- 综合排序
- 最热优先
- 最新优先
- 来自专栏DeepHub IMBA
深度研究Agent架构解析：4种Agent架构介绍及实用Prompt模板
近两年深度搜索Agent发展很快各家的实现思路也越来越成熟，围绕这两个问题业界逐渐沉淀出几种主流架构：从最基础的Planner-Only，到加入评估反馈的双模块设计，再到Sentient Labs提出的递归式方案 这篇文章将整理这些架构并顺便附上一些实用的prompt模板。 迭代式搜索Agent 在讨论更复杂的架构之前，先回顾一下最基础的迭代式搜索Agent。 这样Planner输出的计划才足够具体，下游的执行Agent才能照着执行。 Planner承担的任务复杂度高是整个架构的核心节点。 所以强烈建议用推理能力强的模型来做Planner，比如GPT-4o、Claude 3.5 Sonnet或者专门的推理模型如o1、DeepSeek-R1等。 递归搜索Agent 前面介绍的架构本质上都是迭代式的，但从算法角度看迭代能做的事递归也能做，而且递归天然适合处理可分解的层次化问题。
83610编辑于 2026-01-12 轻量级多Agent协同架构实现高效智能渗透，成本效益与稳定性显著
行业面临智能渗透测试的效能与稳定性挑战 在时间严格受限的多目标渗透测试场景中，传统复杂集中式规划智能体存在单点性能瓶颈，难以实现高并发探测与高效试错。 采用轻量级高并发Agent集群与智能纠偏机制 腾讯云黑盲松赛事中，绿盟科技AI小分队采用多Agent独立解题的分布式并行推理架构。 每个Agent拥有独立上下文，通过共享笔记本机制实现异步非阻塞知识协同（如成功路径、有效Payload共享），避免集中式架构的通信开销。 客户案例：绿盟科技实战验证轻量架构竞争力 绿盟科技运营服务BG高级攻防部通过该方案，在腾讯云赛事中实现轻量级Agent集群的稳定推理。 腾讯云技术领先性：简单架构与智能纠偏赋能高效攻防 腾讯云提供MCP智能协同底座与沙箱环境，支撑轻量级高并发Agent架构落地。
28210编辑于 2026-04-04- 来自专栏算法一只狗
DeepSeek-V4 传闻背后：预训练、Agent 化与稳定性的三重博弈
更重要的是，DS团队在V3.2报告中已明确后续方向：通过扩大预训练规模来弥补这一差距。一旦预训练进入新一轮规模扩张，模型的参数量、架构设计、能力边界乃至整体定位，都将与V3系列产生本质差异。 接下来只在这些top-k上计算真正的注意力。经过两个组件之后，这样复杂度从O(L^2)降低到O(LK)，其中k<<L更适合Agent的大模型包括在最新的V3.2模型中，有更多的Agent技术进行调用。 ：多层连乘仍是双随机，因此“跨很多层”的直通项也保持同样的守恒/稳定属性几何解释：置换的凸组合Birkhoffpolytope是置换矩阵的凸包，所以可视作“对多种置换混合方式的加权平均”；反复作用会带来更强的跨流混合 中后期的时候，HC的lossgap稳定停在一个非零区间，且有明显的长期抖动。 V4要解决的，是下一层更难的问题：如何在更大规模、更深结构、更强Agent化的前提下，让模型依然可训、可控、可落地。
3K20编辑于 2026-01-13 - 来自专栏AI SPPECH
MCP 在 Agent 架构中的位置
二、核心更新亮点与新要素 2.1 Agent 架构分层设计 MCP v2.0 推动了 Agent 架构的分层设计，将 Agent 系统分为以下核心层次： 新要素 1：清晰的分层架构 感知层：负责接收和处理外部输入 架构图：MCP 在 Agent 架构中的位置 从上图可以看出，MCP 在 Agent 架构中扮演着核心的工具调用角色，连接了认知层、规划层、执行层和记忆层，是整个 Agent 系统的"神经中枢"。 执行等 异常处理：处理系统级异常，确保系统稳定运行 配置管理：管理 Agent 的配置，如模型参数、MCP 服务器地址等 代码示例 3：MCP Agent 核心控制器实现 from typing import Agent 架构的资源消耗可能过高 简单任务场景：对于简单的推理任务，MCP Agent 架构可能过于复杂，带来不必要的开销 六、未来趋势展望与个人前瞻性预测 6.1 MCP 在 Agent 架构中的未来发展趋势 架构的性能基准测试 测试环境： CPU：Intel i9-13900K 内存：32GB DDR4 存储：NVMe SSD Python 版本：3.11 MCP Server 版本：v2.0 LLM 模型
