智能Agent場景實戰指南 Day 18：Agent決策樹與規劃能力

【智能Agent場景實戰指南 Day 18】Agent決策樹與規劃能力

開篇

歡迎來到"智能Agent場景實戰指南"系列的第18天！今天我們將深入探討智能Agent的核心能力之一：決策樹與規劃能力。在現代業務場景中，Agent需要具備類似人類的決策能力，能夠根據環境變化和任務目標，自主選擇最優行動路徑。這種能力對于構建真正智能的Agent系統至關重要。

本文將系統講解如何為Agent實現高效的決策樹和規劃能力，包括技術原理、架構設計、完整代碼實現和業務應用案例。通過今天的學習，您將掌握：

  1. 決策樹在Agent系統中的應用原理
  2. 規劃算法的選擇與實現技巧
  3. 如何將決策能力集成到現有Agent框架中
  4. 實際業務場景中的決策優化策略

場景概述

業務價值

決策與規劃能力是智能Agent區別于簡單自動應答系統的關鍵特征。在復雜業務場景中，Agent需要：

  • 評估多種可能的行動方案
  • 預測不同決策的后果
  • 選擇最優執行路徑
  • 動態調整計劃以應對變化

這種能力在以下場景中尤為重要：

業務場景決策需求技術挑戰
智能客服選擇最佳解決方案路徑實時性要求高
供應鏈優化多因素動態規劃復雜約束條件
金融投資風險評估與策略選擇不確定性管理
醫療診斷分診與治療方案選擇知識復雜性

技術挑戰

實現高效的Agent決策與規劃面臨以下技術挑戰：

  1. 狀態空間爆炸：隨著決策點增加，可能的狀態呈指數級增長
  2. 不確定性與風險：現實環境中存在大量不可預測因素
  3. 實時性要求：許多業務場景需要快速響應
  4. 多目標優化：需要平衡多個可能沖突的目標

技術原理

決策樹基礎

決策樹是一種樹形結構，其中：

  • 內部節點代表決策判斷
  • 分支代表可能的判斷結果
  • 葉節點代表最終決策或行動

在Agent系統中，決策樹可以表示為：

class DecisionNode:
def __init__(self, name, condition=None, true_branch=None, false_branch=None, action=None):
self.name = name  # 節點名稱
self.condition = condition  # 判斷條件函數
self.true_branch = true_branch  # 條件為真時進入的分支
self.false_branch = false_branch  # 條件為假時進入的分支
self.action = action  # 葉節點對應的行動

規劃算法

Agent常用的規劃算法包括：

  1. 經典規劃：基于狀態空間搜索
  • 前向搜索
  • 后向搜索
  • 啟發式搜索
  1. 分層規劃：
  • HTN（層次任務網絡）
  • 抽象層次分解
  1. 概率規劃：
  • MDP（馬爾可夫決策過程）
  • POMDP（部分可觀察馬爾可夫決策過程）

決策與規劃集成

現代Agent系統通常采用分層架構集成決策與規劃：

感知層 → 決策層 → 規劃層 → 執行層

架構設計

系統架構

以下是Agent決策與規劃系統的核心組件：

  1. 狀態感知模塊：收集環境信息并維護當前狀態
  2. 知識庫：存儲領域知識和規則
  3. 決策引擎：評估當前狀態并生成決策樹
  4. 規劃器：基于決策樹生成可執行計劃
  5. 執行監控：跟蹤計劃執行并反饋調整

