- 综合排序
- 最热优先
- 最新优先
当 AI Agent 成为社会：Multi-Agent 系统公共基础设施的设计与反思
本文通过"虾社会"这一隐喻，系统性地探讨了Multi-Agent系统的公共基础设施设计。 ）的演进路径2.背景与相关工作2.1AgentInfrastructure的学术定义Chanetal.(2025)在InfrastructureforAIAgents中首次系统性地定义了Agent基础设施的概念 4.2身份管理碎片化展开代码语言：TXTAI代码解释虾A给自己生成身份ID：a1b2c3（基于本地配置的SHA-256）虾B给自己生成身份ID：d4e5f6虾C给自己生成身份ID：a1b2c3←碰撞了！ anomalies.append("响应变慢：是同类虾的2倍")returnanomalies6.讨论6.1谁来建设基础设施？ 在推敲过程中，我们发现了一个关键的规模悖论：用户类型Agent数量需要公共基础设施？有能力建设？
49210编辑于 2026-03-29- 来自专栏红蓝对抗
Agentic AI基础设施实践经验系列（六）：Agent质量评估
例如，金融风控场景中，信贷审核 AI Agent 若存在决策偏差，可能错误批准高风险贷款申请，给金融机构带来重大风险。（2）业务层面Agent 的表现直接影响业务开展与价值实现。 （2）决策准确率（Decision Accuracy）计算公式：决策准确率正确决策步骤数总决策步骤数应用场景：医疗辅助场景：AI 诊断 Agent 分析病历、影像报告时，症状匹配、疾病排除等关键推理步骤的正确比例 2. Agent 质量评估实践建议2.1 如何构建一个通用 Agent 评估方案2.1.1 评估数据的准备优先从实际业务数据中采集，构建标准 Agent 测试集，确保数据真实性和场景适配性。 2.4 例 3 - 使用自定义 TaskManager 对 AI 考题生成 Agent 执行评估2.4.1 Agent 场景AI 考题生成 Agent 支持多题型（单选、多选、填空）、多难度（简单、中等 总结Agentic AI 评估是确保 AI 智能体安全可靠运行的关键环节。
3K11编辑于 2025-12-05 - 来自专栏数据猿
圆桌论坛：AI大模型+Agent，正推动数据基础设施变革？
大数据产业创新服务媒体 ——聚焦数据 · 改变商业 大模型与智能体的兴起，对数据提出了根本性的新要求，也推动数据基础设施向更高层次演进。 在此背景下，“第八届金猿大数据产业发展论坛——暨AI Infra & Data Agent趋势论坛”于1月14日在上海成功举办。 “当前基础设施下，单条数据可能本身无误，但因多样性不足等原因，无法直接应用于智能场景。 在推动AI落地业务时，应积极构建数据基础设施，打通“用户反馈-场景数据-模型迭代”闭环，真正让数据流动起来、让模型持续进化，最终驱动业务实现可衡量的增长。 上海纽约大学信息技术部高级主任 常潘 支撑未来智能 数据基础设施还需要哪些突破？
25710编辑于 2026-01-27 腾讯云Agent Runtime：Agent原生基础设施技术概要
一、 产品定位与核心亮点 腾讯云Agent Runtime 是一项专为AI Agent设计的原生基础设施服务。其核心技术属性是通过提供会话独占运行环境，解决Agent任务对云基础设施的特殊需求。 商业差异化卖点在于确保Agent能够跑得快、跑得省、跑得放心。 二、产品应用场景 AI模型研发企业（如MiniMax）：在进行大模型训练时，需要高效、大规模地生成训练语料。 寻求业务智能升级的企业（如法律咨询平台）：希望将传统Web应用快速升级为具备AI交互能力的Agent，但面临基础设施部署复杂、开发周期长的困境。 荣誉背书 （原文未提及具体技术荣誉和奖项） 四、典型案例 案例一：MiniMax × Agent沙箱 背景：AI公司MiniMax需要为大模型训练高效生成大量结果语料，传统方式效率低下。 案例三：法律咨询平台 × Agent原生基础设施 背景：法律服务平台希望快速构建AI法律咨询助手以提升服务能力。
