异步任务编排、乐观并发控制和混合存储引擎（图数据库+向量数据库）实现高并发处理和分布式扩展，有效降低AI幻觉率并提升响应速度。其模块化架构支持从本地开发到分布式集群的无缝迁移，为需要长期记忆和复杂推理的AI应用提供了高效、可扩展的底层支持。
2026-04-03 10:59:31
435
原创 探究 Graphiti 在 Neo4j 之上的语义搜索与图遍历优化
Graphiti是专为LLM应用设计的图存储库，通过Neo4j将非结构化数据转化为动态知识图谱，突破传统向量搜索的局限。其核心创新包括：1）采用"实体与关系即一等公民"理念，自动提取并存储实体关系；2）实现混合语义搜索，结合向量匹配与图结构上下文；3）优化图遍历，通过语义引导和动态子图构建提升效率；4）支持时态图处理，维护记忆演进。Graphiti简化了开发复杂度，为构建具备深层语义推理能力的AI应用提供了新范式，标志着RAG技术从简单检索向智能推理的重要演进。
2026-04-02 09:23:33
257
原创 深入 LLM 提取层：分析 Graphiti 如何利用大模型自动化构建知识图谱
摘要：Graphiti是Zep推出的开源知识图谱框架，针对传统RAG在动态数据和复杂关系处理上的不足，创新性地利用LLM实现非结构化信息到结构化知识的自动转化。其核心LLM提取层具备实体识别、关系推理和时间锚定能力，支持冲突自动处理和双时态数据模型，使知识图谱具备动态更新和时效感知特性。相比传统RAG，Graphiti实现了亚秒级混合搜索和实时增量更新，为AI Agent提供了自演化的"数字大脑"，成为处理复杂业务逻辑和长期记忆的理想工具。
2026-04-01 09:17:40
331
原创 源码解读：Graphiti 如何定义实体（Entity）与时序关系（Temporal Edge）？
摘要：Graphiti开源项目创新性地采用动态知识图谱构建大语言模型的长期记忆系统。其核心突破在于时序关系（TemporalEdge）的设计，通过valid_at/invalid_at时间戳记录事实演变，支持版本控制和冲突解决。源码分析显示，实体（Entity）不仅包含基础属性，还通过LLM实现动态摘要更新。系统处理流程包含LLM提取、时序排序和冲突检测三个关键步骤，形成随时间演变的记忆架构。这种时序知识图谱为需要历史理解的AI系统提供了新型记忆范式，是高级RAG技术的重要实现方案。（149字）
2026-03-31 09:42:18
381
原创 为什么 AI 需要“图”？从向量检索到 Graphiti 动态图记忆的演进
《大模型记忆的进化：从向量检索到动态图谱》摘要：在AI智能体处理复杂任务时，传统向量检索(RAG)暴露出三大局限：缺乏结构化关联、多跳推理困难和时间感缺失。知识图谱因具备确定关系和路径搜索能力成为更优解，但传统静态图谱维护成本高。Graphiti创新性地引入动态图记忆引擎，通过自动提取实体关系、内置时间戳版本控制及混合检索技术，实现了AI记忆从"搜索式"向"认知式"的跃迁。这种具有时间感知的动态图谱，使AI能像人类一样建立持续更新的世界模型，标志着AI记忆进入RAG
2026-03-27 09:50:58
182
原创 源码阅读笔记：从 Openwork 看未来数字工人的形态
AI领域正从对话式AI转向行动式AI，GitHub开源项目Openwork展示了这一趋势。Openwork是一个构建通用数字工人的框架，通过视觉驱动和动态决策实现复杂操作。其核心架构采用感知-规划-行动-反思的循环，利用多模态模型理解屏幕内容并动态规划任务。未来数字工人将具备三大特征：通用界面操作能力、自主纠错机制和低操作门槛。尽管面临延迟和安全性等挑战，Openwork代表了AI从简单对话向实际执行的重要演进，有望将人类从机械劳动中解放出来。
2026-03-25 10:14:12
328
原创 自定义 Tooling：手把手教你为 Openwork 开发专属插件
