- 综合排序
- 最热优先
- 最新优先
- 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 关注系统构建的"方法"——底层机制及数据/控制流 Agent 设计模式：解决特定问题的高层可复用策略/模板，不聚焦内部细节而指导跨场景行为交互（类似"配方"） 关注"what"与"why"——你希望该智能体展现出什么样的行为或能力 ——从传统反应式、审慎式模型到混合式、神经符号式及认知式架构，并通过LangGraph实现展示了规划、协作、反思等设计模式。
86420编辑于 2025-05-09 - 来自专栏XINDOO的专栏
Agent设计模式——第 2 章：路由
例如，一个设计用于客户查询的 Agent，当配备路由功能时，可以首先对传入查询进行分类以确定用户的意图。 实际应用与用例 路由模式是自适应 Agent 系统设计中的关键控制机制，使它们能够动态改变其执行路径以响应可变输入和内部状态。其效用通过提供必要的条件逻辑层跨越多个领域。 系统使用语言模型对请求进行分类，然后将其委托给适当的处理函数，模拟多 Agent 架构中常见的基本委托模式。 与基于显式计算图的架构相比，ADK 范式中的路由通常通过定义一组离散的"工具"来实现，这些工具代表 Agent 的功能。 像 LangGraph 和 Google ADK 这样的框架提供了在 Agent 工作流中定义和管理路由的结构化方式，尽管采用不同的架构方法。
1.1K10编辑于 2025-10-27 - 来自专栏XINDOO的专栏
Agent设计模式——第 15 章：Agent 间通信（A2A）
即便拥有先进能力，单个 AI Agent 在处理复杂、多方面问题时仍常面临局限。为克服此限制，Agent 间通信（A2A）使不同 AI Agent（可能基于不同框架构建）能够有效协作。 （A2A）是系统架构的关键组成部分，能够在 Agent 间实现安全、无缝的数据交换。 因此，深入理解 A2A 的核心组件和操作方法对有效设计、实施和应用协作式、互操作 AI Agent 系统至关重要。 视觉摘要 ** ** 图 2：A2A Agent 间通信模式 关键要点 关键要点： Google A2A 协议是开放、基于 HTTP 的标准，促进使用不同框架构建的 AI Agent 间通信协作。 A2A 鼓励模块化架构，其中专门 Agent 可在不同端口上独立运行，实现系统可扩展性和分布。
1.8K10编辑于 2025-10-27 - 来自专栏运维有术
Hermes Agent 技术架构深度解析：110K+ Star，自进化 AI Agent 架构设计
Hermes Agent 技术架构深度解析：110K+ Star，自进化 AI Agent 架构设计 2026 年「术哥无界」系列实战文档 X 篇原创计划 第 91 篇，Hermes 最佳实战第 1 篇大家好 这篇文章从源码出发，把 Hermes Agent 的架构拆开来看。重点不是介绍它有什么功能（README 写得够详细了），而是分析它为什么这样设计，以及这些设计决策背后的取舍。1. 系统架构总览架构上的几个关键设计决策：Agent 循环和工具执行在同一进程：通过 run_agent.py 中的 AIAgent 类管理整个生命周期，没有用微服务那套东西工具自注册模式：每个工具文件在模块级别调用 并发上限 3 个，复杂并行场景受限项目迭代节奏很快 - 不到 3 周发布了 4 个大版本，稳定性需要观察Windows 原生不支持，必须通过 WSL2关于抄袭的争议（中国团队指控架构级抄袭）目前还没有最终结论从架构设计上看 这在 Agent 框架领域是比较少见的。如果你在做 Agent 相关的架构设计，Hermes Agent 的闭环学习和上下文管理部分值得细看。
1.1K03编辑于 2026-05-07 - 来自专栏用户8445844的专栏
Agent超长时间运行的架构设计
（2）对抗性上下文累积（Adversarial context accumulates）实现了某项功能的Agent，在客观评估自身工作方面，远不如一个全新、无偏见的评审者。 二、设计原则：从问题到方案的推导Missions架构的大多数设计决策都源于上述核心观察。 关键升级为：每个已完成功能都会生成专属的代码审查Agent。这些审查Agent运行前未见相关代码，无实现偏见，审查过程从设计之初即为对抗性。 52.5%的代码量为测试代码，89.25%的语句覆盖率，这些数字共同说明：质量不是事后检查出来的，而是架构设计进去的。六、结构化交接与知识累积多Agent系统在长周期运行中最大的风险是上下文丢失。 软件工程的瓶颈正在从代码编写能力转向架构设计能力与人类注意力管理。
16110编辑于 2026-05-19 - 来自专栏云原生应用工坊
如何设计 AI 驱动的 OPS Agent：技术架构探索
概述 目标读者：技术负责人 / 平台架构师 / SRE / 数据工程负责人undefined设计取向：平台无关（K8s/VM/Serverless/DB/网关皆可接入），以 MAPE‑K 闭环为核心，强调安全 2. 参考架构（MAPE‑K → 角色映射） 2.1 角色分解 Sensor（Monitor）：订阅/收集观测信号（OTel → OpenObserve/Prom/Loki/Timescale）。 推荐架构：“Redpanda 承载观测流量 + NATS 承载控制面事件”，兼顾吞吐与时延，简化隔离域与配额治理。 AI Agent Workflow 阈值机制 θ（分析置信度阈值）： 结合统计显著性、图谱证据、向量相似度、LLM 自信度。 观测与治理（Ops of the Agent） 自监控： 队列积压（ops.
