- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI
AI智能体的应用场景
AI智能体（AI Agent）作为人工智能技术的重要应用形态，已经在多个领域展现出广泛的应用场景和巨大的潜力。以下是AI智能体的主要应用场景及其具体案例。 9.文旅与娱乐旅游规划：AI智能体可以根据用户需求定制旅游行程，并提供实时资讯和多语言翻译服务。游戏AI：智能体控制游戏中的NPC，使其行为更加智能和逼真，提升游戏体验。 10.农业与物流精准农业：AI智能体通过无人机和卫星图像分析，为农民提供种植建议，提高农作物产量6。物流优化：智能体能够优化物流路线和配送计划，降低物流成本。 未来趋势AI智能体的应用场景仍在不断扩展，未来可能进一步深入到具身智能体（如机器人）、多模态智能体（处理文本、图像、语音等多种数据）以及群体智能体（多个智能体协同工作）等领域。 以上是AI智能体的主要应用场景及其典型案例。随着技术的不断发展，AI智能体将在更多领域发挥重要作用，为生活和工作带来更多便利和创新。
2.5K10编辑于 2025-03-04 OpenClaw 本地 AI 智能体全解析
OpenClaw 本地 AI 智能体全解析告别“只聊天不做事”：OpenClaw 本地 AI 智能体全解析（原理、部署与实战）在 AI 工具遍地开花的当下，你是否还在烦恼大模型只能“输出文字”，却无法真正替你完成操作系统 2026 年爆火的开源项目 OpenClaw（国内俗称“龙虾”），彻底打破了这一局限——它不是另一个对话机器人，而是一款本地优先、模型无关、能真正落地执行任务的 AI 智能体执行网关，能让 AI 像“真人 它的核心身份是：开源、自托管、模型无关的 AI 智能体执行网关，口号是 “The AI that actually does things”（真正做事的 AI）。2. 智能体（Agent）：承载“思考能力”的核心，可根据用户指令拆解任务、匹配技能、规划执行步骤，支持多 Agent 路由（不同账号/会话对应不同 Agent，实现个性化定制）。 网关接收指令，转发给智能体（Agent）。Agent 拆解任务：定位文件夹→读取文档结构→生成 README→提交 Git，匹配对应技能（文件读取、代码运行、Git 操作）。
3.3K20编辑于 2026-03-11- 来自专栏技术文档案例展示
多场景落地AI智能体全栈技术选型与架构对比方案
多场景落地AI智能体全栈技术选型与架构对比方案一、文档概述随着AI智能体在客服、数据分析、自动化运维等场景规模化落地，框架、大模型、记忆模块、工具调用组件的选型直接决定智能体稳定性、开发成本与推理性能。 本文梳理主流AI智能体技术栈，对比各架构适配场景，提供可运行Python基础智能体代码示例，为企业落地智能体提供选型参考。 二、主流智能体技术栈对比选型2.1开发框架选型LangChain：生态完善，记忆、工具、向量库插件齐全，适合快速搭建业务型智能体，上手门槛低，中小业务优先选择。 AutoGen：主打多智能体协作，支持多角色对话分工，适合复杂多角色协同场景，如数据分析团队智能体。LlamaIndex：侧重文档检索智能体，文件解析、向量检索能力突出，知识库问答场景最优。 三、不同业务场景选型建议企业知识库问答智能体：LlamaIndex+向量数据库+开源本地大模型；自动化业务流程智能体：LangChain+商用大模型API+自定义工具集；多角色协同数据分析智能体：AutoGen
4500编辑于 2026-07-06 - 来自专栏机器之心
打通智能体「自我进化」全流程！复旦推出通用智能体平台AgentGym
最近，复旦大学语言与视觉团队推出的 AgentGym 平台，打通了大语言模型智能体「数据采样、训练微调、自我进化、能力评测」全流程。 具体而言，智能体与多个环境进行交互，生成一系列的行为轨迹。每条轨迹都是智能体根据当前策略与环境互动的产物，包括智能体的思考，智能体的行为，以及环境的观测。 在多个智能体任务上，AgentEvol 方法超越了 和其他 SOTA 模型。 这一发现揭示了智能体具有适应和解决更复杂任务的潜力，为开发更高级的通用智能体提供了坚实的基础。 图10：不同基座模型上的性能比较 文章还探讨了在通用智能体的进化过程中，成功与失败的经验轨迹是否都能发挥作用。 结果表明，智能体能够在多任务的场景下，从错误经验中学习，但其整体性能仍然不如 AgentEvol 方法。
