- 综合排序
- 最热优先
- 最新优先
- 来自专栏自然语言处理
Suna -开源智能体助手
最棒的是，它完全开源！ 4. 公司旅行规划 计划团建？就说：“为我的公司生成一个去加州的路线计划。我们有8人，4月21日从法国巴黎出发，行程为期7天。检查未来几天的天气预报和温度，据此安排室内外活动。” 5.
1.2K11编辑于 2025-04-26 - 来自专栏深度学习与python
Block公司开源AI智能体框架Goose
译者 | 明知山 策划 | 丁晓昀 美国 Block 公司的开源项目办公室推出 Goose，一个开源、非商业用途的 AI 智能体框架，旨在自动化任务并与现有工具无缝集成。 Goose 作为一个自主的 AI 智能体，能够通过协调各种内置功能来执行复杂任务。用户可以集成他们偏好的大语言模型，确保了工具部署的灵活性。 Goose 支持一系列与工程相关的任务，包括： 代码迁移 为软件项目生成单元测试 生成用于保留数据的 API 管理应用程序中的功能标记 自动化构建命令的性能基准测试 将测试覆盖率提高至指定阈值之上 作为一个开源项目 开源 AI 智能体不再是一个业余项目——它们正在定义未来。Goose 1.0 标志着范式的转变：去中心化、非商业用途的 AI 框架，连接智能与现实世界。AI 领域一直被少数几个访问受限的模型所主导。 Goose 是一个模块化的 AI 智能体框架，可以安装、执行、编辑和测试任何大语言模型（而不仅仅是少数的几个）。 随着更多贡献者不断完善其功能，Goose 有望实现进一步的发展。
1.2K10编辑于 2025-02-27 ValueCell—开源的金融交易智能体
描述 ValueCell 是一个由社区驱动的多智能体平台，专为金融应用设计。我们的使命是打造全球最大的去中心化金融智能体社区。 它提供一支顶尖的投资智能体团队，帮助您进行股票筛选、研究、追踪，甚至交易。 该系统将所有敏感信息保存在本地设备上，确保核心数据安全。 截图 主要特点 多智能体系统 •深度研究智能体：自动获取和分析基本面文件，生成准确的数据洞察和可解释的总结•策略智能体：支持多种加密资产和多策略智能交易，自动执行您的策略•新闻检索智能体：支持个性化定时新闻推送 ，实时跟踪关键资讯•其他：更多智能体正在规划中... OpenRouter、SiliconFlow、Azure、OpenAI 兼容、Google、OpenAI 和 DeepSeek•流行的市场数据 :覆盖美国市场、加密货币市场、香港市场、中国市场等•多智能体框架兼容
77120编辑于 2026-03-13- 来自专栏深度学习与python
LangChain 推出开源异步编码智能体 Open SWE
作者 | Robert Krzaczyński 译者 | 刘雅梦 LangChain 发布了 Open SWE，这是一个完全开源的异步编码智能体，旨在在云端运行并处理复杂的软件开发任务。 公司表示，Open SWE 代表了从实时“副驾驶”助手向更自主、长期运行的智能体的转变，这些智能体可以直接集成到开发人员现有的工作流程中。 开发人员可以在任务中途中断智能体、请求更改或提供新的指令，而无需重新启动。在计划阶段，用户可以在执行开始之前接受、编辑或拒绝建议的策略。 LangChain 表示，Open SWE 的多智能体架构（Manager、Planner、Programmer 和 Reviewer）是生成高质量代码的关键。 在我看来，langgraph 的顶级贡献者是他们构建的智能体，这是一个巨大的危险信号。
61210编辑于 2025-08-24 Lagent 开源的 LLM 智能体框架 (持续更新)
