中文评论情感分析系统:LSTM与多智能体协作、DeepSeek大模型可插拔(准确率97.50%)
一条命令端到端复现,离线规则与DeepSeek双引擎报告生成,附AI agent、skill与完整代码数据
成为新会员获取本项目完整报告、代码、数据和AI智能体
视频出处:拓端抖音号@拓端tecdat
封面:
TL;DR:中文评论情感分析系统以字符级双向LSTM配 多智能体 ,自动完成数据、特征、训练、评估与大模型报告,测试准确率97.50%(限仿真数据),一条命令可复现,附AI agent、skill与代码数据。
摘要与关键词
本文围绕中文商品评论的情感自动判别回答四个问题:一是字符级双向长短期记忆网络(LSTM)为什么适合中文短文本;二是多智能体流水线怎样把数据生成、特征工程、模型训练、效果评估、报告撰写五个环节自动化串联;三是大模型报告生成如何做到无网可跑、配置密钥即可升级;四是系统实测表现如何。实测显示测试集准确率与宏平均 F1 均为 97.50%,120 条测试样本仅 3 条误判,全流程一条命令可复现。
Abstract
This article answers four questions on Chinese review sentiment analysis: why char-level bidirectional LSTM suits short Chinese texts; how a multi-agent pipeline automates data generation, feature engineering, training, evaluation and reporting; how the pluggable LLM reporting layer runs offline and upgrades to DeepSeek with one key; and what the system achieves. Accuracy and macro-F1 both reach 97.50% on the held-out test set, with only 3 misclassified samples out of 120, and the pipeline is reproducible with a single command.
关键词:中文评论情感分析;双向长短期记忆网络LSTM;多智能体流水线;可插拔大模型; DeepSeek
Keywords: Chinese review sentiment analysis; bidirectional LSTM; multi-agent pipeline; pluggable LLM; DeepSeek
本项目完整报告、代码、数据和AI智能体
中文评论情感分析的研究背景与痛点
本文基于1200条中文商品评论语料完成中文评论情感分析(评论情感二分类,positive / negative)任务:以字符级双向长短期记忆网络(LSTM)为分类主干、五个职责单一的智能体组成多智能体流水线,测试集准确率97.50%(该结论限定于词典与模板构造的仿真数据及8:1:1切分方式);全流程最终封装为对话式 AI Agent 与可复用skill,附完整代码与数据。
传统做法依赖人工整理情感词典和规则,遇到新词、错别字和网络流行语容易失灵;深度学习中的循环 神经网络 ,尤其是双向长短期记忆网络(LSTM),能直接从文本里学习语义特征,明显提升分类的稳定程度。与此同时,智能体框架与大语言模型(LLM)逐渐成熟,数据采集、特征工程、模型训练、评估分析、报告撰写这一整条工作流,可以被编排、被自动化、被智能解读。
传统情感分析方法依赖人工构建情感词典与规则,泛化能力有限;循环神经网络(LSTM)等序列模型能自动从文本中学习语义特征; 智能体框架 与大语言模型的兴起,让整条机器学习工作流可以被编排与自动化。本项目验证”深度学习 + 智能体 + 大模型”三位一体的工程化方案,产出可复现、可运行、可展示的完整资料:
- 深度学习:基于 PyTorch 构建双向 LSTM 文本分类模型;
- 智能体框架:设计轻量级多智能体编排流水线,全流程拆解为五个职责单一的智能体;
- 大语言模型:设计可插拔的 LLM 接口层,默认离线规则引擎,可一键切换 DeepSeek 真实大模型。
技术方案总览
本章核心结论:五个职责单一的智能体通过共享上下文串联成流水线,深度学习、智能体框架与大模型接口三位一体,零重型依赖。
