- 综合排序
- 最热优先
- 最新优先
- 来自专栏陶士涵的菜地
多 AI 智能体系统- AI 智能体的 6 个关键要素
比如翻译任务，如果一个智能体一次翻译可能结果一般，但是如果分成多个智能体，先直译然后反思最后意译结果就好很多。 3. 使用工具 智能体有能力调用工具，并且能选择最适合当前任务的工具。 协作 通常对于复杂的任务，不是一个智能体在完成任务，而是多个智能体一起完成任务，那么在整个过程中，需要确保智能体之间能相互通信，比如一个智能体的输出可以作为下一个智能体的输入，比如有一个智能体专门负责调度根据中间结果调用不同的智能体 所以对于多智能体系统，还需要设计好工作流，确保智能体之间整体协作的通畅。 这种协作不仅是指智能体和智能体之间，也包含人和智能体之间的协作。 现在的智能体还不足以智能到自始至终能做出正确的决策，有时候还需要人工的干预，在中间及时给出反馈，有错误给予纠正，缺少信息补充上下文。 所以设定好防护栏，就能确保智能体能在正确的轨道上，如果出现故障可以及时干预，而不至于卡在某个任务上白白浪费 Tokens。 6.
80511编辑于 2024-05-28 多智能体怎么设计？把 6 种常见模式先分开看
多智能体怎么设计？把6种常见模式先分开看做Agent系统时，最容易混在一起的不是模型和工具，而是“多智能体”这个词本身。有时候你需要的是主控调度。有时候你需要的是角色切换。 一、Supervisor：主智能体统一调度，子智能体当工具Supervisor最像很多人直觉里的multi-agent。 它的结构很简单：主智能体直接面对用户子智能体不直接接用户子智能体被包装成工具，由主智能体决定什么时候调用代码骨架可以先看成这样：展开代码语言：JavaAI代码解释@ToolStringcallSubagent 也就是：主智能体负责全局上下文子智能体只做局部任务调完就返回结果这样主控层只需要管调度，不用再背子智能体各自的长期状态。 这类模式适合：不同请求有明确的垂直领域入口处就能完成大部分分类某些请求需要并行发给多个领域再汇总常见做法有两种：单智能体里做隐式路由多智能体并行处理后再合并结果最常见的router往往是无状态的：一次请求做一次分类路由结束就结束下一次请求重新判断如果
23910编辑于 2026-04-10- 来自专栏测试开发囤货
MetaGPT：多智能体元编程框架
MetaGPT：多智能体元编程框架 使 GPTs 组成软件公司，协作处理更复杂的任务 MetaGPT输入「一句话的老板需求」，输出「用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等
1K30编辑于 2023-08-08 多智能体架构的核心功法
这让我意识到：多智能体不是技术升级，而是组织升级。 多智能体不是简单叠加，而是化学反应 很多人听到"多智能体"，第一反应是"不就是多调用几个AI接口吗"。这种理解太表面了。 这些问题解决不好，多智能体就会从"提升效率"变成"增加负担"。 企业落地的三个关键门槛 经过两年的实践，我总结出企业落地多智能体的三个关键门槛： 第一个门槛：找到合适的分工边界 不是所有业务都适合用多智能体。有些场景用单体AI更高效，有些场景必须用多智能体。 如果任务相对简单且变化不大，单体AI足够；如果任务复杂且经常变化，多智能体的优势就体现出来了。 对于企业来说，关键不是要不要用多智能体，而是什么时候用、怎么用、用在什么地方。 我们的经验是：从简单场景开始，逐步复杂化；从单体AI开始，逐步多智能体化；从技术验证开始，逐步业务化。
20110编辑于 2026-02-02- 来自专栏张善友的专栏
OpenAI官方开源多智能体框架「Swarm」，并不是我想要的多智能体框架
今天早上，OpenAI实施团队的 @shyamal在Github上开源了Swarm这个OpenAI官方的多智能体框架。 这个多智能体框架确实已经把多智能体的关键，说的很透彻了，Swarm 里面定义了两个核心「Agents」和「Handoffs」，多智能体的核心是在这个Handoffs上面。 个人观点认为他的设计还没有我们的多智能体框架好用，OpenAI的[Swarm]是docker swarm，我们的多智能体框架就是k8s，我需要的是像k8s编排容器那样编排智能体，我们刚刚在9月26日对外发布了多智能体的工业设计产品 多智能体的核心难题其是不同智能体之间的通信问题。怎麼传递信息，传哪些信息，这些都很重要。多个智能体协作，也只需要在必要的时候被调用起来就可以了。 OpenAI的Swarm 目前还处于实验阶段，期望他发展成为k8s 这样的一个多智能体编排框架： 这个框架是python写的，大家觉得用python 写多智能体应用是好选择吗？
73610编辑于 2025-02-04 - 来自专栏数据科学和人工智能
DeepMind 最新教程：多智能体学习
