多模态 Agent：让模型读图、读表、读屏幕
•2412 字
多模态 Agent 不只是把图片作为 Prompt 附件，还要处理图像、表格和屏幕状态，完成工具调用，并验证视觉理解是否真的支持了下一步动作。
Hi Friends,
Welcome! He's hans.
This website is used to introduce myself, publish some regular blogs, document my travel diaries, as well as record books, movies, and music I've experienced. Feel free to get to know me better.
Take a look, take a look,
Agent 评测：任务成功率、轨迹质量与成本
•2112 字
Agent 评测不能只看最终任务成功率，还要衡量工具轨迹、失败安全性、恢复能力、延迟和单位成功任务成本。
GPT-4o 生图
•593 字
本文展示了多种GPT-4o图像处理方式，包括将照片转为Ghibli风格、图标3D化、Q版3D人物互动、Q版人像大头照，以及设计极简潮玩售货机场景。 每种方式注重细节与风格化呈现，兼具创意与实用性。
Agent 是什么：模型、工具、状态与循环
•3158 字
Agent 不是给聊天机器人加一个函数。本文从模型、工具、状态和循环四个组成部分出发，解释智能体如何工作，以及如何判断一个系统是否真的需要 Agent。
ComfyUI一键写真（包含NextJS封装ComfyUI API）
•57 字
分享一份使用Next.js封装ComfyUI API的源码示例。代码展示了如何高效整合前端框架与后端API，实现流畅的功能调用。