- 综合排序
- 最热优先
- 最新优先
- 来自专栏架构之路
数据库操作智能体实现
数据库操作智能体实现核心架构设计采用LangChain4j的PureagenticAI模式构建智能数据库查询系统，通过协调器(SqlAgent)和工具链实现自然语言到SQL查询的转换组件分工明确SqlAgent 作为数据库专家负责具体查询操作，SupervisorAgent作为协调器管理流程，三个专用工具(QueryAllTablesTool、QueryTableSchemaTool、ExecuteSqlQueryTool 结果格式化处理→最终响应返回用户扩展性设计模块化工具设计便于新增功能，表结构管理器支持缓存刷新，响应策略可配置满足不同场景需求核心架构设计采用LangChain4j的PureagenticAI模式构建智能数据库查询系统 组件分工SqlAgent：作为数据库专家角色，封装JDBC操作细节，持有数据库连接池实例。SupervisorAgent：负责请求路由和结果聚合，实现Agent接口的chat()方法。 localhost:3306/demousername:agentpassword:${DB_PASSWORD}allowed-tables:ORDER,USER,PRODUCTmax-pool-size:5性能优化表结构缓存预加载
21210编辑于 2026-02-04 - 来自专栏Go语言学习专栏
5 - 工具调用 - AI 超级智能体项目教程
“智能体” 了。 这种方式特别适合工具需要根据上下文动态确定的场景，比如从数据库中根据工具名搜索要调用的工具。在本节的工具进阶知识中会讲到，先了解到有这种方式即可。 比如从数据库中查询 yupi 的信息： class CustomerTools { @Tool(description = "Retrieve customer information") 应用程序执行工具并获取结果 结果直接返回给调用者，不再 发送回模型进行进一步处理 这种模式很适合需要返回二进制数据（比如图片 / 文件）的工具、返回大量数据而不需要 AI 解释的工具，以及产生明确结果的操作（如数据库操作 扩展思路 1）除了本教程中介绍的工具，还可以开发更多实用的工具，比如： 邮件发送：实现给用户发送邮件的功能 时间工具：获取当前时间日期等 数据库操作：查询、插入、更新和删除数据 2）优化 PDF 生成工具
45410编辑于 2026-03-17 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 text-classification", model="distilbert-base-uncased") summarizer = pipeline("summarization", model="t5-
49611编辑于 2025-12-17- 来自专栏云云众生s
向量数据库：AI智能体创新的基石
然而，向量数据库及其面临的挑战将发生巨大变化，尤其是在大规模使用的情况下。如今，这在向量数据库在企业采用 AI 智能体中所扮演的角色中尤为明显。 麦肯锡认为，向量数据库将成为构建 AI 智能体（“生成式 AI 的下一个前沿”）的关键。 向量数据库充当这些智能体的记忆，实现自适应学习、实时决策、智能体之间的协作以及上下文精度。 QA.tech 提供 AI 驱动的自动化测试解决方案，它使用 Qdrant 向量数据库解决方案来启用在浏览器上执行任务的测试智能体，就像用户一样。 随着企业采用和扩展 AI 智能体的使用——以及 AI 智能体本身被构建为执行越来越复杂的任务——必须考虑向量数据库如何以及如何在多大程度上管理网络开销和 CPU 负载，以及它存储不同用例的多个嵌入的能力
52210编辑于 2025-01-26 构建多智能体 AI 应用的5个最佳框架
•添加自定义工具：这些多智能体框架允许你为智能体添加自定义工具，并无缝集成外部系统，以执行例如在线支付、网页搜索、API 调用、数据库查询、观看视频、发送电子邮件等操作。 你定义的智能体可以包括大模型或小模型、记忆模块、存储系统、外部知识源、向量数据库、执行指令、描述信息、名称等内容。 它支持使用多种 Web 技术与数据库进行代码生成和应用构建，如 Astro、Vite、Next.js、Superbase 等。 •投票与评价分析：通过分析用户反馈与问卷调查数据[5]，洞察客户需求，从而优化客户体验。•差旅与报销管理：自动化处理费用申报、跟踪与审批流程。 5. LangGraph LangGraph[23]是一个基于节点的 AI 框架，是目前最受欢迎的多智能体系统构建工具之一。它属于 LangChain 生态系统，专用于图结构化的智能体流程编排。
1.5K10编辑于 2026-03-13AI 智能体
也就是AI Agent AI Agent AI 智能体是一个能够感知环境并采取行动以实现特定目标的系统。它从标准大语言模型演进而来，被赋予了规划、使用工具以及与周围环境交互的能力。 可以把智能体 AI 想象成一个能在工作中不断学习的智能助手。 它遵循一个简单的五步循环来完成任务 1.获取任务目标：你给它一个目标，比如“帮我安排日程”。 5.学习与优化：它会观察结果并不断调整。例如，如果会议被重新安排，系统会从中学习以提升未来表现。 Claude Code Claude Code是一个比较通用的智能体 系统架构 工具系统是 Claude Code 的"手脚"，使其能够与外部环境交互： 文件工具：读取、写入、搜索文件； 执行工具：运行