DeepMind团队最新做的关于多智能体学习的教程 DeepMind团队最新做的关于多智能体学习的教程
74610编辑于 2022-03-31 - 来自专栏AI科技评论
对战6亿用户竞技手游：聚焦复杂游戏中的多智能体博弈
2021年11月，全球首届“ AI《球球大作战》：Go-Bigger多智能体决策智能挑战赛”已正式开赛。 但不同的是，Go-Bigger涉及到多智能体的配合和对抗，会有更高的决策复杂度。” 因此，在复杂游戏中的多智能体博弈，成为推动决策智能发展的关键。 Go-Bigger涉及多智能体博弈，不可避免要权衡同一团队中的个体行动与合作行动、不同团队间的合作与竞争、表征和交换与其它智能体的环境信息。 如今，全球首届“ AI《球球大作战》：Go-Bigger多智能体决策智能挑战赛”已正式开赛。
1.2K20编辑于 2021-12-08 2026 年智能体架构综述：从笨重设计到多智能体架构（MAS）
如果把 2024 年比作智能体的“前哨战”，那么 2026 年就比作真正生产级智能体的“分水岭”。 取而代之，是像微服务演进同样必然的范式：多智能体系统（Multi-Agent System, MAS）。01 笨重设计的最终路：为什么分离剂玩不动了？在早期探索中，我们习惯于构建“全能型智能体”。 设计模式在处理简单的演示时表现出色，但在真实的企业级场景（如复杂的金融审计、供应链调度）中却暴露了三个致命伤：认知的“过度过度”：当一个智能体被要求同时掌握代码编写、合规审核和风险评估时，LLM 的长上下文 专家、景观设计师、创意专家……这些子智能体实时同步进度，形成了一个“永不掉链子”的协作环。 这就是 2026 年的现实：人工智能不再是一个查询工具，正在成为企业的操作系统（Agent OS）。 随着模型上下文协议（MCP）等协议的成熟，智能体之间的协作负载已经成为冰点。 如果你还在尝试用一个庞大的提示解决所有问题，那么现在就停下来重新思考架构的时候了。
71032编辑于 2026-01-20多智能体一致性算法
所有智能体的某个状态量（位置、速度、成本等）通过 局部邻居通信 最终收敛到同一个值。 二、1-D 离散时间一致性（5 行 MATLAB 代码）% 一阶离散一致性N = 5; % 智能体个数A = [0 1 1 0 0; % 邻接矩阵 三、完整 6-DOF 四旋翼一致性仿真包模块内容文件名动力学6-DOF 刚体 + 电机模型quad_model.m通信拓扑环形/星形/树形 一键切换graph_gen.m一致性协议一阶、二阶、高阶、含时滞 ));end对比结果： 1 阶：ITAE = 4.2 2 阶：ITAE = 2.1（更快） 加入 PSO 调 kₚ,kᵥ：ITAE = 1.3用 5 行 MATLAB 即可跑通最简一致性；换到 6-
28610编辑于 2025-09-02多智能体仓库AI指挥层技术架构
多智能体仓库AI指挥层实现运营卓越与供应链智能仓库的“大脑”：解决碎片化运营难题尽管仓库的自动化和数据丰富程度已达历史新高，但多数站点仍然依赖一套难以跟上节奏的系统：仓库管理系统（WMS）、少量仪表盘和分散的岗位知识 主管们需要管理12类以上的设备、数千个班次任务以及持续不断的数据流，却没有任何统一的智能系统来解读全局或指导下一步行动。本文介绍多智能体智能仓库（MAIW）蓝图——一个缺失的关键层。 设计目标：展示某机构AI技术栈（包括NIM、NeMo、cuML、cuVS）如何驱动运营助手提供镜像仓库角色的多智能体架构：设备、运营、安全、预测、文档处理将检索增强生成（RAG）、预测和文档AI统一到单一工作流内置真实的安全性 预测：由cuML加速的6模型集成，经Optuna调优，达到约82%准确率，平均绝对百分比误差（MAPE）为15.8%。 智能体功能规划与通用路由意图、分解任务、选择合适智能体设备与资产跟踪管理叉车、AMR、传送带；检查遥测、维护和利用率运营协调管理任务、波次、人员配置和KPI；诊断瓶颈并执行修复安全与合规强制执行SOP和法规
22610编辑于 2026-04-05- 来自专栏强化学习专栏
【MADRL】多智能体深度强化学习《纲要》
文章强化学习： 强化学习（3）---《【MADRL】多智能体深度强化学习《纲要》》 【MADRL】多智能体深度强化学习《纲要》 多智能体深度强化学习（Multi-Agent Deep 多智能体深度强化学习将深度学习与多智能体强化学习结合，使得智能体能够在复杂、高维的环境中学习到有效的策略。 背景与挑战 多智能体系统中的强化学习任务包含多个智能体，每个智能体在与环境和其他智能体的交互过程中不断学习。 尽管简单易实现，但这种方法在多智能体环境中容易陷入非平稳性问题，且无法有效处理智能体之间的协作。 2.2. 非平稳性与收敛问题：在动态交互环境中，智能体策略更新可能导致系统难以收敛到稳定的策略。 策略泛化能力弱：在不同环境中策略的迁移能力有限，需要设计更具泛化能力的学习算法。 6.
