- 综合排序
- 最热优先
- 最新优先
- 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
本节重点 学习 AI 智能体的概念和构建方法，掌握如何实现具有自主决策能力的 AI 系统。 具体内容包括： AI 智能体概念与特点 智能体实现关键技术 使用 AI 智能体的多种方式 OpenManus 实现原理 自主实现 Manus 智能体 智能体工作流编排 A2A 协议 一、什么是智能体？ 二、智能体实现关键技术 在自主开发智能体前，我们要先了解一下智能体的关键实现技术，也就是方案设计阶段做的事情。 综合上面 4 类技术，并且结合 CoT、Agent Loop、ReAct 等机制（可以总称为 “规划执行机制”），我们就可以构建一个完整的、有自主规划能力的智能体系统啦。 目前很多公司都在用这种方法构建复杂的智能体工作流，确实很方便~ OWL 框架 前面提到过 AI 智能体依赖工具调用能力来拓展能力边界，这里再给大家分享一个很实用的开源项目 OWL。
66710编辑于 2026-03-17 - 来自专栏ceshiren0001
MCP零基础学习（7）｜实战指南：构建论文分析智能体
在本篇教程中，我们将通过一个实际案例，演示如何运用 MCP 构建一个能够分析学术论文的智能体。这个智能体将具备读取 PDF 文件、提取关键信息的功能，并能回答用户有关论文内容的问题。 一、项目概述我们将构建一个具有以下功能的论文分析智能体：读取和解析 PDF 论文提取论文的基本信息（标题、作者、摘要等）分析论文内容并回答用户问题提供论文关键信息的总结二、环境准备首先，确保你已经安装了以下工具 [调用 analyze_paper 工具]七、进阶功能扩展你可以进一步扩展这个智能体：集成 NLP 库：添加自然语言处理功能，如实体识别、关系提取等添加引用分析：解析论文的参考文献和引用关系实现可视化： 生成论文内容的可视化分析报告添加缓存机制：提高重复查询的响应速度支持多种格式：扩展支持 Word、HTML 等其他文档格式八、总结通过本教程，你学会了如何：创建一个基于 MCP 的论文分析智能体实现 PDF 解析和内容提取功能配置 MCP 服务器与 Claude 客户端的集成构建实用的论文分析工具这个项目展示了 MCP 在实际应用中的强大能力，通过组合不同的工具和资源，可以构建出专门针对特定领域的高效智能体
34210编辑于 2025-08-26 - 来自专栏机器之心
科研智能体「漫游指南」—助你构建领域专属科研智能体
当前基于大语言模型（LLM）的智能体构建通过推动自主科学研究推动 AI4S 迅猛发展，催生一系列科研智能体的构建与应用。 与传统综述不同，本篇综述为大家呈现了科研智能体的「漫游指南」，旨在提供构建科研智能体的「说明指南」：从科学研究的全周期出发，概述了科研智能体的分级策略，并详细阐述了对应等级的构建策略与能力边界；同时该「 漫游指南」详细阐明了如何从头构建科研智能体，以及如何对科研智能体的定向能力进行增强。 通过结合科学研究全生命周期与科研智能体构建策略，本综述深入剖析了构建策略与科研流程之间相互促进与协同的过程，揭示了科研智能体设计与应用之间的独特联系。 图 3｜不同等级科研智能体汇总 从头构建科研智能体 本综述凝练了科研智能体的构建过程，从头构建科研智能体的工作流主要为知识组织、知识注入以及工具集成三个部分构成。
47610编辑于 2025-09-02 - 来自专栏后端开发从入门到入魔
智能体应用开发：构建各类垂直领域的ai智能体应用
智能体在AI中的角色 智能体（Agent）是AI领域中一个关键的概念，它指的是能够在特定环境中自主运作并执行任务的软件实体。智能体不仅可以感知其环境，还能做出决策并采取行动以达成目标。 功能定义：列出智能体需要实现的具体功能。 场景模拟：设想智能体在不同情境下的应用案例。 性能指标：确定智能体的性能标准，如响应时间、准确性等。 智能体架构设计 智能体的架构设计是构建其内部结构和组件的过程。一个良好的架构设计能够确保智能体的灵活性、可扩展性和可维护性。架构设计的关键要素包括： 感知模块：负责收集环境信息。 这些工具和平台能够提供必要的支持，帮助开发者快速构建和测试智能体。 开发环境：选择支持智能体开发的语言和开发环境，如Python、Java等。 开源框架与库 利用开源框架和库可以减少开发工作量，同时利用社区的力量来改进和维护智能体： 机器学习框架：如TensorFlow、PyTorch等，用于构建和训练智能体的模型。
