- 综合排序
- 最热优先
- 最新优先
大模型与 Agent 智能体开发实战
大模型与 Agent 智能体开发实战摘要大语言模型（LLM）的爆发式增长不仅改变了自然语言处理领域，更催生了一个全新的技术范式——Agent 智能体。 本文将系统性地介绍大模型 Agent 的核心原理、主流框架、开发实战、高级技巧和落地案例，帮助开发者从零开始构建自己的智能体应用。 一、理解大模型 Agent1.1 什么是 Agent 智能体Agent 智能体是指以大语言模型为核心，具备感知环境、自主决策、执行动作能力的 AI 系统。 一个完整的 Agent 通常包含以下几个核心组件：大语言模型（LLM）：Agent 的"大脑"，负责理解意图、推理决策、生成回复。它决定了 Agent 的智能水平。 结语大模型 Agent 智能体代表了 AI 技术的重要演进方向——从"能对话"到"能做事"，从"被动响应"到"主动服务"。它让大语言模型的能力从"理解世界"延伸到"改变世界"。
56610编辑于 2026-07-01- 来自专栏AI前沿技术
智能体 | Nanobot 大模型 IO 接口设计
如何打造通用性极强的交互架构，同时精准适配多样化、差异化的业务场景，是智能体业务落地的关键。 本文聚焦： • 大模型 IO接口的设计思路、架构方案及实际运行全流程。 大模型 IO 接口，依托 Strategy+Adapter 双层抽象架构，实现上层 Agent逻辑与下层LLM通信的完全解耦。 ReAct循环实质是： 通过预设的 max_iterations 循环调用大模型，模型思考返回结果和是否停止标志，如果需要调用工具结果后继续思考，就获取工具结果后继续循环。 当大模型认为已经得到最终的结果，就会输出最终结果，触发停止条件，跳出循环，完成整个 ReAct 循环。 在执行层，包装了两个输入和输出的类型。通过输入的参数配置，区分不同的业务需求。 这是整个系统的核心引擎，每轮迭代流程如下： ToolRegistryLLMProviderAgentRunnerToolRegistryLLMProviderAgentRunner① 上下文治理管道② 调用大模型追加到
30510编辑于 2026-06-01 - 来自专栏大模型应用
从单智能体到多智能体：LangChainLangGraphAutoGenCrewAI大模型架构原理20.2
基于以上行业痛点，逐步迭代出一套由浅入深、由单体到多体的分层大模型开发框架体系，完整覆盖全场景落地需求，迭代脉络清晰明确：初代基础层：LangChain：主打单智能体轻量化快速搭建，补齐大模型基础工程能力 四大框架各司其职、层层互补：2.1 LangChain（单智能体基础框架）核心定位：业界首个标准化大模型应用开发基础框架，所有大模型应用框架的底层底座。 大模型应用核心组件1.1 大模型底座组件核心定位：整个智能体应用的算力核心与思考大脑。核心能力：承担文本理解、逻辑推理、内容生成、需求解析等核心能力。 核心价值：实现“AI思考推理+外部工具执行”的完整业务闭环，是智能体落地真实业务的关键。1.4 提示词组件核心定位：标准化管控大模型输入规则，保证输出质量稳定。 企业级复杂单智能体应用，完全可以基于LangGraph架构开发，是大模型应用落地的核心主流框架。3.