組件交互流程

  1. Agent接收任務或感知環境變化
  2. 狀態感知模塊更新當前狀態
  3. 決策引擎根據狀態和知識庫生成決策樹
  4. 規劃器將決策樹轉化為具體行動計劃
  5. 執行模塊執行計劃并監控結果
  6. 根據執行反饋調整決策和規劃

代碼實現

決策樹實現

class DecisionTree:
def __init__(self, root_node):
self.root = root_nodedef evaluate(self, context):
"""評估決策樹并返回最終決策"""
current_node = self.root
while True:
if current_node.action is not None:
return current_node.action  # 到達葉節點，返回行動# 評估當前節點條件
result = current_node.condition(context)
if result:
current_node = current_node.true_branch
else:
current_node = current_node.false_branch# 示例：客服Agent決策樹構建
def build_customer_service_tree():
# 定義條件判斷函數
def is_urgent(context):
return context.get('urgency', 0) > 5def is_technical(context):
return context.get('issue_type') == 'technical'def is_billing(context):
return context.get('issue_type') == 'billing'# 構建決策樹
root = DecisionNode(
"root",
condition=is_urgent,
true_branch=DecisionNode(
"urgent_issue",
action={"type": "escalate", "level": "high"}
),
false_branch=DecisionNode(
"normal_issue",
condition=is_technical,
true_branch=DecisionNode(
"technical_issue",
action={"type": "route", "team": "technical_support"}
),
false_branch=DecisionNode(
"non_technical",
condition=is_billing,
true_branch=DecisionNode(
"billing_issue",
action={"type": "route", "team": "billing"}
),
false_branch=DecisionNode(
"general_issue",
action={"type": "route", "team": "general_support"}
)
)
)
)
return DecisionTree(root)

規劃器實現

class HTNPlanner:
def __init__(self, domain_knowledge):
self.domain = domain_knowledge  # 領域知識庫def plan(self, task, context):
"""生成層次化任務網絡計劃"""
method = self._find_method(task, context)
if not method:
return [task]  # 原始任務subtasks = []
for subtask in method['subtasks']:
if isinstance(subtask, dict) and 'task' in subtask:
# 遞歸規劃子任務
subtasks.extend(self.plan(subtask['task'], context))
else:
subtasks.append(subtask)
return subtasksdef _find_method(self, task, context):
"""找到適合當前上下文的分解方法"""
for method in self.domain.get(task, {}).get('methods', []):
if self._evaluate_preconditions(method.get('preconditions', []), context):
return method
return Nonedef _evaluate_preconditions(self, preconditions, context):
"""評估前提條件是否滿足"""
for condition in preconditions:
if not condition(context):
return False
return True# 示例：客服領域知識
customer_service_domain = {
"handle_customer_query": {
"methods": [
{
"name": "route_by_issue_type",
"preconditions": [lambda ctx: "issue_type" in ctx],
"subtasks": [
{"task": "route_to_{issue_type}_team"},
{"task": "follow_up"}
]
},
{
"name": "default_handling",
"subtasks": [
"collect_customer_info",
"escalate_to_supervisor"
]
}
]
},
"route_to_technical_team": {
"methods": [
{
"subtasks": [
"verify_technical_details",
"assign_to_engineer"
]
}
]
}
}

關鍵功能

動態決策調整

Agent需要根據環境變化動態調整決策策略：

class AdaptiveDecisionMaker:
def __init__(self, initial_tree, learning_rate=0.1):
self.decision_tree = initial_tree
self.learning_rate = learning_rate
self.memory = []  # 存儲決策歷史def decide(self, context):
action = self.decision_tree.evaluate(context)
self.memory.append((context.copy(), action))
return actiondef update_tree(self, feedback):
"""根據反饋調整決策樹"""
for context, action, reward in feedback:
# 簡化版：根據獎勵調整條件閾值
node = self._find_decision_node(context)
if node and hasattr(node.condition, 'threshold'):
if reward > 0:
node.condition.threshold *= (1 - self.learning_rate)
else:
node.condition.threshold *= (1 + self.learning_rate)def _find_decision_node(self, context):
"""查找影響當前決策的節點"""
# 簡化實現，實際需要更復雜的搜索
current = self.decision_tree.root
while True:
if current.action is not None:
return Noneresult = current.condition(context)
if result:
if current.true_branch.action is not None:
return current
current = current.true_branch
else:
if current.false_branch.action is not None:
return current
current = current.false_branch