2K11编辑于 2024-06-13 - 来自专栏自然语言处理
体验智能体构建过程：从零开始构建Agent
工具：智能体可以根据用户请求执行的预定义函数。 工具箱：智能体可用工具的集合。 系统提示：指导智能体如何处理用户输入并选择合适工具的指令集。 2. 实现 现在，让我们卷起袖子开始构建吧！ 构建智能体 2.1 前提条件 在运行代码之前，确保你的系统满足以下前提条件： 1. Python环境设置 你需要安装Python来运行AI智能体。 步骤4：构建工具箱 ToolBox类存储智能体可以使用的所有工具，并为每个工具提供描述： class ToolBox: def __init__(self): self.tools_dict 总结 在这篇博文中，我们探索了智能体的概念，并一步步实现了它。我们设置了环境，定义了模型，创建了基本工具，并构建了一个结构化的工具箱来支持我们智能体的功能。 最后，我们通过运行智能体将所有内容整合在一起。 这种结构化方法为构建能够自动执行任务并做出明智决策的智能交互式智能体提供了坚实的基础。
3.7K10编辑于 2025-04-13 如何构建企业级智能体应用 -- 两天的“AI智能体构建工作坊”有感
5月21~22日，IBM针对合作伙伴在上海举办了“AI智能体构建工作坊”，基于watsonx平台进行了实战教学，两天亲身完整体验了企业级智能体应用的构建。 watsonx Orchestrate通过Skill Studio实现企业基于API、技能流和自动化智能决策工作流的技能构建，构建好的技能可以直接用于AI智能体或AI助手。 watsonx.ai提供了各种大小模型的训推环境，为智能体的构建提供了Langraph，CrewAI等框架，提供基于Notebook和可视化界面方式构建智能体，并封装提供AI服务的能力。 ，可以微调一个基础模型，可以可视化构建一个新模型，可以基于Python或R语言notebook构建智能体和模型等。 企业级智能体平台应该能够为构建智能体提供所有的构建积木块（能力、工具和技术），提供简便的构建方法，并提供部署运行和运营监控的载体。
51621编辑于 2025-05-30- 来自专栏AI前沿技术
智能体｜Workflow和Agent的区别与构建
智能体（Agent）与工作流（Workflow）已逐渐成为串联大模型、工具与实际业务场景的核心载体。业务场景的实际落地离不开标准化流程，而Agent则为标准化流程，提供了智能升级的新方法。 1.3，Agentic 系统 Agentic 系统是通过“智能体化”设计，将大模型、工具与流程整合，实现任务自动化或半自动化执行的系统。 其核心并非“是否自主决策”，而是“以智能体为核心串联资源，达成任务目标”，所以无论是预编排的工作流，还是具备自主决策权的Agent，都属于Agentic系统 构建Agentic系统的一个核心原则：保持工作流简洁 2.7，自主智能体Agent 核心逻辑：以用户指令或任务为起点，自主规划任务执行路径。 如果用户的指令是清晰的，智能体就可以自己规划独立的完成任务。 图7，智能体架构 适用场景： 开放性问题无法预知求解的步骤，没有一个固定的求解路径。 大模型需要进行多轮的迭代拆解。 以上步骤的进行，需要有容错机制。沙盒环境是自主Agent落地的关键。
1.4K20编辑于 2026-01-20 - 来自专栏AI前沿技术
智能体｜Workflow和Agent的区别与构建
智能体（Agent）与工作流（Workflow）已逐渐成为串联大模型、工具与实际业务场景的核心载体。业务场景的实际落地离不开标准化流程，而Agent则为标准化流程，提供了智能升级的新方法。 1.3，Agentic 系统 Agentic 系统是通过“智能体化”设计，将大模型、工具与流程整合，实现任务自动化或半自动化执行的系统。 其核心并非“是否自主决策”，而是“以智能体为核心串联资源，达成任务目标”，所以无论是预编排的工作流，还是具备自主决策权的Agent，都属于Agentic系统 构建Agentic系统的一个核心原则：保持工作流简洁 2.7，自主智能体Agent 核心逻辑：以用户指令或任务为起点，自主规划任务执行路径。 如果用户的指令是清晰的，智能体就可以自己规划独立的完成任务。 图7，智能体工作流 适用场景： • 开放性问题无法预知求解的步骤，没有一个固定的求解路径。 • 大模型需要进行多轮的迭代拆解。 以上步骤的进行，需要有容错机制。沙盒环境是自主Agent落地的关键。