28110编辑于 2026-08-22 - 来自专栏项目文章
【大模型开发教学智能体】：你的专属大模型教学助手
通过这一平台，开发者能够利用文心大模型，针对自己的行业和应用场景，选择适合的开发方式，打造具有时代特征的产品。 二、快速创建智能体 进入文心智能体平台，我们可以选择基于“零代码”或者“低代码”创建智能体，这里各位可以根据自己的需求和情况来进行选择。 这里我们点击零代码创建智能体。 2.2 智能体Prompt配置 我们先简单来介绍一些Prompt智能体相关的一些知识： 智能体prompt指令是一种用于指导或激活智能体（如人工智能模型）执行特定任务的输入方式。 例如咱们的大模型开发教学智能体设定如下： 角色与目标 作为一个大模型相关的专家，你的主要任务是解答用户的代码问题，教授机器学习的基础知识，以及解释大模型算法。 在解释大模型算法时，需要清晰地阐述算法的原理、应用以及优缺点，以便用户能够全面了解。 若用户的问题超出你的知识范围或无法清晰解答，应诚实告知用户，并尝试提供相关的学习资源或建议。
1.1K10编辑于 2024-06-07 - 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。 , clear_history=False, ) 大模型的选择 在这个脚本中，我使用的是 DeepSeek（我真是 DeepSeek 的热爱粉丝…），如下代码。 ，但是从我个人的使用经验来看，使用多家不同的模型，效果会更好。 如果选择国内的模型，除了 DeepSeek，通义和豆包两个系列的模型也都挺好的，可以参考上面的代码进行配置。 上面的案例中我没有设置，因为在 SRE 这个场景中，如果设置一个规划 Agent，会导致回答很冗长 后面设置两个具体干活的 Agent，但是在他们的 Prompt 不能完全一样，而且这两个 Agent 的大模型最好也是用不同公司的
1.1K10编辑于 2025-02-11 AI 智能体分类体系：从大模型到自主智能体的完整图谱
前记 关于智能体的分类，心里一直是比较困惑的，于是想系统地了解下智能体应该如何分类。 一、大模型是怎么"变成"智能体的 1.1 一个让笔者困惑很久的问题 在聊智能体分类之前，笔者想先说一个一直困扰自己的问题：大模型本质上就是在"预测下一个 token"，它怎么就突然具备了推理、规划、反思 这个问题其实是理解整个智能体体系的起点。 大语言模型的底层机制确实是基于概率的序列预测——给定前文，预测最可能出现的下一个词。 ✅ 1.3 一个关键结论 智能体的"高阶能力"并不是大模型自带的，而是通过架构设计、提示工程和工具集成，把大模型的"预测能力"组装成了"类智能行为"。 但多智能体也有代价：token 消耗约为单 Agent 的 15 倍，通信开销大，稳定性更难保障。简单聚焦任务、实时延迟要求高、预算有限的场景，应该坚持单 Agent。
68710编辑于 2026-06-22- 来自专栏腾讯技术工程官方号的专栏
一文带你了解大模型——智能体（Agent）
从软件工程的角度看来，智能体是一种基于大语言模型的，具备规划思考能力、记忆能力、使用工具函数的能力，能自主完成给定任务的计算机程序。 图 1. 智能体的开发框架 现在（2024 年 5 月）如果你想要开发一个 AI 智能体，已经比大模型爆发的初期方便太多了，随着 AI 应用需求的持续火热，智能体框架层出不穷。 智能体开发框架，会抽象和封装那些被高频使用的模块，如记忆能力、规划能力、RAG 能力、大模型调用等。使用智能体框架，可让帮助你快速搭建智能体。 下图的左侧是多智能体的协作流程，右侧是单智能体的工作流程。 图11 展望 随着大模型的百花齐放，LLM 会支持更长的上下文、更大的参数规模，其推理能力也会愈发强大。 因此，基于大模型搭建的智能体（AI Agent）的能力边界也在不断突破。
48K1524编辑于 2024-05-29 腾讯医疗大模型：医疗健康智能体产品概要