多目標決策優化

處理多個可能沖突的目標時，可以使用多目標優化技術：

def multi_objective_decision(context, objectives, candidates):
"""
多目標決策函數
:param context: 當前上下文
:param objectives: 目標列表，每個目標是一個(權重,評估函數)元組
:param candidates: 候選決策列表
:return: 最優決策
"""
scored_decisions = []
for decision in candidates:
scores = []
for weight, objective in objectives:
try:
score = weight * objective(context, decision)
scores.append(score)
except:
scores.append(0)  # 目標不可評估時得0分
# 使用加權分數
total_score = sum(scores)
scored_decisions.append((total_score, decision))# 返回最高分的決策
return max(scored_decisions, key=lambda x: x[0])[1]# 示例使用
objectives = [
(0.6, lambda ctx, d: d.get('customer_satisfaction', 0)),  # 客戶滿意度權重60%
(0.3, lambda ctx, d: -d.get('cost', 0)),  # 成本權重30%（負值表示越小越好）
(0.1, lambda ctx, d: d.get('speed', 0))  # 速度權重10%
]candidates = [
{'action': 'escalate', 'customer_satisfaction': 8, 'cost': 100, 'speed': 5},
{'action': 'auto_resolve', 'customer_satisfaction': 5, 'cost': 20, 'speed': 8},
{'action': 'route_to_team', 'customer_satisfaction': 7, 'cost': 50, 'speed': 6}
]best_decision = multi_objective_decision({}, objectives, candidates)
print(f"最優決策: {best_decision['action']}")

測試與優化

測試方法

  1. 單元測試：驗證每個決策節點和規劃步驟
  2. 場景測試：模擬完整業務流程
  3. 壓力測試：評估決策系統在高負載下的表現
  4. A/B測試：比較不同決策策略的效果

性能指標

指標類型具體指標評估方法
決策質量準確率、收益離線評估/在線測試
響應速度決策延遲性能測試
適應性策略調整速度變更響應測試
可擴展性節點處理能力負載測試

優化策略

  1. 決策樹剪枝：移除對結果影響小的分支
  2. 緩存決策結果：對相似狀態緩存決策
  3. 并行評估：同時評估多個決策路徑
  4. 近似算法：對復雜問題使用近似解法
def optimize_decision_tree(tree, samples, max_depth=5):
"""通過樣本數據優化決策樹結構"""
# 實現簡化版的決策樹優化
optimized_nodes = []def _optimize_node(node, depth):
if depth >= max_depth or node.action is not None:
return node# 評估當前節點的分割效果
sample_counts = {'true': 0, 'false': 0}
for sample in samples:
result = node.condition(sample['context'])
if result:
sample_counts['true'] += 1
else:
sample_counts['false'] += 1# 如果某個分支樣本極少，則考慮剪枝
if sample_counts['true'] < len(samples) * 0.1:
return _optimize_node(node.false_branch, depth+1)
elif sample_counts['false'] < len(samples) * 0.1:
return _optimize_node(node.true_branch, depth+1)# 遞歸優化分支
new_node = DecisionNode(
node.name,
condition=node.condition,
true_branch=_optimize_node(node.true_branch, depth+1),
false_branch=_optimize_node(node.false_branch, depth+1),
action=node.action
)
return new_nodereturn DecisionTree(_optimize_node(tree.root, 0))

