- 综合排序
- 最热优先
- 最新优先
Goose：免费开源的本地化AI编程助手
Goose：免费开源的本地化AI编程助手，挑战Claude Code每月200美元的高昂费用人工智能编程革命伴随一个显著问题：成本高昂。 Goose能做而传统代码助手不能做的事情Goose作为命令行工具或桌面应用程序运行，可以自主执行复杂的开发任务。 步骤2：安装GooseGoose既可作为桌面应用程序，也可作为命令行界面使用。桌面版本提供更直观的视觉体验，而CLI则吸引喜欢完全在终端中工作的开发者。 AI编程工具每月200美元的时代可能即将结束AI编程工具市场发展迅速。开源模型正以不断缩小与专有替代品差距的速度改进。 某公司的Kimi K2和某公司的GLM 4.5现在的基准测试接近Claude Sonnet 4的水平——而且它们可免费使用。
89210编辑于 2026-03-11- 来自专栏JavaEdge
使用Dify快速搭建AI Agent智能助手应用
1 定义 智能助手（Agent Assistant），利用LLM的推理能力，自主对复杂的人类任务进行目标规划、任务拆解、工具调用、过程迭代，在无人类干预的情况下完成任务。 2 咋用智能助手？ 选择智能助手的推理模型，智能助手的任务完成能力取决于模型推理能力，建议用Agent时选择推理能力更强的模型系列如 gpt-4，以获得更稳定的任务完成效果。 Dify提供： 内置工具 自定义工具，支持 OpenAPI / Swagger 和 OpenAI Plugin 规范 意义 允许用户借助外部能力，创建更强大 AI 应用。 calling 的模型系列，支持了 ReAct 推理框架实现类似效果 Agent设置中，可修改助手的迭代次数限制： ReAct 模式： Function Calling 模式： 2.3 配置对话开场白 为Agent配置一套会话开场白和开场问题，配置的对话开场白将在每次用户初次对话中展示： 助手可完成啥样任务 可提出的问题示例 2.4 文件上传 部分多模态 LLM 原生支持处理文件，如 Claude
1.9K11编辑于 2025-06-01 - 来自专栏AI
AI Agent实战：基于ReAct与FunctionCalling构建本地编程助手
摘要：本文通过一个从零构建的本地编程助手Agent项目，详解FunctionCalling如何与ReAct（推理-行动）模式协同工作，实现大模型对文件系统的增删改查操作。 本文不探究技术层面以外的影响，这系列博客目标是个人AI转型期间的所有经验积累，因此言归正传，回到主题：FunctionCalling理解。 # main.py """ 主程序入口 启动编程助手 Agent，接收用户输入，运行 ReAct 循环完成文件操作任务 """ from do_exec_react import run_react_loop def main(): """ 主函数：启动交互式命令行界面 """ print(" 欢迎使用本地编程助手 Agent") #print("输入您的需求，例如 2、代码工作流程图说明 图片 从文字介绍和流程图说明，对于Agent的工作流程和工作原理现在已经了解到位了，下来我们进入原理讲解。
34310编辑于 2026-03-03 - 来自专栏创作是最好的自我投资
QClaw | 无需专业prompt也能懂你的AI Agent 助手
QClaw以下是来自QClaw官网的介绍：QClaw是腾讯电脑管家基于OpenClaw开源生态打造的本地化AIAgent助手，被大家亲切称为“小龙虾AI”。 支持自定义创建与分享持续记忆・越用越懂记住使用习惯与历史上下文，无需重复说明，长期使用自动优化执行方式关于龙虾的数据安全，在最新版的QClaw操作页面我们可以看到有一个【龙虾管家】，龙虾管家会时时检测我们的AI 应用场景QClawAI智能助手，可以帮助我们一站式解决远程办公、日常效率、内容创作、开发技术、学习教育、电商职场等几大核心场景需求，关于各大场景可以做什么，一张表格告诉你应用场景适用情况QClaw核心功能核心价值远程办公场景不在工位 辅助电商/职场批量操作场景电商运营、职场人高频重复操作工作数据监控、报表自动生成、批量处理表格自动打开网页、查询信息、记录数据定时执行店铺运营辅助任务批量处理文件、邮件发送、信息汇总把重复工作交给AI， 结语在这篇文章中，我以“养龙虾”为喻，带大家认识了腾讯电脑管家推出的本地化AI助手-QClaw（昵称“小龙虾”）。