Lagent 是什么 Lagent 是一个开源的 LLM 智能体框架，允许使用者快速将一个大语言模型转换成智能体，并提供一些典型工具来激发大语言模型的潜能。 agents 实现了多种智能体，如 ReAct，AutoGPT。 llms 支持多种大语言模型，包括在 HuggingFace 上托管的开源模型（Llama-2, InternLM）及 GPT3.5/4 等闭源模型。 InterLM 驱动的 ReAct 智能体 注意，如果你想使用 HuggingFace 模型，请先运行 pip install -e . api_key='Your SERPER_API_KEY') # 初始化 Python 代码解释其 python_interpreter = PythonInterpreter() # 配置 ReAct 智能体
73910编辑于 2024-10-03智能体的第4个阶段，到来了！
我上一篇公众号写了Manus智能体，openManus项目很快就火了，上周，字节发布了它们的开源项目Agent TARS，我认为字节内部行动真的很快。 随着类似项目的越来越成熟，我能感觉到，智能体的第4个阶段，已经到来了。 这一阶段的智能体，实现了初级工具集成，在字节的coze平台上，智能体把官方和用户们共同提供的插件作为工具，智能体可以自主决定使用哪一个工具作为本次对话的执行。 第3阶段：多智能体架构 当开发者们发现，特定提示词配合特定工具集时，智能体能在某些方面表现的非常优异，而多加或少加工具，都会让智能体性能大打折扣，于是他们决定，由多个智能体打包成一个复合智能体来向用户提供通用性的智能体产品 而到了2025年的现在，我们已经完全掌握了基于python来控制浏览器的能力，这得益于已有的开源项目，例如browser-use, playwright等项目。
28310编辑于 2025-12-29- 来自专栏机器之心
MetaGPT开源自动生成智能体工作流，4.55%成本超GPT-4o
AFLOW 作者团队来自于 MetaGPT 开源社区。 AFLOW 通过蒙特卡洛树搜索优化工作流，极低成本实现 GPT-4o 级能力 这是对提示词自动优化的进一步探索，通过蒙特卡洛树搜索，完全接管了 Agentic Workflow 的生成与优化过程，表现远超其他工作流自动优化工作 在 AFLOW 框架中，Operator 扮演着至关重要的角色，它们是预定义的、可重用的节点组合，代表常见的智能体操作（比如审查，投票，生成）。 这些 Operator 作为构建工作流的基础构件，被集成到搜索空间中，确保探索过程可以利用已知的有效智能体操作模式。 较小尺寸的模型通过 AFLOW 找出的工作流，仅需 GPT-4o 推理成本的 4.55% 就能实现同等性能。
62510编辑于 2025-02-14 - 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。 这个接收到用户请求的智能体我们叫做路由智能体，他负责路由到具体执行任务的任务智能体。
63710编辑于 2025-02-04 开源MCPEval实现协议级智能体测试即插即用
开源MCPEval实现协议级智能体测试即插即用企业开始采用模型上下文协议（MCP）主要是为了促进智能体工具使用的识别和指导。 研究人员发布了MCPEval，这是一种基于MCP系统架构的新方法和开源工具包，用于测试智能体在使用工具时的性能。 利用多个大型语言模型（LLM），用户可以选择使用他们更熟悉的模型，可以通过市场上各种可用的LLM来评估智能体。企业可以通过某机构发布的开源工具包访问MCPEval。 使MCPEval与其他智能体评估器不同的是，它将测试带到智能体将要工作的相同环境中。智能体根据它们在可能部署的MCP服务器内访问工具的能力进行评估。 论文指出，在实验中，GPT-4模型通常提供最佳的评估结果。评估智能体性能企业开始测试和监控智能体性能的需求导致了框架和技术的繁荣。一些平台提供测试和几种更多的方法来评估短期和长期的智能体性能。
28310编辑于 2025-08-26- 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. 4.