案例分析：智能客服決策系統

業務需求

某電商平臺需要升級其客服系統，實現：

  1. 自動分類客戶問題
  2. 智能路由到最佳處理渠道
  3. 動態調整處理策略
  4. 實時監控解決效率

解決方案

我們設計了一個基于決策樹和分層規劃的智能Agent系統：

  1. 決策層：使用多級決策樹分類問題
  2. 規劃層：根據問題類型生成處理流程
  3. 執行層：協調不同系統執行具體操作

核心實現

class CustomerServiceAgent:
def __init__(self):
self.decision_tree = build_customer_service_tree()
self.planner = HTNPlanner(customer_service_domain)
self.state = {}def handle_query(self, query):
# 更新上下文狀態
self._update_context(query)# 決策階段
decision = self.decision_tree.evaluate(self.state)# 規劃階段
if decision['type'] == 'route':
task = f"route_to_{decision['team']}_team"
else:
task = decision['type']plan = self.planner.plan(task, self.state)# 執行階段
results = []
for step in plan:
if isinstance(step, str) and step.startswith('route_to_'):
team = step.replace('route_to_', '').replace('_team', '')
results.append(self._route_to_team(team))
elif step == 'follow_up':
results.append(self._follow_up())
elif step == 'escalate_to_supervisor':
results.append(self._escalate())
else:
results.append(self._execute_generic_step(step))return {
'decision': decision,
'plan': plan,
'results': results
}def _update_context(self, query):
"""從查詢中提取信息更新上下文狀態"""
self.state.update({
'issue_type': self._classify_issue(query),
'urgency': self._assess_urgency(query),
'customer_tier': query.get('customer_tier', 'standard')
})def _classify_issue(self, query):
"""簡化版問題分類"""
text = query.get('text', '').lower()
if 'payment' in text or 'bill' in text:
return 'billing'
elif 'login' in text or 'error' in text:
return 'technical'
return 'general'def _assess_urgency(self, query):
"""評估問題緊急程度"""
text = query.get('text', '')
if 'urgent' in text.lower() or 'immediately' in text.lower():
return 8
elif 'not working' in text.lower():
return 6
return 3def _route_to_team(self, team):
"""路由到指定團隊"""
print(f"Routing to {team} team")
return {'status': 'success', 'team': team}def _follow_up(self):
"""跟進處理"""
print("Scheduling follow-up")
return {'status': 'scheduled'}def _escalate(self):
"""升級處理"""
print("Escalating to supervisor")
return {'status': 'escalated'}def _execute_generic_step(self, step):
"""執行通用步驟"""
print(f"Executing step: {step}")
return {'status': 'completed', 'step': step}# 使用示例
agent = CustomerServiceAgent()
query = {
'text': "I can't login to my account and this is urgent!",
'customer_id': "12345",
'customer_tier': "premium"
}
result = agent.handle_query(query)
print(result)

實施效果

該解決方案實現了：

  1. 問題分類準確率提升40%
  2. 平均處理時間縮短35%
  3. 客戶滿意度提高25%
  4. 人工干預需求減少60%

實施建議

最佳實踐

  1. 漸進式部署：
  • 先在小范圍業務流中測試
  • 逐步擴大應用范圍
  • 建立回滾機制
  1. 知識維護：
  • 建立決策知識版本控制
  • 定期審核和更新決策規則
  • 實現知識熱更新機制
  1. 監控體系：
  • 實時跟蹤決策質量
  • 監控規劃執行效率
  • 建立異常預警機制

注意事項

  1. 決策可解釋性：
  • 記錄完整決策路徑
  • 提供決策依據說明
  • 實現決策追溯功能
  1. 風險管理：
  • 設置高風險決策的人工審核環節
  • 實現決策安全邊界控制
  • 建立應急干預機制
  1. 性能平衡：
  • 在決策質量和響應速度間取得平衡
  • 對復雜決策設置時間上限
  • 實現分級決策機制

總結

在今天的學習中，我們深入探討了Agent決策樹與規劃能力的實現方法，包括：

  1. 決策樹構建：如何構建和優化決策樹結構
  2. 規劃算法：分層任務網絡等規劃技術的實現
  3. 系統集成：將決策和規劃能力整合到Agent架構中
  4. 實戰案例：完整實現了一個智能客服決策系統