47611编辑于 2026-04-12 2026年AI Agent客服问答助手知识难题破局
2026年，真正有效的智能系统已在四大能力上取得突破：能看懂图片表格、会调用业务系统、记得住用户上下文、可多个助手协同办事。但多数企业仍停留在简单问答阶段，未能发挥其价值。 要破局，企业需三步升级：建实知识底座——全面解析文档、图片、表格，让知识“看得见、查得到”；升级问答逻辑——从“查一次答一句”变为会推理、能追问的智能交互；迈向任务闭环——让多个专业助手协作，完成跨系统 二、市场概览：AI Agent-2026年企业数字转型的核心引擎调研显示，超过六成的企业正在探索如何用智能系统提升效率，尤其是中等规模的企业，应用积极性最高。 会分工协作 复杂任务由多个“专业助手”配合完成。比如要出一份市场报告，一个负责搜集数据，一个分析趋势，另一个撰写内容，最后整合成稿。这种团队式运作，让系统能处理更复杂的实际工作。 三、行业痛点：为何多数问答助手失败？六大常见问题，根源剖析基于多家企业反馈，当前的问答型Agent面临六大核心痛点，这些问题从根本上限制了其商业价值的实现。
14622编辑于 2026-04-08Copy2AI智能聊天助手：重塑智能助手新范式
对话风格定制：塑造个性化聊天体验Copy2AI智能聊天助手在个性化定制方面下足功夫，用户可根据自身喜好自由定制聊天助手的对话风格。 多平台无缝切换Copy2AI智能聊天助手兼容Windows、macOS、Linux等主流操作系统，无论用户身处何种设备环境，都能轻松使用。高度定制化高度定制化是Copy2AI智能聊天助手的又一亮点。 创意达人创意工作者可借助Copy2AI智能聊天助手的灵感中心与AI仿写功能，打破创作瓶颈。 学生群体学生党也能从Copy2AI智能聊天助手中受益良多。 在追求高效与便捷的数字化时代，Copy2AI智能聊天助手无疑是提升个人生产力、释放创意潜能的终极选择。官方网站http://copy2ai.com/chat.html
40810编辑于 2025-06-18- 来自专栏学习之旅
【软件】AI Agent：无需电脑的手机自动化助手AutoGLM
Android第三步：授予必要权限第四步：配置模型服务第五步：开始使用使用教程基本操作任务示例大全高级功能使用技巧常见问题Shizuku 相关权限相关操作相关模型相关前言前段时间智谱发布了手机自动化AI Agent——Open-AutoGLM，但是部署过程非常麻烦。 配置项值Base URLhttps://open.bigmodel.cn/api/paas/v4Modelautoglm-phoneAPI Key在 智谱 AI 开放平台 获取备选配置（ModelScope 第五步：开始使用在主界面输入任务描述，如："打开微信，给文件传输助手发送消息：测试"点击「开始任务」按钮悬浮窗会自动弹出，显示执行进度观察 AI 的思考过程和执行操作 缺点是不能语音交互，只能输入文字 之后可在配置列表中快速切换创建任务模板：将常用任务保存为模板，一键执行：进入「设置」→「任务模板」点击「添加模板」输入模板名称和任务描述在主界面点击模板按钮快速选择自定义系统提示词：针对特定场景优化 AI
3.3K02编辑于 2026-01-04 - 来自专栏程序小小事
JetBrains IDEs GO AI：最新coding agent，更智能的编程助手！
JetBrains AI Assistant 最新的 JetBrains AI assistant有2个模式。 Edit模式：等同cursor的manual模式，这里会修改代码，需要用户确认 Chat模式：等同cursor的Ask模式，可以任意对话 那 JetBrains AI assistant 的agent去哪里了 1、作为产品经理先设计出这个app实现哪些功能 2、作为UI设计师完成这些原型界面的设计 3、使用html在一个界面上生成所有的原型界面，使用Tailwind CSS创建高保真UI原型，可从Unsplash 的思考与创作过程 输入提示词后，Claude 3.7开始按照要求步骤工作： 核心功能设计：首先作为产品经理，设计出包括用户系统、智能搜索、支付、出行助手等功能模块 UI设计思路：确定设计风格（简洁现代、 或许Junie + AI Assistant 是你不错的选择！ 基于 AI 的开发工具在我们的行业中以惊人的速度发展。这一切都不可避免！ 现在，我们要做的事是拥抱AI，克服AI带来的挑战！