1.1K10编辑于 2025-03-18 - 来自专栏机器学习算法与Python学习
开源星际争霸2多智能体挑战smac
转自：专知 SMAC是Github上的一个用于在暴雪星际争霸2上进行多智能体协同强化学习（MARL）的环境。 SMAC用了暴雪星际争霸2的机器学习API和DeepMing的PySC2为智能体与星际争霸2的交互提供了友好的接口，方便开发者观察和执行行动。 示例代码 ---- 在下面的代码中，独立的智能体在接收到观察和全局状态后会执行随机策略。
1.6K20发布于 2019-03-07 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 sentiment['label'], 'confidence': sentiment['score'], 'summary': summary } 知识图谱构建 使用Neo4j AI'})-[:RELATED_TO]->(m:Company {name:'OpenAI'}) CREATE (n)-[:MENTIONED_IN]->(a:Article {title:'GPT-4
37311编辑于 2025-12-17智能体来了！2026智能体开发全面指南
智能体来了！2026智能体开发全面指南 一、 繁华落尽后的“平静”：技术背后的选择逻辑“真正深入使用 AI 之后，我反而更平静了。” 在过去这段时间里，我深入钻研了 Python 编程、探究了 AIGC 的视觉极限、搭建了复杂的流程智能体、甚至深入到了 STM32 的硬件底层。 而顶级的 AI 大模型与 Agent（智能体），正是我能遇到的认知最高、脾气最好、思维最完善的存在。在我的「心枢」系统里，AI 不仅仅是执行任务的“器”，它更是我最好的老师、朋友、教练和员工。 它的核心公式是：理解目标（Layer 1）→ 协助决策（Layer 2&3）→ 自动执行（Layer 2&5）→ 持续表达（Layer 4）。 礼包内包含（持续更新）：多维提示词库：包含智能体设计规范、AI 绘画精准词簇、AI 视频叙事 Prompt。ComfyUI 极客工作流：从零搭建好的 json 配置文件，导入即用。
34910编辑于 2026-01-24- 来自专栏算法之名
AI智能体
langchain 概述 langchain是LLM与AI应用的粘合剂，是一个开源框架，旨在简化使用大型语言模型构建端到端应用程序过程，它也是ReAct(reason+act)论文的落地实现。 name__ == '__main__': os.environ['ZHIPUAI_API_KEY'] = '******' chat = ChatZhipuAI(model='glm-4' messages) print(response.content) 这里的 ZHIPUAI_API_KEY 需要你自己去智普网站 https://open.bigmodel.cn 去注册就有，运行结果 智能助手显神通 _main__': os.environ['ZHIPUAI_API_KEY'] = '******' streaming_chat = ChatZhipuAI(model='glm-4' 你的角色是一个诗人.'), HumanMessage(content='用七言绝句的形式写一首关于AI的诗')] streaming_chat(messages) 运行结果 智能助手显神通
79610编辑于 2024-09-29 - 来自专栏云时之间
智能体结构
智能体的结构 迄今为止我们通过描述行为—在任何给定的感知序列下采取的行动—讨论了智能体，现在我们不得不将知难而进，去讨论智能体内部是如何工作的，AI的任务是设计智能体程序，通过它来把感知信息映射到行动的智能体函数 注意智能体程序和智能体函数之间的差别。智能体程序在于当前感知为输入，而智能体函数是以整个历史为输入的。智能体程序只把当前感知作为输入是因为环境无法得到更多的东西。如果智能体的行动依赖于整个感知序列。 那么该智能体不得不记住全部感知的信息。 *智能体程序骨架还有其他的选择。例如我们可以让智能体程序成为协同程序。 4：既是环境足够简单，可以得到一个可行的表容量，设计者仍然得不到关于如何该条目的指导 除了这些，AI的关键挑战是如何搞清楚编写程序，在可接受的范围内，从少量的代码而不是大量的表目中产生出理性的行为，我们有很多的例子是显示出在其他的领域上述做法是可行的 在这个文章的以下部分，我想概述四种基本的智能体程序，他们几乎涵盖了所有智能系统的基础准则： 1：简单反射型智能体 2：基于模型的反射型智能体 3：基于目标的智能体 4：基于效用的智能体 然后我们将概括的解释如何把这些智能体转换成学习智能体
1.4K70发布于 2018-04-11 - 来自专栏新智元
开源AGI智能体人人可养成：AGI对齐新思路，让智能体在人类世界中接受训练
