- 综合排序
- 最热优先
- 最新优先
- 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
在一套系统中，Agents可能是由不同的服务商提供，基于AI的训练，Agent表现出自己的认知、情感、个性，这些抽象的表现定性，是我们对它社会行为的总结。 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 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。 当我们在Multi-Agent平台上管理多个AIAgent时，发现了一个朴素但深刻的问题：给每只"虾"装上急救包，并不等于建立了公共卫生系统。 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
40210编辑于 2026-03-29AI Agent + 数据工程
AI Agent的出现，正在从根本上改变数据工程师的工作方式，甚至重新定义这个职业的边界。 从堆人到提效 提到AI Agent，很多人的第一反应是又一个大模型概念。 海内外市场的不同路径 有意思的是，AI Agent在数据工程领域的落地，海外和国内走的是完全不同的路。 海外市场的特点是生态成熟，分工明确。 一位行业前辈最近坦言，做了这么多年系统，现在越来越多人不想一把抓了，开始接受分工和分层。 这种转变不容易，但趋势已经很明显了。 数据Agent的阿喀琉斯之踵 如果说AI Agent给数据工程带来了什么新问题，准确率绝对是最大的那个。 在数据领域，准确性就是生命线。 一个数字算错了，决策就可能走偏。 结语 数据工程遇上AI Agent，不是一场突如其来的革命，而是水到渠成的演进。 那些还在用老办法堆人的团队，也许该停下来想一想：未来的数据工程师，需要具备什么样的新能力？
26810编辑于 2026-02-28- 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。 在双11期间，添可利用AI客服助手顺利应对流量高峰并发，客服团队提质提效明显，人工客服应答时间从2-3分钟缩减至8秒，新手客服培训时长降低75%。 2. 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。 我们可以直接让AI，来帮我们处理表格数据。 也可以直接，说出你的要求，让他基于全网的信息给你做筛选，最后屯到表格里。 它甚至会单独帮你开几个sheet，给你准备好，视觉的可视化。 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。 MCP地址：https://mcp.so/server/skywork-super-agents/Skywork-ai 就，我还是想说句佩服的。 你能从每一个细节中感受到，这还是一群真心想让AI好用的人，在用工程师的方式，尝试解决我们每天办公里的小痛点。 昨天，Google已经手起刀落，开始在重构自己的搜索引擎。
66710编辑于 2025-05-23- 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 Hermes 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。 方案三：三合一超级Agent展开代码语言：TXTAI代码解释┌───LangChain（知识检索）│用户→Hermes──┼───AutoGPT（复杂任务）│└───内置工具（日常操作）Hermes统一管理记忆和技能实现方式 /integrations/autogpt_mcp_server.py"]注意事项复杂度控制：混合架构增加了系统复杂度，先确保单框架能满足需求资源消耗：多个框架同时运行需要更多服务器资源调试难度：跨框架问题排查较困难维护成本 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配置即可流畅运行，7×24小时在线，随时随地通过手机与你的AI A：取决于集成的框架数量，通常需要2-3倍的内存。
52811编辑于 2026-04-16- 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 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 AI步骤（生成Markdown报告文本）的固定工作流"AI Agent是运用大语言模型（LLM）决策应用程序控制流的系统"这句话的未尽之意在于：当前最先进的LLM是否真正具备可靠的推理与规划能力？
51710编辑于 2025-04-06 - 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。
96910编辑于 2026-01-06 Agent设计模式（6）：Multi-Agent模式——构建多Agent协作系统
可扩展：新增功能只需添加新Agent 二、Agent角色设计：职责分离 Multi-Agent系统的第一步是角色定义。 通信协议与消息传递 多Agent系统的核心是通信。 代码审查系统 现在我们把所有组件整合起来，构建一个完整的Multi-Agent代码审查系统。 Agent需要Memory ▪ 6.2 实践建议 从小处开始不要一上来就做复杂的Multi-Agent系统，先掌握单个Agent 重视数据流Agent系统的核心是数据流动，想清楚输入、处理、输出 关注可观测性多 、更复杂的AI系统。
31411编辑于 2026-05-09- 来自专栏Elastic Stack专栏
AI Agent 记忆：使用 Elasticsearch 管理记忆，打造智能 Agent
在我们的系统中，程序性记忆主要存在于应用程序代码和提示词（Prompt）中，并不存储在 Elasticsearch 中。相反，Elasticsearch 是由程序性记忆所使用的。 让我们转向架构部分，看看这些想法如何转化为我们 Agent 的记忆系统。前置条件一个 Elasticsearch Elastic Cloud Hosted (ECH) 或自托管 9.1+ 实例。 系统设置遵循《人生切割术》 的概念，我们创建一个名为马克（Mark）的 Agent，他拥有两套独立的记忆集：Innie 记忆：与同事的工作相关对话。Outie 记忆：与朋友和家人的个人对话。 构建记忆系统记忆索引结构首先，我们定义记忆模式（Schema）：mappings = { "properties": { "user_id": {"type": "keyword"} 使用 OpenAI 的 Response API 构建 Agent。测试选择性记忆系统。结论记忆不仅仅是存储过去对话的地方。它是 Agent 架构的一部分。
15010编辑于 2026-04-29 - 来自专栏Elastic Stack专栏
AI Agent 记忆：使用 Elasticsearch 管理记忆，打造智能 Agent
在我们的系统中，程序性记忆主要存在于应用程序代码和提示词（Prompt）中，并不存储在 Elasticsearch 中。相反，Elasticsearch 是由程序性记忆所使用的。 让我们转向架构部分，看看这些想法如何转化为我们 Agent 的记忆系统。 系统设置 遵循**《人生切割术》** 的概念，我们创建一个名为马克（Mark）的 Agent，他拥有两套独立的记忆集： • Innie 记忆：与同事的工作相关对话。 构建记忆系统 记忆索引结构 首先，我们定义记忆模式（Schema）： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 mappings = { "properties": • 使用 OpenAI 的 Response API 构建 Agent。 • 测试选择性记忆系统。 结论 记忆不仅仅是存储过去对话的地方。它是 Agent 架构的一部分。
10910编辑于 2026-05-11
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