54610编辑于 2025-08-27 - 来自专栏架构精进之路
OpenClaw Agent 架构深度解析：AI 网关的设计哲学
本文从架构师视角，拆解一个自托管 AI 网关的核心设计决策。 这里的顺序很重要，前者从 AI 出发设计架构，后者只是在旧瓶里装新酒。 二、核心架构：三层模型 2.1 网关层：单一进程，多路复用 设计决策：一个 Gateway 进程管理所有渠道连接，而不是每个渠道一个服务。 六、AI-Native 架构的思考 6.1 什么是 AI-Native？ 不是"加了 LLM 的系统"，而是从 LLM 的特性出发重新设计架构。 但自托管、多渠道、Agent 原生的设计方向，值得架构师们思考。 最后送上一句： 在 AI 时代，最好的架构不是最优雅的，而是最能适应不确定性的。
33510编辑于 2026-04-10 我从 AIP 平台架构设计 Agent 产品经验
我从AIP平台架构设计Agent产品经验软件架构师罗小东，多年架构和平台产品设计经验，目前在Agent场景落地结合中。 这里的经验更多偏向于架构设计与工程实践，每个架构师有自己的思路，我有我思。前期的时候，也是考虑了很久，觉得企业级AI智能体平台在架构设计上相对来说是会有些不一样的。 模型中立架构的设计与权衡前期的时候，AI平台都是绑定单一模型的，比如只用GPT-4或者只用Claude。 插件式扩展的架构优势AIP平台支持插件式扩展，这个设计有意思。插件式扩展意味着用户可以灵活添加功能模块，不需要改动核心代码。 这个设计体现了平台的灵活性——不同场景有不同的需求，平台需要提供足够的配置空间。总结总的来说，AIP智能体平台的架构设计是一个阶段性的反馈，体现了企业级AI平台在技术选型和工程实践上的一些新思路。
14110编辑于 2026-05-05- 来自专栏XINDOO的专栏
Agent设计模式——附录 G - 编码 Agent
本框架致力于在人类领导与底层模型原始能力间建立最纯净对话通道，确保每个 Agent 均以峰值潜力运行。 该框架构建为专业化 Agent 团队，每个 Agent 针对开发生命周期中的核心功能专门设计。 核心组件架构 为高效运用前沿大语言模型，本框架将不同开发角色分配给专业化 Agent 团队。这些 Agent 并非独立应用，而是通过精心设计的角色特定提示与上下文在 LLM 中调用的概念化人格。 最终，此人类主导模式在开发者战略规划与 Agent 战术执行间建立强大协同效应。开发者得以从常规任务中解放，将专业智慧聚焦于创造最大价值的创意性挑战与架构设计。 ** ** 图 1：编码专家角色示意图 增强型团队领导原则 成功驾驭此框架需实现从独立贡献者向人机协作团队领导者的角色转型，遵循以下核心原则： 坚守架构主导权 您的核心职责是制定战略方向并掌控高层架构设计 通过将战术执行委派予 Agent，开发者得以将认知资源聚焦于真正核心领域：战略创新、韧性架构设计，以及打造用户惊喜产品所需的创造性问题破解。
46510编辑于 2025-10-27 - 来自专栏JavaEdge
高可用架构设计(2) - hystrix
Hystrix的设计原则 对依赖服务调用时出现的调用延迟和调用失败进行控制和容错保护 在复杂的分布式系统中，阻止某一个依赖服务的故障在整个系统中蔓延，服务A->服务B->服务C，服务C故障了，服务B也故障了 整套分布式系统全部故障，整体宕机 提供fail-fast（快速失败）和快速恢复的支持 提供fallback优雅降级的支持 支持近实时的监控、报警以及运维操作5 Hystrix要解决的问题在复杂的分布式系统架构中 对于1亿次访问来说，3%的请求失败，也就意味着300万次请求会失败，也意味着每个月有2个小时的时间系统是不可用的。在真实生产环境中，可能更加糟糕。 Hystrix的更加细节的设计原则 阻止任何一个依赖服务耗尽所有的资源，比如tomcat中的所有线程资源 避免请求排队和积压，采用限流和fail fast来控制故障 提供fallback降级机制来应对故障
32620编辑于 2021-12-07 - 来自专栏前端博客
Taro架构构析(2)：Taro 设计思想及架构
为何我们要用 React 来写小程序 - Taro 诞生记 https://aotu.io/notes/2018/06/25/the-birth-of-taro/index.html转载本站文章《Taro架构构析 (2)：Taro 设计思想及架构》,请注明出处：https://www.zhoulujun.cn/html/webfront/AppDev/taro/8497.html