61210编辑于 2026-01-08 - 来自专栏码匠的流水账
聊聊langchain4j的Agent
序 本文主要研究一下langchain4j的Agent 示例 CustomerSupportAgent customer-support-agent-example/src/main/java/dev/ langchain4j/example/CustomerSupportAgent.java @AiService public interface CustomerSupportAgent { /src/test/java/dev/langchain4j/example/CustomerSupportAgentIT.java @Test void should_provide_booking_details_for_existing_booking 这个词比较宽泛，而且有很多不同的定义，通常基本的agentic的功能可以基于high-level的AI Service和Tool来构建，如果还需要更灵活的设置，则可以基于low-level的ChatLanguageModel langchain4j目前暂不支持类似AutoGen或CrewAI中用于构建多智能体系统的"Agent"高级抽象功能，如果需要则可以基于low-level的API去构建。
46710编辑于 2025-03-17 - 来自专栏技术杂记
Zabbix Agent 安装4
添加监控脚本 虽然Zabbix直接集成和覆盖了很多我们的监控对象，但有时官方提供的条目无法满足我们的个性化需求，这时需要自定义一些脚本，获取信息以让zabbix可以接受并处理 [root@zbx-target cd script/ [root@zbx-target script]# vim port.discovery.bash [root@zbx-target script]# ll total 4 /bin/bash printf '{"data":[' for i in `netstat -tnl| grep LISTEN|awk '{print $4}'| awk -F ':' '{print
73630编辑于 2022-03-21 ChatGPT Agent技术架构探析
ChatGPT Agent的创新之处在于将深度研究（Deep research）模块与操作器（Operator）系统进行深度融合，形成了具备自主决策能力的"大脑+四肢"架构。 技术架构深度剖析 Operator整合：智能执行的神经中枢 ChatGPT Agent的Operator架构是其区别于传统对话系统的核心创新。 更令人惊讶的是，它能识别不同实验方法导致的数据偏差，在报告附录中添加方法学异质性分析——这种原本需要博士后研究员两周完成的工作，现在仅需4小时即可获得专家级初稿。 安全训练：专门数据集使Agent能识别99.5%的网页隐藏指令 2. 监控模式：处理敏感操作时自动启用浏览器可视化监控 3. 网络限制：终端工具默认禁用高风险协议访问 4. 安全架构的持续进化 随着执行能力的增强，安全防护体系面临全新挑战。OpenAI在系统卡片中特别强调了"监控模式"的创新价值——当Agent使用浏览器工具访问敏感信息时，系统会实时生成可解释的操作日志。
59610编辑于 2025-08-27AI Agent的工作原理和架构
好的，希望我需要你帮我阐述AI大模型里面 AI Agent的工作原理和架构。 我需要你先阐述要给最核心的主题工作原理和架构。其次再分不同的场景来展现不同场景下的工作原理和架构。 AI Agent基础架构 AI Agent基础架构是所有智能代理系统的核心框架，它定义了Agent如何与环境交互并实现智能行为。 经验回放机制存储历史交互数据(s,a,r,s')，通过随机采样打破数据相关性，提高学习稳定性。目标网络提供稳定的学习目标，定期从主网络复制参数，避免训练过程中的震荡。 通过对六种典型场景的分析，我们可以看到AI Agent在不同应用领域中的架构特点和工作机制： 基础架构为所有Agent提供了统一的设计框架，强调感知、认知、决策和执行四个核心模块的协同工作。 随着技术的不断发展，我们可以期待看到更多创新的Agent架构和应用场景的出现。