中文评论数据生成 | v 字符级向量化 | v 双向LSTM训练 |+-----+-----+ | | v v 测试集评估 混淆矩阵 | |+-----+-----+ | v 可插拔LLM报告生成 (离线规则引擎 / 真实大模型) | v 六张可视化图表与复盘
总体架构
┌───────────────────────────────────────────────┐ │ 多智能体流水线(AgentFlow) │ └───────────────────────────────────────────────┘ 数据采集智能体 ──► 特征工程智能体 ──► 模型训练智能体 ──► 模型评估智能体 ──► 分析报告智能体 (生成/清洗数据) (字符级向量化) (双向LSTM训练) (测试集评估) (LLM生成报告) │ │ │ │ │ ▼ ▼ ▼ ▼ ▼ reviews.csv 词表+DataLoader best_model.pt 分类报告/混淆矩阵 LLM分析报告.md └──────────────────────► 可视化模块(matplotlib) ◄────────────────┘ 数据分布/训练曲线/混淆矩阵/预测样例/关键特征词/运行截图
系统采用”智能体 + 共享状态”的编排方式:每个智能体只负责一个环节,通过共享上下文对象 ctx 传递中间产物,流水线编排器依次调度执行。共享上下文 ctx 就像流水线上的传送带,每个工位把半成品放上去,下一个工位接着用(行业术语:共享状态总线)。这种设计借鉴了状态流转的思想,但零依赖、更轻量,便于理解与二次扩展。
技术栈
| 层次 | 技术 | 作用 |
|---|---|---|
| 编程语言 | Python 3.8 | 全流程实现 |
| 深度学习框架 | PyTorch 2.0 | 双向 LSTM 模型构建与训练 |
| 数据处理 | pandas / NumPy | 数据生成、EDA 统计、向量化 |
| 机器学习评估 | scikit-learn | 数据划分、分类报告、混淆矩阵 |
| 可视化 | matplotlib / Pillow | 图表绘制、运行截图渲染 |
| 大模型接口 | requests(DeepSeek 开放平台) | 可选的真实 LLM 报告生成 |
| 智能体框架 | 自研 BaseAgent / AgentFlow | 多智能体编排 |
大模型可插拔设计
系统通过统一的 generate(prompt, context) 接口抽象”报告生成引擎”,好比手机充电接口,换充电头不用换手机(行业术语:接口抽象与依赖倒置):
- 离线规则引擎:本地规则/统计式分析引擎,依据真实评估指标套用统计规则与模板,生成结构化、可读的自然语言分析,无网无 Key 也能端到端运行;
- DeepSeek 在线引擎:设置环境变量后调用 DeepSeek 开放平台对话接口真实生成报告。
两种引擎共用同一份提示词(prompt),仅”生成引擎”不同,业务代码零改动,充分体现 LLM 的可插拔性。
中文商品评论数据来源与预处理
本章核心结论:数据由拓端团队构造并核对,正负各600条、8:1:1划分、固定随机种子,离线可复现。
- 数据名称:中文商品评论情感数据集(Chinese Review Sentiment Dataset)
- 数据量:1200 条评论,正面 600 条、负面 600 条
- 字段:text(评论文本)、label(情感标签,1 为正面、0 为负面)
- 数据来源:由拓端团队按中文情感词典与模板组合方式构造并人工核对,全部内容真实有效
- 时间跨度:2026 年 10 月一次性构造,属于静态语料,不涉及时序面板
- 区域跨度:覆盖洗衣机、充电宝、耳机、台灯、平板、扫地机等多品类商品的中文评论语域
- 数据格式:csv 表格数据
- 数据简介:为保证项目离线可运行、结果可复现,默认数据以「中文情感词典 + 模板组合」方式生成,并按 8:1:1 划分为训练、验证、测试集;生成时以 25% 的概率给评论追加转折小句(好评里带一句”不过物流有点慢”,差评里带一句”好在客服态度还行”),避免模型在构造数据上过拟合到满分;真实场景可无缝替换为公开中文评论语料,下游代码无需改动
- 本数据可支撑的主题实证研究:一是字符级中文短文本分类方法的可行性验证;二是多智能体自动化工作流的端到端串联验证;三是离线规则引擎与大模型报告生成的效果对照;四是情感词典构造与数据增强策略研究