關鍵設計思想：

  • 分層決策：將復雜問題分解為多個決策層次
  • 動態調整：根據反饋持續優化決策策略
  • 多目標平衡：綜合考慮多個業務指標

明天我們將探討【Day 19: Agent工具使用與API調用】，學習如何讓Agent有效利用外部工具和API擴展其能力。

參考資料

  1. Decision Tree Learning - Wikipedia
  2. Hierarchical Task Network Planning
  3. Markov Decision Processes in AI
  4. Multi-Agent Decision Making
  5. Practical Decision Making for AI Agents

文章標簽：AI Agent, 決策樹, 規劃算法, 智能決策, 業務自動化, 人工智能應用

文章簡述：本文是"智能Agent場景實戰指南"系列的第18篇，深入講解了如何為智能Agent實現高效的決策樹和規劃能力。文章從業務場景出發，系統介紹了決策樹構建、規劃算法選擇、系統架構設計等核心技術，并提供了完整的代碼實現和優化策略。通過一個智能客服系統的實際案例，展示了如何將這些技術應用于真實業務場景，解決復雜決策問題。開發者可以從中學習到構建具有高級決策能力Agent的實用方法和技術。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/pingmian/90554.shtml
繁體地址，請注明出處：http://hk.pswp.cn/pingmian/90554.shtml
英文地址，請注明出處：http://en.pswp.cn/pingmian/90554.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

AI 編程工具 Trae 重要的升級。。。

AI 編程工具 Trae 重要的升級。。。

大家好&#xff0c;我是櫻木。 今天打開 Trae &#xff0c;已經看到它進行圖標升級&#xff0c;之前的圖標&#xff0c;國際和國內版本長得非常像&#xff0c;現在做了很明顯的區分&#xff0c;這點給 Trae 團隊點個贊。 自從 Claude 使出了壓力以來&#xff0c;Cursor 鎖區&…
閱讀更多...
排序算法，咕咕咕

排序算法，咕咕咕

1.選擇排序void selectsort(vector<int>& v) { for(int i0;i<v.size()-1;i) {int minii;for(int ji1;j<v.size();j){if(v[i]>v[j]){minij;}}if(mini!i)swap(v[i],v[mini]); } }2.堆排序void adjustdown(vector<int>& v,int root,int size) { int …
閱讀更多...
數據庫查詢系統——pyqt+python實現Excel內查課

數據庫查詢系統——pyqt+python實現Excel內查課

一、引言 數據庫查詢系統處處存在&#xff0c;在教育信息化背景下&#xff0c;數據庫查詢技術更已深度融入教務管理場景。本系統采用輕量化架構&#xff0c;結合Excel課表&#xff0c;通過PythonPyQt5實現跨平臺桌面應用&#xff0c;以實現簡單查課效果。 二、GUI界面設計 使用…
閱讀更多...
base64魔改算法 | jsvmp日志分析并還原

base64魔改算法 | jsvmp日志分析并還原

前言 上一篇我們講了標準 base64 算法還原&#xff0c;為了進一步學習 base64 算法特點&#xff0c;本文將結合 jsvmp 日志&#xff0c;實戰還原出 base64 魔改算法。 為了方便大家學習&#xff0c;我將入參和上篇文章一樣&#xff0c;入參為 Hello, World!。 插樁 在js代碼中&…
閱讀更多...
vue3筆記（2）自用

vue3筆記（2）自用

目錄 一、作用域插槽 二、pinia的使用 一、Pinia 基本概念與用法 1. 安裝與初始化 2. 創建 Store 3. 在組件中使用 Store 4. 高級用法 5、storeToRefs 二、Pinia 與 Vuex 的主要區別 三、為什么選擇 Pinia&#xff1f; 三、定義全局指令 1.封裝通用 DOM 操作&#…
閱讀更多...
大模型面試回答，介紹項目