77910编辑于 2026-01-26 - 来自专栏AI前沿技术
智能体｜Agent 自动化评测系统构建
3，深度研究 Agent 测试集准备 深度研究Agent（Deep Research Agent DRA）定义：需要智能体执行多轮网络搜索、信息收集、分析处理并生成高质量报告的复杂问题。 拔尖任务 确定各主题领域的目标任务数量后，研究重点转向构建既具有高度挑战性又基于真实研究需求的研究任务。这一过程专门用于测试深度研究智能体能力的上限。 • 对照参考标准，给待评估Agent技术报告逐维度打分，如全面性7分、洞察力8分、指令遵循10分、可读性9分，满分10分。 ；用于衡量智能体引用的精确度，反映使用合适来源准确支撑陈述的能力。 • 每任务平均有效引用数(E. Cit.)；量化agent在每个任务中检索并呈现的有价值且可验证信息的平均数量。 ：有效支持数÷评估任务数（本次任务为1个）= 7÷1=7，说明报告在本次任务中，检索并呈现的有价值、可验证信息数量充足。
62410编辑于 2026-02-28 - 来自专栏张善友的专栏
基于 MemNet 构建智能体 Zettelkasten 认知记忆架构
绪论：大型语言模型的状态危机与记忆抽象的范式转移 在当代人工智能的发展轨迹中，构建具备长期连贯性、复杂推理能力以及自我演化特征的自主智能体（Autonomous Agents）始终面临着一个基础性的架构瓶颈 基于上述理论背景，本文将深入剖析如何利用 MemNet：https://github.com/TianqiZhang/mem.net 这一专为智能体设计的统一记忆基础设施，在其之上构建严谨的 Zettelkasten 二者的结合，为构建具备可组合性、简单性且防冲突的下一代智能体记忆系统提供了完整的蓝图。 确定性上下文组装与认知工程 在智能体利用 Zettelkasten 执行复杂任务时，最为关键的步骤是在将提示词（Prompt）送入大语言模型进行推理之前，构建高质量的上下文环境。 通过这种方式，智能体可以动态地修改每个回合之间的上下文，实施摘要、剪枝或重新构建框架的操作，从而有效地遏制认知漂移的发生。
29710编辑于 2026-03-08 构建企业智能体生态体系：腾讯云智能体开发平台如何引领AI原生转型？
摘要 在AI技术加速迭代的背景下，企业构建智能体生态已成为数字化转型的核心战略。 本文以腾讯云智能体开发平台为核心，结合行业趋势与实战案例，解析企业构建智能体生态的关键路径，并重点呈现腾讯云在模型能力、协作框架及全链路服务上的创新突破。 一、智能体生态构建的核心挑战与趋势 1.1 企业智能体落地的三大核心痛点 数据孤岛：非结构化知识难以激活，业务系统间协同效率低（如某制造企业因数据分散导致智能体决策偏差）； 技术门槛：需同时掌握大模型调优 4.2 企业成功案例 某银行智能客服：通过多Agent协作实现7×24小时响应，人工转接率下降60%； 制造业质检系统：集成视觉识别与RAG技术，缺陷检测准确率提升至99.5%。 结语：智能体生态的终局价值 企业构建智能体生态的本质，是建立“数据-知识-决策”的自进化系统。
95910编辑于 2025-09-10- 来自专栏AI智能体从入门到实践
构建AI智能体：反应式智能体：基于感知-行动，AI世界的条件反射
二、什么是反应式智能体 反应式智能体的设计源于对自然界（如昆虫）高效行为的观察，一只蜜蜂不需要构建整个花园的认知地图，它只需根据光线、花朵形状和气味等即时感官输入，就能做出飞向花蜜的决定。 7. 反应式智能体的劣势智能受限： 无法进行需要记忆和规划的任务，如下棋、复杂决策。可能陷入局部循环： 例如，一个机器人可能会在两个障碍物之间来回摆动。8. 完整构建步骤1. 定义任务和目标： 明确智能体需要完成什么。例如：“在房间里漫游而不撞到任何东西”。2. 识别相关情境： 列出智能体在执行任务时可能遇到的所有关键场景。 反应式智能体代表的是一种工程哲学：用简单、可靠、可验证的组件构建复杂的智能系统。它提醒我们，有时候最有效的解决方案不一定是最复杂的。 在追求更复杂AI技术的今天，理解反应式智能体的原理和价值，不仅有助于我们构建更可靠的实时系统，也为我们理解智能的本质提供了重要的视角。
