- 综合排序
- 最热优先
- 最新优先
- 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
MCP 为 AI 提供了与外部工具、资源和服务交互的标准化方式，让 AI 能够访问最新数据、执行复杂操作，并与现有系统集成。 Resources 资源：让服务端向客户端提供各种数据，比如文本、文件、数据库记录、API 响应等，客户端可以决定什么时候使用这些资源。 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。
49810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
本文将从战略、技术、数据、团队、合规、落地六个维度，拆解企业搭建智能体开发平台的核心准备工作，揭示如何让智能体平台真正成为业务增长的引擎。 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。 AI-Agentforce智能体开发平台提供的数据健康度看板，可实时监控各数据源的质量状况，当某类数据准确率低于阈值时，会自动触发清洗流程。 AI-Agentforce基于"租户-组织-角色"的三级权限体系，可将数据访问权限精确到"某智能体仅能读取某数据表的2024年以后数据"。 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。
87110编辑于 2025-09-11数据智能体平台 - 架构实践
1.项目背景与目标1.1业务背景数据智能体平台是一个基于AI的智能数据查询与分析系统，旨在通过自然语言交互降低数据使用门槛。 核心痛点：❌传统数据查询需要编写SQL，技术门槛高❌数据分散在多个数据源，查询复杂❌缺乏统一的语义层，业务指标难以复用❌不懂业务与数据关系，缺乏智能推荐1.2解决方案核心能力：✅自然语言查询：AI驱动的 Qdrant高性能、支持过滤、部署简单元数据库MySQL8+成熟稳定、事务支持缓存Redis6+高性能、数据结构丰富监控Prometheus+Grafana开源标准、生态完善3.2GovsPython职责划分为什么采用混合技术栈 Step6:结果处理与缓存对执行结果进行多维度处理，提升系统性能和用户体验：Redis缓存策略缓存Key：MD5(SQL+dataset_id+user_permissions)TTL设置：1小时（平衡缓存命中率和数据时效性 6.结语数据智能体平台通过混合技术栈微服务架构+RAG增强AI+语义层设计，成功实现了：✅降低门槛：从SQL到自然语言✅提升效率：85%+准确率✅保障安全：四级权限控制✅持续优化：人机协同闭环核心竞争力
46610编辑于 2025-12-08- 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
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。 设定防护栏和边界 通常智能体的任务，输入和输出都是自然语言，并不是结构化的数据，这就导致如果边界条件不清晰的会卡在某个地方反复执行，比如早年的 AutoGPT，就可能会陷入死循环，导致白白浪费很多 GPT 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. 记忆能力 记忆能力指的是智能体要有能力记得自己做过的事情，得到和生成的数据，用这些数据来进行后面的决策和完成任务。
72911编辑于 2024-05-28 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 开发者社区热点话题发现 企业竞争情报监控 技术实现方案 数据采集层 使用Python的Scrapy框架构建爬虫，示例代码： import scrapy from datetime import datetime 对高频术语建立缓存索引 效果评估指标 关键性能指标包括： 信息新鲜度：从发布到收录的延迟<3分钟 分类准确率：F1-score>0.92 摘要质量：ROUGE-L>0.75 系统可用性：99.95% SLA 行业应用数据显示
36011编辑于 2025-12-17- 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 →调用相应工具获取数据→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，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。
11610编辑于 2026-02-04 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。 它帮我补齐认知的短板，为我的野心提供支撑，用数据赋予我破局的勇气，并最终通过自动化工作流将执行力拉满。 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。
32710编辑于 2026-01-24- 来自专栏算法之名
AI智能体
Retrieval Augemented Generation，索引增强式是一种解决预训练语料数据无法及时更新带来的回答内容陈旧的方式。 langchain提供了支持、检索增强式的chain，在使用时，这些chain会首先与外部数据源进行交互以获得对应数据，然后再利用获得的数据与LLMs进行交互。 典型的应用场景如：基于特定数据源的问答机器人。 Agent，对于一个任务，代理主要涉及让LLMs来对任务进行拆分、执行该行动，并观察执行结果，代理会重复执行这个过程，直到任务完成为止。 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
78310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。 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
1.4K70发布于 2018-04-11 - 来自专栏心源易码
智能体对话场景数据设计与建模
然而，随着对话数据量的激增，如何高效地存储、管理和检索这些数据，同时确保对话的实时性和准确性，成为设计智能体对话系统时面临的主要挑战。 结合这两者，可以构建一个既能够处理大规模数据，又能够实现快速响应的智能体对话平台。 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。 通过设计合理的数据库实体关系图（ERD），我们可以清晰地定义各个实体之间的关系，为智能体对话系统提供坚实的数据支撑。 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。
