RT，请问排行榜更新的时间和频率

(2026年03月发布） < 华为云AgentArts智能体开发平台 体验入口>华为开发者空间--开发平台--AgentArts （请在PC端打开）  版本概览 AgentArts是一个企业级一站式智能体构建与运营平台。它打破了传统开发壁垒，支持研发与业务人员通过可视化、低代码的方式，快速搭建从简单助手到复杂业务流的各类AI应用。本次版本更新带来了20+新特性，覆盖智能体构建流程优化及能力拓展、丰富组件库、用户体验优化等，聚焦效率提升与场景扩展，为开发者带来更智能、更灵活的AI应用开发体验。  新特性介绍 一 资产广场 1）应用模板和插件预置内容，支持免费体验额度业务价值：提供免费体验额度10次，新手友好，开箱即用体验 2）新增50+预置应用模板/插件，开箱即用，高效复用业务价值：进一步丰富资源库，赋能开发者以“搭积木”的方式高效构建智能体。 二 智能体管理 1）代码节点优化：FunctionGraph优化，增加代码节点入参类型、增加委托，优化依赖包管理，同时支持FunctionGraph作为资源导入导出业务价值：提升代码节点在处理自定义复杂业务逻辑的能力，提高易用性。 2）导入导出优化：工作流、智能体导入导出解耦，应用关联的插件、工作流等配置可同步导出；新增支持模型、供应商、路由策略资源导出导入业务价值：更好地支撑应用资产的跨环境流动和规模化部署 3）平台支持导入Dify工作流：支持Dify的DSL转换成AgentArts DSL；支持HTTP请求节点业务价值：实现Dify平滑迁移到AgentArts，实现工作流应用的无缝接入图：导入弹窗图：工作流导入成功图：HTTP请求节点 4）大模型组件（大模型、提问器、意图识别、消息等节点）和结束节点支持一键引入参数业务价值：支持提示词快速引用参数，提升效率 5）消息节点优化：支持配置消息内容是否写入会话历史业务价值：根据场景可选，当用于记录用户与机器人的对话场景，以便模型能更好理解用户意图。 6）对话工作流支持相似问题推荐，在工作流全局配置中增加追问功能业务价值：辅助对话工作流业务开展，提升智能化问答能力，优化对话体验 7）Agent试运行时支持导入初始参数值，并进行参数格式校验；试运行弹窗增加开始节点和记忆变量的JSON导入入口业务价值：一键导入，提升效率图：参数导入与校验图：JSON数据导入 8）工作流编排画布支持注释能力，可为节点增加卡片注释业务价值：通过注释提供和获取操作指导，解决复杂编排中的可读性与可维护性问题，提升团队协作力 9）支持入参变量：入参变量用于在API调用时向智能体动态传入外部信息，通常用于注入具有确定性的业务逻辑、上下文信息或特定参数（如：用户ID、业务单据编号等确定性数据）业务价值：实现确定性信息注入、组件间灵活引用、API动态赋值等多重效果。 10）多轮对话记忆能力，历史对话轮数参数支持调整为100业务价值：提升应用记忆能力，可围绕用户需求提供更个性化的内容输出   三 组件库-知识库  1）资产广场-知识库共享，支持将自定义的本地知识库或创建的第三方知识库共享给他人查看、使用业务价值：可在当前租户下的所有团队间共享使用，便于团队多成员快速调用，更高效地利用知识库，可提升协作与效率。（备注：不支持跨租户共享） 2）支持通用知识库的接入：提供统一的接入规范，连接General知识库业务价值：帮助用户快速接入自开发的知识库，以实现密钥鉴权、数据查询、知识检索等业务逻辑。 3）单个智能体/工作流挂载知识库数量拓展，最多可添加10个知识库（企业版）业务价值：提升知识库挂载能力，丰富智能体的“外挂书架”的延展技能。 4）知识库KooSearch支持三方Embedding模型（企业版）用户在开通KooSearch后，如果需要在AgentArts中使用自定义Embedding/精排模型，先在KooSearch中进行配置。配置时，模型类型选择 “搜索Embedding/精排模型”。配置指导文档，请点击业务价值：集成企业版用户在koosearch平台的模型资源，支持更灵活的模型选用。  四 组件库-插件 1）插件导入能力增强，支持符合OpenAPI3.0规范的JSON文件导入业务价值：简化插件配置流程，实现自动解析文件内容，避免繁琐的手动录入，提高配置效率。  五 组件库-MCP 1）自定义创建MCP，支持‌OAuth2.0鉴权（依赖MCP网关）业务价值：丰富插件鉴权方式，更便捷搭建MCP 2）支持配置MCP服务的输入参数，支持编辑和引用变量，配合记忆功能使用业务价值：支持将动态参数（如用户Token）传递给MCP服务，当API调用时通过headers传递该参数，便于API调用智能体。  六 运营运维-评估 1）新增30+平台预置评估器：创建评估器时，可选用预置的提示词模板；在评估任务中，也可选择预置的评估器进行配置。业务价值：为用户提供开箱即用式模板，降低使用门槛，提升专业度。 2）新增评估任务报告：在“评估报告”页签中，可全面、直观地查看评估任务的最终结果，页面采用模块化设计，分为总览、得分统计、人工标注统计三大区域业务价值：从多个维度呈现评测数据的表现，助力高效分析与决策。 3）评估器支持版本管理：可查看评估器的历史版本，支持删除特定版本，并可将当前版本还原至任意历史版本业务价值：便于版本迭代与问题追溯 4）评测集支持版本管理：支持查看评测集的历史版本，可删除旧版本，并恢复至任意历史版本业务价值：确保评测数据的可管理性与可回溯性 5）支持标签管理：用户可在标签管理页面新建标签，创建后可应用于评估结果中业务价值：实现对评估数据的结构化标注与分类 6）支持数据标记：在任务评估完成后，可对自动化评估结果进行人工标注业务价值：以补充判断、提升结果的可解释性与实用性。 7）评测集数据支持导入和导出业务价值：方便用户灵活管理与共享评测数据，提升数据复用效率与协作能力。  八 用户体验优化 1）Agent在变量引用赋值时，按节点对象进行折叠；打开参数自动定位到已选节点参数上业务价值：在节点和变量值过多时，节点分类折叠简化呈现方式；自动定位所需节点，减少误操作率。 2）工作流调试日历功能优化：显性化会话记录，直观展示调用状态及数值业务价值：简化调试的操作步骤，效率提升。 3）高级意图识别节点，选择意图包时提供一个快速创建的跳转链接业务价值：提供“创建意图包”的快捷入口，操作无断点，效率提速。 4）工作流节点，新增快速查看资料教程的入口业务价值：提供快速查看文档说明的快捷方式，用户友好，优化体验 5）工作流应用编排节点配置面板，支持手动调整宽度业务价值：提升编辑的灵活度，满足不同用户操作需求  诚邀您立即体验AgentArts智能体开发平台，解锁全新智能之旅！开发个人专属的生产级智能体。点击进入>>控制台  点击可前往>>华为云AgentArts智能体开发平台 官网