大模型面試回答，介紹項目

1. 模型準備與轉換&#xff08;PC端/服務器&#xff09;你先在PC上下載或訓練好大語言模型&#xff08;如HuggingFace格式&#xff09;。用RKLLM-Toolkit把模型轉換成瑞芯微NPU能用的專用格式&#xff08;.rkllm&#xff09;&#xff0c;并可選擇量化優化。把轉換好的模型文件拷…
閱讀更多...
Oracle 19.20未知BUG導致oraagent進程內存泄漏

Oracle 19.20未知BUG導致oraagent進程內存泄漏

故障現象查詢操作系統進程的使用排序&#xff0c;這里看到oraagent的物理內存達到16G&#xff0c;遠遠超過正常環境&#xff08;正常環境在19.20大概就是100M多一點&#xff09;[rootorastd tmp]# ./hmem|more PID NAME VIRT(kB) SHARED(kB) R…
閱讀更多...
嘗試幾道算法題，提升python編程思維

嘗試幾道算法題，提升python編程思維

一、跳躍游戲題目描述&#xff1a; 給定一個非負整數數組 nums&#xff0c;你最初位于數組的第一個下標。數組中的每個元素代表你在該位置可以跳躍的最大長度。判斷你是否能夠到達最后一個下標。示例&#xff1a;輸入&#xff1a;nums [2,3,1,1,4] → 輸出&#xff1a;True輸入…
閱讀更多...
【菜狗處理臟數據】對很多個不同時間序列數據的文件聚類—20250722

【菜狗處理臟數據】對很多個不同時間序列數據的文件聚類—20250722

目錄 具體做法 可視化方法1&#xff1a;PCA降維 可視化方法2、TSNE降維可視化&#xff08;非線性降維&#xff0c;更適合聚類&#xff09; 可視化方法3、輪廓系數評判好壞 每個文件有很多行列的信息&#xff0c;每列是一個駕駛相關的數據&#xff0c;需要對這些文件進行聚類…
閱讀更多...
Qwen-MT：翻得快，譯得巧

Qwen-MT：翻得快，譯得巧

我們再向大家介紹一位新朋友&#xff1a;機器翻譯模型Qwen-MT。開發者朋友們可通過Qwen API&#xff08;qwen-mt-turbo&#xff09;&#xff0c;來直接體驗它又快又準的翻譯技能。 本次更新基于強大的 Qwen3 模型&#xff0c;進一步使用超大規模多語言和翻譯數據對模型進行訓練…
閱讀更多...
在 OceanBase 中，使用 TO_CHAR 函數 直接轉換日期格式，簡潔高效的解決方案

在 OceanBase 中，使用 TO_CHAR 函數 直接轉換日期格式，簡潔高效的解決方案

SQL語句SELECT TO_CHAR(TO_DATE(your_column, DD-MON-YY), YYYY-MM-DD) AS formatted_date FROM your_table;關鍵說明&#xff1a;核心函數&#xff1a;TO_DATE(30-三月-15, DD-MON-YY) → 將字符串轉為日期類型TO_CHAR(..., YYYY-MM-DD) → 格式化為 2015-03-30處理中文月份&a…
閱讀更多...
pnpm運行electronic項目報錯，npm運行正常。electronic項目打包為exe報錯

pnpm運行electronic項目報錯，npm運行正常。electronic項目打包為exe報錯

pnpm運行electronic項目報錯 使用 pnpm 運行 electronic 項目報錯&#xff0c;npm 運行正常&#xff0c;報錯內容如下 error during start dev server and electron app: Error: Electron uninstallat getElectronPath (file:///E:/project/xxx-vue/node_modules/.pnpm/elect…
閱讀更多...
8?? 高級特性—— 列表生成式