92711编辑于 2024-06-17 - 来自专栏心源易码
智能体对话场景数据设计与建模
二、Amazon Bedrock + Amazon DynamoDB数据设计与建模实践在智能体对话场景中，对话记忆存储是实现流畅、个性化交互的关键。 将整合信息发送至Amazon Bedrock上的Claude智能体模型，生成回答。应用将智能体的回答返回给用户。 为满足智能体对话场景中的高并发、低延迟和稳定性需求，Amazon DynamoDB的数据查询/存储方案主要包括以下几个方面：会话记录存储：使用Amazon DynamoDB的基表chat_session 2.2.2、ERD（数据库实体关系图）分析在智能体对话场景中，数据的有效存储与查询是确保系统高效运行的关键。 智能体（AI digital persona）：指生成式AI驱动的对话实体，每个智能体具有唯一的ai_id。
3.1K10编辑于 2024-07-30 AI Agent智能体应用场景合集，哪些行业更适合用智能体
得益于“京医千询”在国内医疗行业的强大知识库，“AI京医”构建起AI健康全专业服务矩阵，帮助各大医疗机构实现精准线上问诊。 三、行政管理智能体钉钉AI助理得益于钉钉生态，尤其擅长企业日常办公场景，如周报日报管理、邮件处理、流程处理、员工在职管理等。 图片五、汽车智能体金智维车机交互智能体以“语音即操作”为核心理念，支持复杂场景下的多任务并行处理，还能将已有API能力通过参数配置快速创建插件供智能体调用。 例如吉利汽车“云车机”搭载金智维车机交互智能体后，用户驾驶时无需多次手动点击，仅通过语音即可随心控制智能家居场景及设备。 图片六、游戏智能体网易伏羲是基于游戏AI的行业智能体，专门面向虚拟偶像直播、元宇宙搭建等需动画场景。
2.6K10编辑于 2025-10-10- 来自专栏AIGC
【AGI】AI时代智能体简介及场景分析
欢迎来到LLM Agents（又叫智能体），这是一波新的人工智能助手，准备改变我们与计算机的交互方式。 可解释性和信任性：与任何人工智能系统一样，确保LLM Agents 推理过程的透明度对于与用户建立信任至关重要。三、移动端+智能体在当前手机现状下，引入LLM Agents 可以彻底改变应用程序开发。 四、智能交互新时代LLM Agents 代表了人机交互的重大飞跃。他们的推理和学习能力为未来铺平了道路，人工智能助手不仅可以响应我们的查询，还可以理解它们，预测我们的需求，并提供智能解决方案。 智能交互的未来已经到来，而LLM Agents 处于最前沿。LLM Agents 具有巨大的潜力，可以改变我们开发应用程序和与应用程序交互的方式。 通过利用他们的推理能力和自然语言处理能力，开发人员可以在各个领域创建更直观、用户友好和智能的应用程序。我正在参与2024腾讯技术创作特训营最新征文，快来和我瓜分大奖！
56110编辑于 2024-04-30 - 来自专栏AI技术应用
AI 智能体（AI Agent）的应用场景
AI 智能体（AI Agent）的应用场景非常广泛，几乎涵盖了我们生活的方方面面。它们能够感知环境、做出决策并执行动作，从而完成各种任务，提高效率、改善体验。以下是一些典型的应用场景。1. 总而言之，AI 智能体的应用场景非常广泛，并且随着技术的不断发展，新的应用场景还在不断涌现。它们正在深刻地改变着我们的生活和工作方式，为我们带来更多的便利和效率。 一些值得关注的趋势：具身智能体 (Embodied AI Agents)： 能够与物理世界进行交互的智能体，例如机器人、无人机等，将在制造业、物流、医疗等领域发挥重要作用。 多模态智能体 (Multimodal AI Agents)： 能够处理多种类型的数据（例如文本、图像、语音、视频）的智能体，将提供更加丰富和自然的交互体验。 群体智能体 (Multi-Agent Systems)： 多个智能体协同工作，完成更复杂的任务，例如智能交通系统、智能电网等。