99310编辑于 2023-04-09 - 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 本文将深入剖析这三者的定义、联系与差异，并通过形象类比、架构图、代码示例等方式，一次性帮你理解清楚，助你构建高效、可扩展的 Agent 系统架构。 (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 架构将是你的系统可扩展性、智能性与效率的关键基础。
1.1K10编辑于 2025-07-10 - 来自专栏有文化的技术人
Agent Skill 按需加载：架构设计与实现解析
❝当 AI Agent 需要的知识越来越多，把一切都塞进 System Prompt 显然不是个好主意。本文从架构设计的角度出发，深入探讨一种优雅的解法——「Skill 渐进式加载机制」。 ），LLM API 的 Prompt Caching 就无法命中 「多 Agent 干扰」：在多 Agent 协作场景中，不同 Agent 加载的技能可能互相"串台" 那么，如何设计一套机制，让 Agent 五、模块二：Session State Key 设计 Session State 是 Skill 加载状态的持久化存储。Key 的设计直接影响多 Agent 隔离和查询效率。 「关键架构决策」：Tool 的执行函数（Call）和 State 写入（StateDelta）是 「分离的」。 旧版 State 迁移（如需要） │ ├─ 2. 清理过期的 Skill State（Turn 模式） │ ├─ 3.
47310编辑于 2026-04-09 - 来自专栏AI大模型应用开发炼丹房
AI Agent安全架构实战：LangGraph的HIL核心设计揭秘
前言：Human-in-the-Loop（HIL）是一种AI系统设计模式，它允许人类在AI Agent的决策过程中介入并提供反馈或决策。 这种模式特别适用于高风险或敏感的操作场景一、HIL架构的核心价值与挑战在金融交易、数据库管理、医疗诊断等高危场景中，AI Agent的自主决策存在两类核心风险：不可逆操作（如删除数据库记录 而HIL架构通过精准断点控制，仅在关键节点介入，实现效率与安全的动态平衡。二、LangGraph的四大创新设计1. 审批链路由策略2. 由于文章篇幅有限，关于AI Agent相关技术知识点，我整理成了一个2W字的文档，粉丝朋友自行领取：《想要读懂AI Agent（智能体），看这里就够了》如果本次分享对你有所帮助，记得告诉身边有需要的朋友
83410编辑于 2025-07-30 - 来自专栏XINDOO的专栏
Agent设计模式——结论
我们从这样一个前提开始：构建智能 Agent 就像在技术画布上创作一幅复杂的艺术作品——这个过程不仅需要一个强大的认知引擎（如大型语言模型），还需要一套稳健的架构蓝图。 虽然每种模式都针对特定的设计挑战，但可以通过将它们归类到反映智能 Agent 核心能力的基础类别中来整体理解它们。 核心执行和任务分解： 在最基本的层面上，Agent 必须能够执行任务。 此类系统的有效性取决于清晰高效的通信，这是 Agent 间通信（A2A）和模型上下文协议（MCP）模式所要解决的挑战，它们旨在标准化 Agent 和工具如何交换信息。 协作分析和写作： 单个 Agent 可能会处理这个问题，但更稳健的架构将采用多 Agent 协作。"研究员" Agent 可以负责执行搜索计划和收集原始信息。 为了使这一切成功，模型上下文协议（MCP）和 Agent 间通信（A2A）背后的原则将变得至关重要，导致 Agent、工具和模型如何交换不仅是数据，还有上下文、目标和能力的行业标准。
48310编辑于 2025-10-27 - 来自专栏XINDOO的专栏
Agent设计模式——