YOLO官方使用的AI框架的变化情况可以分2个阶段，YOLOv1 - YOLOv3：由YOLO算法的原始作者Joseph Redmon开发，使用C语言编写，并基于一个叫做 Darknet 的深度学习框架，而不是PyTorch或TensorFlow。YOLOv5及以后 (YOLOv8, v9, v10, v11)：原作者停止更新后，YOLO的接力棒主要交到了 Ultralytics 等团队手中。目前最新、最流行的版本，官方明确使用 PyTorch 框架进行开发和维护。你可以在它们的官方GitHub仓库和文档中看到，核心代码和预训练模型（.pt文件）都是基于PyTorch的。在YOLOv3和v4时代，有很多开发者基于TensorFlow复现了YOLO算法。这些非官方的、但质量很高的开源项目，让TensorFlow用户可以很方便地训练和使用YOLO。同时，官方的PyTorch本身也支持将训练好的模型导出为多种其他格式，以便在不同环境中部署。你可以将 .pt (PyTorch) 模型先转换成通用的 .onnx 格式。再将 .onnx 转换成 TensorFlow 专用的 .pb 格式，甚至是专为移动端和嵌入式设备设计的 TensorFlow Lite (.tflite) 格式。所以，很多开发者是“用PyTorch做训练，转成TensorFlow做部署”，从而在同一个项目里用上了两个框架的优势。

最近 **Anthropic 官方发布了一份 33 页的 Claude Skills 构建指南**。很多人看到这个消息时的第一反应是：> Skills 不就是 Prompt 模板吗？如果只是这么理解，那就低估它了。这份指南其实透露了一件更大的事情：**AI 应用的开发方式正在发生变化。**过去几年，大多数 AI 应用是这样的：```用户 → Prompt → LLM → 输出```但现在越来越多 AI 系统开始变成：```用户 → Agent → Skills → 工具 → 结果```也就是说：**Prompt 在减少，能力模块在增加。**Anthropic 的这份 Skills 指南，本质是在告诉开发者：**如何把 AI 能力做成模块化系统。**---# 目录- 1 Claude Skills 到底是什么- 2 Skills 的核心设计思想- 3 Skills 的工程结构- 4 Skills + MCP 的 Agent 架构- 5 Skills 的五种设计模式- 6 Skills 如何测试- 7 Prompt工程 vs Agent工程- 8 AI Agent 技术栈- 9 为什么 Skills 会成为 Agent 的核心能力---# 1 Claude Skills 到底是什么Anthropic 的官方定义其实很简单：**Skill = 一组可复用的任务流程。** 本质上，它就是一个 **能力模块**。一个 Skill 的典型结构是：```your-skill-name/SKILL.mdscripts/references/assets/```其中最重要的是：```SKILL.md```这个文件包含：* YAML 元信息* 技能描述* 执行步骤* 示例* 错误处理例如：```yaml---name: sprint-planningdescription:  自动规划项目冲刺任务  当用户说“规划冲刺”“创建任务”时使用---```执行流程：```1 获取项目状态2 分析团队容量3 建议任务优先级4 创建任务```简单来说：**Skill = 把经验封装成模块。**---# 2 Skills 的核心设计思想Anthropic 在文档中提出了三个核心理念。 ---## 1 渐进式加载Skill 不会一次性加载全部内容。而是三层结构：```Layer1  YAML metadataLayer2  SKILL.mdLayer3  references```加载流程如下：```mermaidflowchart TDA[用户请求] --> B[加载YAML元信息]B --> C{是否触发Skill}C -->|是| D[加载SKILL.md]D --> E[执行任务流程]E --> F[按需读取references]```这种设计带来的好处：* 节省 token* 保留复杂知识* 降低上下文污染---## 2 可组合性Claude 可以 **同时加载多个 Skills**。例如：```design-skillcoding-skillanalysis-skillreport-skill```一个 Agent 任务中可能变成：```Agent ├ design skill ├ coding skill └ report skill```所以设计 Skill 时必须注意：**不要假设自己是唯一技能。**---## 3 可移植性同一个 Skill 可以运行在：* Claude.ai* Claude Code* API* Agent 系统也就是说：**写一次，到处使用。**---# 3 Skills 的工程结构官方推荐的工程结构如下：```skill-name│├── SKILL.md├── scripts├── references└── assets```每个组件的作用：| 组件         | 作用     || ---------- | ------ || SKILL.md   | 核心逻辑   || scripts    | 自动执行脚本 || references | 知识文档   || assets     | 模板资源   |一个 Skill 的典型执行流程：```mermaidsequenceDiagramUser->>Claude: 创建项目计划Claude->>Skill: 触发SkillSkill->>MCP: 获取项目数据MCP->>Skill: 返回数据Skill->>Claude: 生成计划Claude->>User: 输出结果```---# 4 Skills + MCP 的 Agent 架构如果说：**MCP 是连接层**那么：**Skills 就是知识层。** 架构如下：```mermaidflowchart TDUser --> AgentAgent --> SkillsSkills --> MCPMCP --> GitHubMCP --> NotionMCP --> LinearMCP --> Slack```一句话总结：```MCP 解决：AI 能做什么Skills 解决：AI 应该怎么做```---# 5 Skills 的五种设计模式Anthropic 总结了五种常见设计模式。---## 1 顺序工作流适合：多步骤自动化任务。```创建账户↓设置支付↓创建订阅↓发送欢迎邮件```---## 2 多 MCP 协同例如设计交接流程：```mermaidflowchart TDA[Figma MCP]A --> B[导出设计资产]B --> C[Drive MCP]C --> D[创建文件夹]D --> E[Linear MCP]E --> F[创建开发任务]F --> G[Slack MCP]G --> H[通知团队]```---## 3 迭代优化适合：报告生成、数据分析。