主讲人： 李慧 | 医疗健康产品商业化负责人 数据来源： 2024腾讯全球数字生态大会 一、产品定位与核心亮点 技术定义： 腾讯医疗大模型是一款基于腾讯混元AI生成技术的医疗健康智能体，旨在构建“个人健康助理 功能框架 产品架构分为两大核心模块： 个人健康助理（To C/患者端）： 包含健康自诊、用药助手、报告解读、健康咨询及权威科普联动。 多模态处理： 支持结构化数据、PDF、图片数据的智能识别与分析。 集成能力： 可被第三方系统集成（如企业微信管理后台、医院HIS系统）。 解决方案： 使用智能随访计划生成及派发功能，结合患者信息收集模块（收集发音、感受、图片上传等），生成个性化管理建议。 报告比对： 对比历史报告（如对比2022年7月12日与2023年12月报告，发现右肺上叶小结节从4mm增至5mm）。 报告解读： 针对“视网膜分支静脉阻塞”等病例生成疾病解读。
58310编辑于 2026-05-30AI大模型智能体开发：把大模型变成“会干活”的技术逻辑
大模型就像个满腹经纶的学者，能说会道却迈不出书房；而AI智能体，就是给这位学者装上“行动能力”的技术方案——不用重构底层模型，核心是通过三层技术设计，让大模型从“只会回答”变成“自主做事”。 今天用大白话拆解智能体开发的核心技术，普通人也能看懂落地逻辑。首先要明确：智能体开发的技术核心是“闭环能力”，而非创造新模型。 核心逻辑是“自然语言→机器指令→结果反馈”的转化：当智能体判断需要工具时，技术层会自动把大模型的自然语言指令，翻译成工具能听懂的代码（如API调用、SQL查询），执行后再把结果翻译回自然语言。 比如用户问“上月电商销量Top3产品”，智能体先让大模型识别“需查销售数据库”，再自动生成SQL查询语句，拿到数据后整理成通俗回复。 其实AI智能体开发，本质是“技术落地的工程思维”。不用纠结大模型的底层原理，核心是把“用户需求”通过任务规划、工具对接、反馈闭环三大技术环节，转化为大模型能执行的行动。
57810编辑于 2025-11-24- 来自专栏媒矿工厂
CVPR 2023教程 | 多模态智能体-链接大模型
v=Wb5ZkZUNYc4&list=PLB1k029in3UhWaAsXP1DGq8qEpWxW0QyS&index=6 内容整理：王怡闻 在 Linjie Li 的演讲中，她回答了多模态智能体中的重要问题之一 ：如何用大模型将多模态智能体串联起来。 图4 受到NLP领域的启发过去几个月间，多模态智能体领域的进展十分迅速，并且涉及到了多个领域，如下图。后面将以MM-ReAct作为例子展示多模态智能体是如何工作的。 而随着大模型的不断更新，在这个新范式下建立的多模态智能体系统的能力也会随之增强。 图9 GPT + SAM -- 理解人类指令 我们可以将不同的模型结合到一起，以应对更复杂的任务。 前面提到多模态代理使用自然语言来提示大语言模型进行规划并决定使用哪些工具可以使用编程语言来更准确地执行，但是由于代码仍然是由大语言模型生成的，因此仍然存在不准确的问题。
79930编辑于 2023-09-09 腾讯医疗大模型产品概要：医疗健康智能体
一、 产品定位与核心亮点 腾讯医疗健康智能体是基于腾讯混元大模型的医疗健康领域AI应用。 其核心技术属性为医疗垂直领域大语言模型，商业差异化卖点在于将大模型技术与专业的医学知识库（腾讯医典）相结合，为个人用户和医疗机构提供精准、专业的健康信息服务和医患沟通效率工具。 三、 应用框架和功能介绍 功能框架 产品主要分为两大模块：面向个人用户的健康助手和面向医疗机构的医患沟通与报告辅助工具。 硬核指标 技术基础：基于腾讯混元大模型。 四、 典型案例 智能随访管理场景 背景：家庭医生团队需高效管理大量签约居民，完成随访任务。 总结 腾讯医疗健康智能体通过大模型技术，在个人健康服务层面实现了更精准、便捷的信息获取与指导；在医疗机构服务层面，有效助力医患沟通效率提升（智能随访、辅助沟通）和报告处理流程优化（报告提效），达成了“增效降本
52410编辑于 2026-05-30从0到1：了解 AI、大模型与智能体！
三者是“总-分-延”的关系：AI包含大模型与智能体，大模型为智能体提供能力基础，智能体是大模型落地的关键形态。一、核心概念：AI、大模型与智能体的本质拆解1.1什么是AI（人工智能）？ 二、直观对比：AI、大模型与智能体的核心差异对比维度AI（人工智能）大模型（FoundationModel）智能体（Agent）核心定位智能技术的总称（大范畴）AI的通用能力核心载体大模型的自主任务执行延伸 6.2简单适配个性化需求（低门槛）大模型微调：通过企业/个人知识库上传，让大模型适配专属需求（如上传公司产品资料，让大模型成为智能客服）；智能体配置：在Coze等平台，通过可视化操作给智能体添加“工具” Q2：大模型与智能体，哪个更适合普通职场人？答：优先从大模型入手，再逐步使用智能体。 官方技术文档Coze（扣子）《智能体落地实践白皮书》核心关键词AI（人工智能）、大模型、智能体、FoundationModel、Agent、人机协同、AI应用场景、大模型微调、智能体闭环逻辑
