- 综合排序
- 最热优先
- 最新优先
- 来自专栏DeepHub IMBA
AI Agent技术栈：10个构建生产级Agent的核心概念
Agentic AI的核心不在LLM选型也不在提示词技巧。真正决定一个Agent能否在无人值守的情况下稳定工作的是它背后的系统设计。 本文就总结了构建AI系统时真正绕不开的10个基础概念 1、MCP：通用插件系统 假设你需要Agent读取Gmail、更新Notion、查询数据库。 三个系统，三套代码，三份维护成本。 MCP（Model Context Protocol）用一种统一协议解决了这个问题。可以把它理解成AI世界的USB-C：不管连什么设备，接口只有一个。 三次重试都失败后，Agent告诉用户——"邮件服务暂时挂了，草稿已保存，10分钟后自动重发。"出了什么问题、接下来怎么办，交代得清清楚楚。 10、运行时编排：管理执行环境 Agent不是跑一次就结束的脚本。它是一个长期运行的系统，要响应事件、并行处理任务、扛住重启、还得在资源限制内运转。 运行时编排就是这套基础设施。
56710编辑于 2026-02-27 - 来自专栏前端达人
第10课：Agent 体系，认识你的 AI 团队成员
什么是 Agent 在 Claude Code 里，Agent 是一个专门的子流程。 它有几个特点： 独立运行：每个 Agent 有自己的上下文，不会互相干扰 专业分工：不同类型的 Agent 针对不同任务优化 可以并行：多个 Agent 可以同时工作 汇总结果：所有 Agent 的输出最终汇报给主对话 ┌─────────────────────────────────────────────────────────┐ │ 你的 AI 开发团队 }) 独有特性——thoroughness（彻底程度）： Explore Agent 有三个搜索深度，你可以根据需要选择： thoroughness: quick → 10-30秒，快速定位特定文件或函数 手动翻代码：你需要一个文件一个文件打开、搜索关键字、跳转到引用、再搜索下一层……5步操作，每步10-15秒，总共1分钟以上。
17910编辑于 2026-04-15 - 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！ *角色定义*：明确AI Agent在企业中的定位和职责 *数据整合*：确保AI Agent能够访问高质量的相关数据 *行动规划*：设计Agent能够执行的具体任务和流程 *反馈机制*：建立持续学习和优化的闭环系统 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 *白板式界面*：团队可以像绘制白板草图一样映射跨企业系统的工作流 *流程与任务挖掘*：ServiceNow将这两种洞察整合到一个平台，帮助企业更好地理解工作执行方式 *多Agent流程*：虽然许多品牌目前仍在隔离环境中部署 真正的Agent力量来自于它们相互连接、访问企业数据以及与执行工作的系统交互的能力。一个无法与其他Agent、工具和应用对话的Agent只是一个孤岛。
36810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。 一、生成式AI在对话系统（Chat）中的发展方向 1. 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。 4.3 金融 在金融领域，对话系统可以提供投资建议、风险评估、客户服务等，帮助用户做出明智的金融决策。 二、自主代理（Agent）的发展方向 1. 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.