本文介绍了如何为Openwork开发自定义工具插件，让AI智能体具备执行特定任务的能力。文章以天气预报工具为例，详细讲解了开发流程：首先定义参数模型和工具类，重点说明工具名称、描述、参数校验和执行逻辑的实现要点；然后介绍如何注册并加载工具到Agent中。此外还提供了进阶技巧，包括错误处理、文档优化和输出简化等建议。通过简单的Python代码和Pydantic模型，开发者可以扩展AI的能力边界，使其能够与现实世界进行交互。
2026-03-24 10:10:29
152
原创 揭秘 Openwork 调度逻辑：AI 是如何理解并拆解复杂指令的？
本文深入解析了Openwork开源项目如何实现从"对话式AI"向"代理式AI"的跨越。通过构建精妙的调度引擎和递归任务拆解机制，Openwork能够将复杂指令分解为可执行的原子操作，并采用Plan-Execute-Observe循环来动态调整执行过程。其核心创新包括意图解析、递归式任务拆解、动态状态机管理和工具调用等机制，使AI能够像人类一样思考并执行多步骤任务。这种模块化、透明且具有容错能力的设计，为构建实用的AI代理提供了重要参考。
2026-03-23 10:42:55
298
原创 极致私有化：在本地环境完美运行 Openwork 的避坑指南
摘要：Openwork是一款基于OpenCode的开源AI协作平台，支持完全本地化运行，提供类似Claude的交互体验。本文详细介绍了Openwork的核心架构（包括OpenCode引擎和MCP协议），并提供了本地部署的完整指南，涵盖桌面端安装和源码构建两种方式。特别针对开发者常见的配置问题（如子模块依赖、Linux图形渲染报错、权限设置等）提供了解决方案。同时推荐结合Ollama实现真正的离线运行，建议选用deepseek-coder-v2等模型。通过本地化部署Openwork，开发者可获得低延迟响应并确
2026-03-20 09:12:38
463
原创 为什么说 Openwork 是 AI Agent 从“对话”走向“行动”的关键一步？
AI正从"对话助手"向"智能代理"转型。当前大语言模型虽知识丰富，却受限于对话框无法直接操作系统。Openwork突破性地实现了AI对GUI的操控，通过视觉识别和闭环修正，让AI能像人类一样操作各类软件。这一开源项目具有跨平台通用性、本地化部署和低门槛三大优势，标志着AI从"坐而论道"到"起而行之"的关键转变。当AI能直接执行复杂任务流程时，将真正成为用户的"数字员工"，开启人机协作的新纪元。Openwork
2026-03-19 09:54:51
379
原创 WrenAI 深度解析：二次开发指南：如何为 WrenAI 增加自定义的数据源适配器？
摘要：WrenAI作为企业级数据分析工具，通过语义层解决LLM理解复杂表结构的问题。本文详解如何为其扩展自定义数据源适配器，包括：1）理解WrenEngine核心架构；2）实现Connector接口和SQL方言适配；3）注册ConnectorFactory；4）可选UI配合。该扩展可统一语义层、增强权限控制，为非技术人员提供自然语言查询接口。文章提供完整开发流程，从代码结构到调试验证，帮助开发者快速集成国产或自研数据库。
2026-03-18 09:21:35
441
原创 Python 操控 AutoCAD：告别“被呼叫方拒绝接收呼叫”报错
本文针对Python与AutoCAD交互时常见的COM接口拒绝访问问题（如_ctypes.COMError错误），提出了一种基于Windows底层IMessageFilter接口的智能重试方案。通过实现COM消息过滤器，当AutoCAD因UI繁忙、命令执行或界面渲染锁定而拒绝调用时，系统会自动延迟重试而非直接报错。核心代码利用ctypes和comtypes模块注册消息过滤器，在检测到调用被拒时返回1000毫秒延迟参数实现自动重试。该方法有效解决了传统time.sleep()无法处理的COM调用失败问题，使自