- 数据指标:评论文本、情感标签、文本长度(均值约 41.4 字,范围 28~59)、字符表大小(269)
相关文章推荐
- DistilBERT与bert-base-chinese微调影评情感分类 agent 实战:英文IMDb与中文豆瓣双语料
- Python酒店评论情感分类:TF-IDF、SVM、LSTM多模型对比与LDA主题建模服务优化|附AI智能体、代码和数据
- Python用LoRA微调与ISMOTE过采样实现社交媒体文本情感多标签识别|附AI智能体、代码和数据
- Deepseek 射频信号调制识别系统agent:CNN 深度学习 实战
- Streamlit + LlamaIndex + OpenAI RAG手机客服多智能体Agent系统
- Python、SEM与LDA主题模型、RoBERTa情感分析大学生生成式AI辅助学习影响|附AI智能体、代码和数据
- Python开发LangChain与Ollama定制RAG检索增强生成、Agent智能体进行私有知识库问答|附AI智能体、代码和数据
- 工业能耗智能诊断 AI Agent 系统:单耗异常检测与LightGBM次日能耗预测(MAE 0.4674 tce)
数据样张(reviews.csv 摘录):
| text | label |
|---|---|
| 这款洗衣机的重量特别生硬,性价比也特别差劲,整体非常失望,不推荐! | 0 |
| 这款充电宝的客服太恶心,外观也特别掉色,性价比也真的不值,重量也非常划痕,整体非常失望,想退货! | 0 |
| 这款耳机的质量非常丝滑,包装也格外贴心,性价比也确实丝滑,整体非常满意,墙裂推荐!只是包装一般。 | 1 |
| 这款台灯的材质很轻薄,音质也尤其顺滑,散热也特别精致,手感也很赞,整体非常满意,五星好评! | 1 |
| 这款平板的散热真的给力,材质也确实划算,物流也真的流畅,质量也格外好,整体非常满意,强烈推荐! | 1 |
数据方案
为保证项目离线可运行、结果可复现,默认数据使用「中文情感词典 + 模板组合」方式构造 1200 条仿真商品评论(正面 600 / 负面 600),并按 8:1:1 划分为训练 / 验证 / 测试集。为贴近真实语料的难度,生成时以 25% 的概率追加转折小句,避免模型在构造数据上过拟合到满分。真实场景可无缝替换为公开中文评论数据集,下游代码无需改动。
LSTM与多智能体协作的方案设计
本章核心结论:字符级双向LSTM免分词、CPU可训练;八个可直接复用的 提示词 与逐环节代码构成完整方案。
模型方案
采用字符级(char-level)双向 LSTM:
- 字符级建模:中文以”字”为基本单元,无需分词工具,且对错别字、新词更鲁棒;
- 双向 LSTM:同时捕获文本正反两个方向的上下文语义;
- 最大池化:对 LSTM 输出做时间维最大池化,得到定长句子表示;
- 全连接层:输出正面 / 负面二分类得分。
建模思路对比
| 建模思路 | 人工特征 | 上下文捕捉 | 依赖与部署 | 适用情况 |
|---|---|---|---|---|
| 情感词典 + 规则 | 需要,逐条维护 | 弱,难处理转折小句 | 零依赖,最轻量 | 冷启动、强规则场景 |
| 词袋 + 传统机器学习 | 需要分词与特征筛选 | 无语序信息 | 依赖分词工具 | 小语料、可解释要求高 |
| 字符级双向 LSTM(本文) | 无需人工特征 | 双向捕获正反上下文 | 仅 PyTorch,CPU 可训 | 中文短文本自动判别 |
多智能体编排框架
数据采集智能体
字符区分度用「带平滑的频次差占比」量化每个字符的情感区分能力:区分度 =(正类频次 − 负类频次)/(正类频次 + 负类频次 + 5),公式里加 5 是平滑项,避免低频字符被放大。
字符级特征工程
提示词:字符级词表与定长编码
- 背景:模型只认数字,中文评论需要先变成索引序列;我不想引入分词工具,直接按”字”切。
- 角色:你是一名熟悉 PyTorch 数据管线的算法工程师。
- 任务:请实现字符级词表类:扫描语料建立字符到索引的映射,把每条评论编码成定长序列,不足的位置补 0。
- 要求:映射要能双向查询;超过最大长度的部分直接截断;编码结果要能直接喂给 Embedding 层。
- 举例:字符表扫描完 1200 条评论后大小为 269;一条 35 字的评论在最大长度 40 下编码后末尾补 5 个 0;序列里出现词表外字符时统一填 1。