```生成初稿↓质量检查↓修改↓重新验证```---## 4 情境工具选择```大文件 → 云存储协作文档 → Notion代码文件 → GitHub```---## 5 领域知识 Skill例如金融风控系统：* 风险规则* 合规流程* 审计记录都可以嵌入 Skill 中。---# 6 Skills 如何测试官方给出三种测试方式。 ---## 1 触发测试验证 Skill 是否正确触发。例如：应该触发：```帮我创建项目帮我规划冲刺创建任务```不应该触发：```今天天气写Python脚本```---## 2 功能测试验证任务是否成功执行。例如检查：```任务是否创建参数是否正确MCP调用是否成功```---## 3 对比测试比较：```无 Skillvs有 Skill```官方示例：| 指标      | 无技能   | 有技能  || ------- | ----- | ---- || 消息数     | 15    | 2    || API错误   | 3     | 0    || token消耗 | 12000 | 6000 |---# 7 Prompt工程 vs Agent工程这张图最能说明问题：```mermaidflowchart LRPrompt[Prompt]Prompt --> LLMLLM --> OutputAgent[Agent]Agent --> SkillsSkills --> ToolsTools --> Result```对比：```传统AI应用Prompt → LLM → 输出Agent系统Agent → Skills → 工具 → 结果```---# 8 AI Agent 技术栈如果从系统架构看，AI Agent 的技术栈大致如下：```mermaidflowchart TDUser --> AgentAgent --> MemoryAgent --> SkillsSkills --> MCPMCP --> ToolsTools --> ExternalSystems```系统分层：```用户↓Agent↓Skills↓MCP↓外部系统```---# 9 为什么 Skills 会成为 Agent 的核心能力Prompt 最大的问题是：**经验无法沉淀。**每次都要重新写。但 Skills 可以：```把经验封装成能力模块```例如：```coding-skillanalysis-skillreport-skilldesign-skill```未来 AI 系统很可能变成：```mermaidflowchart TDAgentOS --> SkillsMarketplaceSkillsMarketplace --> MCPMCP --> ToolsTools --> ExternalSystems```也就是：```Agent+ Skills+ MCP+ Tools```这非常像软件系统：```操作系统+ 函数库+ 插件```---# 结语Anthropic 发布 Skills 指南，其实透露出一个非常清晰的趋势：**AI 正在从“聊天系统”变成“能力系统”。**未来 AI 工程的核心很可能不再是：```Prompt Engineering```而是：```Agent Engineering```在这种架构下：* Skills 是能力模块* MCP 是工具连接层* Agent 是调度系统如果你正在做：* AI Agent* 自动化系统* MCP工具* 企业AI应用那么 Skills 这种能力封装方式，很可能会成为 **下一代 AI 工程的重要模式**。

1. AI开发平台ModelArts新功能2025年12月份到2026年2月份没有发布新功能。半年没有发布新功能了，只做了文档更新，如下：ModelArts文档导航围绕大模型开发训推流程开展，不再按产品形态区分用户指南。ModelArts的专属资源池、轻量算力节点、轻量算力集群文档都合并到《算力资源管理》文档中。新增《 数据准备》、《模型评测》 、《模型调用》 文档。2. 人工智能相关直播合集2月份的相关整理如下：Oam-Tools & AMCT工具介绍与使用AMCT是亲和昇腾AI处理器的模型压缩工具，致力于模型的“瘦身”和“提速”，解决模型尺寸庞大带来的显存占用高和计算规模大的问题。oamtools则是运维工具，问题分析工具。刚好最近在做quantize算子，所以这个直播还是很有帮助的，特别是量化部分。cid:link_0PyPTO & Runtime开源解读PyPTO是CANN推出的一款面向 AI 加速器的高性能编程框架，旨在简化算子开发流程，同时保持高性能计算能力。pyPTO是方便算法开发人员开发算子的高效框架，提供不同层次的抽象级别。而Runtime则是底层算子运行的机制。上下都有了解，则对于打通整体就很有帮助。cid:link_1  

AMP是 Automatic Mixed Precision（自动混合精度）的缩写。混合精度：在训练中同时使用FP16（16位浮点数）和FP32（32位浮点数）自动：框架自动决定在合适的地方使用合适的精度AMP的目标：结合两者优点，避开各自缺点精度类型优点缺点FP32数值稳定，精度高显存占用大，计算慢FP16显存占用减半，计算快数值范围小，容易溢出工作原理训练过程中的精度分配前向传播 + 反向传播 → FP16（快速计算） ↓ 梯度更新 → FP32（精确更新） ↓ 主权重存储 → FP32（保持精度）比如在某训练中的体现：cast_model_type : torch.float16 # 模型计算用FP16 keep_batchnorm_fp32 : True # BN层特殊处理 master_weights : True # 保存FP32主权重 loss_scale : 1024.0 # 损失缩放防止下溢为什么需要损失缩放（Loss Scaling）呢？因为FP16能表示的最小正数是约 6e-5，如果梯度太小就会变成0（下溢）。损失值 × 缩放因子(1024) → 放大梯度 → 反向传播 → 更新权重时还原总结：AMP的优势训练加速：通常提升1.5-3倍显存减少：模型显存占用降低40-50%精度保持：通过FP32主权重保持模型精度在PyTorch中使用AMP的典型代码：# 现代PyTorch推荐方式 with torch.cuda.amp.autocast(): output = model(input) loss = loss_fn(output, target) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()