1.7K10编辑于 2025-08-06- 来自专栏Y-StarryDreamer
『Jenkins』Jenkins的Master-Agent架构详解
了解Jenkins的Master-Agent架构及其工作原理。学习如何在Jenkins中配置和管理Master与Agent。 通过实际示例，展示如何利用Jenkins的Master-Agent架构实现分布式构建。提供最佳实践，帮助优化Jenkins集群的构建和部署流程。Jenkins Master-Agent架构概述1. 性能优化通过以下方式提高Jenkins Master-Agent架构的性能：分离构建和执行：将构建和执行任务分配给不同的Agent，减少Master的负载。 在实践中，优化Jenkins Master-Agent架构的资源利用、负载均衡、安全性和性能将有助于提升构建效率和稳定性。 通过学习和掌握Jenkins的Master-Agent架构，您可以更好地支持现代软件开发中的持续集成和持续交付。
1.5K00编辑于 2025-01-27 Agent设计模式（4）：Tool Use模式——构建安全的多工具Agent
今天这篇，讲的是Agent最实用的能力：Tool Use（工具使用）。 工具调用是Agent区别于聊天机器人的核心能力。 没有工具，Agent就是个会聊天的AI； 有了工具，Agent就是能干活的数字员工。 ： 功能：工具能做什么 限制：工具不能做什么 参数：每个参数的详细说明 返回值：返回数据的结构 异常：可能抛出的错误 ▪ 原则4：工具要有安全的默认值 ✅ 正确的设计： from typing import 添加允许使用的工具 safe_globals.update(global_vars) # 4. 写Python代码调用工具 4. 从输出中提取关键信息 5.
23210编辑于 2026-05-09Hermes Agent + LangChainAutoGPT 混合架构：构建超级 Agent 系统
每个Agent框架都有自己的强项：框架最强能力HermesAgent持久记忆、技能自创、消息网关LangChain链式推理、文档处理、RAGAutoGPT自主任务分解、网页操作混合使用可以取长补短。 ：多个框架的版本更新需要协调部署建议混合架构建议使用4C8G以上的服务器配置。 推荐在腾讯云上部署，仅需三步即可开始使用：第一步：购买云服务器→第二步：一键安装HermesAgent→第三步：接入消息平台，开始使用腾讯云为HermesAgent用户提供专属优惠云服务器方案，最低2核4G 立即前往腾讯云官网选购HermesAgent专属云服务器FAQ：Q1：混合架构比单独用HermesAgent好吗？A：不一定。如果你的需求在HermesAgent内置能力范围内，单框架反而更稳定高效。 混合架构适合有特殊需求的高级用户。Q2：需要自己写集成代码吗？A：目前需要编写MCP桥接服务。社区正在开发常用框架的即插即用集成包。Q3：资源需求比单框架大多少？
52911编辑于 2026-04-16- 来自专栏架构精进之路
LangGraph Agent 架构设计
Agent 架构是定义AI智能体组件与交互方式的蓝图，让Agent得以感知环境、进行推理并采取行动。 — 1 — Agent 架构的分类 选择合适的架构对构建高效AI智能体至关重要。架构决定了智能体的响应速度、处理复杂任务能力、学习适应性及资源需求。 主流 Agent 架构可分为以下类别： 反应式架构 审慎式架构 混合式架构 神经符号式架构 认知式架构 — 2 — LangGraph Agent 设计模式 Agent 架构与设计模式紧密相关，但属于 Agent 架构：定义智能智能体构建与运作的结构框架，涉及核心组件及其组织方式（类似"骨架"），明确智能体如何感知环境、处理信息、决策行动。 多智能体监督：LLM协调调度各智能体 跟网络架构类似，但采用监督智能体（而非路由器）来协调各智能体 层次化智能体团队 当单个智能体无法完成任务时，监督智能体协调多个由多智能体组成的团队 — 4 —