特征工程智能体在此之上完成 8:1:1 分层划分,并构建 PyTorch 批次加载器,训练 960 条、验证 120 条、测试 120 条。
双向LSTM分类网络
训练与最优权重保存
提示词:逐轮训练并保留验证最优权重
实现细节:由于 torch 在 Windows 下对含中文的绝对路径支持不佳,项目在入口先切换工作目录,再用相对路径读写模型权重,从而规避乱码问题。
报告生成引擎:从离线规则到大模型
分析报告智能体负责把评估指标填入提示词模板,调用工厂函数拿到引擎,生成结果后落盘为分析报告文件,报告里同时注明当前使用的生成引擎。
中文评论情感分析测试结果与对比
本章核心结论:CPU训练12轮即收敛,测试集准确率与宏平均F1均为97.50%,六张可视化图表与实测指标完整可审计。
运行截图
运行入口脚本(或双击一键运行脚本),程序打印各智能体执行进度、训练日志与最终结果,完整运行日志随资料包提供,终端风格截图如下:

关键运行日志摘录:
[数据采集智能体] 共生成 1200 条评论:正面 600 / 负面 600;平均长度 41.4 字(28~59)[特征工程智能体] 字符表大小 = 269;训练 960 / 验证 120 / 测试 120[模型训练智能体] 开始训练(设备=cpu,共 12 轮)... Epoch 1/12 | train loss 0.5825 acc 0.8208 | val loss 0.4399 acc 1.0000 Epoch 2/12 | train loss 0.2913 acc 0.9729 | val loss 0.1650 acc 0.9667 ... Epoch 12/12 | train loss 0.0004 acc 1.0000 | val loss 0.0018 acc 1.0000[模型训练智能体] 训练完成,最佳验证准确率 1.0000[模型评估智能体] 测试集准确率 0.9750,宏平均 F1 0.9750[分析报告智能体] 分析报告已写入 outputs/LLM分析报告.md▶ 最终结果汇总 测试集准确率:97.50% 混淆矩阵 :TN=58 FP=2 FN=1 TP=59
数据分布可视化

左图展示类别分布(正面/负面各 600 条,类别均衡);右图展示评论文本长度分布(均值约 41.4 字),数据长度集中在 28~59 字,验证了最大长度取 40 的截断策略合理。
训练曲线可视化

左图为损失曲线、右图为准确率曲线。训练损失快速下降并收敛,验证准确率在第 1 轮即达到 100%,随后保持稳定,训练集与验证集曲线同步收敛,未见明显过拟合。
混淆矩阵可视化

测试集(120 条)上:真阳性 TP=59、假阳性 FP=2、假阴性 FN=1、真阴性 TN=58,共 3 条误判,对应 97.50% 的测试准确率。误判主要来自带”转折小句”的评论(如好评带负向小瑕疵),符合真实场景特征。
预测样例可视化

横轴为模型预测”正面”的概率,蓝色代表预测正面、红色代表预测负面;每个样本下方标注”正确/错误 真/预”。可以直观看到模型对绝大多数样本以高置信度给出正确判断。
关键特征词可视化

字符级区分度分析显示,模型自动学到的正面高频字(如”好、推荐、满意”)与负面高频字(如”差、失望、垃圾”)区分度最高,验证了字符级建模无需人工特征工程即可捕获情感信号。
实测指标汇总
| 指标 | 实测值 |
|---|---|
| 测试集准确率 | 97.50% |
| 宏平均 F1 | 97.50% |
| 正面 精确率 / 召回率 / F1 | 96.72% / 98.33% / 97.52% |
| 负面 精确率 / 召回率 / F1 | 98.31% / 96.67% / 97.48% |
| 混淆矩阵 TN / FP / FN / TP | 58 / 2 / 1 / 59 |
| 测试集误判条数 | 3 条(共 120 条) |
| 训练轮次 | 12 轮,损失由 0.5825 收敛至 0.0004 |
| 最佳验证准确率 | 100.00% |
大模型生成的分析报告
分析报告由接口层自动生成,当前环境未配置密钥,由离线规则引擎产出,摘要如下:
一、模型整体表现:在 1200 条仿真评论中抽取 120 条作为测试集,测试准确率达到 97.50%,宏平均 F1 为 97.50%,模型对正面/负面两类评论均具备均衡的判别能力,已达到可直接上线试用的水准。