8?? 高級特性—— 列表生成式

文章目錄&#x1f9e0; 總結1. 基本語法2. 加篩選條件&#x1f501; 雙層循環&#xff08;全排列&#xff09;&#x1f4c2; 遍歷目錄&#x1f511; 遍歷字典&#x1f521; 轉小寫3. if 和 if...else 的區別4. 練習題&#x1f9e0; 總結 特性用法示例基礎語法[x for x in iter…
閱讀更多...
DocC的簡單使用

DocC的簡單使用

DocC的簡單使用 在寫3GShare中&#xff0c;由于剛開始使用MVC模式來寫東西&#xff0c;對很多東西都不是很熟&#xff0c;經常寫著寫著就忘了自己在寫什么&#xff0c;所以學了一下DocC來加快開發進度 什么是DocC 簡單來說&#xff0c;DocC就是更高級的注釋&#xff0c;雖然…
閱讀更多...
深入理解C語言快速排序與自省排序（Introsort）

深入理解C語言快速排序與自省排序（Introsort）

排序算法是計算機科學中最基礎也是最重要的知識之一。快速排序&#xff08;Quicksort&#xff09;因其平均時間復雜度為 O(n log n) 而廣受歡迎&#xff0c;但在最壞情況下會退化到 O(n)。為了克服這一缺點&#xff0c;自省排序&#xff08;Introsort&#xff09; 應運而生&…
閱讀更多...
C#編程基礎：運算符與結構詳解

C#編程基礎：運算符與結構詳解

目錄 一.關系運算符 常見關系運算符 二.邏輯運算符 常見邏輯運算符 1. 邏輯與&#xff08;&& 或 and&#xff09; 2. 邏輯或&#xff08;|| 或 or&#xff09; 3. 邏輯非&#xff08;! 或 not&#xff09; 運算符優先級 三.if語句 1.c#程序的三大結構 1.順序…
閱讀更多...
嵌入式學習-土堆目標檢測（3）-day27

嵌入式學習-土堆目標檢測（3）-day27

再學一個labelme在labelstudio環境中再pip install labelme安裝好后直接輸入 labelme之后點擊保存&#xff0c;選擇保存文件地址還有一個就是將labelme的格式轉化為yolo格式還是在labelstudio這個環境里面安裝pip install labelme2yolo
閱讀更多...
Qt OpenGL 集成：開發 3D 圖形應用

Qt OpenGL 集成：開發 3D 圖形應用

Qt 提供了完善的 OpenGL 集成方案&#xff0c;使開發者能夠在 Qt 應用中高效開發 3D 圖形應用。通過 Qt 的 OpenGL 模塊&#xff0c;可簡化 OpenGL 上下文管理、窗口渲染和跨平臺適配&#xff0c;同時結合現代 OpenGL 特性&#xff08;如著色器、頂點緩沖、紋理等&#xff09;實…
閱讀更多...
【NLP輿情分析】基于python微博輿情分析可視化系統(flask+pandas+echarts) 視頻教程 - 熱詞評論查詢功能實現

【NLP輿情分析】基于python微博輿情分析可視化系統(flask+pandas+echarts) 視頻教程 - 熱詞評論查詢功能實現

大家好&#xff0c;我是java1234_小鋒老師&#xff0c;最近寫了一套【NLP輿情分析】基于python微博輿情分析可視化系統(flaskpandasecharts)視頻教程&#xff0c;持續更新中&#xff0c;計劃月底更新完&#xff0c;感謝支持。今天講解熱詞評論查詢功能實現 視頻在線地址&#…
閱讀更多...
使用 Google Earth 的 DEM — 教程。

使用 Google Earth 的 DEM — 教程。

數字高程模型 (DEM)描繪了已知高程點之間的表面高程。本教程將向您展示如何使用 Google Earth 的高程數據生成 DEM。在當今世界&#xff0c;DEM 主要用于 GIS 應用。 當然&#xff0c;我們可以從美國地質調查局 (USGS) 網站下載數字高程模型 (DEM)。但如果我們想知道某個地點的…
閱讀更多...
最新文章

Copyright @ 2022~2023