1.8K10编辑于 2025-01-11 AI智能体驱动汽车向“场景化出行”演进
行业痛点：座舱智能化程度与用户场景需求脱节 随着汽车座舱算力提升与大屏普及，高频互联网生态加速上车，但传统“功能堆砌”模式难以满足用户在导航、娱乐、服务等具体场景下的个性化、连贯性需求。 腾讯解决方案：构建“应用为中心”的智能体架构 腾讯推出以AI智能体（Agent）为核心的出行解决方案，具备场景感知、自主决策、协同执行三大特征。 量化成效：关键业务指标显著提升 导航效率提升：AI支持多途径点智能规划，可将包含多个目的地（如学校、餐厅、购物中心）的复杂行程自动优化为25分钟最佳路线（来源：腾讯地图AI导航演示）。 客户案例：AI智能体实现全场景连贯体验 方案已助力主机厂（OEM）高效构建并接入场景化智能体。 手车互联场景下，通过微信入口即可实现车况查询与控制，并借助CarBot创建个性化规则（如特定乘客上车播放专属音乐）。
21110编辑于 2026-06-01腾讯云智能体开发平台：破解企业智能体搭建瓶颈，量化提效售前与培训场景
构建智能体开发全链路能力 腾讯云智能体开发平台提供从0到1搭建智能体的标准化方法论，核心包括： 模式选择：按任务特性匹配模式——RAG问答型（基于知识库精准问答，如企业政策咨询）、Workflow流程型 量化智能体应用业务价值 平台应用聚焦开发效率与业务提效，核心指标如下： 开发效率：单场景开发人力1人，Agent数量3个/场景，开发周期<3周（开发、测试到上线）； 业务提效（以“智享”项目为例 ）：整体问题准确率91%+(+10%)，节约售前人力成本3~4人，陪练效率提升10倍，陪练平均通过率61%→80%。 ）、会话质检/分析、AI陪练（模拟ISV等场景）； 嵌入方式：企业微信边栏/网页端、企微机器人； 架构支撑：业务中台（AI陪练、交互智能体、会话提示智能体、陪练报告智能体）+腾讯云基础资源（混元 +DeepSeek模型、CodeBuddy IDE、云智能体开发平台）； 成果数据：整体问题准确率91%+(+10%)，节约售前人力成本3~4人，陪练效率提升10倍，陪练平均通过率61%→80%；开发投入人力
41810编辑于 2026-04-0910个可复刻的智能体项目详解
AI工程中心剖析：今日可复刻的10个智能体项目引言如果你想通过实践而非仅仅阅读来学习智能体工程，最佳方式仍然是复刻（fork）真实仓库、在本地运行它们、并根据自己的需求进行修改。 本文精心挑选了10个最佳项目，它们既有用又广受认可，你可以从中看到当今智能体应用是如何构建的。1. OpenClawOpenClaw（约34.3万颗星）是个人AI助理下一个形态的代表。 DeerFlowDeerFlow（约5.5万颗星）是理解长时程智能体系统的有趣项目。它是一个开源的超级智能体框架，汇集了子智能体、记忆、沙箱、技能和工具，以在较长时间内完成研究、编码和创造。 AutoGenAutoGen（约5.6万颗星）仍然是多智能体领域最重要的仓库之一。某机构将其定位为智能体AI的编程框架，其文档进一步深入到业务工作流、研究协作和分布式多智能体应用。 10. LettaLetta（约2.2万颗星）之所以突出，是因为它将记忆和状态置于智能体设计的中心。该仓库将其描述为一个构建有状态智能体的平台，具备可随时间学习和改进的高级记忆。
21310编辑于 2026-05-26- 来自专栏AIGC新知
AI Agent（智能体）：从技术概念到场景落地
这三种模式展示了从用户主导到AI主导的连续统一体，每种模式都适用于不同的应用场景和需求。 AI智能体的架构 AI智能体的构建以大型语言模型（LLM）为核心，并通过四个关键模块来实现其功能： 记忆模块：智能体如同人类一样具备记忆能力，能够保留所学知识和交互习惯。 单智能体 vs 多智能体 单一智能体与多重智能体各自拥有独特的优势，并适用于不同的专业领域。 单一智能体的运作依赖于强化学习，其理论基础是马尔可夫决策过程。 智能体的下一个状态和获得的奖励仅取决于它前一个动作，而与之前的历史状态无关。这种学习机制鼓励智能体通过尝试和错误来探索环境：当某个行为策略导致正面的奖励时，智能体将增加采取该策略的倾向。 多智能体系统涉及更复杂的互动，其中每个智能体的决策不仅受自己的行为影响，还受到系统中其他智能体行为的影响。在这种系统中，至少有两个智能体相互作用，它们可能处于合作或竞争的关系之中。