66210编辑于 2025-04-24 腾讯云 AI 代码助手：AI Agent 构建企业新一代研发范式
文章摘要本文将探讨腾讯云 AI 代码助手在聚焦产品开发领域的同时基于扩展性能力集成接入用户业务需要 AI Agent 智能体应用完成 SDLC 全过程的衔接完成新一代研发范式落地的解决方案。 智能体进赋能自身业务、科技等领域进行加速推进创新， AI Agent 智能体以其自主性、智能性和协作性，为企业带来了全新应用场景，从科技领域而言企业研发模式正经历着一场革命性的变革，腾讯云 AI 代码助手是基于腾讯混元代码大模型作为大脑中枢建立的 腾讯云 AI 代码助手 Extensions 腾讯云 AI 代码助手 Extension 是一个标准扩展的机制，通过 SDK 和标准接入规范按照自身的场景诉求进行扩展其他的能力， Extensions AI Agent 在 DevOps 场景的应用腾讯云 AI 代码助手内置 Extension 标准扩展的机制，通过该机制规范可以进行特性业务场景诉求的扩展和智能化能力聚合， Extension 扩展能力的业务承载表现就是与对话进行交互通过快捷指令的方式进行落地包含类似 总结AI Agent 智能体的发展为企业研发带来了新的机遇。腾讯云 AI 代码助手 Extension 正是这一技术发展的产物，它不仅提升了研发团队的生产力，也为企业创新提供了强有力的支持。
1.4K10编辑于 2024-12-06- 来自专栏AI进修生
A2A + MCP = AI Agent 完全体？AI Agent 既能 “单挑” 工具，又能 “群殴” 任务。
Aitrainee | 公众号：AI进修生 Hi，这里是Aitrainee，欢迎阅读本期新文章。 Google 正式下场定义 Agent 协作新规矩：Agent2Agent (A2A) 开放协议来了。 AI Agent 单打独斗的时代要过去了？ 简单说，就是给不同厂商、不同框架下构建的 AI Agent 提供一套标准的沟通语言和协作方式，打破信息孤岛，让它们能真正“组队打怪”，提升效率。 与MCP的关系？ 简单说，这图告诉我们 AI Agent 跟外界打交道主要靠两个开放协议： MCP (模型上下文协议): 这是 Agent 用来“插上”外部工具、API 和各种企业应用的“接口”。 图里也提到了 Google ADK、LangGraph、Crew.AI 这些都有相关示例。
62110编辑于 2025-04-11 - 来自专栏运维有术
用 OpenClaw 打造你的 AI 助手军团：Gateway -> Agent -> Session 多 Agent 架构完全拆解与实战
图 1：OpenClaw 多 Agent 架构全景图 前段时间我在做一个有意思的尝试：想让 AI 助手同时跑在 WhatsApp 和 Telegram 上，白天用 WhatsApp 回复家人消息，晚上用 说得更直白一点： • 你有一个 AI 助手 • 你想在 WhatsApp、Telegram、Discord、Slack 上都能用它 • 你不想为每个平台单独部署一套 • 你还想要不同平台用不同的"人格" ：在你的机器上运行，完全工具访问 • family Agent：在 Docker 容器里运行，只读权限 场景 2：工作 Agent + 日常 Agent { agents: { list: 但如果你要部署一个真正可用的多渠道 AI 助手，OpenClaw 是更好的选择。 最佳实践：踩坑总结 用了一段时间，总结几个经验。 如果你也在做多渠道 AI 助手，或者对多 Agent 协作感兴趣，强烈建议试试 OpenClaw。上手成本不高，收益却很大。
68110编辑于 2026-04-01 语音助手阿拉伯语本地化技术解析
语音助手阿拉伯语本地化技术解析阿拉伯语版语音助手于2021年12月在沙特阿拉伯和阿联酋推出。与所有新语言版本一样，阿拉伯语在语音识别、语言理解和语音合成方面提出了独特挑战。 技术演进方向新的语音助手语言不仅是新语言，更是针对特定地区的新本地化版本。技术团队将继续扩展阿拉伯语到更多地区，同时将系统扩展到全新的语系家族。