48621编辑于 2025-12-14 使用GraphBit构建生产级智能体工作流
本文通过完整示例演示了如何使用GraphBit框架构建面向生产的智能体工作流程。我们将创建端到端的客户支持工单处理系统，展示图结构执行、工具调用和可选的LLM驱动智能体如何在一个系统中协同工作。 , "7天后仍未收到退款。", "我的交付延迟且跟踪信息卡住。", "我怀疑账户上有欺诈活动。", "如何更改我的账单周期日期？" GraphBit工作流程，包含多个具有明确定义职责的智能体节点：SYSTEM_POLICY = "您是一个可靠的支持运营智能体。 result = executor.execute(wf) return result在单个工单上执行工作流程并捕获执行状态和输出，这最后一步说明了系统如何从离线确定性无缝过渡到完全智能体执行。 总之，我们实现了一个完整的GraphBit工作流程，涵盖运行时配置、工具注册、离线确定性执行、指标聚合，以及可选的基于智能体的外部LLM提供程序编排。
14410编辑于 2026-01-15Graphiti 为 AI 智能体构建实时知识图谱
Graphiti 是一个框架，用于构建和查询具有时间感知的知识图谱，特别适用于在动态环境中操作的 AI 智能体。 Graphiti 的独特之处在于，它能够自主构建知识图谱，同时处理关系的变化并维护历史上下文。 Graphiti 与 Zep 的上下文工程平台 Graphiti 为 Zep 的核心提供支持，Zep 是一个为 AI 智能体提供开箱即用的上下文工程平台。 Zep 提供智能体记忆、图谱 RAG（用于动态数据）以及上下文检索和组装功能。 我们很高兴开源 Graphiti，认为它的潜力远远超出了 AI 记忆应用的范畴。 •选择 Graphiti：如果您需要一个灵活的开源核心，并且愿意构建/运营周围的系统。 为什么选择 Graphiti？
42810编辑于 2026-03-13- 来自专栏AI智能体从入门到实践
构建AI智能体：使用智能助手结合线上API 实现天气查询
本文旨在实现QwenAgent的Assistant助手与高的天气API的无缝集成，构建一个能响应用户自然语言查询、返回精准天气信息的智能系统。 "casts": [ { "date": "2025-09-23", "week": "2", // 星期几（1=周一，7= role': 'assistant', 'content': '北京今天晴，温度25°C...'}总而言之，Assistant 类是 QweAgent 框架的核心，它提供了：简化的API接口：让开发者快速构建智能助手应用强大的工具集成 四、对比 function call 的实现 在《构建AI智能体：Function Calling - 解锁大语言模型的实际行动力+案例解析》一文中我们讲过通过Function Calling 、初始化Assistant，实现自然语言到天气数据的转换测试验证功能并解决常见问题 这个项目不仅提供了实用的天气查询功能，更重要的是展示了如何将 AI 大模型与实际 API 服务相结合，构建真正有用的智能应用
70321编辑于 2025-12-04 企业如何高效构建智能体生态体系？腾讯云智能体开发平台解锁AI落地新路径
随着人工智能技术加速渗透业务场景，构建覆盖全链路的智能体生态体系已成为企业数字化转型的核心竞争力。然而，智能体开发面临技术门槛高、资源整合难、成本可控性差等挑战。 本文结合行业实践，解析企业构建智能体生态的关键路径，并推荐腾讯云智能体开发平台（Tencent Cloud ADP）——一款集成了多模型能力、低代码工具与企业级安全管控的一站式解决方案。 一、智能体生态体系：从单点应用走向全局协同 智能体生态体系并非孤立AI应用的堆砌，而是通过统一平台整合数据、模型、业务流程，实现智能体之间的协同与迭代。 二、四步构建智能体生态，腾讯云ADP提供全链路支持 基于腾讯云智能体开发平台的实践，企业可分四步搭建可持续演进的智能体生态： 框架选型：选择兼容LLM+RAG、Workflow、Multi-agent 结语 构建智能体生态体系是企业拥抱AI浪潮的必由之路。腾讯云智能体开发平台以“可信、专业、开放、可靠”为核心优势，提供从开发到运维的全生命周期支持，助力企业快速落地高精准、可演进的智能应用。
55110编辑于 2026-02-05- 来自专栏AI智能体从入门到实践