24310编辑于 2026-06-09腾讯云Agent Runtime：Agent原生基础设施技术概要
一、产品定位与核心亮点 腾讯云Agent Runtime 是腾讯云推出的面向AI Agent（智能体）场景的原生基础设施，核心定位为通过重构云基础设施适配Agent任务负载特征，实现Agent“跑得快、 应用开发者（如WorkBuddy） 长周期Agent任务执行 任务中断后需重新执行，成本高；任务暂停时资源持续计费，资源浪费 垂直行业服务平台（如法律服务平台） 垂类Agent（如AI法律咨询助手）搭建与现有系统接入 基础设施配置复杂，Agent上线周期长（数周级）；现有Web业务与Agent业务链路割裂，管理成本高 企业级Agent应用运营方 企业数据访问、Agent任务监控 企业数据访问安全风险高；Agent任务链路不可观测 案例2：WorkBuddy × Agent 存储 背景：WorkBuddy的Agent任务存在长周期执行场景，任务中断后需重新执行，成本高；任务暂停时资源持续计费，资源浪费严重。 案例3：EdgeOne Makers × 一站式Agent上线方案 背景：EdgeOne Makers需搭建AI法律咨询助手Agent，并接入现有法律服务平台，传统模式下基础设施配置复杂，Agent上线需数周
22810编辑于 2026-06-09大白话企业级智能体（AI Agent）：从RAG、MCP、A2A到AI基础设施产业落地攻略
A2A (Agent-to-Agent) / ACP (Agent Control Protocol)：“AI的HTTP协议”，解决的是 Agent ↔ Agent 的问题，A2A允许智能体通过一个标准化的 06 结论 如果说去年是大模型的元年，那么今年是智能体的（AI Agent）的元年，与此同时，智能体正推动AI基础设施从“资源规模导向”转向“业务价值创造”。 智能体的规模化落地，对AI基础设施提出了四大全新要求： Agent运行时的支撑：需要云原生架构（如容器和Serverless）来高效、弹性地承载Agent运行时环境。 AI基础设施的演进加速智能体落地：反过来，新一代的AI基础设施正在通过提供“AI Agent服务平台”来加速智能体的落地。 未来的AI基础设施不再仅仅是“卖算力”，而是会提供包括Agent运行时、安全沙箱、可观测性工具、乃至MCP协议栈等开箱即用的技术组件。
2.9K22编辑于 2025-12-22- 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。
70310编辑于 2025-04-11 AI Agent MCP及A2A协议浅析
02 — A2A介绍以及和MCP的关系 1、A2A协议简介 2025 年 4 月 9 日，Google 推出了Agent2Agent (A2A) 协议。 Agent2Agent (A2A) 协议是一种开放标准，旨在实现 AI 代理之间的无缝通信和协作。这使得使用不同框架和由不同供应商构建的代理能够以通用语言相互通信，从而打破孤岛并促进互操作性。 Agent Executor 是 A2A 智能体最核心的实现部分，它连接了标准化的 A2A 协议与智能体内部的独特智能。 A2A（Agent2Agent 协议）专注于代理协作，它建立了智能代理之间相互发现、通信和合作的方式，使不同的 AI 系统能够像人类团队一样协同工作。 A2A 与 MCP并非竞争技术，而是互补技术。 在实际应用中，它们通常需要一起使用： MCP 为代理提供了访问工具的标准方式 A2A 为座席协作提供了标准方式 在实践中，完整的AI系统架构通常需要： 使用MCP将AI与各种工具和数据源连接起来 使用A2A
16410编辑于 2026-06-22Agentic AI基础设施实践经验系列（八）：Agent应用的隐私和安全