3.8K11编辑于 2024-10-08 腾讯云智能体开发平台：制造业敏捷搭建工业场景智能体的解决方案
第一章：制造业智能体落地的六大攻坚挑战 企业智能体落地面临训推成本（算力投入如“黑洞”，用不起、跑不动）、模型幻觉（通用模型“纸上谈兵”，幻觉与泛化性并存）、安全防护（新型攻击面出现，传统防火墙失灵）、 第二章：腾讯云智能体开发平台：全栈能力与敏捷构建方案 腾讯云智能体开发平台提供智能体全生命周期管理（应用设置、调试、评测、发布、运营）与核心引擎（RAG引擎、工作流引擎、多Agent引擎、模型广场、插件广场 场景落地效率：智能质检Agent交付周期从3个月降至0.5-1个月（降幅83%），新场景数据需求降至每类缺陷图片<50张（简单场景<10张）；智能巡检Agent准确召回率90%以上（来源：文中“智能质检 平台优势：全栈能力（AI Infra→Agent Infra→应用生态）、敏捷开发（模版/零代码）、安全合规（零信任体系）、行业适配（覆盖14大行业100+场景，成熟场景含质量检测/设备管理/智能客服等 ）（来源：文中“腾讯云智能体战略全景图”“智能体应用图景”）。
36020编辑于 2026-04-03- 来自专栏phodal
你的 AI 智能体正确吗？API 开发中 10+ 个智能体的启示与反思
…… 也因此，在当前阶段，我们预期的一个智能体变为了 10+ 个智能体，以降低人的心智负担。也因此，我们开始思考三个问题： 过去的流程中，AI 可以参与到哪些环节？ 试验：API 开发的 10+ 个本地智能体 最近，我们在 Shire 语言中开发了 API 开发相关的智能体包，以支持开发者更好地构建 API。 我们创建了 10+ 个智能体，以支持 API 开发的各个阶段，如需求分析、API 设计、API 文档生成、API 代码生成、API 测试等等。 设计阶段：3 个智能体 设计阶段主要由远程（Dify）需求 Agent、本地 Swagger 生成、 Mock 代码生成三个智能体组成。 开发阶段：3 个智能体 开发阶段主要由三个智能体组成：结合需求的代码生成、开发测试 API 代码、API 代码测试。
62210编辑于 2024-11-22 智能体案例分析：IT新闻聚合智能体
智能体案例分析：IT新闻聚合智能体 IT新闻聚合智能体通过自动化技术抓取、分析和呈现最新的IT行业动态。这类智能体通常结合自然语言处理（NLP）和机器学习技术，从多个来源筛选高价值信息。 核心功能包括： 实时爬取主流科技媒体（如TechCrunch、Wired、The Verge） 自动分类（人工智能、网络安全、云计算等） 情感分析判断新闻倾向性 生成摘要简化阅读 典型应用场景： 投资机构追踪技术趋势
49211编辑于 2025-12-17SGG-2026年Java全栈+Python智能体
双核驱动未来：Java全栈与Python智能体融合架构设计与工程实践在2026年的技术语境下，单一语言栈的开发者正面临越来越明显的能力瓶颈。 这意味着，开发者需要同时驾驭Java（企业级应用的基石）和Python（AI智能体的载体），并让二者在架构层面高效协作。 本文将从架构融合、智能体工程化、异构通信、云原生部署四个维度，结合腾讯云产品生态，深入剖析“Java全栈 + Python智能体”这一双核架构的设计要点与落地实践。 2.2 典型协作模式：智能客服系统以“智能客服+自动工单”场景为例，双核协作流程如下：用户在Vue/React前端提问：“我买的跑步鞋显示签收但我没收到，怎么办？” 六、总结Java全栈 + Python智能体并非简单的技能叠加，而是一种架构思维的升维。
15910编辑于 2026-06-30首个智能体模型实测：产品、开发、运维“全包了”
