登录社区云,与社区用户共同成长
邀请您加入社区
从 API 12 到 API 26 的迁移是一项系统工程,涉及 11 个模块、数十个 API 变更点。通过"commonLib 优先、按模块分批、三步递进"的策略,我们可以在保证应用稳定性的前提下平滑地完成升级。迁移完成后,英语学习 App 将获得方舟引擎性能提升、星盾安全增强、AgentCard 桌面入口、端侧大模型等 7.0 新特性的全面赋能。
传统产品经理转型AI产品经理的学习路线图:1. 掌握AI基础知识(机器学习/深度学习);2. 学习Python编程、数据处理工具(Pandas/NumPy)及框架(TensorFlow/PyTorch);3. 理解AI产品管理方法论与市场分析;4. 通过项目实战积累经验;5. 补充行业知识与AI伦理规范;6. 提升沟通协作与领导力。建议8周分阶段学习,并持续跟踪技术发展。文末提供AI大模型学习资源
没有容错机制的流水线就像用玻璃搭建的桥梁,一触即碎。在大语言模型直连端侧的架构中,安全与容错(Fault Tolerance)是决定应用生死的红线。AI-Native 应用的开发,与其说是一场技术的迭代,不如说是一次对开发者心智模型的重塑。在声明式 UI(ArkUI)的加持下,界面渲染的复杂度已经被降到了极低的水准。但与之相对的,将高度非确定性的大模型输出,安全、平滑、极速地转换为端侧的确定性状态
新公司采用“前沿部署工程”(Forward Deployed Engineering, FDE)模式,专家团队直接嵌入客户企业,与客户共同设计、部署并持续优化AI系统。微软商业业务首席执行官贾德森·阿尔托夫(Judson Althoff)在官方博客中表示,这将打造“业内规模最大、以业务成果为核心导向的工程组织”。微软计划向该业务投入25亿美元,并调配6000名行业及工程专家,派驻客户企业内部。目前
本文介绍了如何在HarmonyOS 7.0(API 26)应用中接入图像超分辨率重建功能。该功能通过AI技术将低分辨率图像重建为更清晰的版本,适用于老照片修复、截图增强等场景。文章详细说明了权限配置、分析器创建(含超时保护机制)、图库图片选择及超分处理的关键代码实现,并提供了完整的Demo示例。重点解决了首次调用需联网下载模型、真机运行限制等常见问题,帮助开发者快速集成这一图像增强能力。
体温记录(Temperature)是一款基于HarmonyOS ArkTS框架开发的健康数据记录工具,其核心功能是帮助用户记录每日体温数值、追踪体温变化趋势、评估体温健康状态。这款应用将传统的体温记录方式数字化,提供直观的数值输入、大字号实时显示、历史记录列表以及智能体温状态评估功能,为用户的健康管理提供数据支持。在技术实现层面,体温记录应用充分展示了HarmonyOS声明式UI开发范式的核心能力
本文分析了HarmonyOS6应用开发中的两个关键技术问题:一是ContactsKit联系人选择API调用时因参数误用导致的401错误,指出应使用IN操作符而非循环EQUAL_TO条件进行多值筛选;二是AI助手类应用在内容分享时的性能优化方案,建议对实时性要求高的场景优先采用系统级滚动截图而非海报生成。文章通过具体代码示例,详细说明了正确API调用方法及长截图实现原理,为开发者提供了提升应用稳定性
长时对话真正难的地方,不是模型一次能读多少token,而是系统怎么管理这些token背后的信息生命周期。JiuwenSwarm 这套实践给我的感觉很清楚:用 Context Offload 让当前上下文保持轻量。用 Markdown 记忆保存长期事实、用户偏好和每日上下文。用的 FTS5 与向量混合检索实现按需召回。用 Dreaming 和 Task Memory 把对话与任务经验沉淀下来。用 A