*T2工具滥用（Tool Misuse）攻击者通过欺骗性提示或命令，操纵 Agent 在授权范围内滥用集成工具，包括 Agent 劫持。 这些威胁分布于 Agent 系统全流程，其中 T1（记忆投毒）、T2（工具滥用）、T3（权限滥用）、T6（目标操纵）、T9（身份欺骗）是最典型的高发威胁，需重点防控。三。 T6 - 破坏意图和操纵目标、T7 - 不协调和欺骗行为、T8 - 否认与不可追踪* 步骤 2Agent 是否依赖存储记忆进行决策？ T2 - 工具滥用、T3 - 权限滥用、T4 - 资源过载、T11 - 非预期的远程代码执行和代码攻击* 步骤 4系统是否依赖身份验证验证用户 / 工具 / 服务？ （2）防护方案及代码示例身份认证与鉴权：MCP 服务器启用 Basic、Bearer 或 OAuth 认证，拦截未授权请求。
1.1K20编辑于 2025-12-05腾讯云 Agent Runtime：Agent原生基础设施产品解析与应用实践
讲者信息：马文霜（腾讯云存储总经理） 发布场景：中关村论坛系列活动 一、 产品定位与核心亮点 腾讯云 Agent Runtime 是一款专为 AI Agent 打造的原生云基础设施。 企业级办公与日常 Agent 调度场景：解决 AI 执行长任务易出错导致的数据丢失问题，以及 Agent 闲置时持续占用云资源带来的高昂成本。 Web 应用智能化升级场景：解决传统 Web 架构接入 AI 模型时面临的底层基础设施配置复杂、研发周期长、系统延迟高及安全链路不可控的困境。 三、 应用框架和功能介绍 1. Agent 记忆：优化长任务上下文管理的记忆模块。 Agent 网关：保障企业数据访问的安全管控枢纽。 Agent 可观测：提供全链路状态监控与优化追踪。 2. 案例三：EdgeOne Makers 背景：开发者及企业（如在线法律服务平台）面临从传统 Web 应用向 AI Agent 升级的诉求，但自建基础设施配置复杂、研发周期长。
28800编辑于 2026-06-09- 来自专栏红蓝对抗
Agentic AI基础设施实践经验系列（三）：Agent记忆模块的最佳实践
AI Agent 记忆类型智能体的记忆系统主要分为短期记忆和长期记忆两大类。 Mem0Mem0是专为AI Agent设计的开源记忆框架，通过智能记忆管理帮助Agent实现状态持久化。 中的记忆模块帮助开发者更快捷地为AI Agent赋能记忆功能。 图2-Bedrock AgentCore中的记忆模块核心功能展示Amazon Bedrock AgentCore 的 Memory 模块是一个由亚马逊云科技托管的持久化记忆系统，用于存储和管理 AI Agent 这一完全托管的记忆基础设施让开发者无需自己搭建数据库或向量存储，就能方便地让 Agent 拥有记忆功能。
1.7K11编辑于 2025-12-01 极简主义的胜利：为什么 SQLite 正在重塑 AI Agent 的基础设施？
在 AI Agent 这个全新的应用范式下，微服务架构不仅是杀鸡用牛刀，更可能是一剂毒药。 而那个通常被认为是“玩具”或“移动端专用”的单文件数据库——SQLite，正在成为重塑 Agent 基础设施的完美答案。 ··· 一、剥开 Agent 的本质：为什么分布式是伪需求？ 但 AI Agent 的工作流，其物理特性与高并发 Web 业务截然不同。 首先，绝大多数 Agent 是“单体焦点（Single-Tenant Focus）”的。 配合毫秒级的 NVMe 固态硬盘，单进程内的 SQLite 写入性能完全可以满足数百个并行子 Agent 的状态更新需求。 2. ··· 结语：在 AI 泡沫中找回工程理性 科技行业总是在钟摆的两端摇摆。在 AI 厂商拼命卷模型参数、造出越来越花哨的 Agent 编排框架时，一线工程师正在悄悄用脚投票。
16310编辑于 2026-06-01- 来自专栏TGLTommyAI前沿技术论文
2026年AI Agent的竞争，正在从模型层转移到基础设施层