86420编辑于 2025-05-09 云端 AI Agent 架构实战
云端 AI Agent 架构实战：Google ADK 5 种 Skill 编排模式的工程化落地Agent 技术栈正在经历从原型验证到生产部署的跨越。 Google ADK（Agent Development Kit）作为 2025 年末发布的 Agent 开发框架，已经在不少云端项目中跑通了完整闭环。但"能跑"和"能扛"之间，差的就是架构设计。 二、Parallel Fan-Out：多源并发查询架构架构定位一个请求同时分发到多个 Skill 并行执行，最后聚合。对应到云端就是典型的扇出-聚合模型，和微服务的并行调用本质一致。 这是构建复杂 Agent 系统的核心架构模式，类似于微服务中的编排器（Orchestrator）。 6")# 关键决策走最强模型supervisor.set_model("claude-opus-4-6")在多模型混用的 Agent 架构中，通过统一的 API 聚合平台管理模型调度能显著降低运维复杂度
34610编辑于 2026-03-26- 来自专栏运维有术
OpenClaw Gateway 架构深度解析：3 层认证 + 4 种部署，揭秘 Agent 神经中枢
作为一个 AI Agent 平台的神经中枢，它用统一的 WebSocket 协议、三层安全认证、插件化架构，构建了一个既安全又灵活的控制平面。 这在网络不稳定的环境下特别有用 - 客户端可以安全地重试，而不用担心重复发送消息。 你在项目中用过类似的 Agent 系统吗？欢迎在评论区聊聊你的经验。 3. 插件化渠道接入 Gateway 的另一个亮点是插件化的 Channel 架构。 4. 消息路由与会话管理 Gateway 的消息路由设计采用了分层优先级绑定机制。 这是个很有想象力的设计。 如果你正在设计一个 Agent 系统，或者对 AI Agent 平台的架构感兴趣，OpenClaw Gateway 的设计值得深入研究。
1.1K10编辑于 2026-04-01 Agent Memory：从概念到架构的完整解析
、哪个工具在什么场景下不稳定 示例：没有这层memory，Agent不是在学习，只是在重复犯错 意图不是被单独存储的——它是这四层模型长期耦合后浮现出来的上层能力，就像一个跟了你三年的助理，他"懂你"不是因为背了一本偏好手册 三、Memory的本质架构 3.1 核心命题 命题A：Memory不是"存储"，而是可被决策利用的外部状态 如果把Agent看成一个从输入到输出的函数，仅仅"存了很多历史"并不构成能力。 六、进阶架构：从基础到自进化 6.1 时序记忆 问题：时序不是metadata，而是Memory OS的结构维度 为什么必须把时序提升到架构骨架层？ 34.04% 62.54% +28.50% Category2 时间相关 57.01% 67.07% +10.06% Category3 推理性 43.75% 65.35% +21.60% Category4 当Agent能够： 通过Skills引擎，记住你写代码时的缩进强迫症 通过mRAG准确调出你们三个月前共同探讨过的那张架构草图 在一次次试错中积累经验，最终形成专属于你的执行蓝图时 它就不再是一个随时可以被替换的
1.1K10编辑于 2026-04-21- 来自专栏自然语言处理
Agent未来已来？揭示LLM Agent技术架构与现实挑战
让我们深入研究这项技术前沿组织提出的关键架构、实际障碍和未解决的问题 一、架构和框架：拆解Agent“大脑” LLM Agent的核心是语言模型，它为自然语言处理和生成提供动力。 模型如GPT-4、Claude和LLaMA让Agent能够理解复杂的提示、推理潜在操作并产生类似人类的反应。 围绕这个核心模型，构建了一个组件生态系统，使Agent能够与世界互动并保存知识。 LangChain 等框架提供了实现规划器的抽象，尽管许多Agent架构依赖于 LLM 的隐式规划功能。 图片显示 LLM Agent架构的层次图。 缓存、量化和其他优化成为任何生产部署的必备条件。 LLM 的计算需求，尤其是 GPT-4 等大型模型，在生产中很快就会变得难以承受。 但系统的不稳定性是个大问题 - 知识幻觉、理解偏差、盲目执行风险指令等问题普遍存在。 业界也在努力解决这些挑战。