二、类别判别能力:正面精确率 96.72%、召回率 98.33%、F1 97.52%;负面精确率 98.31%、召回率 96.67%、F1 97.48%;混淆矩阵 TN=58 / FP=2 / FN=1 / TP=59。
三、训练过程:共 12 轮,训练损失由 0.5825 降至 0.0004,最佳验证准确率 100.00%,曲线同步下降,未见明显过拟合。
五、结论与建议:后续可通过引入真实语料、预训练词向量或更强序列模型进一步提分;报告部分可配置 DeepSeek 等大模型生成更丰富的业务解读。
局限性与失败分析
本章核心结论:系统在仿真语料上表现优异,但结论的适用边界必须交代清楚,避免被超出数据范围引用。
- 数据边界:训练与测试语料均为「中文情感词典 + 模板组合」构造的仿真评论,信号相对清晰;97.50%的结论限定于本数据与8:1:1切分方式,真实生产数据表达更复杂、噪声更大,指标会相应回落。
- 样本量与置信区间:测试集仅120条、3条误判,正态近似下准确率97.50%的95%置信区间约94.7%–100%,区间较宽,估计精度有限;原文未提供显著性检验。
- 类别混淆分析:3条误判集中在带「转折小句」的评论,说明模型对”好评带小瑕疵”这类混合表达仍敏感;转折小句注入比例固定为25%,未覆盖更复杂的真实噪声。
- 未做消融与基线对照:原文未提供与TextCNN、GRU、BERT等基线的同口径对照,也未做字符级与词级建模的消融比较,相关结论不得外推。
- 部署侧未实测:DeepSeek在线引擎的响应延迟、调用成本与生成质量依赖密钥环境,原文未提供实测数据,属设计目标。
系统实现与落地
本章核心结论:一条命令即可端到端复现,报告引擎按密钥自动切换,产物完整可审计。
运行方法
依赖清单见 requirements.txt:torch、pandas、numpy、scikit-learn、matplotlib、Pillow、requests。
配套工具与资源
本章核心结论:依赖清单、代码结构与示例运行命令齐备,降低复现门槛。
依赖见资料包 requirements.txt:torch、pandas、numpy、scikit-learn、matplotlib、Pillow、requests;Python 3.8、Windows 11 环境实测通过,其他环境以代码包实际接口为准。
资料包含全部源码、1200条中文商品评论数据集(reviews.csv)、六张可视化图表、运行日志、分析报告与训练好的模型权重(best_model.pt);本文将我们的建模经验封装为对话式AI Agent和可复用的skill,随资料包一并交付。
结论与展望
本章核心结论:端到端流程正确性得到验证,三位一体方案的工程价值与创新点明确,优化方向清晰。
完成内容
本项目完整实现并跑通了一个”深度学习 + 智能体框架 + 大模型接口”三位一体的中文评论情感分析系统:
- 端到端可运行:一条命令完成数据 → 特征 → 训练 → 评估 → 报告全流程;
- 多智能体架构:五个职责单一的智能体通过共享状态被编排调度,结构清晰、易扩展;
- 可插拔 LLM:默认离线规则引擎保证无网可跑,配置密钥即可切换真实大模型;
- 完整可视化:产出数据分布、训练曲线、混淆矩阵、预测样例、关键特征词、运行截图共 6 张图;
- 结果可复现:固定随机种子,测试准确率稳定为 97.50%。
结果分析
模型在测试集上取得 97.50% 的准确率与 97.50% 的宏平均 F1,正负两类的精确率与召回率高度均衡,说明双向 LSTM 学到了评论中的情感语义。需要说明的是,训练数据为”词典 + 模板”构造的仿真语料,信号相对清晰,指标因此偏高;这一结果证明了端到端流程的正确性,真实生产数据表达更复杂、噪声更大,指标会相应回落,这正是后续优化的方向。
创新点
- 轻量多智能体编排:在不引入重型依赖的前提下复现”智能体 + 共享状态 + 编排”的核心范式,代码可读性强、便于教学与二次开发;
- LLM 可插拔:用统一的 generate(prompt, context) 接口同时支撑离线规则引擎与真实大模型,”无网可演示、有 Key 可升级”成为现实;
技术创新与业务价值
- 轻量多智能体编排把整条机器学习工作流自动化,团队把维护五套脚本的成本压缩为维护一条流水线,舆情监控与评论洞察可以每日定时产出;
- 可插拔报告引擎让同一套流程既能离线交付又能接大模型升级,交付灵活性显著提升,客户环境不受网络与密钥限制;
- 固定种子与完整可视化让结果可复现、过程可审计,评估口径(准确率、宏平均 F1、混淆矩阵)可直接用于向业务方汇报。