 < 华为云AgentArts智能体开发平台 体验入口>华为开发者空间--开发平台-- AgentArts （请在PC端打开）   hi各位开发者们，我们很高兴向大家宣布，原Versatile智能体平台迎来里程碑式更新！产品名称由“华为云Versatile智能体平台”变更为“华为云AgentArts智能体开发平台”，围绕“更贴切的产品理念表达、更朗朗上口的产品名“的初衷，实现全新品牌升级。本次版本升级以”如何让开发者更容易地构建出高质量的Agent应用？“为思考主线，面向百万开发者进行分层体验设计，通过极简开箱、模版预置一键应用、操作直观一步直达、意图精准收敛等，缩短端到端开发时间，面向用户开发、运行、运营运维全旅程，构建低门槛、高质量的全链路体验竞争力。新版本的体验改进覆盖界面UI设计、产品菜单布局、公测/订购流程、核心操作流程等多方面，以匹配新的产品架构，更易于用户理解，大幅降低使用门槛。从菜单整合到操作路径简化，从新增特性到交互优化，每一处改变都致力于让智能体的构建更简单、运行更稳健。——AgentArts产品团队   01 品牌焕新，全新启航从Versatile到AgentArts，品牌名称升级彰显华为云智能体家族的全面实力全新视觉系统，传递更专业、更易用、好用、开放的平台形象02 极简设计，一目了然全新界面以用户分类分层体验设计为核心，去除冗余元素，聚焦核心功能菜单架构整合重组，逻辑更清晰，操作路径缩短50%以上03 流程简化，高效操作关键功能界面优化布局，核心数据与操作入口一目了然。产品公测、订阅流程全面简化，一键提交，高效直通04 新增评估，加持运营运维观测能力：多维监测，帮助开发者和运维人员高效管理和优化系统评估能力：支持高效开展评估任务，开箱即用，保障AI应用的稳定运行 🤖TO 开发者：更流畅的智能体编排与调试体验，无论您是业务专家还是开发者，都可以通过自然语言或图形化拖拽，快速构建出具备专业知识、自主决策能力和系统执行力的“智能助手”；⚡TO 运维团队：全链路可视化观测+系统化评估能力，直击运维痛点；📈TO 企业管理者：纵览Agent开发与调用全局，辅助高效决策。    AgentArts是一个企业级一站式智能体构建与运营平台。它打破了传统开发壁垒，支持研发与业务人员通过可视化、低代码的方式，快速搭建从简单助手到复杂业务流的各类AI应用。平台覆盖了智能体全生命周期管理，核心能力包括灵活编排、能力集成、可信运维。AgentArts致力于降低大模型应用门槛，助力企业将AI能力与实际业务深度融合，实现规模化落地。总览首页是平台信息的综合门户，提供多维度的快捷入口，包括快速入门、深度开发、运营运维，以及精选案例、快速指引。资产广场资产广场提供了一系列丰富的资源和工具，包括应用模板、模型、MCP、插件、提示词。面向用户开放共享，快速复用资产，赋能开发者以“搭积木”的方式高效构建智能体。开发中心整合智能体管理、组件库、开发配置，用户在开发中心可灵活编排应用，通过可视化画布、拖拽式编排，极低门槛构建生产级智能体。运营运维囊括观测、评估等能力，实现端到端效果调优，通过运营运维体系确保Agent上线后的质量监控与持续进化。图：产品架构图    · 公测申请：新用户点击“立即申请”，一键提交申请，等待审批即可。大幅简化流程（备注：此项适用于未开通产品、申请公测的用户，将出现弹窗提醒申请） · 登陆平台时，弹窗提示新功能上线：便于用户快速浏览版本更新的新特性，了解产品动态（备注：此项适用于非首次开通产品的用户，将出现弹窗提示） · 首页改版：优化信息呈现，增强平台核心价值传递与入门指引优化点：通过页签切换，提供多维度业务快捷入口；案例区域用户可一键复制开启任务 · 菜单架构优化，整合相关联功能，支持展开、折叠。核心功能模块整合成四大块：总览、资产广场、开发中心、运营运维，以及管理面的授权管理、资源管理。图：菜单全貌图：点击资产广场进入子菜单 · 以页签形式切换展现各功能模块，保持整体形式一致性：分类清晰，提升操作流畅度 · 依赖云服务一键开通及授权：依赖云服务可以在购买页快速授权和开通，一体化开发体验，提升效率 · 一站式模型开通配置：同账号下MAAS已开通部署的模型服务，在AgentArts自动关联，模型配置列表进行标识 · 智能体管理页优化：3项应用构建模式页签切换，为新手提供开发步骤指引 · 单智能体编排体验优化优化点：界面布局优化，功能摆放更符合用户习惯，页面沉浸式增强；优化提示词区域、模版引用与保存功能的交互 · 工作流应用，编排体验优化：提供清晰流程执行逻辑，提升易操作性；优化点：连线操作区域放大，节点右侧输出桩可直接新增节点，新增后自动优化布局，连线结束方向增加箭头展示；支持常见快捷键和入口引导；键鼠结合的形式新增和删除节点 · 提交版本体验优化 ：AI应用开发完成后，无需跳转新页面，直接弹窗完成任务 · 渠道管理体验优化：整合调用方式和分享渠道版块，方便用户操作    · 资产广场预置资产达200+：覆盖行业必备的应用模版、模型、MCP、插件、AI Capability等，全面扩展平台能力边界业务价值：开箱即用，支持用户快速复用资产、工具，降低开发门槛，高效构建AI应用，满足个人与企业用户的多样化需求。 ·工作流应用-代码节点支持智能生成代码：支持选择大模型智能优化代码，根据填写的描述、入参、出参及说明，精准生成适配代码。业务价值：AI自动生成适配代码，大幅降低编程门槛，提升代码逻辑和质量，效率加倍。图：填写描述、入参、出参及说明图：智能生成代码   评估是指通过一系列标准化的数据和评估标准，对AI Agent（智能体、工作流）效果评估的过程。评估功能旨在帮助开发者在多个维度上优化AI Agent，确保其在实际应用中表现更佳，同时提高开发效率和准确性。 AgentArts评估的整体业务价值：1）质量定调：为 Agent 的发布提供“准入标准”，通过量化分数（如相关性、合规性、准确性）代替主观感觉2）研发效能：自动化批量评估代替人工逐条审查，将原本需要数天的回归测试缩短至分钟级3）成本优化：在离线环境提前发现模型调用的冗余或逻辑死循环，降低线上 Token 消耗风险4）数据闭环：支持将线上 Bad Case 沉淀为测试集，实现“生产报错 -> 离线复现 -> 修复验证”的闭环 评估功能用户旅程：创建评测集->评估器->评估任务新增亮点功能：· 评估器：支持自定义评估器、离线评估以及模型判定LLM as a Judge；可开展评估器版本管理· 评测集：通过配置列信息，添加评测集数据，建立测试样本；支持多版本管理评测集· 评估任务：支持智能体评估全生命周期管理，借助评测集、评估器，对评估对象进行全面分析；支持实验室任务，可选自动化执行、在线查看评估报告等图：创建评测集图：创建评估器图：创建评估任务   诚邀您立即体验AgentArts智能体开发平台，解锁全新智能之旅！开发个人专属的生产级智能体。点击进入>>控制台  点击可前往>>华为云AgentArts智能体开发平台 官网