1.3K10编辑于 2025-01-03 - 来自专栏sktj
Kubernetes(4:架构)
Master 是cluster 的大脑： 运行 kube-apiserver kube-scheduler kube-controller-manager etcd pod restful api Scheduler在调度 时会充分考虑Cluster的拓扑结构，当前各个节点的负载，以及应用对高可用、性能、数据亲和性的需求。 Controller Manager负责管理Cluster各种资源，保证资源处于预期的状态。 etcd负责保存Kubernetes Cluster的配置信息和各种资源的状态信息。当数据发生变化时，etcd会快速地通知Kubernetes相关组件。 Node就是POD运行的节点： 运行kubelet kube-porxy pod网络 ? image.png
42020发布于 2019-09-24 - 来自专栏XINDOO的专栏
Agent设计模式——第 4 章：反思
此示例使用 Langchain 库和 OpenAI 的 GPT-4o 模型实现反思循环，迭代生成并优化计算数字阶乘的 Python 函数。 我们使用 gpt-4o 以获得更好的推理。 ## 使用较低的温度以获得更确定性的输出。 包含清楚解释函数功能的文档字符串。 4. 处理边缘情况：0 的阶乘是 1。 5. 处理无效输入：如果输入是负数，则引发 ValueError。 () 代码首先设置环境，加载 API 密钥，并使用低温度初始化强大的语言模型（如 GPT-4o）以获得专注输出。 此评估可由 Agent 自身（自我反思）执行，或通常更有效地由不同评审者 Agent 执行，这代表了模式内的关键架构选择 虽然完全自主的多步反思过程需要强大的状态管理架构，但其核心原理可在单个生成-评审
65510编辑于 2025-10-27 - 来自专栏AI前沿技术
智能体｜Agent 架构演进与选型
架构的演进并非简单的功能堆砌，而是一场针对核心痛点持续的、系统性的 “补全”计划。 本文主要从 Agent 架构面临问题，四种 Agent演进方向和架构选型的角度进行展开。 一旦涉及大量领域知识的注入，极易引发上下文爆炸，导致模型注意力分散，稳定性大幅下降。 有单 Agent 必定会有多 Agent，最直接的想法是，将一个任务拆分成多个子任务，让不同的Agent 承接。 随着Agent数量增加，系统整体的稳定性保障难度呈非线性上升，而效果的提升却越来越依赖繁琐的人工干预。这是一个典型的边际效应递减过程。 如果有一种机制能在不牺牲上下文稳定性的前提下实现知识的动态加载，那么沉重的Mulit-Agenti间通信或许就不再是必须的选项。 选型的核心逻辑是： 匹配需求复杂度与成本预期 无需追求“高大上”，贴合自身任务边界、成本预算及稳定性要求，选择最适配的形态，才是Agent架构落地的最优路径。
73630编辑于 2026-04-02 - 来自专栏实在智能RPA
详述Agent智能体含义与架构
这并非科幻场景，而是智能体（Agent）技术正在努力实现的未来图景。它代表了人工智能从被动响应走向主动感知、自主决策的关键跃迁。 架构剖析：智能体如何“思考”与“行动”一个典型的现代智能体系统（尤其是基于大语言模型的Agent）如同一个精密的数字大脑，通常包含几个关键模块协同运作：感知中枢：环境信号的解码器智能体通过多种“感官”获取输入 Meta的Chameleon架构就强调了统一记忆模块对复杂任务的关键支撑。执行与反馈闭环：行动的校准仪规划好的动作序列被发送到执行模块，可能是在数字世界操作软件、调用API，或在物理世界驱动机器人。 在医疗诊断、金融决策等高风险场景，其输出的不可靠性成为应用瓶颈。如何提升可解释性（XAI）、构建更稳定可控的推理引擎是核心课题。 认知边界的局限当前智能体依赖训练数据，缺乏真正的世界常识和物理直觉，抽象推理、创造性思维、深度因果推断能力远逊于人。突破此限制需在架构和算法上有根本创新。
1K20编辑于 2025-07-30
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