12200编辑于 2026-06-25- 来自专栏算法之名
AI智能体
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 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
93310编辑于 2024-09-29 - 来自专栏机器学习养成记
关联分析(5):Apriori Python实现
在关联分析(3):Apriori R语言实现一文中，写了如何使用R语言进行关联分析，那在Python中如何实现呢？ 1 Python实现 之前已经在关联分析(1):概念及应用和关联分析(2):Apriori产生频繁项集介绍了关联分析相关知识及Apriori算法原理，此处不再赘述，直接开始Python代码实现 通过使用efficient_apriori包的apriori(data, min_support, min_confidence)函数可帮我们快速实现关联分析，其中data是要进行分析的数据，要求list efficient_apriori import aprior #读取数据 data = pd.read_csv("voting-records.csv",header=None) #得到频繁项集及关联规则
2.8K40发布于 2020-01-31 - 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。 行动表明确的表示了每个智能体程序实现的智能体函数。要用这种方式来建造理性智能体。作为设计者，我们必须构造包括各种可能的感知序列的适当行动的函数表。 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
1.5K70发布于 2018-04-11 - 来自专栏编程使我快乐
智能家居HomeAssistant关联yeelight智能吸顶灯
缘起 作为一名生命不止，折腾不息的小geek, 对享有智能生活， 掌握智能数据早已觊觎已久。奈何时间，空间，设备的限制一直未能如愿。 恰巧手头有一套yeelight智能吸顶灯，来发挥一直关注的HomeAssistant项目的威力！ 今天就将智能家居这个小兴趣来作为忙碌工作生活中的调剂吧。 拥有支持集成各种智能硬件设备（智能电器，传感器，监控设备，etc），自动化任务编排，数据统计等功能。拥有无限的扩展能力。 bin/activate pip3 install homeassistant hass --open-ui 注册基本信息 image.png image.png image.png 集成yeelight智能吸顶灯
2.6K31发布于 2020-11-04 - 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 执行 → 观察循环 外部依赖 知识库/向量数据库 多种工具（API、计算器、RAG等） 决策能力 无自主决策，直接使用检索内容 有自主决策，能规划步骤 复杂度 相对简单 复杂，需要多步推理 典型应用 客服问答 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。
1.5K10编辑于 2026-03-03 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 /向量数据库多种工具（API、计算器、RAG等）决策能力无自主决策，直接使用检索内容有自主决策，能规划步骤复杂度相对简单复杂，需要多步推理典型应用客服问答、文档问答自动订票、数据分析、多步骤任务 两者关系 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。
3.3K22编辑于 2026-03-02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。
58810编辑于 2026-01-24- 来自专栏AI大模型应用开发炼丹房
解锁智能体工作流：5个核心组件深度解析
AI智能体结合了大型语言模型（LLM）的推理、工具交互和记忆能力，赋予工作流动态性和适应性。与传统的确定性工作流或非智能体AI工作流相比，智能体工作流能处理更高复杂度的任务。 工具使智能体能访问实时数据（如网络搜索、API或向量数据库），并执行函数调用（Function Calling）。常见工具包括： 互联网搜索：检索实时信息。向量搜索：从外部数据库获取结构化数据。 二、智能体工作流的定义与关键模式智能体工作流是由一个或多个智能体动态执行的任务序列，强调自主规划、工具使用和反思迭代。 三、智能体工作流的应用智能体工作流广泛用于企业场景，结合不同模式处理复杂任务。 架构分为： 单智能体RAG：作为路由器，从多个知识源（如专有数据库或API）检索数据。多智能体RAG：多个智能体协作（如主智能体协调专业检索智能体），处理更复杂查询。
1.4K10编辑于 2025-08-27 - 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
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。 本文精选5个真正具备生产级潜力的开源方案，从设计哲学、核心能力、适用场景到真实落地案例，为测试专家提供一份高信息密度的选型指南。 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。
