BuildKeeper是一款专为小型建筑企业设计的现代软件。它提供简化且经济实惠的施工管理解决方案，具有 AI 驱动的功能以提高效率。：
功能特点
服务与计划
版本与价格
1 年前
巴黎——Stellantis N.V.与Mistral AI正在深化战略合作，将人工智能（AI）整合到从车辆工程到车载体验的多个领域。此次合作充分利用Mistral AI在大语言模型（LLMs）和AI驱动自动化方面的专长，将AI技术引入Stellantis的众多系统和应用中，从而提升数据分析能力、优化开发流程并增强客户互动体验。双方合作的最新成果是一款先进的车载助手，旨在为驾驶员提供实时对话支持。这一成果建立在双方一年多来共同开展的AI项目基础之上，这些项目致力于提升客户满意度、产品开发效率和制造水平。 AI赋能车载体验升级 Stellantis与Mistral AI正共同探索开发一款AI驱动的车载助手，使驾驶员能够通过自然语言与车辆进行交互。该助手可作为实时语音支持的用户手册，客户可以询问车辆功能、故障排除或警告指示灯等相关问题，并通过自然对话获得即时指导。该助手将持续更新，并适配Stellantis旗下各品牌和车型，为用户提供无缝且直观的体验。 AI驱动Stellantis全方位创新 除了车载助手，Stellantis与Mistral AI还在探索多项AI驱动的创新项目： 物料清单（BOM）数据智能化：一款专为Stellantis打造的AI工具，可简化复杂零部件数据库的分析流程。由Mistral AI驱动的聊天机器人能够与公司产品数据交互，帮助工程师识别、比较和优化零部件选择，以实现全球范围内的最大复用率和效率提升。 车辆反馈数据分析：AI自动化处理开发车队和调查数据，快速识别趋势并采取纠正措施，从而提升产品质量和客户满意度。 “Club Stellantis”虚拟助手：一款为法国Stellantis员工提供公司车辆购买服务的聊天机器人。该工具支持多语言查询处理，是公司计划将该服务扩展至其他欧洲国家的关键功能。 AI驱动的异常检测：Stellantis正在评估Mistral AI的边缘计算模型，以实时检测制造过程中的错误，使操作人员能够在零部件出厂前采取纠正措施，从而提升质量控制水平和效率。 高层观点 Stellantis首席工程与技术官Ned Curic表示：“AI领域有许多参与者，我们非常高兴能与Mistral AI合作，因其具备快速适应能力，并能以高度协作的方式推动实际成果。我们正在多个领域探索AI的潜力，以提升产品开发水平和客户体验，并带来切实的利益。” Mistral AI首席执行官兼联合创始人Arthur Mensch表示：“此次合作是我们致力于让生成式AI（GenAI）更易用、更有价值的重要一步。Stellantis对技术的开放态度，以及将先进AI整合到真实驾驶体验中的能力，使其成为展示Mistral AI多功能解决方案如何重塑出行体验并赋能工程师工作的理想合作伙伴。” 通过将AI技术应用于多个触点，Stellantis进一步践行了其开发创新、数据驱动解决方案的承诺，旨在提升产品性能，并为客户和员工创造更好的体验。 新闻来源: Stellantis 官网
1 年前
在建筑行业中，AI工具的应用正在逐渐普及，尤其是在成本核算和造价管理方面，这些工具能够显著提高效率、减少错误并优化资源分配。以下是一些主流的建筑成本核算和造价AI工具： 1. Beam AI 功能：自动化工程量清单计算，支持混凝土、钢筋、机电、管道等多个专业的工程量计算。 优势：节省90%的计算时间，提高30%的估算准确度，自动识别图纸信息，生成高精度计算结果。 2. Kreo 功能：基于云的智能建筑工程量清单和造价估算解决方案，支持PDF和CAD文件的精确测量。 优势：自动生成工程量清单和成本估算报告，支持团队实时协作，减少手动工作量。 3. CostGPT AI 功能：智能化项目成本估算工具，涵盖软件项目的成本、时间、功能等规划。 优势：简化项目规划流程，提供详细成本预估，支持技术栈推荐和功能列表生成。 4. 智多星造价AI 功能：包含“清单智能组价”和“真材实价材价助手”两大功能，支持自动化组价和材价匹配。 优势：基于GPT语义识别技术，大幅提升组价和套价效率，适用于招标工程量清单编制。 5. 软件造价喵 功能：国内首个注册即用的软件造价AI评估SaaS平台，支持信息化项目成本估算。 优势：整合多项国家标准和地方标准，提升成本估算的精准度和效率。 6. BuildKeeper 功能：一体化施工管理软件，支持预算管理、发票创建、费用跟踪和任务管理。 优势：通过AI驱动的功能简化施工管理流程，适合小型建筑企业。 7. 智诚建筑的AI测算方法 功能：基于大数据的工程造价AI测算，使用支持向量回归（SVR）模型进行成本预测。 优势：提高测算的准确性和效率，适用于复杂工程项目的成本控制。 8. Workorb AI 功能：针对建筑、工程和施工（AEC）行业的AI平台，支持提案撰写、项目信息检索和文档解析。 优势：简化非计费工作流程，提高生产效率。 9. Rooftops AI 功能：AI屋顶分析和房产数据智能平台，提供即时屋顶分析和房产数据洞察。 优势：生成全面报告，涵盖屋顶尺寸、坡度和太阳能潜力等关键信息。 这些工具在建筑成本核算和造价管理中各有侧重，用户可以根据具体需求选择合适的工具。