47510编辑于 2025-08-22【标题】Agent智能体实战：如何用CoT提示工程打造自主AI助手？
#Agent智能体实战：如何用CoT提示工程打造自主AI助手？ 摘要：本文深度剖析Agent智能体与Chain-of-Thought（CoT）提示工程的融合实践，通过真实项目案例揭示构建自主AI助手的核心技术路径。 读者将掌握从环境搭建到生产部署的完整方法论，获得可立即应用于实际业务的Agent开发能力，彻底解决传统AI助手逻辑断裂、依赖人工干预的痛点。特别适合AI工程师、产品经理及技术决策者深度实践参考。 ,MessagesPlaceholderdefbuild_base_agent(llm):#定义Agent核心提示模板system_prompt=("你是一个专业AI助手，必须通过分步推理解决问题。"" 监控两个核心指标：1）用户主动追问率（下降说明逻辑清晰）；2）任务中断点分布（定位推理断裂环节）。两周内，您将收获可量化的体验提升。记住：每个伟大的AI助手，都始于一次勇敢的提示词迭代。
21810编辑于 2026-01-24- 来自专栏AI大模型应用开发炼丹房
Cherry Studio+Filesystem MCP Server：本地化AI文件助手的架构设计与实战
更多AI大模型应用开发学习视频及资料，尽在聚客AI学院。一、技术架构核心1. Cherry Studio客户端 国产化AI桌面客户端，提供以下核心能力：多模型调度：支持OpenAI/Gemini/Anthropic等云服务、网页端AI（Claude/Perplexity 助手创建流程使用预设助手模板创建新助手重命名为"智能文件助手"设置系统提示词明确路径规范： "用户桌面路径：C:\Users\yuan_\Desktop，下载目录：C:\Users\yuan_\Downloads "2. 文件系统操作用户指令： "桌面创建report.txt文件"-> 调用write_file工具创建文件-> 返回绝对路径确认2.
2K10编辑于 2025-07-22 - 来自专栏用户11994688的专栏（3）
基于LangChain的简易智能旅游助手Agent
一、项目背景与功能实现 本文分享基于 LangChain 框架开发的智能旅游助手 Agent，核心功能是「查询城市天气 + 根据天气推荐景点」，并对比 ReAct 与 FunctionCall 两种 Agent 问题 2：重复调用工具现象LLM 可能因「确认天气」「翻译推荐结果」等原因重复调用同一城市的天气 / 景点工具。 2. 五、总结本次项目通过 LangChain 实现了两种模式的旅游助手 Agent，实践发现：ReAct 模式适合需要显式推理过程的复杂场景，但需投入大量精力处理格式解析问题；FunctionCall 模式更适合简单工具调用场景 后续可优化方向：增加多轮对话的上下文理解能力（如识别「昨天问的上海天气」等指代）；接入更多工具（如景点门票、交通信息）；优化景点推荐结果，增加本地化 / 个性化策略。添加RAG？
5910编辑于 2026-04-07 - 来自专栏AI技术应用
AI本地化部署的流程
AI本地化部署（On-Premise AI Deployment）的流程是一个系统性、多阶段的过程，旨在将AI模型及其所有相关组件（数据、基础设施、应用程序）部署在企业自己的数据中心或边缘设备上。 以下是AI本地化部署的详细流程：阶段一：规划与需求定义 (Planning & Requirement Definition)项目启动与目标明确：明确业务目标： AI智能体或模型将解决什么具体业务问题？ 软件许可证与成本： 评估操作系统、虚拟化软件、数据库、AI框架等的许可费用。团队技能评估： 识别当前团队在AI、DevOps、运维方面的技能缺口。 阶段四：AI服务化部署 (AI Servitization & Deployment)构建推理服务：API开发： 为AI模型创建RESTful API或gRPC接口，作为模型推理的入口。 AI本地化部署是一个长期的过程，需要企业持续投入资源进行优化、维护和迭代。
1.6K10编辑于 2025-06-06 - 来自专栏AI技术应用
AI本地化部署的优势
