- 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。 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 ，以及为什么该智能体在特定场景下是有效的 LangGraph 将Agent架构分为三大类： 多智能体系统 规划智能体 反思与批判 — 3 — 多智能体系统 多智能体网络 通过路由机制将任务分配给专业智能体 ——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 这是一个多级检索的设计，不同类型的记忆走不同的通道。图 3：记忆与学习闭环 — 五阶段循环 + 三层记忆架构 + 多级检索链路你在项目中用过类似的记忆持久化方案吗？欢迎在评论区聊聊。6. 图 4：子 Agent 委托架构 — 父子隔离、并行执行、深度控制说实话，子 Agent 并发最多 3 个这个限制，社区里有人吐槽过。对于复杂的并行场景，3 个子 Agent 确实不够用。 但从架构安全的角度看，限制并发数可以避免资源爆炸 - 每个 Agent 都有自己的终端会话和上下文，3 个就已经意味着 3 倍的资源消耗。8. 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
1.1K03编辑于 2026-05-07 - 来自专栏XINDOO的专栏
Agent设计模式——第 3 章：并行化
现代 Agent 框架在设计时已充分考虑异步操作，使您能够轻松定义可并行运行的步骤。 图 1. ADK 框架的这一固有能力使开发人员能够设计并实现多个 Agent 并发而非顺序操作的解决方案。 以下实现展示了使用 LangChain 框架构建的并行处理工作流。该工作流设计用于响应单个用户查询并发执行多个独立操作。这些并行过程被实例化为不同的链或函数，各自的输出随后被聚合成统一结果。 研究员 3：碳捕获 researcher_agent_3 = LlmAgent( name="CarbonCaptureResearcher", model=GEMINI_MODEL, 视觉摘要 ** ** 图 2：并行化设计模式 关键要点 以下是本章的核心要点： 并行化是一种通过并发执行独立任务来提高效率的模式 在涉及等待外部资源（如 API 调用）的任务中特别有效 采用并发或并行架构会引入显著复杂性和成本
60010编辑于 2025-10-27 - 来自专栏用户8445844的专栏
Agent超长时间运行的架构设计
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。 Missions所代表的，不仅是技术的进步，更是一种全新的工程哲学：当智能体能够可靠地协作、验证和自我修正，人类的角色将从执行者转变为架构师 —— 设计系统，然后让系统自行运转。
16110编辑于 2026-05-19 - 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 - 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 设计原则（Design Tenets） 平台无关：统一抽象（Asset/App/BusinessService/Environment/Case/Plan/Observation…）。 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 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」。 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 能够 「按需加载」 技能内容，同时 「对 Token 友好」、「对缓存友好」 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」。 9.1 配置方式 agent := NewAgent("my-agent", WithSkills(repo), WithMaxLoadedSkills(3), // 最多同时保留 3
47310编辑于 2026-04-09 - 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）。 和为 x + (x+1) + (x+2) = 3x + 3。已知和为 36，所以 3x + 3 = 36。两边减去 3：3x = 33。除以 3：x = 11。 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. 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 ，实现端到端问题定位 3. 调用 Script 批改 → Script 返回 { score: 80, wrong_ids: [3,5], pass: true} → Agent 根据错题 ID 检索知识点 → LLM 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"。
34110编辑于 2026-03-25 - 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. 动态-静态双模断点断点类型触发机制适用场景静态断点预置在execute_users节点前已知高危操作（如DELETE）动态断点实时检测交易金额>阈值金融风控等弹性场景3. 性能优化技巧增量状态存储：仅保存变更数据（Delta State）减少序列化开销断点预测预热：提前加载审批人员工作台减少等待延迟审批超时熔断：设置2小时自动拒绝机制防止流程阻塞3.