1.9K21编辑于 2026-01-21《深度揭秘：解锁智能体大模型自我知识盲区探测》
当面对超出其训练数据边界和固有知识范畴的问题时，智能体大模型往往会陷入困境，却浑然不知，这便是知识盲区带来的隐患。 如何构建能够自动发现自身知识盲区的智能体大模型，成为当下人工智能领域亟待攻克的前沿难题，它关乎着智能体大模型能否真正实现从“智能助手”到“可靠伙伴”的跨越。 元学习能够帮助智能体大模型学会如何学习，使其在面对新问题时，快速调整学习策略和知识运用方式。 这样，智能体大模型在不断的学习和试错中，逐渐强化对自身知识边界的感知能力。知识图谱技术也为智能体大模型探测知识盲区提供了有力支撑。 然而，要实现让智能体大模型具备高效、准确的自动知识盲区发现能力，仍然面临诸多挑战。
44200编辑于 2025-05-23- 来自专栏AI科技评论
异构智能体自主协作，大模型扮演了什么角色？
懂所思、知所能、行所意，是大模型驱动多智能体协作的主要能力。 智能体可赋予大模型物理实体，使其具备与真实物理世界感知交互的能力。 1 大模型下的异构智能体协同 人工智能场景分工趋向细化，探索 AI 工程化路径中，大模型控制智能体是大势所趋。 要实现大模型异构智能体自主协同，离不开三大方面的能力：懂所思、知所能、行所意。 懂所思，指的是要发挥大模型对高层语义的理解能力。 可以看到，通过大模型调度多种智能体自主协作，大模型具备了对无人机集群、机器狗、机械臂等智能体的真机协同控制能力。 智能体可赋予大模型物理实体，使其具备与真实物理世界感知交互的能力。 比如，智能体可能需要为大模型寻找甚至生成更好的训练数据，这个过程中我们要确保智能体的行为符合伦理，不侵犯人类隐私。 第四是新型智能体设计。
1.1K70编辑于 2023-09-07 理解一下大模型与智能体的关系
简单来说：大模型是智能体的 “核心能力引擎”，智能体是大模型从 “被动响应” 到 “主动解决问题” 的 “系统载体”—— 没有强大的大模型，智能体难以实现复杂任务的理解与规划；但仅靠大模型，无法成为能自主完成任务的智能体 二、大模型与智能体的核心关系：大模型是智能体的 “能力基石” 智能体的 “自主做事能力”，本质是靠大模型解决了 “最核心的理解与规划难题”。 五、协同进化：大模型与智能体相互推动发展 大模型和智能体不是 “单向支撑” 的关系，而是 “相互促进” 的协同进化： 1. 智能体的需求，推动大模型优化 智能体 “工具调用需求”：推动大模型增强 “工具适配能力”（如 GPT-4 的 Function Calling 功能，可直接调用 API）； 智能体 “长期记忆需求”：推动大模型发展 简单来说：大模型决定了智能体的 “智商上限”，智能体决定了大模型的 “价值下限”—— 没有大模型，智能体是 “空壳系统”；没有智能体，大模型是 “闲置的能力”。
2.7K10编辑于 2025-10-14大模型智能体（Agent）：从概念认知到工程落地
大模型智能体（Agent）：从概念认知到工程落地让AI不再是“聊天框”，而是能干活、会规划的自主实体一、先建立直觉：什么是智能体？ 1.1 一个比喻帮你秒懂概念比喻说明大模型（LLM）大脑能思考、推理、生成文字智能体（Agent）完整的人大脑 + 眼睛（感知）+ 手脚（工具）+ 记忆 + 规划能力智能体 = 大模型 + 工具调用 + 二、智能体的核心架构（四层模型）在企业级项目中，我们通常把Agent拆成以下四层：第一层：感知层（Perception）Agent如何“看到”世界？ content": user_query}] for step in range(max_steps): response = call_llm(messages) # 调用大模型 回顾你这一路的探索：你掌握的技能在Agent中的位置Vibe Coding快速生成Agent原型代码ComfyUI工作流理解“节点编排”思想，迁移到Agent流程设计Go运维开发编写高并发、高可用的Tools层手写大模型深入理解