1.4K10编辑于 2024-12-03 - 来自专栏panzhixiang
大模型多智能体简单应用案例介绍
多智能体角色的说明 最近在尝试 LLM Multi Agent（多智能体）的应用场景，下面给一个最近觉得还比较好用，也不是很麻烦的案例。
93410编辑于 2025-02-11 - 来自专栏AI
VSCode 正式发布：全新多智能体开发平台
VSCode在2026年2月发布的1.109版本中，正式将多智能体开发体验提升到新高度：在单一编辑器内运行Copilot、Claude与Codex智能体，统一管理所有会话，为每个任务选择最合适的工具。 一、统一的智能体会话管理：AgentSessions视图多智能体开发的核心挑战在于会话管理。 ：研究型子智能体：只读权限+网络搜索工具实现型子智能体：完整编辑权限安全审计子智能体：专注漏洞扫描的专用提示词四、开放标准：MCPApps与AgentSkillsVSCode的多智能体战略不仅关注功能集成 标志着多智能体开发体验的重要转折点：开发者无需在不同工具间切换，也无需为每个新智能体重新学习工作流。 通过统一的会话管理、开放的标准支持与灵活的编排能力，VSCode正在成为多智能体时代的开发者首选平台。
88810编辑于 2026-02-14 - 来自专栏强化学习专栏
【MADRL】多智能体价值分解网络（VDN）算法
文章分类在强化学习专栏： 【 强化学习】（11）---《多智能体价值分解网络（VDN）算法》 多智能体价值分解网络（VDN）算法 1.算法介绍 多智能体强化学习（MARL, 论文：Value-Decomposition Networks For Cooperative Multi-Agent Learning 代码： MADRL多智能体价值分解网络（VDN）算法 1.1背景与动机 在多智能体系统中，每个智能体不仅需要根据自己的观察做出决策，还需要与其他智能体协作以实现全局目标。 2.1价值分解 在传统的单智能体强化学习中，Q值函数 表示在状态 下采取动作 的价值。对于多智能体系统，联合Q值函数 表示在状态 下所有智能体联合动作 的总价值。 分散执行：每个智能体只需根据自己的局部观察和Q值进行决策，不依赖其他智能体的具体动作，适用于具有局部观测的多智能体任务。
1.5K00编辑于 2024-12-03 - 来自专栏NLP/KG
【一】MADDPG-单智能体|多智能体总结（理论、算法）
产生问题： 1–传统的多智能体RL算法中，每个智能体走势在不断学习且改进其策略。由此，从每个智能体的角度来看，环境是不稳定的，不利于收敛。 ---- 2.多智能体 （转） 1-如图所示，多智能体系统中至少有两个智能体。另外，智能体之间存在着一定的关系，如合作关系，竞争关系，或者同时存在竞争与合作的关系。 每个智能体最终所获得的回报不仅仅与自身的动作有关系，还跟对方的动作有关系。 2-多智能体强化学习的描述：马尔可夫博弈。状态转换符合马尔可夫过程，关系符合博弈。 Cooperative-Competitive Environments 论文下载：【https://download.csdn.net/download/sinat_39620217/16203960】 Multi-Agent:多智能体 Deterministic:直接输出确定性的动作 Policy Gradient: 基于策略Policy来做梯度下降从而优化模型 1.不过传统的RL方法，比如Q-Learning或者policy gradient都不适用于多智能体环境
4.9K20编辑于 2022-12-01 - 来自专栏Go语言学习专栏
6 - MCP 协议 - AI 超级智能体项目教程
AI 的更新速度飞快，随着平台 / 工具 / 技术 / 软件的更新，教程的部分细节可能会失效，所以请大家重点学习思路和方法，不要因为实操和教程不一致就过于担心，而是要学会自己阅读官方文档并查阅资料，多锻炼自己解决问题的能力 按照官方的说法，总共有 6 大核心概念。大家简单了解一下即可，除了 Tools 工具之外的其他概念都不是很实用，如果要进一步学习可以阅读对应的官方文档。 使 MCP 服务能够实现复杂的智能代理行为，同时保持用户对整个过程的控制和数据隐私保护。 如图，官方提供了很多现成的 MCP 服务： 让我们进入一个智能体应用，在左侧可以点击添加 MCP 服务，然后选择想要使用的 MCP 服务即可，比如使用高德地图 MCP 服务，提供地理信息查询等 12 6）跨平台兼容性：开发 MCP 服务时，应该考虑在 Windows、Linux 和 macOS 等不同操作系统上的兼容性。