2.1K10编辑于 2024-07-30 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。
2.5K21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 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。
94910编辑于 2026-03-03 - 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。
2K60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。 下面就让我们基于 Spring AI 框架，实现一个简化版的 Manus 智能体。 定义数据模型 新建 agent.model 包，将所有用到的数据模型（实体类、枚举类等）都放到该包下。 ：从规划智能体制定分析策略开始，到数据收集智能体获取必要数据，然后是分析智能体处理这些数据，接着由可视化智能体创建直观图表，最后由报告智能体整合所有发现生成完整报告。 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。 A2A 的安全关注点：更关注智能体网络中的身份认证、授权和信任链。A2A 需要解决“我怎么知道我在和谁通信”、“这个智能体有权限请求这项任务吗”、“如何防止恶意智能体窃取或篡改任务数据” 等问题。
66710编辑于 2026-03-17 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：检索->提取->归纳生成->评审->改写数据清洗->分析->汇总这一类模式的重点不在角色切换，也不在复杂状态，而在数据流本身。
10510编辑于 2026-04-10- 来自专栏算法之名
AI智能体(六)
接AI智能体(五) Dify Dify是一个开源的Agent开发平台，使用Dify有两种方式，一种是使用Dify的在线平台。https://cloud.dify.ai。 一种是进行私有化部署。 OCEANBASE_CLUSTER_NAME: ${OCEANBASE_CLUSTER_NAME:-difyai} OCEANBASE_MEMORY_LIMIT: ${OCEANBASE_MEMORY_LIMIT:-6G redis: image: redis:6-alpine restart: always environment: REDISCLI_AUTH: ${REDIS_PASSWORD oceanbase/init.d:/root/boot/init.d environment: OB_MEMORY_LIMIT: ${OCEANBASE_MEMORY_LIMIT:-6G
1.1K00编辑于 2025-02-06 - 来自专栏算法之名
AI智能体(四)
接AI智能体(三) memory工具使用 以往，我们都是直接跟大模型进行交互，没有办法系统的实现记忆。 在上图中，用户在向大模型问问题时会首先读取记忆体，查看以往是否回答过相同的问题或者相关的文档可以参考。 如果有就会返回并添加到提示词模版中，再通过大模型的处理得到答案，得到答案之后再将答案反写回记忆体，这是一个循环的过程。 ', '189 第六章：数据政策、法律和法规：创造一个信任的环境. 190. 一个由数据保障和推动者组成的信任框架. 191. 为可信的数据使用建立保障措施.'] 上图是不改变输入的前提下，增加需要额外的数据，如可能来自向量数据库的检索。
1K00编辑于 2025-02-06 【AI智能体创作】
AI智能体创作思路 AI智能体的核心在于模拟人类思维和行为模式，通过算法和数据处理实现自主决策。创作思路通常包括目标定义、数据收集、模型训练、评估优化等环节。 目标定义阶段明确智能体的功能边界，比如聊天机器人、游戏NPC或自动化工具。数据收集阶段获取相关领域的语料、图像或其他输入数据。模型训练阶段选择合适的算法架构，如深度学习、强化学习或规则引擎。 案例分析 以智能写作助手为例，分析其设计流程。需求分析阶段确定用户需要语法检查、内容生成或风格转换等功能。技术选型阶段可能采用GPT-3等大语言模型作为基础架构。 数据准备阶段收集高质量文本数据集，包括学术论文、新闻报道和社交媒体内容。模型微调阶段使用特定领域数据对预训练模型进行优化，使其更贴合垂直场景。 GPT2Tokenizer.from_pretrained("gpt2-medium") model = GPT2LMHeadModel.from_pretrained("gpt2-medium") input_text = "AI智能体的核心功能包括
36710编辑于 2025-12-17认知智能体（0）
其次就是代理的通信模式，也就是[个体间的信息交互]：对话式：发挥不同智能体的风格工具调用：控制智能体行为和输出广播：智能体的自主意识我们以[注意力]为线索，来展开智能体的认知能力。 所以认知智能体需要加入元认知的能力。 系列文章分成十个章节：第一章：认知AI智能体的基础主题：ai代理的定义和类型（reflex、基于目标、基于效用...）开发代理需要的技能（编程、认知架构、llm）环境配置（python、Ollama、litellm 第七章：增强多模态和实时交互主题：语音到文本和文本到语音集成（Whisper、TTS）实时感知（摄像头输入、物联网传感器）跨模态推理（结合视觉、听觉和文本数据）第八章：增强元认知学习和自我学习主题：通过元认知反思实现自我提升 目标：开发能够从结果中学习并自主改进策略的智能体第九章：使用RL、世界建模和RAGEN进行拓展主题：强化学习集成（RAGEN管道）用于状态和奖励预测的世界建模多智能体协作与分布式问题解决
21100编辑于 2025-06-05- 来自专栏算法之名
AI智能体(五)
接AI智能体(四) MetaGPT 环境装配 metagpt下载地址：https://github.com/geekan/MetaGPT conda create -n metagpt python= gpt-3.5-turbo api_key: "******" 测试： 在终端命令行中进入Meta-GPT-main目录中执行 metagpt "Write a cli snake game" 单动作智能体 多动作智能体 import asyncio import sys import subprocess from metagpt.llm import LLM from metagpt.actions import # msg_buffer 是接收缓冲区，避免在此处添加消息数据和操作。 _save_data_api_design(doc) # 保存数据API设计图表 await self.
76000编辑于 2025-02-06
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