2026-03-17 10:44:45
248
原创 WrenAI 深度解析：协议之争：深入理解 WrenAI 如何兼容 Trino 协议实现即时查询
WrenAI通过兼容Trino协议，实现了AI语义层与主流BI工具的无缝集成。它作为智能代理网关，能将BI工具发出的SQL转化为底层数据库原生查询，同时保持语义一致性。这种设计既保留了企业现有BI生态，又提供了AI增强的查询能力，解决了指标不一致问题。虽然面临函数映射和性能优化等挑战，但WrenAI通过协议兼容性，降低了AI技术应用门槛，成为现代数据架构中的关键语义基础设施。
2026-03-17 09:15:07
375
原创 WrenAI 深度解析：算法视角：wren-ai-service 如何利用 RAG 与 Metadata 提升 SQL 准确率？
WrenAI通过构建"AI友好型中间层"解决Text-to-SQL的核心难题。其创新在于将语义层(Metadata)与RAG技术结合：Metadata定义业务概念、关联关系和计算指标，消除命名歧义；RAG精准检索相关上下文，缩小LLM的搜索空间。这种架构使LLM生成的SQL更准确，避免了直接处理复杂数据库时的语义鸿沟问题。WrenAI的突破在于将自然语言转化为确定性SQL指令，将数据工程师的工作重心转向语义建模而非SQL编写。
2026-03-16 09:10:24
458
原创 WrenAI 深度解析：源码探秘 wren-engine：Java 如何构建跨数据库的语义转换引擎？
WrenAI的Java后端引擎wren-engine通过构建语义层解决Text-to-SQL技术痛点。它将物理数据库表结构转化为业务逻辑模型，预定义指标和表间关系，使LLM能理解业务语义而非原始Schema。该引擎基于Java21和Trino解析器，采用MDL描述业务逻辑，通过AST转换和自动JOIN补全实现多数据库适配。其核心优势包括强类型安全校验、DuckDB加速元数据查询，以及解耦AI与底层数据库的能力，为AI与数据交互提供了高效的语义转换桥梁。
2026-03-13 09:22:56
385
原创 WrenAI 深度解析：Text-to-SQL 的“最后一公里”：为什么我们需要 WrenAI 的语义建模？
WrenAI开源项目解决了Text-to-SQL在企业应用中的关键痛点。传统方法因业务逻辑缺失、复杂Schema和AI幻觉等问题难以落地，WrenAI通过引入语义层(Semantic Layer)实现突破：1）将原始表转化为业务对象模型；2）预定义计算逻辑确保口径统一；3）显式声明表关系避免错误关联。其技术架构包含UI界面、AI服务和语义引擎三部分，能将自然语言查询转化为确定性的标准SQL。该项目标志着Text-to-SQL从演示场景向生产系统的进化，通过语义建模实现业务知识与AI的有效对接，真正打通了&q
2026-03-12 09:43:48
267
原创 剧终亦是开端：Agentic Workflow 会如何重构我们未来的工作流？
AI发展正从"对话框生成"迈向"工作流闭环"的新阶段。未来1-3年，智能体工作流将经历三个阶段演进：工具整合（SaaS应用Agent化）、组织重塑（企业部署数字员工）、自主生态（Agent自主完成任务）。这一转变将重构工作模式，人类角色将从执行者转变为工作流编排者和问题定义者。尽管AI能处理80%的执行工作，但人类的审美判断、价值观和风险管理能力仍是不可替代的核心竞争力。我们正站在从使用工具到管理智能的历史转折点。
2026-03-11 09:39:23
348
原创 AI Agent 的生产环境挑战：安全性、成本监控与人类反馈（HITL）
摘要：2026年AIAgent部署面临三大核心挑战：1）安全性需防范提示词注入、权限蔓延等风险，采取沙箱执行、最小权限等策略；2）成本监控要防止递归死循环，建立Token消耗率、递归深度限制等机制；3）人类反馈系统（HITL）设计需包含关键节点拦截、置信度阈值等机制。生产级AIAgent系统的80%代码用于处理边界情况，目标是构建可预测、可解释且受控的智能体，在确保人类随时干预的前提下实现规模化应用。（149字）