比起榜单排名，让我们更感兴趣的是——GLM-4.5是专为智能体应用打造的基础模型，首次在单个模型中实现将推理、编码和智能体能力原生融合，不再满足于扮演一个被动回答问题的“聊天机器人”，而是要成为能够理解复杂目标 这个Demo可能是GLM-4.5完成的最出色的任务，在界面上清晰描述了智能体的功能，并贴心地加入了隐私提醒。效果怎么样呢？ 一些思考作为基座模型的GLM-4.5，同时扮演了产品经理、程序员和测试运维的角色，通过在一个模型中实现多种能力的融合，很大程度上简化了搭建智能体的工程难度，进一步拉低了智能体的应用门槛。 2、智能体竞赛的逻辑即将重构，从“系统拼装”向“模型驱动” 转变。过去智能体竞赛的焦点在于能否将不同的组件、工具和技术有效地集成到一起，更多依赖于工程实现，而非模型本身的创新。 一些简单的智能体能力，或将被基座大模型整合，但基座模型能力的增强，赋予了开发者更大的想象空间。3、从比拼榜单刷分到真实场景表现，大模型厂商越来越务实。
51500编辑于 2025-07-31MEET2026智能未来大会全解读：AI进入“智能体共生”新纪元
何为AI智能体？简单说就是“能自主思考、自主行动的AI系统”。 百度的GenFlow 3.0智能体已实现月活千万级，内置到文库和网盘后，能覆盖学习、办公全场景；而陈晓建则点出了智能体的核心架构——“模型大脑+代码中枢+工具手脚”，三者协同才能实现从“被动响应”到“主动服务 更关键的是，张亚勤院士给出了明确预判：未来5-10年，基础大模型将收敛到不超过10个，而“智能体互联网”将成为主战场，智能体会取代今天的大部分SaaS和App，成为人与世界交互的默认形态。 企业端的成果同样亮眼：百度发布全模态通用智能体GenFlow 3.0，其AI学习平台OREATE AI上线一月月活破140万，登顶ProductHunt全球日榜；智源研究院开源的悟界·Emu3.5模型， 你对AI智能体的未来有什么期待？欢迎在评论区留言讨论~
81410编辑于 2025-12-17- 来自专栏大模型应用
智能体构建：基于SKILL的AI智能体构建：模块化能力编排+实时交互系统全实现.136
基于SKILL构建 AI 智能体，本质上就是让AI从即兴发挥变成按规办事，让每一项能力都可注册、可调度、可监控、可迭代。 什么是 SKILL SKILL可以理解未智能体的“能力插件”，是封装特定任务逻辑、输入输出、触发条件与执行流程的标准化单元，也是AI智能体能够落地业务、解决实际问题的核心基础。 SKILL 架构的核心价值2.1 模块化将智能体的能力拆分为独立的SKILL单元，每个SKILL负责一项具体任务，开发时可分工协作，不同开发人员负责不同SKILL；迭代时只需修改对应 SKILL，无需改动整个智能体代码 认证、监控、日志系统：保障服务安全，实时观测性能指标，记录全链路日志用于审计与优化。五、SKILL 智能体完整实现1. 对于想要把大模型真正落地到业务、从对话交互走向流程执行的场景来说，SKILL 体系是一条非常成熟、可直接量产的技术路线，也是 AI 智能体从 Demo 走向生产环境的关键一步。
49121编辑于 2026-06-13 - 来自专栏大模型应用
智能体构建：打破停机瓶颈：智能体Skill热更新、灰度发布与回滚机制全流程指南.142
这类智能体的核心能力由一个个Skill技能承载，比如：金融智能体的“账单查询 Skill、风险预警 Skill”，政务智能体的“证照办理Skill、政策解读Skill”。 应用价值2.1 传统智能体的致命短板更新必停机：修改1个小 Bug，需重启整个系统，政务、金融场景停机1分钟可能造成数十万损失；全量更新风险高：新功能直接推给所有用户，一旦出错，全员受影响；无应急回滚能力 更新状态可追溯；通用迁移：脱离医疗场景后，适配所有企业级智能体。 对大模型的意义 大模型是智能体的大脑，负责理解用户意图、生成执行指令；Skill是智能体的手脚，负责落地执行具体业务。 整体看下来，这套机制不仅解耦了大模型核心和业务技能，还让智能体具备了企业级高可用水准，能轻松适配各类严苛场景。
23611编辑于 2026-06-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号