有一个在AI工程师圈子里越来越被体感证实、却很少被清楚说出来的现象： 当你把同一个基础模型套上不同的"脚手架"，它能完成的任务质量会产生巨大差异。 论文梳理了当前主要协议家族：MCP负责标准化Agent与工具的发现和调用；A2A、ACP、ANP解决多Agent之间的任务委托与状态交换；A2UI和AG-UI规范Agent与用户界面之间的结构化交互；UCP 、AP2等领域协议则承载了商业流程中的权限和审计需求。 这意味着什么：竞争维度正在迁移 从"权重层"到"上下文层"再到"Harness层"，这条路径描述了一个明确的趋势：AI Agent的核心竞争力，越来越不只是模型参数本身，而是围绕模型构建的认知基础设施质量 当前主流基准测试以模型为中心，但如果Agent的大量能力来自Harness设计，而非模型权重，那么好的评测必须把外部化基础设施纳入视野，而不是在相同Harness下做单纯的模型对比。
18510编辑于 2026-06-25 # 从API到Agent：MCP协议如何成为AI互联互通的新基础设施
从API到Agent：MCP协议如何成为AI互联互通的新基础设施大家好，我是摘星。今天我们来聊聊一个正在悄悄改变AI游戏规则的东西——MCP协议。 过去一年里，AI圈有个很明显的变化：大家不再只是调API玩玩了，而是开始折腾「Agent」。 #Agent自己决定怎么编排agent_prompt="""请帮我完成以下任务：1.在GitHub上找到anthropics/mcp仓库的最新release版本2.获取该版本的releasenotes3 5.3我的判断MCP会成为AIAgent领域的基础设施，但不会是唯一解。短期来看（1-2年），MCP最有可能成为「工具调用层」的事实标准——就像RESTfulAPI在Web服务中的地位。 核心结论就三条：1.MCP解决的是AI应用层的「碎片化」问题。它定义了一套标准协议，让任何AI模型可以用同一种方式连接任何外部工具。2.MCP的架构设计很务实。
41120编辑于 2026-05-07- 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？
1.2K10编辑于 2025-07-10 腾讯云 AI Agent 治理平台：重构企业智能体基础设施与成本管控体系
应对规模化 Agent 部署的治理与成本失控挑战 随着 AI 技术从 Chatbot、Copilot 演进至 Agent 元年（2025）及规模化部署元年（2026）（Sam Altman, OpenAI 具体的企业级瓶颈体现在： 基础设施失配：传统 Infra 服务于“人”，无法适配 Agent 时代的突发并发、短任务、高频小调用及长会话特性。 协作拓扑与记忆分层 解决多 Agent 协作的上下文共享与记忆管理难题： 协作模式：支持主-子 Agent 调度、Agent 间 A2A 标准协议通信、Skill-based MCP 动态路由。 模型路由与成本管控 技术侧通过统一模型网关实现智能路由与多模态支持；商业侧实施精细化运营： 算力成本优化：CVM Ai2 智能型机型刊例价 = 标准型 40%。 算力性价比：自研 CVM Ai2 智能型机型，刊例价仅为标准型的 40%，显著降低推理成本。
39110编辑于 2026-06-11- 来自专栏Apache Doris
Agent 应用范式下，企业数据基础设施如何演进？
在即将举行的 SelectDB 产品发布会上，我们也将围绕这一变化做一次更系统的分享：当 Agent 成为新的应用范式，企业的数据基础设施需要发生哪些改变？实时分析引擎在其中承担什么角色？ 二、软件的三种形态：从规则，到训练，再到驾驭要理解 Agent 时代对数据基础设施意味着什么，我们需要先退一步，看清软件本身的演化逻辑。过去几十年里，软件制造智能大致经历了三次变化。 变化在于，它正在从前台的主角，变成更偏后台的基础设施。而走向前台的，是那些能在 Agent 推理循环中直接创造价值的数据系统——实时 OLAP 引擎。 可以确定的是，当 Agent 真正进入生产系统，企业对数据基础设施的要求会发生根本变化。 在即将举行的 SelectDB 产品发布会上（6月11日，14:00，视频号：SelectDB ），我们将进一步分享 Doris / SelectDB 在实时分析、混合检索、Agentic Analytics、AI