77310编辑于 2026-03-17 搭建企业智能体开发平台：6大核心准备与智能体开发平台实践启示
有案例显示，某零售企业通过智能体平台实现会员运营自动化后，虽然初期投入是传统系统的1.5倍，但6个月内会员复购率提升40%，整体营销成本降低25%，实现了良性的投入产出比。 多模态知识库建设是基础工程。企业需要整合内部的结构化数据（如CRM中的客户信息）、非结构化数据（如产品手册PDF）、半结构化数据（如客服聊天记录），并转化为智能体可理解的知识形式。 AI-Agentforce智能体开发平台的多模态知识库引擎支持100+数据格式自动解析，某零售企业通过该引擎，将分散在ERP、电商平台、线下门店的三类数据，统一转化为"客户标签-商品属性-购买场景"的三元组知识结构 对于非技术人员，需要提供低代码平台的操作培训；对于技术团队，则要加强大模型应用和多智能体协同的知识储备。 落地节奏建议：试点期（1-2个月）验证单一场景价值；推广期（3-6个月）扩展至同部门多个场景；成熟期（6-12个月）实现跨部门智能体协同；创新期（1年后）探索多智能体系统的复杂任务调度。
1K10编辑于 2025-09-11- 来自专栏AgenticAI
LLM多智能体AutoGen教程6：Python typing是如何自动生成工具调用请求参数的？
LLM多智能体AutoGen教程5：函数调用之避免捏造参数》，我们使用typing对可调用函数进行注解，AutoGen据此自动生成OpenAI API函数调用时的请求参数。 > True print(user.model_dump()) > {'id': 123, 'name': 'X2046', 'birthday': datetime.datetime(2024, 6,
1K00编辑于 2025-03-18 - 来自专栏AgenticAI
实战OpenAI最新开源多智能体框架Swarm
所以，Swarm 是一个多智能体框架。 OpenAI 声明了这只是探索性的一个框架，并不打算完善上生产，主要目标是为了演示 OpenAI 官方教程《智能体编排：路由与交接（Orchestrating Agents: Routines and 按照我的理解多智能体为大语言模型的 Agent 系统引入了分工合作、专人专事的思路，可以用来实现工作流类型的应用。通过给不同的 Agent 设定特定的 Prompt，能够让他们更精确的完成任务。 虽然 OpenAI 的 Swarm 只是 Demo，但其简洁的实现，能够让我们快速了解多智能体。 1. 参考资料 [1] Swarm: https://github.com/openai/swarm [2] 智能体编排：路由与交接（Orchestrating Agents: Routines and Handoffs
1.4K10编辑于 2025-03-18 - 来自专栏phodal
Shire 智能体市场：IDE 一键安装多智能体，协同打造集体智慧 Copilot
太长不看版：在新版本（0.8）的 Shire 中，你可以通过 Shire 智能体市场，一键下载和安装多个智能体，并直接在你的当前项目中使用。 与此同时，你还可以 将你的 Shire 代码段或者智能体上传到 Shire 智能体市场。 详细见视频： WHY：AI 智能体应用于真实世界软件开发的挑战？ 基于团队的流程、规范，来编写生成代码、生成测试用例等智能体。 通过智能体市场，来下载、安装、使用团队的智能体。 通过将团队的知识与代码库、团队上下文等紧密结合，我们可以实现更高效的软件开发。 诸如于，用户可以选择”API 设计、生成与文档“这个智能体包， 便可以直接在 IDE 中使用这这些智能体。 其它 Shire 新功能 在新版本（0.8）的 Shire 中，你还将体会到： model 参数，用于在 Shire 代码中指定模型的名称，以支持多模型的调用。
31800编辑于 2024-11-22
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