1 年前
用友发布了企业服务大模型2.0（YonGPT2.0），分别面向公共资源交易行业、工业装备行业、交通建设行业，发布了三大行业垂类大模型。
1 年前
博世力士乐ACTIVE Shuttle Management System能够实现高度灵活的订单管理；该系统既支持手动输入订单，也支持经由第三方系统进行自动调度。
1 年前
算力是集信息计算力、网络运载力、数据存储力于一体的新型生产力，主要通过算力基础设施向社会各个行业提供计算能力服务。
1 天前
OpenClaw 本质是“开发者基础设施”，而非面向大众的 SaaS 产品。
21 天前
用 OpenClaw 搭建一个本地 Agent 中枢（完整方案） 不是再做一个 ChatGPT，而是建立一个真正“可控、可组合、可扩展”的本地 AI Agent 中枢。 当越来越多团队开始意识到： 云端 LLM 成本不可控 数据隐私存在风险 单一 Agent 无法解决真实业务 “本地 Agent 中枢” 正在成为一个更现实的选择。 本文将完整讲清楚： 👉 如何用 OpenClaw 搭建一个真正可用的本地 Agent 中枢 👉 它适合谁，不适合谁 👉 与 LangGraph / CrewAI 的核心差异 什么是「本地 Agent 中枢」？ 先明确一个概念，避免误解。 ❌ 不是： 一个本地 ChatGPT 一个简单的 Prompt 管理器 ✅ 而是： 一个能够统一管理多个 Agent、模型、工具和任务流程的本地系统 一个合格的本地 Agent 中枢，至少要解决 5 件事： 多 Agent 协作（不是单轮对话） 任务调度与状态管理 模型可替换（本地 / API） 工具调用（搜索、代码、文件等） 可长期运行、可追溯 OpenClaw 的定位，正是这个“中枢层”。 为什么选择 OpenClaw？ 在进入部署前，必须先回答一个现实问题： 为什么不是 LangGraph / CrewAI / AutoGen？ 简要结论（非常重要） 框架 更适合 LangGraph 开发者写 Agent 流程 CrewAI 小规模角色协作 AutoGen 对话驱动实验 OpenClaw 长期运行的 Agent 中枢 OpenClaw 的核心优势 1️⃣ 架构清晰，不是“脚本拼装” 有明确的 Agent 管理层 有任务执行与状态机制 不是写完一次就丢的 Demo 2️⃣ 原生支持多模型策略 本地模型 云 API fallback / 优先级策略 3️⃣ 更接近“生产环境思维” 可持续运行 可复用 Agent 可演进 如果你的目标是： “做一个长期使用的 AI 中枢，而不是一段实验代码” 那 OpenClaw 是目前更合理的选择之一。 整体架构：OpenClaw 本地 Agent 中枢怎么搭？ 这是一个最小可用但可扩展的架构方案。 🧩 架构拆解 ┌─────────────────────────┐ │ 用户 / 系统 │ └──────────┬──────────────┘ │ ┌──────────▼──────────┐ │ OpenClaw 中枢层 │ │ - Agent Registry │ │ - Task Orchestrator│ │ - Memory / State │ └──────────┬──────────┘ │ ┌─────────▼─────────┐ │ Agent 集群 │ │ - Research Agent │ │ - Coding Agent │ │ - Planning Agent │ │ - Tool Agent │ └─────────┬─────────┘ │ ┌─────────▼─────────┐ │ 模型 & 工具层 │ │ - 本地 LLM │ │ - API LLM │ │ - Search / FS / DB │ └───────────────────┘ 部署准备（实战级） 1️⃣ 基础环境 推荐环境（已验证）： Linux / WSL / macOS Docker + Docker Compose Python 3.10+ 2️⃣ 模型选择建议（非常现实） 场景 推荐 本地推理 Qwen / LLaMA 稳定输出 GPT / Claude API 混合方案 本地 + API fallback 👉 关键不是模型多，而是“可切换” 核心步骤：搭建 OpenClaw 本地 Agent 中枢 Step 