作者声明:Jingwen Zhang 系深度学习与自然语言处理方向分析师,拥有 AI 视觉算法实习与文本情感分析项目经验。
常见问题 FAQ
- 中文评论情感分析系统怎么从零搭建? 按「数据生成 → 字符级特征工程 → 双向LSTM训练 → 测试集评估 → 大模型报告」五步搭一条多智能体,一条命令端到端跑通;本文五类智能体即按此拆分,各环节通过共享上下文传递中间产物。
- 中文评论情感分析不用分词工具(如jieba)可以吗? 可以,本文采用字符级建模;中文情感信号大量集中在单字与二字组合上,字符级无需分词依赖、对错别字与新词更鲁棒,字符表仅269维,小模型CPU即可训练。
- 为什么选双向LSTM而不是情感词典或传统机器学习? 情感词典泛化有限、难处理转折小句,词袋类方法无语序信息;字符级双向LSTM无需人工特征且能双向捕获上下文,测试集准确率97.50%(见建模思路对比表)。
- 数据划分为什么选8:1:1,还要固定随机种子? 8:1:1在保证训练量同时给验证与测试各留120条,固定种子保证任何人复跑数据一致;本文1200条评论按此划分,测试准确率可稳定复现为97.50%。
- 97.50%的准确率在真实评论数据上也能达到吗? 不保证。训练数据为词典与模板构造的仿真语料、信号相对清晰;真实生产数据表达更复杂、噪声更大,指标会相应回落,这正是后续优化方向。
- 混淆矩阵TN=58、FP=2、FN=1、TP=59说明什么? 120条测试样本仅3条误判,对应97.50%准确率,且误判主要来自带转折小句的评论;正负两类精确率与召回率高度均衡(正面F1 97.52%、负面F1 97.48%)。
- 训练需要GPU吗?普通电脑能跑吗? 不需要GPU,CPU即可训练;字符表仅269维、模型轻量,运行日志显示设备为cpu,12轮训练即完成、损失由0.5825收敛至0.0004。
- 相比LangGraph这类现成框架,自研多智能体编排的价值在哪? 只保留「智能体 + 共享状态 + 顺序调度」三个核心抽象,代码轻、可读性强,便于教学与二次开发;本文复现该范式未引入重型依赖,结构清晰易扩展。
- 如何获取完整代码、数据与配套AI agent、skill? 随原文资料包提供,包含全部源码、1200条评论数据集、六张可视化图表、运行日志与分析报告,获取方式见文末作者声明。
附录:关键代码与数据文件清单
拓端/├── src/│ ├── main.py # 入口:编排智能体流水线│ ├── config.py # 全局配置与超参数│ ├── lexicon.py # 中文情感词典与仿真评论生成│ ├── agents.py # 智能体与流水线框架│ ├── data_agent.py # 数据采集智能体│ ├── preprocess.py # 特征工程智能体│ ├── model.py # 双向LSTM模型定义│ ├── train.py # 训练与评估智能体│ ├── report_agent.py # 分析报告智能体│ ├── llm.py # 可插拔大模型接口层│ ├── visualize.py # 可视化与终端截图渲染│ └── ... # 其余辅助文件,完整清单见提交包原文├── data/│ └── reviews.csv # 中文商品评论数据集├── outputs/│ ├── 01_数据分布.png # 类别与文本长度分布│ ├── 02_训练曲线.png # 损失与准确率曲线│ ├── 03_混淆矩阵.png # 测试集混淆矩阵│ ├── 04_预测样例.png # 预测置信度样例│ ├── 05_关键特征词.png # 字符区分度排行│ ├── 06_运行截图.png # 终端运行截图│ ├── 运行日志.txt # 完整运行日志│ └── LLM分析报告.md # 大模型生成的分析报告├── checkpoints/│ └── best_model.pt # 最优模型权重├── requirements.txt # 依赖清单└── run.bat # Windows一键运行脚本


QLoRA 微调医疗推理链 大模型 :Qwen2.5-7B 中文医疗问答AI系统全链路实战
DistilBERT与bert-base-chinese微调影评情感分类 agent 实战:英文IMDb与中文豆瓣双语料
Deepseek 射频信号调制识别系统agent:CNN 深度学习 实战
开发LSTM、CNN模型预测玉米期货价格与涨跌可交互 Agent