40910编辑于 2024-12-11 AI Agent 简介
，只要任务可拆解为操作流程，就能被 AI Agent 接管。 Agent 与传统 AI 模型的区别 维度 传统 AI 模型 AI Agent 交互方式 单次输入输出 多轮对话、持续交互 决策能力 基于输入直接推理 规划、反思、迭代优化 工具使用 无法主动调用外部工具 自动驾驶汽车、自动化股票交易系统、智能游戏 NPC（非玩家角色）。 模拟 Agent 在虚拟环境中进行模拟、测试和训练。 训练机器人完成抓取任务、模拟城市交通流量优化、新药研发的分子模拟。 持续评估 建立完善的评估指标体系，定期测试和优化 Agent 表现。 容错机制 实现重试、降级、告警等机制，确保系统稳定性。 多 Agent 协作系统 多个专业 Agent 协同工作，形成类似"AI 团队"的组织架构，处理复杂任务。 边缘计算部署 轻量化 Agent 将在手机、IoT 设备等边缘侧运行，实现本地化智能服务。
43710编辑于 2026-04-24AI Agent 觉醒时刻：从单点工具到多Agent协作系统的范式革命
AIAgent觉醒时刻：从单点工具到多Agent协作系统的范式革命大家好，我是摘星。今天我们来聊聊一个正在悄然改变AI行业格局的话题——AIAgent的进化。 就在过去三个月里，我们见证了一个关键转折：AI应用从"问答即终点"的单轮交互模式，全面转向"目标导向、持续行动、多Agent协作"的自主智能体模式。这不是渐进式的功能升级，而是一次范式层面的重新定义。 无论你是想自己动手搭一个私人助手，还是在做AI应用的产品规划，这篇文章都能给你一些实打实的参考。一、为什么Agent突然成了必争之地要理解Agent为什么这么火，先要搞清楚它解决了一个什么问题。 意味着AI不再只是"替你回答"，而是"替你做事"。举几个具体的例子：研究Agent：给定一个研究主题，Agent会自动搜索信息、阅读页面、提取数据、生成报告，整个过程不需要人工干预。 当任务足够复杂时，需要多个专门化的Agent协同工作，这就引出了多Agent系统。
26410编辑于 2026-04-28Python构建AI Agent自主智能体系统深度好文
本文将深入探讨如何使用Python构建一个高效的AI Agent系统，并通过实际案例展示其应用。核心要点环境建模与状态表示动作空间与策略选择奖励机制与反馈循环训练与优化逐一深入讲解每个要点1. 环境建模与状态表示环境建模是AI Agent系统的基础，它决定了Agent如何感知和理解外部世界。状态表示则是将环境中的信息转化为Agent可以处理的形式。原理环境建模：定义环境的规则和状态转换逻辑。 总结本文详细介绍了如何使用Python构建一个高效的AI Agent系统，包括环境建模、状态表示、动作空间、策略选择、奖励机制、反馈循环以及训练与优化。 希望本文能帮助你在实际项目中成功构建和优化AI Agent系统。 总结本文深入探讨了Python构建AI Agent自主智能体系统深度好文的相关技术，从原理到实践，从基础到进阶，希望能够帮助读者全面掌握这一技术。
49310编辑于 2025-12-04- 来自专栏码
如何设计基于Agent的AI应用系统
，今天1分钟就可以完成过去10年的编排发现 面向生命周期的，简单讲就是这类Agent设计出来没有具体目标，就是让它自己在开放自由的环境中自生自灭，自己生长，看它能长成什么样子，我们从之吸取有益的部分 现阶段而言 而作为系统，需要制定社会性规则，以在Agent的个性和达成目标之间实现平衡。 AI编程 通过驱动AI来完成某些任务，以编程的方式安排细节与逻辑，由AI来解释任务和完成规划。 ，作为AI系统的开发人员，无法触达这个部分。 同样的道理，我们会让用于执行任务的硬件也与系统本身解耦，不过由于执行硬件是被调用方，因此，这部分封装需要我们AI系统的开发者来完成。 AI应用设计示意图 通过这一架构，我们可以让Agent被无限扩展，而无需调整已有代码。随着agents的数量越来越多，系统能支持的能力也越来越强。
3.3K11编辑于 2024-03-26 Signal #10：当 Agent 进入 CICD、Issue 和云端沙箱，AI Coding 才真正开始系统化