构建AI智能体：LangChain智能体：打造会使用工具(Tools)、有记忆(Memory)的AI助手
它提供了一套完整的工具和组件，帮助开发者构建基于大语言的复杂应用程序，如智能对话系统、知识问答平台、内容生成工具等。 基础内容可参考《构建AI智能体：解密LangChain中的RAG架构：让AI模型突破局限学会“翻书”答题》二、LangChain的核心组件模型层Models：模型层是 LangChain 的基础，支持多种大语言模型接口 、功能丰富的LangChain多工具智能体，适合作为更复杂应用的基础框架。 <meta name="keywords" content="<em>构建</em>AI<em>智能</em><em>体</em>：十八、解密LangChain中的RAG架构：让AI模型突破局限学会“翻书”答题"> <meta name="description Final Answer: <em>构建</em>AI<em>智能</em><em>体</em>：十八、解密LangChain中的RAG架构：让AI模型突破局限学会“翻书”答题-CSDN博客2025-09-13 14:19:58,233 - LangChainAgent
1.3K21编辑于 2025-11-24 什么是 AI 智能体？如何一步步构建属于你自己的智能体？
什么是 AI 智能体？ 下一件大事？Gartner 认为：AI 智能体（AI Agents）将是未来的关键技术。 理解智能体（Agents）的关键在于：自主性（Agency）。 不同于传统的生成式 AI 系统，智能体不仅仅是对用户输入做出回应。 如何动手构建一个 AI 智能体？ 我们将围绕上方图示中的保险业务流程，设计一个智能体系统。该智能体应能从理赔申请的发起一直处理到赔付完成。 ⚠️ 在这里我们主要讨论业务架构和流程设计。 但这对智能体来说远远不够。几乎所有具备一定能力的 AI 智能体都必须访问企业内部或外部的数据源，如数据库等系统。 此外，为了使流程的上下文在当前会话之外仍然持续可用，智能体必须将数据写入系统或数据库。 如果你刚才实现了上面所提到的 2 到 3 个步骤，那么你就已经构建出了一个 AI 智能体。我在前文中只列出了这些智能体系统的核心组成部分，其余部分你一定也可以轻松想象得到。
19910编辑于 2026-03-13构建基于Skills的AI智能体系统，让智能体做自举黑客
我最近在研究claude-code，并且对智能体有了更新的认识。 claude-code是一款编程工具，但是本质上它是一个AI智能体，可以完成包括编程在内的其他任务，因为它可以根据任务的进度，实时的对当前所发生的事情进行思考，并自行作出决策，因此，如果交给它的任务是类似规划旅游路线 不过，今天，我将详细讨论一下它里面的skills这个可能颠覆下一代智能体的新技术。 什么是Skills？ 智能体构建进入Skills时代 从最原始的工具调用到MCP再到Skills，智能体完成了第二次工具调用的进化。 如果在某个领域，我们知道问题所在，而手里又正好有所有的钥匙，那么我们就可以构建出一个好的针对该领域的agent。并且，构建的成本和效率都会变得令人满意。
1.6K10编辑于 2025-12-29利用AgentCore平台实现AI智能体的构建与部署
利用AgentCore平台实现AI智能体的构建与部署将智能体从原型阶段安全、可靠地扩展到生产环境某中心认为，AI智能体正处于一个关键的转折点。 企业愿意将业务托付的智能体需要一个企业级的运营基础——安全、可靠、可扩展，并且专为智能体的非确定性本质而构建。 AgentCore：快速将智能体投入生产现已正式可用的AgentCore，让每位开发人员都能快速将智能体从试点项目推向全面生产。它提供了构建、部署和运营智能体所需的完整基础。 AgentCore：一个全面的智能体平台构建智能体可能很困难——需要解决如何与身份提供商集成、如何构建记忆和可观测性，以及如何与工具集成等问题。 以下是其核心能力：按需构建：智能体领域正在快速发展，新的框架、模型和协议几乎每周都在出现。可以使用可组合的AgentCore服务按照需求进行构建，这些服务可以一起或独立使用。
35910编辑于 2025-12-21
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