Skill这个概念在2025年底由Anthropic公司为他们的AI模型Claude推出后迅速走红，它正在重新定义我们与AI的协作方式。维度AI对话/Prompt工程AI “Skill”工作方式口头交代。每次都需要把需求、背景、规范详细地告诉AI。按手册执行。AI根据预先定义好的标准作业程序（SOP），自动、规范地完成任务。经验复用一次性的。优秀的提示词可能随着对话结束就丢失了，下次还得重新想、重新写。可沉淀、可复用。专家的经验、团队的最佳实践都被封装在Skill里，可以像工具包一样分享给团队任何人，甚至跨平台使用。AI行为即兴发挥。每次生成的结果可能都不太一样，质量不太稳定，容易“跑偏”。稳定可控。执行的是标准流程，输出格式和内容都有保障，AI的行为变得可预期。资源利用全量灌输。为了说清楚一件事，可能要输入很长的提示词，浪费Token也容易让AI“分心”。按需加载。Skill只在被需要的时候才加载完整“说明书”，平时只有“目录”，非常高效。从技术上讲，一个 “技能包”本质上就是一个标准化的文件夹，里面通常包含：一份核心手册 (SKILL.md)：这是灵魂文件，包含技能的“自我介绍”（元数据）和详细的“工作说明书”（执行步骤、规范和注意事项）。一个工具箱 (scripts/ 文件夹)：里面放着可以被AI直接调用的脚本，比如一个Python脚本，用于自动抓取网页、处理数据或调用外部API。一个参考资料库 (references/ 文件夹)：存放API文档、模板、规范手册等文档，供AI在执行任务时查阅。Skill的出现意味着：从“写提示”到“用技能”：未来，我们可能不再需要为每个任务都写详细的提示词，而是像安装App一样，从“技能市场”下载或自己定制一个“技能包”给AI，然后专注于提需求和审核成果。个人和团队经验的资产化：你可以把自己摸索出来的、特别好用的AI工作流（比如一套稳定的代码审查流程）封装成一个Skill。下次自己用，或者分享给同事，都能获得完全一致的高质量效果。AI协作变得更专业：这意味着AI正从一个通用的聊天工具，转变为一个能融入我们专业工作流、遵循行业规范的专业数字员工。

最想吐槽的点是界面风格，真的是纯AI风，紫色还是渐变紫还有以下问题：1、不能使用wsl等远程连接，只能在win下开发不是很方便2、CodeArts Agent  还在去年的相同产品版本，还在给出要求分步完成，现在主流都是planing了。3、修改代码的可视化不足，修改中不显示文件名我不知道它在修改那个文件。点击文件没有显示修改的内容只有全部完成在变更文件才可以看到，就算完成了打开修改的文件也看不到修改了哪些还是只能在变更文件中查看。4、修改代码是全部重写（Write工具来重写整个文件），不是很理解为什么要这样。一个600行代码修改了几分钟最终加了2行代码删了4行代码。5、速度真的是巨慢！代码段不能添加到输入框只能整个文件引入。 

Mish（Diganta Misra在2019年的一篇论文《Mish: A Self Regularized Non-Monotonic Neural Activation Function》中首次正式提出并系统性地论证了这个函数）平衡了梯度流动与非线性表达能力，尤其在视觉任务中表现突出，但计算开销略高。可以将其与ReLU做一简单比较：平滑性：Mish是非单调、光滑连续函数（处处可导），而ReLU在零点处不可导。无上界有下界：输出范围约 (-0.31, +∞)，保留少量负值信息，避免ReLU的“神经元死亡”问题。梯度优化更优：相比Swish等函数，Mish在深层网络中梯度更稳定，训练效果更好。我们再对比一下Mish与包括Sigmoid在内的其他光滑激活函数：与Sigmoid/Tanh相比：非饱和性Sigmoid和Tanh是饱和型函数（两端梯度趋近于0），容易导致梯度消失。Mish在正区间是无饱和的（类似ReLU），梯度不会趋近于0，缓解了梯度消失问题。与Swish相比：梯度行为更好Mish是Swish（x * sigmoid(x)）的改进版。在负值区域，Mish的梯度更平缓；在正值区域，其曲率变化更优，使得优化过程更平滑稳定。独特的设计公式Mish(x) = x * tanh(softplus(x))， 其中softplus(x) = ln(1 + e^x)。这个组合使其同时具备了无饱和、自门控、平滑的特性。Mish 兼具了ReLU系的无饱和优势（避免梯度消失）和Sigmoid系的平滑优势（优化更稳定），是这两类特性的一个高效平衡与结合。

一、概述1.1 适用对象AI应用开发者Python开发者旅游爱好者想要学习多模态大模型应用的开发者1.2 案例流程本案例将使用CodeArts代码智能体生成程序完成以下工作：准备旅行照片，获取华为云ModelArts API密钥和百度地图API密钥使用Python程序读取照片EXIF信息（GPS坐标、拍摄时间）调用Qwen2.5-VL-72B视觉模型分析图片内容使用百度地图API进行逆地理编码，获取详细地址和附近景点调用DeepSeek-R1文本模型生成小红书风格旅游文案自动生成精美的HTML格式旅行手账案例流程如下图所示：说明：VS Code远程连接云开发环境（容器）；VS Code集成CodeArts Doer for Coding插件，搭建CodeArts代码智能体；设置智能体模式，快速构建华为云智能旅行手账程序。1.3 资源总览本案例预计花费2元（假设照片不超过10张，分析一张手机照片一般需要1.5千tokens）。体验完成后请及时释放资源，避免产生多余的费用。资源名称规格单价（元）时长（分钟）华为云ModelArts APIDeepSeek-R1130华为云ModelArts APIQwen2.5-VL-72B输入:¥0.016 / 千tokens输出:¥0.048 / 千tokens30百度地图API逆地理编码 + 景点搜索免费额度30云开发环境Python 3.7+免费30二、环境和资源准备2.1 领取华为云MaaS平台商用大模型Tokens福利登录华为开发者空间，参考案例《华为云MaaS平台商用大模型Tokens领取使用指导》中的“二、 领取MaaS平台商用大模型Tokens”章节内容，领取MaaS平台DeepSeek-R1商用大模型Tokens代金券，购买ModelArts Studio DeepSeek Tokens套餐包，开通商用模型服务，最后获取到模型的API地址、模型名称和API Key。开通商用模型服务，获取以下信息：API地址：https://api.modelarts-maas.com/v1/chat/completions视觉模型名称：qwen2.5-vl-72b文本模型名称：DeepSeek-R1API Key：您的API密钥注意：记录API Key、API地址以及模型名称留作后面步骤使用。2.2 获取百度地图API密钥访问百度地图开放平台：cid:link_4注册并登录账号创建应用，获取AK（API Key）开启"逆地理编码"和"地点检索"服务权限，前者将GPS坐标转换为地址信息，后者查找该地址最可能的旅游景点，从而获得照片所对应的景点信息注意：记录API Key留作后面步骤使用。