21700编辑于 2026-06-15 - 来自专栏林欣哲
人工智能的智能体
今天来谈谈人工智能的研究工作中所做的一些基本的抽象。 一、智能体的概念 人工智能研究的对象称为智能体（Agent），其他的外部条件划归为环境。 智能体做出什么样的反应取决于输入和输出之间的映射关系函数，这个函数就是智能体研究的核心。 编写出智能体的程序则具体实现这个数学意义上的函数。 二、智能体的性能衡量 我们研究智能体是要他能做正确的事，因此需要有一个标准去衡量他的表现，一个合理的智能体会最大化这个期望的标准。 这里要注意一点，我们以最终期望达到的效果来做为衡量的标准，而不要以智能体的行为本身作为标准。 总结，人工智能的研究的期望是实现一个，在给定的每个可能的感知序列下，能做出让期望的性能最大化的行动的理性的智能体。
2.1K60发布于 2018-04-10 - 来自专栏Go语言学习专栏
7 - AI 智能体构建 - AI 超级智能体项目教程
之前我们学习过，通过 RAG 检索增强生成 + 向量数据库等技术，智能体可以检索并利用专业知识回答问题。 4）工具调用 工具是扩展智能体能力边界的关键，智能体通过工具调用可以访问搜索引擎、数据库、API 接口等外部服务，极大地增强了其解决实际问题的能力。当然，MCP 也可以算是工具调用的一种。 5、其他支持 为了实现完整的智能体功能，OpenManus 依赖以下关键组件： 记忆系统：使用 Memory 类存储对话历史和中间状态 LLM 大模型：通过 LLM 类提供思考和决策能力 工具系统：提供 MCP 协议是 智能体和外部工具之间的标准，它规定了智能体如何安全、规范地调用外部的数据库、搜索引擎、代码执行等工具资源。你可以把 MCP 理解为 “智能体-工具” 的 HTTP 协议。 实现 5）参考 OpenManus 的源码，实现更多功能，比如 “规划并执行” 模式的智能体工作流（参考 flow/planning.py） 本节作业 1）完成 AI 超级智能体的开发 2）理解 AI
1.1K21编辑于 2026-03-17 - 来自专栏全栈程序员必看
数据库分区表关联
数据库表分区 场景： 现实业务中有两个表关系比较紧密，而且数据量比较大的时候，需要对两个表都进行分区，并能很好的发挥分表作用 创建分区数据库表 注意： 数据库表最好是在创建的时候就进行分区，不能对已经创建的普通表 YYYY-MM-DD') AND P.COLLECT_ID=PP.COLLECT_ID AND P.OPERATOR_TIME>TO_DATE('2013-01-01','YYYY-MM-DD') 数据库表分区 场景： 现实业务中有两个表关系比较紧密，而且数据量比较大的时候，需要对两个表都进行分区，并能很好的发挥分表作用 创建分区数据库表 注意： 数据库表最好是在创建的时候就进行分区，不能对已经创建的普通表
1.6K10编辑于 2022-08-18 - 来自专栏全栈程序员必看
TP5 关联模型使用（嵌套关联、动态排序以及隐藏字段）
在数据库设计中，常常会有如下这种关联模型，分类表中一条分类对应多个商品表中的商品 如果要获得分类表中每条分类 以及 对应的商品的信息，则需要先查询分类表中的数据，然后根据结果遍历查询商品表，最后把数据拼接在一起 TP5中关联模型可以解决这一问题 普通关联 先创建分类表模型 /application/common/model/Category.php 以及商品表模型 /application/common/ model/Goods.php 在分类表中创建关联 namespace app\common\model; class Category extends Base { public function goods (){ return $this->hasMany('Goods','category_id','id'); } } 接着就可以使用关联模型查询数据 public function list( 理论上可以在关联的两张表中建立关联关系，例如用户表User 和用户信息表 Profile 是一对一的关系，假设在Profile表中user_id字段指向User表的id字段，那么在User表中可以建立外键
2.4K20编辑于 2022-07-08 - 来自专栏火属性小虫
数据库基础Ⅳ（关联查询）
， 27 7月 2021 作者 847954981@qq.com 后端学习, 我的编程之路 数据库基础Ⅳ（关联查询） 当我们查询如课程信息的时候往往需要连同课程的学业导师一同查询出来，最原始的方法自然是将学业导师的信息单独添加在课程数据内 ，但在数据复用率高的情况下显然需要将导师信息单独放置在一张表中，这是我们就需要进行多表数据查询就是关联查询。 ，即表 A 和表 B 关联查询。 LEFT 表示是左连接 ON 是关联查询的条件。 左连接就是返回左表的所有数据，即使右表没有匹配的数据（此时右表会以 NULL 的形式匹配数据）。 在实际应用中，我们有时候会对三张表以上进行关联查询，在这种情况下，我们往往会选中一张表作为主表，以它为基准，进行 LEFT JOIN 或 RIGHT JOIN 查询。
1.2K20编辑于 2023-02-22
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