本文通过两个ArkUI组件开发案例,复盘了鸿蒙应用开发的核心概念。文章从功能实现后回顾基础的重要性出发,系统讲解了@ComponentV2、struct、build()的组件基本结构,重点分析了组件分层、状态管理(@Local/@Param/@Event)和响应式数据(@ObservedV2/@Trace)的使用场景。通过AI总结卡片和问题走马灯卡件的具体实现,阐述了如何通过组件抽离降低复杂度、提
文章摘要: HarmonyOS的effectKit提供了ColorPicker工具,可从图片中智能提取主题色。它支持多种取色方式:getMainColor获取主色调,getLargestProportionColor提取占比最多的颜色,getTopProportionColors获取前N种主要颜色,getHighestSaturationColor找出最鲜艳的颜色,以及getAverageColo
华为高教军团解决方案资深专家张正钢表示,AIPL面向全学科分层分类,从通识、专业到应用,构建了懂AI、会AI、用AI的人才培养体系,进而携手伙伴扩展“学、练、赛、创”闭环,推动AI时代人才培养范式变革。在近日召开的"人工智能+构筑产教融合新生态——智涌钱潮2026产教科融合发展研讨会"上,华为不仅展示了AI时代新型数智人才培养的解决方案,更宣布将继续深入推进"教育+科技+人才"三位一体的产教融合实
在数字化转型浪潮中,企业管理者和数据分析人员每天都要面对海量数据报表。传统的BI工具虽然功能强大,但操作复杂、学习曲线陡峭;移动端的数据查看往往只是PC端的简单移植,缺乏针对移动场景的深度优化。HarmonyOS 6(API 23)带来的悬浮导航(Floating Navigation)和沉浸光感(Immersive Lighting)能力,让我们有机会打造一个常驻屏幕边缘的AI数据分析师——它像
2026年,医疗智能体已成为垂直领域最火热的应用方向。医疗智能体提供智能问诊、临床决策支持、医学影像分析、患者管理等服务,基于大规模真实医学数据与临床案例进行训练,在影像判读、智能问诊、临床决策支持等场景中全方位提升医疗服务质量和效率。传统医疗影像诊断往往采用固定的PACS界面和静态报告,医生需要手动调阅影像、逐层分析、再手动撰写报告。而在HarmonyOS 6的PC大屏环境下,这种被动式诊断模式
能不能自己做一款 App 上架应用商店?这个念头在脑子里转了很久,但每次想到要从零搭建一个完整的 App——UI 设计、业务逻辑、打包签名、上架审核——就觉得工程量太大,迟迟没有动手。直到最近接触了这个概念,一切变得不一样了。你只需要描述你想要什么,让 AI 帮你写代码。你不需要精通每一门语言的语法,不需要记住每个 API 的参数,甚至不需要从头搭建项目骨架。你要做的,是把脑子里的想法清晰地表达出
脱敏参数还原:原题目隐藏3DGS基线重建精度、FaceID相似度计算基准、PSNR评估像素基准、150万高斯球存储容量上限,依据三维重建行业通用工程标准,还原为:PSNR以原图无压缩像素为评估基准;FaceID相似度采用国标人脸识别比对算法阈值标准;150万高斯球为端侧内存常驻上限;云端计时从视频输入加载完成至重建文件输出结束为完整端到端时长。脱敏约束还原:原题目省略云端算力配置、端侧硬件平台、视
这篇文章详细介绍了鸿蒙真机云平台第一阶段的落地实现方案。全文围绕四个核心环节展开:真机接入、画面代理、Web控制和平台治理闭环,目标是构建稳定的测试平台能力而非简单的投屏功能。 技术实现上,系统采用分层架构:设备层通过HDC+UiTest接入鸿蒙真机;Agent层处理服务启动和端口映射;平台层负责设备状态管理;前端层实现远控交互。关键创新点包括:基于agent.so的扩展机制、JPEG帧流传输方案
展区(B馆B37)规划了丰富的展示内容,平面布局清晰,包含17个核心展示点,如“Atlas使能数据中心”、“智能驾驶计算平台”、“FusionServer Pro智能服务器”、“一站式AI开发平台ModelArts”、“华为云EI智能体”等,涵盖了智能计算的多个核心应用场景。主会场作为活动的核心,其规划细致入微。总而言之,这份活动策划方案内容详尽,条理清晰,从宏观的场地规划到微观的物料设计、从核心