这些动作放在一起看，指向的是同一个趋势： AI Coding 的竞争，正在从“谁能生成更多代码”，转向“谁能把 Agent 稳定嵌入工程系统”。 这背后其实是一个很关键的拐点。 当模型能力越来越接近时，真正决定 AI Coding 能不能在企业里稳定跑起来的，不只是模型本身，而是模型外面的系统。 任务如何进入系统？ Agent 如何获得上下文？ 执行过程如何隔离？ 这些问题，才是 AI Coding 从“个人提效工具”走向“研发自动化系统”必须面对的问题。 所以，接下来 AI Coding 的主战场，可能不会只发生在模型排行榜上。 它会更多发生在工程系统里：任务表达、执行环境、验证闭环、权限治理，以及研发流程的重新组织。 换句话说，AI Coding 的主战场，正在从单纯的模型能力，走向任务表达、执行环境与系统闭环。 真正决定 AI Coding 能否规模化落地的，将是模型之外的那套工程系统。
11910编辑于 2026-05-18- 来自专栏圣杰的专栏
从 MCP 到 Agent Skills，AI Ready 的 .NET 10 正当时
从 Anthropic 推出的 Model Context Protocol (MCP) 到最新发布的 Agent Skills，我们见证了 AI 能力扩展方式的演进：MCP 为 AI 提供了访问外部数据和工具的标准化接口 ，而 Agent Skills 则更进一步，专注于将人类的专业知识和工作流程封装为 AI 可理解、可执行的格式。 Agent Skills 规范强调「简洁」、「自包含」、「可理解」，.NET File-Based Apps 的设计理念与之完美契合： 适配点 1：渐进式复杂度 // 入门：10 行代码的简单工具 #! /usr/bin/env dotnet） 做什么事（代码逻辑） 如何部署（#:property） 适配点 3：企业级可靠性 .NET 的类型系统在 Agent 驱动的开发中尤为重要： // 编译时就能发现错误 AI 协作优势：强类型系统帮助 AI 更准确理解代码、即时编译反馈加速修正、丰富的 API 文档提升 AI 可读性。
1.1K10编辑于 2025-12-28 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。 Agent基础设施的概念：AgentInfrastructure=外部于Agent的技术系统和共享协议，旨在调解和影响Agent与其环境的交互。 2.4其他相关工作SAGA(2025)：提出了Agent系统的安全治理架构，强调用户对Agent生命周期的全面控制IoA(2025)：InternetofAgents框架，研究异构Agent的互联互通四层安全治理框架 行为层级式：公共服务层作为"上层建筑"监管Agent层但我们认为，随着Agent数量增长，应该逐步引入经济式（Economic）元素——例如用Token预算机制来调节Agent的资源消耗，用声誉系统来激励合规行为 arXiv.[10]Gur,I.etal.(2024).AReal-WorldWebAgentwithPlanning,LongContextUnderstanding,andProgramSynthesis.arXiv
40110编辑于 2026-03-29- 来自专栏人工智能领域
AI Agent 介绍（130）
一、引言 定义AI Agent AI Agent，即人工智能代理，是指能够在一定环境中自主执行任务或者作出决策的智能系统。 二、AI Agent的基本概念 什么是AI Agent AI Agent，即人工智能代理，是一种能够自主地在特定环境中感知、学习、决策并行动的计算机系统。 推荐系统：根据用户偏好推荐电影、游戏和书籍。 AI Agent的这些应用领域展示了它们的多样性和潜力。 prompt: str = "", final_prompt: str = "", max_thought_steps: Optional[int] = 10 斯坦福Agent AI论文：该论文主要探讨了Agent AI这一新兴范式，旨在使AI系统更具交互性，能在不同环境中感知、行动和学习。
2.7K11编辑于 2024-12-18 什么是 AI Agent？