这些技术适用于构建从简单聊天机器人到复杂多 Agent 系统的各类应用，能够显著提升 Agentic 应用的性能和可靠性。 Agentic 模式是构建智能系统的架构蓝图，在主要章节中已有详细阐述。 例如，一个经过上下文工程设计的 Agent 在响应查询前，会整合用户的日历可用性（工具输出）、与邮件收件人的专业关系（隐式数据）以及过往会议记录（检索文档）。 这更侧重于人工驱动的迭代设计循环，而非自动化过程（如 APE）。 示例： 尝试 1："为新型咖啡机撰写产品描述。"（结果过于泛泛）。 尝试 2："为新型咖啡机撰写产品描述。突出其速度和清洁便利性。" 底层模型设计为在整个对话过程中始终遵循这些预定义指令。 这允许为专注应用创建高度专业化的 AI Agent。例如，可配置 Gem 作为仅引用特定编程库的代码解释器。 超越示例范畴，使用明确角色、系统级指令和清晰分隔符构建提示，为精细控制模型提供了必要的架构层次。 这些技术在构建自主 Agent 的背景下变得至关重要，它们为复杂多步骤操作提供了必要的控制与可靠性。
45110编辑于 2025-10-27 - 来自专栏技术杂记
Zabbix Agent 安装2
script]# 默认情况下 zabbix_agentd 会监听在 0.0.0.0:10050 上面，所以要将防火墙打开，以方便与zabbix server之间的通信 ---- 启动zabbix-agent [root@zbx-target zabbix]# /etc/init.d/zabbix-agent start Starting Zabbix agent: S 16:11 0:00 \_ zabbix_agentd: listener #2 [waiting for connection] zabbix 26129 0.0 0.0 77336
89610编辑于 2022-03-21 - 来自专栏波波烤鸭
1-2 云商城架构设计
1-2 云商城架构设计 1、架构设计 云商城采用了当前主流的微服务技术架构，微服务技术栈采用了当前主流的SpringCloud Alibaba技术栈，从接入层、网关层、服务层、数据同步、服务治理、数据处理 、第三方接口多个方面进行了精心设计，技术经过了多次挑选、优中选优，最终打造了一套全网最优质的的微服务商城架构体系，解决了大型微服务电商应用中绝大多数难点、痛点问题。 2、前后端分离 我们过去开发一套系统，前端、后端都需要协同工作，很多时候分工不明确、责任不清晰，沟通成本大幅增加。 批量生成代码 链接：https://pan.baidu.com/s/15mBl5zFPRNGk5r1o2ZnLrw 提取码：nc4q 核心配置文件 #swagger 的路径、相对于当前项目 swaggerpath
1.5K10发布于 2021-01-13 - 来自专栏MixLab科技+设计实验室
Agent Skill 的 Script 架构设计指南：平衡认知与执行
Agent Skill Script 架构设计指南 本指南面向 Skill 架构师与 Agent 开发者，聚焦"何时用 Script"与"如何设计 Tool-Like 模块" 1. 、多轮对话引导 ❌ 无需 Script 发挥 LLM 的泛化能力与语义理解优势 流程编排 循环、条件分支、异常重试、状态机维护 ✅ 必须 Script 程序控制流比 LLM 自主规划更可靠、可预测 2. Script 架构设计原则（Tool-Like 思维） 优秀的 Skill Script 应像一个标准的 API 工具，遵循以下六大原则： 2.1 黑盒封装 隐藏实现细节：内部逻辑、密钥、第三方依赖对 Script 的设计目标不是"永不出错"，而是"出错时可被 Agent 理解与处理"。 最终目标：通过 Tool-Like 的 Script 架构，让 Agent 从"会聊天的 AI"进化为"能可靠执行任务的数字化员工"。
34110编辑于 2026-03-25 ChatGPT Agent技术架构探析
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。 该架构特别设计了"监控模式"安全机制——当系统检测到用户离开对话界面或处于非活跃状态时，会自动暂停敏感操作（如银行账户登录）。 测试数据显示，在8类高风险任务中均未出现数据误分享情况，证明其安全设计有效性。但网络访问仍保持谨慎策略，仅开放必要的数据获取通道，从架构层面规避潜在滥用可能。 特别设计的确认机制在关键操作中表现优异：金融交易确认率100%，高风险通信发送确认率99.9%。这种"宁可误报不可漏报"的设计哲学，体现在架构每个组件的交互设计中。 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.
59610编辑于 2025-08-27
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