《昇腾芯片底层架构深度解析与优化路径》摘要:本文从工程视角拆解华为昇腾芯片的四大核心模块(控制、计算、存储、接口),分析其在AI算力调度中的三大痛点:算力利用率低、IO匹配不足和多场景适配成本高。针对性地提出两条优化路径:过渡性的工程级调优方案可提升算力利用率30-50%,而本源架构优化方案则能实现60-80%的性能提升,彻底解决IO瓶颈。文章隐藏了关键参数以保护核心技术,同时为后续异构计算协同和
本文中的代码全部来自项目现有实现,核心逻辑集中在。
本文介绍了HarmonyOS开发中常用的显示类和交互类组件。显示类组件包括Clock时钟组件(支持24/12小时制切换)、TickTimer定时器(存在已知bug)、ProgressBar进度条及其圆形变体RoundProgressBar。交互类组件重点讲解了TextField文本输入框(含密码显示切换案例)、Button按钮(含位置随机变化案例)、Checkbox多选框(含时间格式自定义案例)和
摘要(150字) DeepSeek V4成为全球首个完全运行在华为昇腾950PR芯片上的顶级大模型,标志着中国AI算力自主化的关键突破。昇腾950PR作为2026年量产的推理专用芯片,支持FP4精度(1.56 PFLOPS算力),显存达112GB,多模态生成速度提升60%,单卡性能超英伟达H20 2.87倍。DeepSeek团队完成从CUDA到华为CANN Next的全栈迁移,攻克MoE架构适配、
本文介绍了一系列计算机毕业设计项目案例和技术服务,涵盖数据分析、微信小程序、人工智能等多个领域。博主提供从选题指导到论文降重、答辩辅导等全流程服务,涉及SpringBoot、Vue、Python等主流技术。文章推荐了20+新颖选题案例,包括AI法律咨询、无人机航迹优化、虚拟股票交易等系统,每个案例均标注技术栈、创新点和开发难度。同时还展示了贷款数据分析、智能健身评估等已完成项目的界面截图,为计算机
ECS架构:数据与逻辑分离,支持100+实体同屏60FPS自研物理引擎:空间哈希优化碰撞检测,包体<100KB粒子系统:对象池优化,支持复杂特效商业化闭环:广告+IAP+数据分析完整方案后续扩展方向:分布式多人对战:基于鸿蒙软总线实现本地多人联机AI生成关卡:集成盘古大模型动态生成关卡跨设备流转:手机游玩→平板大屏→车机娱乐无缝切换HarmonyOS游戏生态正处于红利期,原生ArkUI方案为中小开
2026年4月7日,国内头部灾备厂商爱数(AISHU)宣布全面拥抱开源商业模式,将以AGPL为基础加商业专有的双轨开源协议开源Anybackup V9,目标是成为全球开源数据服务平台。2023年12月,华为在OceanProtect数据保护新品发布会上正式宣布将备份软件open-eBackup开源,采用MPL 2.0协议。华为数据存储产品线总裁周跃峰彼时直言:中国数据备份意识薄弱,备份软件核心技术
本文作为华为盘古大模型登顶世界巅峰系列专栏的**收官之作**,立足全球大模型竞争格局,对前九篇技术方案进行系统性整合与升华。文章以「空间场本源论+反推法」为核心逻辑,串联训练效率、推理性能、超长上下文、多模态融合、行业适配、安全对齐、工具链生态、鸿蒙协同等八大核心模块的突破成果,构建**全链路技术闭环+全场景生态闭环+全球化竞争力体系**。方案隐藏核心落地参数与关键阈值,保留工程化架构与顶层设计逻
本文作为系列专栏第八篇,直击华为盘古大模型**生态拓展与工具链效率**两大核心瓶颈,针对当前开发者接入门槛高、工具链碎片化、训练-部署-调试全流程割裂、跨平台适配复杂、生态合作动力不足等痛点,基于「空间场本源论+反推法」提出全链路工具链重构与生态体系升级方案。方案核心隐藏关键技术参数与底层接口细节,保留工程化架构与落地逻辑,完全适配华为昇腾算力与鸿蒙生态技术栈。本文面向AI开发者、生态运营人员与架