1：部署 OpenClaw 核心 git clone https://github.com/xxx/openclaw cd openclaw docker compose up -d 启动后，你将拥有： Agent 管理入口 任务调度服务 统一配置中心 Step 2：定义你的第一个 Agent 一个 Agent ≠ 一个 Prompt 而是一个职责明确的“角色” 示例： agent: name: research_agent role: 信息调研 model: local_llm tools: - web_search - file_reader 建议起步 Agent： Research Agent（信息收集） Planner Agent（任务拆解） Executor Agent（执行） Step 3：建立 Agent 协作流程 例如一个典型任务： “调研某行业 → 输出分析 → 给出建议” 流程是： Planner 拆解任务 Research Agent 收集信息 Executor Agent 输出结果 中枢保存状态与结果 👉 这一步，才是“中枢”的价值所在 一个真实可用的示例场景 🎯 场景：AI 工具评估中枢 你可以搭一个 Agent 中枢来做： 自动收集 AI 工具信息 对比功能 / 定价 输出结构化报告 长期更新 这类系统： 人工成本极高 用 Agent 非常合适 总结：什么时候该用 OpenClaw？ 当你意识到：AI 不再是“一次性回答”，而是“持续协作的系统” 那你就已经走在 OpenClaw 这条路上了。 OpenClaw 不是让你“更快用 AI”，而是让你“真正拥有 AI 能力”。
24 天前
Asking User Question Tool（AI智能体版） 这是AI智能体必备的交互式工具，让Agent在执行任务时主动向用户提问、澄清需求、收集信息，避免瞎猜、减少返工、提升准确率。 一、核心定位 本质：Agent的“人在回路”交互接口，让AI在模糊/信息不足时暂停执行，向用户要明确输入。 作用：把“模糊指令→AI瞎做→反复修改”变成“AI提问→用户明确→一次做对”。 常见名称： AskUserQuestion 、 AskUserQuestionTool 、 ask_user_question 。 二、核心工作流（极简） 1. Agent判断信息不足：发现需求模糊、缺少参数、需要决策 2. 调用工具生成结构化问题：单选/多选+自定义输入+说明 3. 用户作答：在聊天/弹窗/终端选择或输入 4. Agent接收答案：解析结构化结果，补全上下文 5. 继续执行任务：基于完整信息推进，不再猜 三、关键能力（标配） 结构化提问：标题+问题+2–4个选项+单选/多选+ Other 自定义输入 上下文澄清：自动追问，直到需求完全明确 结构化返回：输出JSON，方便前端渲染（按钮/表单/弹窗） 人在回路：强制用户确认，避免AI自主决策风险 多轮交互：可连续提问，形成“需求访谈”流程 四、主流实现（你会遇到的版本） Claude Code（Anthropic） 原生内置，最成熟 支持多轮、单选/多选、自定义输入 常用于代码生成、需求梳理 Qwen-Agent（通义千问） 开源工具： qwen_agent/tools/ask_user_question.py 支持参数： question / options / explanations / multiSelect / allowFreeform Spring AI AskUserQuestionTool ，Java生态 模型无关，可对接GPT/Claude/Gemini OpenClaw / EasyClaw 集成到本地智能体，用于任务执行前确认 本地运行，隐私优先 五、典型使用场景（高频） 需求澄清：“做一个登录页”→AI问：技术栈？风格？是否第三方登录？ 偏好收集：“写报告”→AI问：正式/ casual？长度？受众？ 决策点确认：“部署服务”→AI问：云厂商？实例规格？环境？ 复杂任务拆解：多轮提问，把模糊需求变成可执行步骤 六、与普通聊天的区别 普通聊天：用户主动说，AI被动答；信息靠用户自己补全 AskUserQuestion：AI主动问、结构化问、按任务节点问；用户只需点选/填空，效率高、歧义少 七、为什么要用（价值） 减少返工：一次做对，节省时间与Token 提升准确率：AI不瞎猜，结果更贴合需求 降低门槛：用户不用写长Prompt，点选即可 安全可控：关键决策必须用户确认，避免误操作 八、一句话总结 Asking User Question Tool = AI智能体的“需求访谈官”，让Agent从“猜着做”变成“问清楚再做”，是构建可靠、实用AI助手的核心工具。
Minimax（海螺AI）已由大模型名Minimax替换原海螺AI。现海螺AI为Minimax视频生成产品名。
海螺AI