2026-03-10 09:13:47
328
原创 Agentic RAG：当检索增强生成遇上智能体，如何解决长尾知识的精准响应？
AgenticRAG突破传统RAG局限，通过智能体化处理长尾知识。传统RAG存在检索盲目、上下文污染和缺乏反思等问题，而AgenticRAG引入动态路由检索和多步验证机制，能自主选择检索路径并持续优化结果。其核心创新在于将检索转化为智能动作，支持多源检索（向量库/知识图谱/网络搜索）和闭环验证，显著提升复杂问题处理能力。这种以计算时间换取答案质量的范式转变，使RAG从简单信息检索升级为具备推理能力的智能分析系统，在商业和科研领域展现出更强的可靠性。
2026-03-09 11:44:50
327
原创 实战演练：用 CrewAI 搭建一套自动化的自媒体内容创作流水线
本文介绍如何利用CrewAI框架构建AI内容创作流水线，通过三个智能体（搜索员、文案员、审核员）分工协作提升自媒体内容生产效率。搜索员负责收集主题信息，文案员加工成文章，审核员把关质量，形成完整的工作流程。文章详细讲解了环境配置、智能体定义、任务设置及团队组建方法，并分享了并行执行、人工干预等进阶技巧。这种多智能体协作模式能显著提高内容产出效率和质量，为自媒体创作者提供高效解决方案。
2026-03-06 09:06:18
408
原创 告别单打独斗：CrewAI 核心理念——像管理团队一样管理 AI
摘要： CrewAI通过角色（Role）、任务（Task）、流程（Process）三大核心概念重构AI协作模式。角色赋予AI专业身份（如“市场分析师”），提升输出质量；任务将目标拆解为可执行的工单，明确依赖关系；流程（顺序或层级）定义协作规则，确保团队高效运转。三者缺一不可：角色锚定专业，任务指引方向，流程整合个体。CrewAI的创新在于将人类团队管理智慧移植到AI系统，推动AI从“工具”升级为“协作者”，实现复杂任务的高效分工与协作。
2026-03-05 09:09:32
366
原创 从 Demo 到幻灭：AutoGPT 在实际生产中的坑与反思
回顾了2023年初AutoGPT热潮中的实践教训。作者从亲身经历出发，剖析了三大核心问题：AI易陷入死循环重复操作、长任务导致token成本失控和推理质量衰减，以及上下文窗口的局限性。文章揭示了LLM作为概率模型与人类认知的本质差异，指出过度期待自主性而忽视可控性的误区。最终提出务实建议：将复杂任务拆分为短链、建立硬性终止机制、采用人在回路的混合架构。这段经历映射了技术从Demo惊艳到生产落地的典型曲线，提醒开发者在追求创新时保持工程化思维。
2026-03-04 11:03:29
476
原创 AutoGPT 拆解：那个曾让 GitHub 疯狂的“孤狼“ Agent 到底强在哪里？
AutoGPT 拆解：那个曾让 GitHub 疯狂的“孤狼” Agent 到底强在哪里？要点： 分析自主目标分解（Task Decomposition）与自我迭代机制。
2026-03-03 09:52:47
592
原创 给 Agent 装上“长短期记忆“：LangChain 存储组件的进阶玩法
本文深入探讨LangChain中三种核心记忆组件的原理与应用，为AI助手构建长效记忆系统。大语言模型本身无状态，而真实对话需要上下文记忆。三种方案各有特点：WindowMemory通过滑动窗口保留近期对话，适合短对话场景；SummaryMemory动态压缩历史为摘要，处理长对话更高效；VectorStoreMemory通过向量检索实现语义记忆，支持超长对话和知识库应用。文章还提出组合策略建议，如"双轨记忆"系统，并给出选型决策树和成本对比。最终指出，生产级Agent需结合多种记忆方案，在
2026-03-02 09:25:14