2.3 创建云开发环境参考案例《基于华为开发者空间 - 云开发环境（容器）搭建CodeArts代码智能体》中的“二、VS Code远程连接云开发环境（容器）”和“三、搭建CodeArts代码智能体”步骤，完成VS Code远程连接云开发环境（容器）并搭建CodeArts代码智能体。2.4 准备开发环境本案例使用Python 3.7+，需要安装以下依赖：pip install Pillow==10.0.0 requests==2.31.0三、构建智能旅行手账应用3.1 部署项目代码在CodeArts代码智能体对话框中输入如下问题，使智能体自动构建智能旅行手账程序：# 华为云智能旅行手账 # 功能 使用Python语言开发程序，具备以下功能： 1. 读取指定目录中的图片，使用视觉大模型进行图片内容分析，利用文本大模型针对图片内容和图片的地理位置信息、拍摄时间等生成旅游手账。 2. 地理位置信息逆解析采用百度地图API，解析后在该地点找到最近的旅游景点。 3. 旅游手账格式为HTML，语言风格类似小红书的游记。 4. 生成以下单元测试程序，方便调试程序 * 获得图片中地理位置信息并进行逆解析的单元测试程序 * 视觉理解的单元测试程序 * 文本生成的单元测试程序 # 配置 * 数据目录：./data * 视觉模型配置信息 APIKey: <2.1节获得的API Key> model: qwen2.5-vl-72b url: https://api.modelarts-maas.com/v1/chat/completions * 文本大模型配置信息 APIKey: <2.1节获得的API Key> model: DeepSeek-R1 url: https://api.modelarts-maas.com/v1/chat/completions * 百度地图API APIKey: <2.2节获得的API Key> 此时可以看到，智能体开始自动构建任务步骤：生成开发方案、编写代码与安装依赖，全程不需要我们操作。如遇到智能体提问，可根据实际情况回答或确认。注意：这里我们让CodeArts代码智能体生成3个单元测试，因为这样复杂的程序，CodeArts代码智能体很难一次性生成正确，采用单元测试程序可以方便对程序中重要的环节进行单独测试，提高调试效率。3.2 调试和部署项目代码1）项目结构说明项目生成后一般会包括以下模块（由于CodeArts代码智能体每次生成的程序都不完全相同，读者得到的结果可能与此处不是完全相同，但是大致应该差不多）：华为云智能旅行手账 ├── config.py # 配置文件 ├── exif_extractor.py # EXIF数据提取 ├── baidu_map_service.py # 百度地图服务 ├── vision_service.py # 视觉模型服务 ├── text_service.py # 文本生成服务 ├── html_generator.py # HTML生成器 ├── main.py # 主程序 ├── requirements.txt # 依赖包 ├── data/ # 图片数据目录 └── tests/ # 单元测试 ├── test_location.py # 位置解析测试 ├── test_vision.py # 视觉理解测试 └── test_text.py # 文本生成测试2）单元测试准备测试图片将旅行照片放入 ./data 目录支持的格式：.jpg, .jpeg, .png, .heic, .webp建议照片包含GPS信息和拍摄时间运行单元测试测试位置解析和百度地图服务：python tests/test_location.py测试视觉理解功能：python tests/test_vision.py测试文本生成功能：python tests/test_text.py3个单元测试程序运行过程中如果出现错误，将错误信息发送给CodeArts代码智能体，它会自动完成修复工作。全部单元测试都通过之后，一般主程序也没有什么问题了。3）运行主程序输入如下命令执行主程序python3 main.py程序将自动：读取 data/ 目录中的所有图片提取每张图片的GPS坐标和拍摄时间调用视觉模型分析图片内容使用百度地图获取地址和景点信息生成小红书风格的旅游文案生成HTML格式的旅行手账4）查看结果生成的HTML文件将保存在当前目录，文件名格式为：travel_journal_YYYYMMDD_HHMMSS.html在浏览器中打开HTML文件，即可查看精美的旅行手账。下面是部分例子：四、释放资源4.1 删除云开发环境进入云开发环境列表，选择环境容器，点击"删除"按钮。在对话框中确认删除，释放计算资源。4.2 停止API服务如果不再需要使用华为云ModelArts API和百度地图API，可以在相应的控制台停止服务，删除API Key，避免产生额外费用。五、扩展资料说明5.1 相关技术文档华为云AI开发平台ModelArts文档百度地图API文档： cid:link_4faq/api?title=webapi/guide/webservice-geocoding-abroadPillow文档：https://pillow.readthedocs.io/Python requests库文档：https://docs.python-requests.org/5.2 扩展功能建议多语言支持：添加英文、日文等多语言旅行手账生成社交媒体分享：一键分享到微博、小红书等平台PDF导出：支持导出为PDF格式地图集成：在HTML中嵌入交互式地图语音讲解：使用TTS技术生成语音讲解附录：常见问题Q1: 图片没有GPS信息怎么办？A: 程序会自动检测GPS信息，如果没有GPS，仍然可以生成旅行手账，只是缺少地理位置信息。Q2: 如何提高生成速度？A: 可以在配置文件中调整 timeout 参数，或者使用更快的模型版本，比如DeepSeek-V3。Q3: 支持哪些图片格式？A: 支持 .jpg, .jpeg, .png, .heic, .webp 等常见图片格式。Q4: 如何自定义旅行手账样式？A: 可以修改 html_generator.py 中的CSS样式，自定义页面布局和颜色。我正在参加【案例共创】【第9期】基于开发者空间-云开发环境（容器）+ CodeArts代码智能体完成应用开发/调试实践 https://bbs.huaweicloud.com/forum/thread-0212720434463368503-1-1.html?fid=557

当前鸿蒙PC上CodeArtsIDE的首要开发方向主要在开发语言的细节支持上，但是我们必须要承认的是，目前鸿蒙生态建设情况距离可以真正使用CodeArtsIDE进行开发还相去甚远，我在下载这个APP后一直想用，但基本没有使用机会。我想，对于开发者来说，大部分开发时间在Windows主机上，有时外出会携带笔记本电脑，那么IDE只需要支持远程开发功能，就可以完全弥补当前生态建设处于早起阶段的不可用问题，而且这个功能易于实现，大部分功能可以依托主力开发设备上的Windows，这样就不需要通过远程桌面的方式进行非常卡顿的开发操作，同时增加盘古大模型能力，实现这一功能将借助Windows后端极大提高鸿蒙PC的开发实用能力。