AI本地化部署（On-Premise AI Deployment）指的是将AI模型、数据、基础设施和相关应用程序全部部署在企业自己的服务器、数据中心或边缘设备上，而不是依赖于第三方云服务提供商。 所有敏感数据和AI模型都在企业自己的防火墙内处理和存储，数据从不离开企业控制范围，极大地降低了数据泄露和滥用的风险。 本地化部署是满足这些合规性要求的关键。物理安全控制： 企业可以对其数据中心进行物理安全控制，包括访问控制、监控、防火防盗等，提供比云服务更精细化的物理安全保障。 2. 性能与延迟低延迟： AI推理和数据处理在本地进行，无需通过互联网传输数据到云端，大大减少了网络延迟。这对于需要实时响应的应用（如自动驾驶、工业自动化、实时欺诈检测、高频交易）至关重要。 总结AI本地化部署的优势主要体现在数据主权、安全性、性能、低延迟、长期成本控制以及高度的定制化和集成能力。这些优势使得它成为许多对安全、性能和合规性有严苛要求的企业或特定行业应用场景的首选方案。
1.8K11编辑于 2025-06-06 【Multi-agent】智能科研助手实战项目
但反过来想：这些事情，其实都可以拆成一堆「标准化的小任务」，非常适合交给 Multi-Agent AI 科研小队 来做。 代码语言：python AI 代码解释：只挂一个 arxiv 工具，让这个 Agent 专门负责“查文献”。 代码语言：python AI 代码解释：Supervisor 只能通过 Tools 调用子 Agent，自行规划步骤。 子 Agent 列表：1. paper_hunter_agent：根据主题检索相关论文。2. paper_analyst_agent：对论文列表做结构化总结（JSON）。 先调用 paper_hunter_agent 检索论文；2. 再调用 paper_analyst_agent 做结构化总结；3.
69310编辑于 2025-11-22- 来自专栏AI技术应用
AI大模型本地化部署
AI大模型本地化部署是将大规模人工智能模型（如GPT、LLaMA、DeepSeek等）部署到本地服务器或设备上，以满足数据隐私、安全性和性能需求的过程。 以下是AI大模型本地化部署的关键步骤、技术难点及解决方案。一、本地化部署的关键步骤1.需求分析与规划 明确应用场景（如智能客服、文本生成、图像识别等）。评估本地硬件资源（GPU、内存、存储）和预算。 2.模型选择与优化选择适合任务的预训练模型（如DeepSeek、Llama3、GPT等）。通过量化、剪枝、蒸馏等技术压缩模型，降低计算资源需求。 2.模型优化与效率难点：大模型推理速度慢，资源利用率低。解决方案：使用推理优化工具（如ONNX、TensorRT）和动态资源调度。3.数据隐私与安全难点：本地化部署需确保数据隐私和合规性。 通过以上步骤和解决方案，AI大模型本地化部署可以更好地满足行业需求，推动AI技术的广泛应用。
4.1K10编辑于 2025-03-08 - 来自专栏Python
理解 Agent2Agent(A2A)、Agent to Agent和链式函数调用的区别与联系
在构建 AI 智能体系统或多模块任务执行架构时，我们常会遇到三个关键术语： Agent to Agent 链式函数调用 Agent2Agent (A2A) 它们看似类似，甚至常被混用，但实际上分别属于不同的抽象层次 (A2A)│ ← 架构范式（设计） └─────────────────┘ 这意味着： 链式函数调用是编程行为 Agent to Agent是通信语义 Agent2Agent (A2A) 是系统设计理念 两个 Agent 间的信息传递行为 多智能体协同、机器人通信 Agent2Agent (A2A) 系统架构层 一个 Agent 主动调用其他 Agent 协作解决问题 LLM Agent 编排、AutoGen Agent2Agent 像一个“项目经理型 AI”会调度多个“专家型 AI”组成动态团队，解决复杂任务 类比一句话总结： 链式函数调用像拼装生产线，Agent to Agent像员工交流，而Agent2Agent 六、为什么 A2A 更适合现代 AI 系统？
94110编辑于 2025-07-10
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