新智元报道 编辑：润 【新智元导读】一位网友公开了他创作的一个可以自主学习的智能体，按照他的设想，这样的智能体将在LLM的加持下迅速成长为无所不能的AGI，而人类如果控制她成长的过程，就不需要专门进行对齐 一位网友根据Karpathy曾经构想过的一个AGI智能体构架，创建了一个开源的智能体，命名为Samantha。 借助GPT-4V的能力，她可以做到： -动态交流：Samantha可以根据上下文和想法的影响随时说话。 网友在看了Samantha的效果展示之后，惊呼，原来GPT-4真的已经是AGI了，看来OpenAI确实在控制时间，让人类能够适应AGI来临的日子。 作者将现有的工作开源了出来： 项目地址：https://github.com/BRlkl/AGI-Samantha 以下工作流无限循环： 循环迭代从 gpt-4Vision开始。
36810编辑于 2024-02-26 智能体（Agent）全面解析：什么是智能体agent
一、什么是智能体（Agent）？智能体是一个能够自主思考、决策、调用工具的智能代理系统。 它不仅仅是简单的问答机器人，而是具备以下核心能力的自主系统：思考能力：理解用户意图，分析任务需求决策能力：规划执行步骤，选择合适工具行动能力：调用外部工具，执行具体操作记忆能力：记住上下文，积累经验智能体的价值智能体的出现 智能体的核心优势大脑：LLM提供强大的理解和推理能力undefined记忆：记住对话历史，保持上下文连贯工具：灵活调用各种外部能力二、两种搭建智能体的路径根据技术门槛和应用场景，智能体的搭建主要有两种方式 四、RAG vs Agent智能体RAG（检索增强生成）和Agent是两种不同的技术路线，但可以相互配合。 随着LLM能力的不断提升和工具生态的日益丰富，智能体将在更多领域发挥重要作用，成为我们工作和生活中不可或缺的智能伙伴。您好，我是肥晨。
2.6K21编辑于 2026-03-02- 来自专栏农民工前端
智能体（Agent）全面解析：什么是智能体agent
一、什么是智能体（Agent）？ 智能体是一个能够自主思考、决策、调用工具的智能代理系统。 智能体的出现，让AI从单纯的"对话者"进化为真正的"执行者"。 智能体的核心优势 大脑：LLM提供强大的理解和推理能力 记忆：记住对话历史，保持上下文连贯 工具：灵活调用各种外部能力 二、两种搭建智能体的路径 根据技术门槛和应用场景，智能体的搭建主要有两种方式： 1️⃣ 四、RAG vs Agent智能体 RAG（检索增强生成）和Agent是两种不同的技术路线，但可以相互配合。 随着LLM能力的不断提升和工具生态的日益丰富，智能体将在更多领域发挥重要作用，成为我们工作和生活中不可或缺的智能伙伴。
1K10编辑于 2026-03-03 - 来自专栏深度学习与python
FastAPI-MCP开源：简化FastAPI与AI智能体的集成
作者 | Robert Krzaczyński 译者 | 明知山 策划 | Tina 最近，一个叫作 FastAPI-MCP 的开源库问世，旨在帮助开发者更轻松地将传统 FastAPI 应用程序与现代 AI 智能体通过模型上下文协议 (MCP) 连接起来。 在实际应用方面，FastAPI-MCP 能够支持多种类型的应用： 交互式文档：引导用户通过 API 进行交互的 AI 智能体。 内部自动化：安全的智能体工具，用于自动化企业工作流。 数据查询智能体：通过 API 检索和更新数据的 AI 智能体。 多智能体编排：通过标准 API 在服务之间协同工作的 AI 智能体。 随着人们对智能体架构关注度的日益增长，FastAPI-MCP 提供了一种将传统 Web API 与支持模型上下文协议（MCP）的系统相连接的解决方案。
1.1K10编辑于 2025-04-26 - 来自专栏设计模式
AI 智能体上下文工程 4 大实用策略解析
智能体也正在获得这种能力！通过“便签本”做笔记是一种在智能体执行任务时持久化信息的方法。其核心思路是将信息存储在上下文窗口之外，确保智能体可随时获取。 无论哪种方式，便签本都能让智能体保存有用信息，助力任务完成。 记忆（Memories） 便签本帮助智能体在特定会话（或线程）内解决任务，但有时智能体需要跨多个会话记住信息！ Reflexion提出了在智能体每轮交互后进行反思，并复用这些自主生成记忆的理念。生成式智能体（Generative Agents）则会从过往智能体反馈集合中定期合成记忆。 4. 隔离上下文（Isolate Context） 隔离上下文指拆分上下文，以帮助智能体执行任务。 多智能体（Multi-agent） 隔离上下文最流行的方法之一是在子智能体之间拆分上下文。 Anthropic的多智能体研究证明了这一点：具有隔离上下文的多个智能体的性能优于单个智能体，这很大程度上是因为每个子智能体的上下文窗口可专注于更具体的子任务。
88711编辑于 2025-10-20
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