此文以何恺明在NeurIPS 2025上关于“视觉目标检测简史”的演讲为线索，系统梳理了计算机视觉中目标检测技术过去三十年的发展历程。文章内容总结如下：一、引言与背景契机：Faster R-CNN 荣获NeurIPS 2025时间检验奖，何恺明借此机会回顾目标检测发展史。定义：明确了目标检测的任务是识别图像中的物体并定位其位置（用边界框表示），与仅分类整张图像的任务不同。核心范式：文章将主流方法分为两大类：两阶段检测器（如R-CNN系列）：先生成候选区域，再对区域进行分类和精修。单阶段检测器（如YOLO, SSD）：直接在单次网络前向传播中预测类别和位置，速度更快。二、技术发展脉络早期探索（90年代）：手工特征与机器学习使用滑动窗口结合简单分类器（如神经网络、SVM）进行检测。代表性工作：Viola-Jones框架，通过积分图像、Haar-like特征、AdaBoost和级联分类器实现了实时人脸检测，是工程应用的里程碑。特征工程的黄金时代（2000年代）：研究重点从模型转向如何设计更鲁棒的手工特征描述符。关键成果：SIFT（尺度不变特征变换）：对尺度、旋转变化鲁棒。HOG（方向梯度直方图）：在行人检测中效果显著。词袋模型 和 空间金字塔匹配：将图像表示为视觉单词的统计分布，并融入空间信息。巅峰之作：DPM（可变形部件模型），将物体视为可变形部件的组合，是传统方法集大成者，但依赖手工特征，泛化能力有限。深度学习革命（2012年之后）：开端：AlexNet在图像分类上取得突破，证明了CNN自动学习特征的强大能力。两阶段检测的演进：R-CNN：首次将CNN用于目标检测，但效率低下（每个候选区域独立提取特征）。SPP-Net：引入空间金字塔池化，共享卷积特征，大幅提升效率。Fast R-CNN：引入RoI Pooling，实现端到端训练。Faster R-CNN：提出区域提议网络（RPN），将候选区域生成融入网络，实现端到端的实时检测，成为经典范式。单阶段检测的兴起：YOLO/SSD：省去候选区域生成步骤，一次前向传播完成检测，速度极快。RetinaNet：提出 Focal Loss 解决单阶段检测中正负样本极度不平衡的问题，使精度媲美两阶段方法。超越边框：实例分割Mask R-CNN：在Faster R-CNN基础上增加掩码分支，并引入 RoI Align 提升像素级对齐精度，实现实例分割。新时代的探索：Transformer与基础模型DETR：首次将Transformer架构引入目标检测，用集合预测方式取代了锚框、NMS等复杂手工设计，实现端到端检测。Segment Anything Model (SAM)：一个提示驱动的通用分割模型，拥有强大的零样本泛化能力，标志着通用视觉基础模型的出现，被比作计算机视觉的“GPT-3时刻”。三、总结与展望用一张寓意“驶向迷雾”的图片总结，表明技术发展没有预设的终点地图，鼓励持续探索未知领域。原文《从何恺明的演讲出发：视觉目标检测的三十年历史》地址：https://www.chaspark.com/#/hotspots/1220070331932352512

（2026年1月发布）  < 华为云Versatile智能体平台 体验入口>华为开发者空间 --开发平台--Versatile Agent （请在PC端打开）  版本概览 华为云Versatile智能体平台定位为一站式企业级智能体构建平台，倡导人人都能构建自己的企业级智能体。本次版本更新新增10+特性，侧重于在插件、资产中心、知识库、工作流节点等功能上进行了能力补齐，强化Versatile作为企业级agent平台的一体化开发能力，帮助用户构建更专业、更贴合业务需求的智能体。   新增重点特性介绍  01  团队共享应用/插件 资产中心· 应用广场/插件广场支持团队共享能力，可设置共享模式和共享范围。业务价值：由用户创建的应用、插件等资源，可在当前租户下的所有团队间共享使用，便于团队多成员快速调用，提升协作与效率。（备注：不支持跨租户共享） 02  订阅ROMA Connect MCP服务 资产中心· MCP广场支持订阅ROMA Connect的MCP服务：集成至资产中心-第三方展示；支持工具调测，在智能体中可以添加使用。业务价值：打通ROMA Connect MCP资源，帮助拓展智能体能力边界，提升Agent应用的工具调用能力。  03  对象管理/对象提取节点 配置管理· 新增对象管理：支持创建/编辑/删除对象。可在当前页面创建对象模板，并在相关节点中引用这些模板。业务价值：通过在对象提取节点快速引用模板，减少重复性工作，从而提高开发效率。 工作流应用·新增对象提取节点：工作流支持参数提取节点，用于提取指定对象中的参数。 可配置子工作流以进行参数的校验与校准，并发起用户交互。业务价值：通过使用该节点，简化复杂工作流的管理和维护，提高效率，同时减少配置错误的可能性。  04  多智能体应用新增调试 应用管理多智能体应用优化：支持调试功能业务价值：可查看试运行过程中的调试结果，直观了解多智能体的运行性能，便于开发者快速地追溯操作顺序并精确定位问题。  05  提示词引入变量 应用管理· Agent提示词支持引用自定义变量参数：在模型优先模式下，当用户为应用添加记忆并创建了变量后，可快速引用；同时支持用户在提示词输入框中输入变量。业务价值：支撑提示词创建时快捷选择变量，便于快速定义用户的某一行为或偏好，提升效率。  06 Agent工作流/插件支持参数配置 应用管理· Agent引用工作流、插件时支持参数配置：可配置参数默认值；对值比较稳定的参数，例如密钥等，支持隐藏可见性。业务价值：减少大模型的无效判断，提升插件、工作流的调用效率。针对不需要智能体动态提取的固定参数，提供“可见性”开关，避免参数值发生不必要的修改。   07  发布历史支持还原版本 应用管理· 发布历史中显示每个版本的修改描述：可查看智能体更新发布的历史记录，支持还原版本和删除操作。业务价值：清晰展现版本更新的过程信息；可辅助一键快速还原版本。   08  基于API创建插件 能力增强 组件库· 服务域名和基准URL支持定义变量值：添加变量后，可以在变量参数部分设置参数的描述；在工具调测时，可输入具体的参数值。业务价值：通过可定义变量，提升插件管理的灵活性和可维护性。 · 新增华为云认证：支持华为云IAM认证，通过IAM账号获取用户Token进行认证业务价值：丰富插件鉴权的方式，对接华为云IAM实现快速权限校验。  