这就是AI Agent（智能体）带来的未来。 什么是 AI Agent？ 与传统AI系统不同，AI Agent具备自主决策能力。你只需要给定一个目标，它就能够独立思考并规划如何达成这个目标，调用各种工具完成任务。 AI Agent如何工作？ 一个完整的AI Agent系统通常包含三大核心模块： 大脑：由大语言模型驱动，负责理解、推理、规划和决策。它就像人类的“总司令”，分析情报并制定战略。 专业领域：在医疗领域，AI辅助诊断Agent能自动生成精准诊断报告；在工业领域，AI Agent可用于质量检测和设备维护。 多Agent协作：多个Agent协同工作，形成复杂的智能网络。 AI Agent代表了人工智能从“被动工具”到“主动助手”的重要进化。
1.2K10编辑于 2025-12-29- 来自专栏服务端技术杂谈
AI Agent搭建
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。 这本质上，是将部分Agent的规划责任，前置到工具的设计当中，是一种责任转移的思路。 当工具库膨胀之后，命名混乱与功能重叠，会让Agent无所适从，通过命名空间来组织工具。 结构化命名，相当于为Agent提供了一张清晰的地图，帮助在正确的场景下，快速定位合适的工具。 同样，工具返回给Agent的内容质量，远比数量更重要。 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。 在多轮对话过程中，系统需要根据当前轮次用户的二级意图，快速准确识别出用户所有可能的下一级别的意图。 可以提前将这些意图进行聚合，形成一个个意图对，极大优化了意图图谱的查询效率。
42910编辑于 2026-03-11 Agent真的卷疯了，AI办公Agent也来了。
海外版网址在此：https://skywork.ai/ 国内版网址：https://www.tiangong.cn/ 他们的首页是这样的。 最后，整体上大概等10分钟左右，你就会收到，生成好的PPT了。 比较骚的一点是，Skywork是在用代码来画PPT。。。 PPT的效果，我觉得还是蛮好看的。 价格上，海外版价格在大部分的同类型Agent产品中，价格算中档。 但是坦诚的讲，相比于大家日常用的非Agent的AI产品，会贵一些，毕竟整体Agent算力消耗在这。 更是另外1个非常有趣的操作，就是刚刚，他们，把DeepResearch Agent框架直接开源了。。。 主要是他们这个框架跑分（5月10号的数据），还挺高的。 MCP地址：https://mcp.so/server/skywork-super-agents/Skywork-ai 就，我还是想说句佩服的。
66710编辑于 2025-05-23- 来自专栏ceshiren0001
10+热门 AI Agent 框架深度解析：谁更适合你的项目？
特别是 AI Agent，这不是一个“大模型 + 前端”的简单组合，而是任务分解、记忆管理、工具调度等模块的 复杂编排系统。 一个合适的 Agent 框架，决定了你AI应用落地的速度与质量。 10 大热门框架对比框架优势亮点适用场景使用建议LangChain功能最全：RAG、多工具、记忆系统开发复杂应用系统技术门槛高，需懂链式调用Dify低代码、支持拖拽搭建企业快速验证场景灵活性一般，适合简单应用 AutoGen（微软）多Agent协作，支持人类参与自动化流程设计配置繁琐，资源开销大CrewAI多角色分工清晰多任务协作、客服分工设计合理才有用LangGraph控制逻辑强、支持DAG流程图多轮对话系统适合技术架构师主导 基础是门槛Swarm（OpenAI）实验性Agent调度器Agent编排实验项目生态尚未完善，尝鲜可试Responses API高度交互响应聊天、客服系统功能还在更新中5 个后起之秀框架推荐 Lindy 先问清楚目标是什么场景推荐框架快速搭出原型Dify / Lindy多Agent对话协作AutoGen / CrewAI企业系统集成Semantic Kernel / Haystack高并发响应类服务FastAgency
2.2K10编辑于 2025-07-14 - 来自专栏AI技术应用
AI 智能体（AI Agent）的开发