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。 为复杂系统组合模式 Agentic 设计的真正力量不是来自孤立地应用单一模式，而是来自巧妙地组合多种模式以创建复杂的多层系统。 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。 它们提供了将大型语言模型的原始认知能力转变为可靠且有目的的系统所需的架构规范。
48310编辑于 2025-10-27 - 来自专栏CreateAMind
—个主动设计agent
这种类型的架构受大脑中有效（贝叶斯）试验设计的神经经济模型的启发，并暗示AIDA包括声音信号和用户响应的生成 类器的用户响应模型的总和。 近年来，FEP也被应用于合成agent的设计「7,8,9,10]o基于FEP的代理的一个显著特点是，他们在勘探和开发之间进行动态权衡[11,12,13],这是在学习导航HA参数空间时非常需要的属性。 所有单独的子系统都代表第3节中描述的概率生成模型的一部分，其中相应的算法来自于在第4节中描述的这些模型中执行概率推理。 2.2用户在回路中的定位助听器调谐 在本文中，我们将基于图2所示的架构，开发一个个性化的、上下文感知的设计代理。 由于我们可以通过概率编程语言使变分自由能最小化自动化，人类设计者剩下的唯一任务就是指定生成模型。 下一节描述模型规范。 3型号规格 在本节中，我们将展示AIDA控制的HA系统的生成模型，如图2所示。
35631编辑于 2023-10-24 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 ：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。 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？ A：取决于集成的框架数量，通常需要2-3倍的内存。
53211编辑于 2026-04-16- 来自专栏闲余说
架构设计 3-高可用架构之CAP理论
导读：《架构设计》系列为极客时间李运华老师《从0开始学架构》课程笔记。本文为第三部分，主要介绍分布式系统中的 CAP 理论以及相关的 ACID 理论和 BASE理论。 对分布式系统架构有一个理论上的感知。 Consistency/Partition Tolerance•AP - Availability/Partition Tolerance 一些细节 CAP 关注的粒度是数据，而不是整个系统 •在实际设计过程中 但在实际设计过程中，每个系统不可能只处理一种数据，而是包含多种类型的数据，有的数据必须选择 CP，有的数据必须选择 AP。 •架构设计的时候既要考虑分区发生时选择 CP 还是 AP，也要考虑分区没有发生时如何保证 CA 放弃并不等于什么都不做，需要为分区恢复后做准备 •最典型的就是在分区期间记录一些日志，当分区故障解决后，系统根据日志进行数据恢复
74520编辑于 2022-08-19 - 来自专栏三分恶的专栏
SpringCloud Alibaba实战（3：存储设计与基础架构设计）
1、存储设计 在上一章中，我们已经完成了基本业务流程的梳理和服务模块的划分，接下来，开始设计数据存储。 虽然在微服务的理论中，没有对数据库定强制性的规范，但一般，服务拆分之后，数据库也会对应的拆分。 DEFAULT NULL COMMENT '用户id', `order_status` tinyint(4) NULL DEFAULT NULL COMMENT '订单状态： 1：待付款 2：已支付 3： CHARACTER SET = utf8 COLLATE = utf8_general_ci ROW_FORMAT = Dynamic; SET FOREIGN_KEY_CHECKS = 1; 2、基础架构设计 我们要做的实例的一个粗略的架构图如下，接下来，我们会围绕SpringCloud/SpringCloud Alibaba的体系来进行我们的项目实战。 ? ---- 参考： 【1】：小专栏 SpringCloudAlibaba微服务实战 【2】：电商系统之订单设计篇 【3】：Spring Cloud Alibaba 新一代微服务解决方案
63020发布于 2021-06-11 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。 映射到云架构中，本质就是一条同步处理流水线。 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）。 3.
34610编辑于 2026-03-26ChatGPT 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）。 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。 当系统消息要求模型不得输出特定短语（如"访问已授权"）时，ChatGPT Agent在短语保护测试中取得0.958的高分，优于OpenAI o3模型的0.946。 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- 来自专栏运维有术
Moltbook 技术架构浅析：首个 OpenClaw AI Agent 社交网络的设计哲学
但当我深入研究了它的架构设计后，发现这玩意儿背后的技术思路真的很有意思。 今天，我就来聊聊 Moltbook 这个项目，从技术角度拆解它是如何实现AI 专属社交网络的。 这是什么？ 如何防止恶意 Agent 刷屏？如何实现语义搜索让 AI 真正"理解"内容？ 技术架构全景 先来看一下整体架构。 Moltbook 的设计让调试变得更友好。 3. API Key 保护机制 Moltbook 的文档特别强调了 API Key 的安全： ⚠️ 安全警告： 1. Human vs Agent 双模式架构 通过技术手段实现权责分离：Agent 有自主权，Human 有监督权。这个设计哲学可以应用到很多场景。 3. 但从技术角度来看，它的架构设计和创新理念值得学习。
38810编辑于 2026-04-01
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