09  创建MCP支持streamableHttp 组件库· 基于空白模板创建MCP时，安装方式支持streamableHttp业务价值：丰富MCP服务的安装方式，适用于与已部署在外部环境的远程MCP服务器建立连接，例如，接入自主开发的基于streamable http协议的MCP服务。  10  知识库对接KooSearch  知识库· 外部知识库连接，支持对接华为云企业搜索服务KooSearch业务价值：增加知识库来源，快捷调用koosearch知识库平台，实现知识库资源高效共享。  · 知识库高级设置优化：Versatile企业版用户在创建知识库后，可以通过“高级配置”选项来修改精排模型。  11  多智能体运营运维 运营运维-观测· 观测支持上报和统计多智能体的数据信息。包括调用链管理、会话管理、应用指标统计、租户指标统计。业务价值：全面提示多智能体的运维管理能力，呈现关键使用数据，使运维人员能够快速识别性能瓶颈、优化问题。  12  模型配置支持深度思考 模型中心· 模型配置支持深度思考：功能开启时，大模型将首先进行深入的思考和推理，通过逐步拆解问题、梳理逻辑，生成一段详细的思维链内容，并在调试界面展示。业务价值：“深度思考”过程有助于提升最终输出答案的准确性和可靠性，确保用户获得更加精准的信息。 API1、新增获取知识库检索图片接口，可通过图片ID获取知识库检索图片。2、优化工作流/智能体接口：调用工作流接口新增createdTime参数，调用智能体应用新增histories参数。 审计：支持云审计的关键操作：通过云审计服务，可记录与Versatile相关的操作事件，便于日后的查询、审计和回溯。 点击可前往>>华为云Versatile智能体平台 官网

erf（误差函数）与概率论和数学物理紧密相连，其早期萌芽在天文学与概率论的交叉时期(18世纪)。核心人物：皮埃尔-西蒙·拉普拉斯 和 卡尔·弗里德里希·高斯。背景：在天文观测和大地测量中，科学家们发现测量误差服从一种特定的分布（即后来的正态分布）。拉普拉斯在研究误差分析时，遇到了形如∫e−t2dt\int e^{-t^2} dt∫e−t2dt的积分，这是erf的雏形。高斯在其1809年的著作《天体运动论》中，系统地推导并应用了误差分布函数，使其广为人知，因此该分布得名“高斯分布”。此时，这个积分尚未被命名为“误差函数”，但已是其本质。随着热力学、热传导理论的发展，同样的积分形式在偏微分方程的求解中反复出现。1871年，英国数学家格莱舍在一篇论文中首次创造了术语 “误差函数” (error function) 及其符号 “erf” 和 “erfc”。他系统研究了其性质、级数展开和数值表，将其确立为一个标准的特殊函数。后来，erf被收录进各类数学手册（如《数学函数手册》）、编程语言的标准库（如C/C++的 math.erf，Python的 math.erf）和科学计算软件（如MATLAB）。并衍生出互补误差函数(erfc)、逆误差函数(erfinv)、复误差函数等。其应用从传统的概率统计、信号处理、热传导，延伸至金融工程、AI/机器学习（如GELU激活函数）。附：拉普拉斯和这个积分的故事核心问题：天文观测的误差18世纪的天文学家，面对同一个天体位置进行多次观测时，总会得到略有不同的结果。他们意识到，这些误差是随机的，并希望找到一个数学规律来描述这些误差的分布。他们假设：小误差比大误差更常见。正误差和负误差的概率相等（对称）。误差分布应该是平滑的。皮埃尔-西蒙·拉普拉斯在1774年左右的著作中，试图从一些非常合理的假设出发，推导出误差分布的函数形式ϕ(x)\phi(x)ϕ(x)。他基于一个核心原则：在给定真实值和若干观测值的条件下，最可能的真实值应该是使得所有观测误差的联合概率乘积最大化的那个值（这已经是“最大似然估计”思想的雏形）。通过一系列推导（其中涉及中心极限定理的早期思想），拉普拉斯发现，要满足他提出的那些“自然”的假设，误差概率密度函数很可能需要满足某种特定的微分方程。而在求解这个方程的过程中，那个具有决定性的积分出现了：∫e−t2dt\int e^{-t^2} dt ∫e−t2dt归一化常数的问题使这个积分变得至关重要。为了使其成为一个有效的概率密度函数p(x)p(x)p(x)，其曲线下的总面积必须等于1。所以，如果p(x)p(x)p(x)正比于e−kx2e^{-k x^2}e−kx2（k为某个常数），那么就需要计算：总面积=∫−∞∞e−kx2dx\text{总面积} = \int_{-\infty}^{\infty} e^{-k x^2} dx 总面积=∫−∞∞​e−kx2dx而这个广义积分的值，决定了整个概率分布的尺度。无法用初等函数表示：当时数学家们熟知的所有基本函数（幂函数、指数函数、对数函数、三角函数）的组合，都无法精确地表达这个积分的结果。它是一个“新”的函数，是特殊函数的早期代表。收敛且有限：尽管从−∞-\infty−∞到∞\infty∞，这个积分的结果是有限且精确的。拉普拉斯和高斯都独立地（或通过借鉴）证明了那个著名的公式：∫−∞∞e−t2dt=π \int_{-\infty}^{\infty} e^{-t^2} dt = \sqrt{\pi} ∫−∞∞​e−t2dt=π​这个优雅的结果（与圆周率π\piπ相连）揭示了该函数深刻的数学美感，也给出了归一化常数。从积分到误差函数 erf(x)有了∫−∞∞e−t2dt=π\int_{-\infty}^{\infty} e^{-t^2} dt = \sqrt{\pi}∫−∞∞​e−t2dt=π​这个基础，为了计算某个区间内的概率（比如误差小于某个值aaa的概率），人们需要计算：P(∣X∣<a)∝∫−aae−t2dtP(|X| < a) \propto \int_{-a}^{a} e^{-t^2} dt P(∣X∣<a)∝∫−aa​e−t2dt由于对称性，这等价于2∫0ae−t2dt2 \int_{0}^{a} e^{-t^2} dt2∫0a​e−t2dt。为了将其标准化为一个定义良好、取值在0到1之间的函数，数学家们便定义了 （标准化）误差函数：erf(x)=2π∫0xe−t2dt\text{erf}(x) = \frac{2}{\sqrt{\pi}} \int_{0}^{x} e^{-t^2} dt erf(x)=π​2​∫0x​e−t2dt这个定义的系数2π\frac{2}{\sqrt{\pi}}π​2​正是为了确保erf(∞)=1\text{erf}(\infty) = 1erf(∞)=1。所以，具体到拉普拉斯的故事：他遇到的不是“erf”，而是其核心内核：∫e−t2dt\int e^{-t^2} dt∫e−t2dt。他面临的挑战是计算其定积分值，以完成概率分布的归一化。他的工作（与高斯等人的贡献一起），揭示了e−x2e^{-x^2}e−x2这种形式与误差分布的本质联系，并成功计算了其在全实数域上的积分值π\sqrt{\pi}π​。后来者（如格莱舍） 在此坚实基础上，将其整理、命名、制表，最终塑造了我们今天所熟知的、工具化的 erf(x) 函数。