AI 智能体（AI Agent）的开发是一个复杂且多阶段的过程，涉及需求分析、算法设计、模型训练、系统集成和部署等多个环节。以下是 AI 智能体开发的典型流程。 5.系统集成5.1接口开发开发与外部系统交互的 API（如 RESTful API、gRPC）。定义输入输出格式（如 JSON、Protobuf）。5.2模块集成将 AI 模型集成到应用程序中。 6.2集成测试测试整个系统的功能和性能。验证 AI 智能体在实际场景中的表现。6.3用户测试邀请目标用户进行测试，收集反馈。根据反馈调整模型和系统。 优化系统性能和稳定性。8.2功能扩展根据需求添加新功能。改进现有功能，提升用户体验。8.3技术升级跟踪最新 AI 技术，升级算法和框架。优化系统架构，提高可扩展性。 总结AI 智能体的开发流程包括需求分析、数据收集、模型设计、训练与评估、系统集成、测试验证、部署监控和维护迭代。通过合理规划和使用工具，可以高效地开发出功能强大、性能优异的 AI 智能体。
2.9K20编辑于 2025-02-18 - 来自专栏程序猿DD
Anthropic 如何评估 AI Agent
引言：打破“盲目飞行”的开发循环 在开发AI智能体的过程中，许多团队都经历过这样的痛点：你修复了一个问题，却在不经意间引发了另一个更隐蔽的问题。 本文将从Anthropic的深度分享中，提炼出五个最令人惊讶、最具影响力的核心教训，它们将彻底改变你对AI智能体评估的看法。 五个关于AI智能体评估的反直觉教训 教训一：别等了，从20个失败案例开始构建你的评估体系 团队在项目初期常常认为构建评估体系是一项巨大的“开销”，会拖慢产品上市的进度，因此选择推迟。 仅仅是修复了评估系统中的问题，比如过于僵化的评分标准（它会因为“96.12”与预期格式“96.124991…”不完全匹配而判定为错误）。 成功的AI团队都明白一个道理：评估体系是产品不可或缺的一部分，其重要性不亚于单元测试之于传统软件。而且，在模型能力飞速发展的时代，一个强大的评估套件就是你的护城河。
27110编辑于 2026-01-19 - 来自专栏周末程序猿
谈谈 `AI Agent`（智能体）
2025年以来，我们正站在人工智能应用演进的一个关键节点上，从预测式AI（分析模式、进行分类）到生成式AI（创造文本、代码、图像），我们如今正迈向第三个阶段：AI Agent。 这并非简单的技术迭代，而是一次根本性的范式转变，第三个阶段 AI Agent 随着模型的不断进化，能自主可控长时间运行，可能2026才是AI普及的开始。 什么是 AI Agent 传统软件或者工作流的目的是为了用户能够简化和自动化工作流，而 AI Agent 则能够以高度的独立性代表用户执行为实现用户目标的一系列步骤。 , "agent": "AI Agent（智能体）是能够感知环境、做出决策并采取行动的自主系统。它由模型、工具和指令三部分组成。" 从 MCP 到 A2A AI Agent 为了和多个其他系统交互，衍生了两种系统交互的协议，MCP 和 A2A。
96810编辑于 2026-01-06 - 来自专栏程序设计
AI Agent的检验标准
（而非遵循预设步骤）的系统5：某技术白皮书定义："AI Agent是利用现代生成式AI模型进行规划、数据存取、工具调用、决策制定并与现实世界互动以完成特定功能的自主软件系统"6：基于大语言模型的自主系统能够理解自然语言输入 9："Agent是在每个实例中精确执行用户具体需求指令的程序"10：能够自主运行的计算机11："AI Agent是能解析指令并在完整AI工作流中承担更多职责（如函数执行、数据查询等）的组件而不仅仅是生成 LLM响应"12：Agent = 利用LLM推理能力进行决策的自主系统13：任何能完成自身OODA循环（观察-调整-决策-行动循环）的系统14：AI Agent是能自主或半自主执行任务并做出决策的软件它通过自然语言交互 经过编程能在自主循环中运作的LLM系统需满足：1-规避能力范围外的操作；2-具备循环终止判断机制开始思考关于什么是"AI Agent"，目前存在大量混淆定义但也有一些共识：Agent必须是AI驱动的系统它们需要具备一定程度的自主性 AI Agent是指能够以独立身份采取自主行动的系统而非作为人类用户的延伸审计日志中记录的责任主体是系统自身还是人类用户决定了该系统的本质是真正的Agent，还是仅作为辅助工具而存在根据这一标准，许多优秀的
51710编辑于 2025-04-06
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