581
Python全栈项目代码：基于 Django 的知识管理系统
2026-04-24
Python全栈项目代码-Python多媒体处理工具
2026-04-23
Python全栈项目代码-校园共享单车管理平台
2026-02-25
Python全栈项目代码-智能家居安全监控系统
2026-02-09
Python全栈项目代码-基于深度学习的坐姿纠正系统
2026-02-06
Python全栈项目代码-实时数据处理平台
2026-02-04
Python全栈项目代码-基于机器学习的垃圾邮件过滤系统
2026-01-28
Python全栈项目代码-校园图书馆管理与推荐系统
2026-01-27
Python全栈项目代码-智能客服机器人的设计与实现
2026-01-16
Python全栈项目代码-基于Django的项目管理系统
2026-01-06
Python全栈项目代码-校园智能停车管理系统
2025-12-31
Python全栈项目代码：智能会议室预约管理系统
2025-12-05
Python全栈项目代码-基于机器学习的用户行为分析系统
2025-12-04
Python全栈项目代码-基于深度学习的图像风格迁移系统
2025-11-25
Python全栈项目代码-校园失物招领平台
2025-11-21
Python全栈项目代码-多智能体协作代码生成器
2025-11-10
Python全栈项目代码：结合Puppeteer和AI模型操作浏览器
2025-11-09
Python全栈项目代码-智能家庭能源管理系统
2025-11-07
Python全栈项目代码：数据可视化大屏
2025-11-05
Python全栈项目代码-智能垃圾分类识别系统
2025-10-29
Java全栈项目代码-多人协同编辑系统
2025-10-27
Python全栈项目代码-基于计算机视觉的车牌识别系统
2025-10-27
Python项目源码-基于机器学习的学生成绩预测系统
2025-10-27
Python全栈代码：校园活动管理与推荐平台
2025-09-30
Python全栈代码-云存储系统
2025-09-29
Python全栈代码-智能问答系统
2025-09-28
Python全栈代码：基于深度学习的语音识别系统
2025-09-26
Python的Django框架开发的一个功能完善的在线教育平台
2025-09-25
Pyton全栈项目-交互式VR教育应用源码
2025-09-25
Python源码-基于计算机视觉的手势识别控制系统
2025-09-12
基于Python全栈技术开发的校园智能导航系统源码
2025-09-11
智能农业监控与管理系统
2025-08-29
SEO优化自动化工具源码
2025-08-19
基于Django的企业资源管理系统源码
2025-08-18
Java全栈-低代码平台源码
2025-08-14
C#循环中不重复输出信息到日志
2024-03-07
C#提交json字符串给http服务器
2024-02-29
C#调试时不能更改代码
2024-02-29
找一本C#4.5参考大全电子书
2024-02-27
phonegap用new Media生成的音频文件保存在iphone的哪个目录下
2016-06-01
怎么能用xcode做真机调试
2016-05-24
替换eclipse生成的apk图标
2016-05-04
怎么sendmessage选中Combobox的某一项
2015-11-13
error C2064: 项不会计算为接受 0 个参数的函数
2015-09-21
mfc mdi窗口最小化状态恢复后没有自动刷新
2015-09-18
mdi子窗口怎么怎么自动改变大小 MFC
2015-09-10
有没有界面可视化生成代码的程序
2015-07-16
怎么访问javascript脚本$里的函数？
2015-05-18
TA创建的收藏夹 TA关注的收藏夹
TA关注的人