22110编辑于 2026-05-15 - 来自专栏服务端技术杂谈
AI Agent搭建
单智能体的问题： 1、工具太多，导致LLM很难决策调用哪个工具； 2、上下文太长，导致推理退化； 3、难以在单一提示词中兼顾专业性和通用性需求； 多智能体可以很好解决以上问题： 1、通过模块化开发，维护成本更低 ； 2、定义专精智能体，专业性更强； 3、策略可定制，而不是完全交给LLM自由发挥； 但仍有很多最佳实践需要注意。 一个普遍的误区是，认为工具越多Agent能力越强，但其实这会给Agent有限的上下文与决策系统带来巨大的认知负荷。 正确的思路是，少即是多。 因为Agent比人类更擅长理解的的内容，也是人类可读的、具有意义的文本，这些高质量内容，可以显著降低Agent在检索任务中的幻觉。 Agent与工具的交互，本质上是一个持续对话场景。 图构建：综合上述多轮对话数据，以意图为节点、意图流转关系为边，搭建对话意图流转图，每个意图下关联对应优秀话术； 推理阶段： 1、意图识别：与构建阶段相同，采用LLM从对话消息中提取客服、用户对话意图； 2、
55810编辑于 2026-03-11 - 来自专栏白话互联
【Ai Agent】Ai Agent News | 9月11日速递
今天是9月11日星期四，让我们一起来看看今天 Ai Agent 带来的 AI 领域的重要动态吧！ 报告指出，这些系统不同于标准聊天机器人，它们能够自主行动、执行任务，并使用Model Context Protocol (MCP)和Agent-to-Agent (A2A)等协议与其他数字Agent协作 ❤ Agent Factory: Connecting agents, apps, and data with new open standards like MCP and A2A Azure推出Agent Factory连接Agent、应用和数据 Azure AI Foundry推出了Agent Factory系列博客，第五篇重点介绍了如何使用MCP和A2A等新的开放标准连接Agent、应用和数据。 *集成价值*：集成是将Agent从聪明原型转变为业务倍增器的关键 *开放标准*：MCP和A2A等协议为Agent间通信提供了标准化框架 *避免供应商锁定*：客户在采用AI技术时越来越看重灵活性 这一趋势反映了企业对互操作性和开放标准的迫切需求
41210编辑于 2025-09-17 - 来自专栏C语言
【AI】Chat or Agent ？
随着生成式AI技术的不断进步，关于其未来发展方向的讨论也愈发激烈。究竟生成式AI的未来是在对话系统（Chat）中展现智慧，还是在自主代理（Agent）中体现能力？这一问题引发了广泛的讨论和探索。 2. 多模态对话系统 2.1 语音交互 对话系统将整合语音识别和生成技术，使用户能够通过语音与AI进行对话，同时AI可以通过语音反馈，提供更加自然的交互体验。 二、自主代理（Agent）的发展方向 1. 自主决策和执行能力 1.1 环境感知 自主代理通过传感器和数据分析，实时感知周围环境的变化，从而做出适应性决策。 融合应用 生成式AI技术不仅在对话系统和自主代理各自发展，还可以相互结合，形成更强大的综合智能系统。例如，未来的智能助理可以通过自然语言对话与用户交流，同时自主执行复杂任务。 2. 技术进步与社会需求 生成式AI的发展不仅依赖于技术的进步，还要满足社会的实际需求，通过创新和应用，提升人们的生活质量和工作效率。 2.
46510编辑于 2024-12-11
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