37510编辑于 2026-07-01AI智能体开发：让大模型从“能说”到“会做”
智能体开发的核心不是“造新模型”，而是“用好现有大模型”。 基础大模型（比如GPT、文心一言）已经掌握了海量知识，我们不用重复训练，关键是解决三个问题：让它知道“做什么”、学会“怎么干”、能应对“突发情况”。第一步，明确目标与边界：给智能体定“任务清单”。 第二步，工具调用：给智能体装“手脚”。大模型本身不会直接操作软件、查询数据库，这就需要给它对接各种“工具”——比如查询库存的数据库接口、发送通知的短信API、整理文档的办公软件插件。 ，智能体先让大模型识别出“需要查库存”，再自动生成查询数据库的SQL语句，拿到结果后再翻译成自然语言回复用户。这里要注意工具的兼容性，不用追求“高大上”，能稳定调用、数据准确比什么都重要。 其实AI智能体开发，本质是“技术落地的思维”——不用纠结底层模型的复杂原理，而是聚焦“用户需求”和“实际场景”，把大模型的知识转化为可执行的行动。
68710编辑于 2025-11-24从单智能体到多智能体协作：2026年大模型智能体开发现状与实践
从单智能体到多智能体协作：2026年大模型智能体开发现状与实践当ReAct框架成为过去式，我们如何构建真正能协作、会反思、能落地的生产级智能体系统？ 前言2024年，智能体开发还停留在“Prompt + 工具调用”的简易编排；2025年，LangGraph和AutoGen开启了有状态图控编程的新范式；到2026年，智能体开发已演变为一个融合原生模型能力 ": [response]}# 5. 3.2 安全围栏：独立于主模型的盾层大模型本身无法保证输出安全性，我们需要一个独立的小模型守卫：class Guardrail: def __init__(self, guard_model, threshold （p95、p99）幻觉率生成内容中包含的虚构事实比例使用 RAGAS 或 FactScore 工具共识达成时间多智能体协商收敛所需轮次日志分析五、总结与展望当前智能体开发的三个关键认知：智能体 ≠ 大模型
37210编辑于 2026-07-15- 来自专栏啄木鸟软件测试
测试专家必看：5大智能体测试开源方案
引言 在大模型驱动的AI原生应用爆发式增长的今天，传统软件测试范式正面临前所未有的挑战。 当系统核心逻辑从确定性代码转向非确定性推理链、当用户交互由预设路径演变为多轮自主规划、当‘正确性’本身需依赖语义对齐而非断言匹配——我们不得不承认：LLM智能体（Agent）已不是‘带AI功能的软件’， 正因如此，2024年起，全球测试社区加速孵化面向智能体的专用测试框架。 结语 智能体测试不是对旧方法的修补，而是一场方法论重构。上述5个开源方案，分别从流水线治理、协同可信、行为契约、协议抽象、理论量化五个维度，勾勒出新测试范式的完整拼图。值得注意的是：没有‘银弹’框架。 下一站，是让测试智能体自己来测试其他智能体。而这场进化，已经开始了。
48000编辑于 2026-06-15 企业级大模型与智能体应用实践指南（中）
企业级大模型与智能体应用实践指南王文广（kdd.wang@gmail.com）四：功能定义与提示词工程——将通用智能驯化为业务组件现在，路已铺好，桥已架通，真正的挑战随之而来：如何接入智能？ 而在大模型集成的架构中，引入了一个全新的单元：LLM Task（大模型任务）。 这种架构布局传达了一个核心理念：人工智能是在增强工作流，而不是替代工作流。AI大模型不应该接管整个业务流程的控制权（至少在当前阶段）。相反，它应该被封装为一个无状态的原子服务。 为了解决这个问题，企业级集成通常采用以下策略：预填充（Prefill）：在Prompt的末尾强制加上{，诱导模型直接开始输出JSON体。 置信度阈值：利用模型返回的Logprobs（对数概率）数据，计算生成结果的置信度。如果置信度低于某个阈值，流程自动路由到人工复核节点。5.
55710编辑于 2026-02-11
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