本文作为系列专栏第九篇,聚焦华为盘古大模型与鸿蒙生态**端侧原生适配、端边云全域协同**核心痛点,针对当前端侧模型部署难、功耗过高、端云能力割裂、系统适配浅层化、分布式算力调度低效等问题,基于「空间场本源论+反推法」搭建原生级深度协同架构。方案核心隐藏底层适配参数、功耗调度阈值、分布式接口协议等关键技术,仅保留工程化架构与落地逻辑,完全贴合鸿蒙分布式架构、昇腾端侧算力与盘古大模型技术栈,面向端侧A
本文作为系列专栏第七篇,聚焦华为盘古大模型**安全对齐与幻觉抑制**核心痛点,针对模型生成内容幻觉率高、价值观对齐不彻底、行业合规性不足、风险内容管控薄弱、全链路安全机制缺失等问题,基于「空间场本源论+反推法」搭建全流程安全对齐架构。方案从预训练、微调、推理全链路重构安全管控逻辑,关键核心参数、算法阈值做隐藏处理,完全适配华为现有技术栈与行业监管要求,面向AI高级工程师、架构师、安全研发人员,阐明
本文作为系列专栏第六篇,直击华为盘古大模型**垂直行业落地**环节的核心痛点,针对当前全参数微调成本高昂、行业数据隐私泄露风险高、模型泛化性与专业性难以兼顾、端边云多环境适配复杂等问题,基于「空间场本源论+反推法」构建轻量化行业适配体系。核心提出「基础模型+行业适配器」的闭环架构,关键参数与核心算法细节做隐藏处理,完全贴合华为昇腾算力与鸿蒙生态技术栈。本文面向行业AI架构师、产品经理与高级工程师,
本文作为系列专栏第五篇,直击华为盘古大模型**多模态融合**领域核心瓶颈,针对当前模态间特征空间割裂、跨模态语义对齐精度不足、多模态生成协调性差、硬件适配效率低等痛点,基于「空间场本源论+反推法」展开底层技术拆解。提出构建**统一多模态空间场表征架构**,从根源打通文本、图像、音频、视频、3D数据的特征映射逻辑,实现跨模态精准对齐与高效协同。方案关键参数做隐藏处理,完全贴合华为昇腾算力与鸿蒙生态技
本文作为华为盘古大模型登顶世界巅峰系列第四篇,聚焦**超长上下文窗口**这一核心技术瓶颈,针对当前盘古大模型上下文窗口偏小、长文本推理遗忘、高序列处理成本高、KV缓存效率低等痛点,基于「空间场本源论+反推法」核心逻辑,拆解底层技术缺陷,提出可落地的工程化重构方案。方案聚焦注意力机制与KV缓存管理两大核心,关键参数做隐藏处理,贴合华为现有技术栈与昇腾算力生态,不超纲、不浮夸,可让高级工程师、架构师清
本文聚焦华为盘古大模型**端边云全场景推理链路**核心瓶颈,针对推理延迟高、显存/内存占用超标、端侧算力受限、高并发场景吞吐量不足等痛点,展开工程化底层拆解与全链路优化方案设计。方案立足昇腾硬件与鸿蒙生态特性,构建差异化推理引擎体系,关键参数做隐藏处理,整体内容符合高级工程师/架构师技术认知逻辑,不超纲、不浮夸,客观阐明推理环节性能极致优化的可行路径与核心价值,为盘古大模型实现全场景低延迟、高可用
本文作为华为盘古大模型登顶世界巅峰系列第二篇,聚焦大模型训练环节核心痛点,立足昇腾AI算力底座,从数据预处理、分布式训练架构、梯度优化三大核心维度,拆解盘古大模型训练效率低、算力利用率不足、模型收敛不稳定、训练周期冗长等问题的底层根源。提出贴合现有技术栈的工程化优化方案,关键参数做隐藏处理,整体内容符合大模型研发规范,可让高级工程师、架构师明晰训练环节破局逻辑,为后续模型训练性能极致提升提供落地思
盘古大模型核心痛点溯源与世界巅峰级架构顶层设计
本文为本系列专栏结论篇,立足客观工程研发视角,针对前文十篇核心技术方案的公开版(关键参数隐藏)、完整落地版(关键参数全开放),分别阐述技术价值、阅读启发与实际落地效果。全文基于大模型行业通用研发标准、全球顶级大模型性能基准,秉持客观、严谨、不夸大的原则,面向AI高级工程师、架构师、技术决策者,清晰说明两类版本的核心意义与实际落地能力,为读者理解本系列专栏技术内核、判断方案可行性提供精准参考。