- 综合排序
- 最热优先
- 最新优先
- 来自专栏喔家ArchiSelf
AI 驱动的数据分析：Data Agent
AI 驱动的数据分析 我们能够利用AI来解决数据领域的一些基本问题。现在有很多工具可用，要么提供可以与数据集成的解决方案，要么提供可以从头开始构建的方案。 AI驱动的数据分析方案大致分为两个方向：查询来自数据库或文档等来源的数据和从已经存在的报表中检索数据。 通过Data Agent 的 API ，我们可以构建自己的 UI，并向用户提供有价值的见解。 4. AI驱动数据分析的收益 那么，谁能从这样的AI解决方案中受益呢？ 此外，Data Agent 还支持团队协作与知识共享，确保数据安全与合规性，为数据团队提供可靠的技术支持，助力数据驱动决策。 Data Agent 还能自动分析业务数据，识别关键趋势和异常，提供 actionable insights，帮助用户快速做出数据驱动的决策。
2.5K11编辑于 2025-03-17 - 来自专栏人工智能领域
京东物流营销 Agent：智能驱动，物流新篇（1330）
在物流营销的宏大版图中，京东物流 Agent 扮演着多重关键角色。 自然语言处理技术也是京东物流 Agent 的重要组成部分，它使 Agent 能够与客户进行自然流畅的交互。 此外，深度学习技术在京东物流 Agent 中也有广泛应用。 2.系统架构设计 京东物流 Agent 采用了分层架构设计，主要包括数据层、模型层、服务层和应用层，各层级之间相互协作、协同工作，共同实现了京东物流 Agent 的强大功能。 六、未来展望 随着科技的迅猛发展，京东物流 Agent 未来有着无限的潜力与广阔的前景。在技术创新方面，京东物流 Agent 将持续深化与人工智能、大数据、物联网等前沿技术的融合。
1.3K11编辑于 2024-12-27 - 来自专栏深度学习与python
从“人驱动”到“模型驱动”：聊聊 Agent 在 2025 年的爆发与挑战
，Extensions 这种与模型一起驱动的模式，在集团内都有不小的应用，也遇到了不少问题。 彼时的我对于如何实现极端自动化并没有清晰的答案，主要是我没有理清一些关键问题应当如何解决，但随着多模态模型的能力，以及 Resoning 模型能力的逐步强化，我认为我们可能来到了从“人驱动”到“模型驱动 而自 Devin 以来，人们开始深刻理解了“模型驱动”的真正意义。 Devin 通过模型驱动能够自主地进行规划任务、反思、使用工具、联网等活动。 在这个环境中，有一个“大脑”负责知识的引入、工具的使用、知识的压缩以及模型的驱动。 然而，对于“模型驱动”的 Agent 产品来说，模型能力方面的挑战更为艰巨。
48910编辑于 2025-04-07 2026年LLM Agent对比传统Agent终极指南：从规则驱动到认知革命
从实验室到生产线，从辅助工具到可信伙伴，这场从“规则驱动”向“认知驱动”的范式革命正在重构AI的未来。 02 架构重塑：认知驱动的系统进化两种Agent的根本区别在于其底层架构与核心“驱动力”，这是一次系统设计哲学的根本转变。 交互与协作方式：传统Agent多为一对一简单交互；LLM Agent支持多智能体协作，多个Agent可分工协商，共同解决宏大问题，开启“数字团队”工作模式。 智能体正成为驱动互联网行业深层变革的核心引擎，不再只是提升效率的工具，而是推动业务模式、产品形态和交互方式全面重塑的关键力量。 重点关注那些能深度整合行业知识、无缝对接内部系统（如CRM、ERP）、且行为透明的解决方案，将AI从成本中心转化为驱动核心业务增长的生产力引擎。
98631编辑于 2026-01-20基于Agent驱动的工作流开发模式探索
）交替驱动流程的推进。 Agent驱动的工作流开发模式 Agent驱动的工作流开发模式并非简单地将Agent视为BPMN图中的一个“服务节点”，而是将其视为工作流的底层框架（Foundation），甚至是流程本身的运行时（Runtime 而Agent驱动的工作流弱化了强制性edge设计，即弱化了流程“编排”这件事。传统的工作流编程，必然面临节点编排的复杂实现。 构建Agent驱动的工作流框架的核心概念 本来我想要写如何实现一个Agent驱动的工作流框架的，但是由于时间原因，以及篇幅所限，我打算下次再写一篇单独的实战篇来写。 结语 本文介绍了一种基于Agent驱动的工作流开发模式，它和传统工作流开发模式有着非常大的范式差异。
42510编辑于 2025-12-29CLI-Anything: 让所有软件都能被 Agent 驱动
2.AI/ML 平台与开发工具：可以通过结构化命令驱动模型训练、推理流程，或串联 CI/CD 开发部署工具，极大提升研发与数据流转的自动化效率。 自描述 - 一个 --help 就能让 Agent 自动发现所有功能 • 久经验证 - Claude Code 每天通过 CLI 执行数以千计的真实任务 • Agent 友好 - 结构化 JSON 输出 、Joplin、Logseq、Penpot、Super Productivity AI/ML 平台 用结构化命令驱动模型训练、推理流水线和超参搜索 Stable Diffusion WebUI、ComfyUI 取代 GUI Agent，或让它更强CLI-Anything 可以直接替代基于 GUI 的 Agent 方案 —— 不再截图，不再脆弱地点像素。 4.Agent 原生设计 — 每个命令内置 --json 参数，输出结构化数据供 Agent 消费，同时可读的表格格式服务于交互调试。
36410编辑于 2026-04-09- 来自专栏腾讯云TVP
o3 deep research: LLM 驱动的 Agent 综述
在这种背景下，由 LLM 驱动的 Agent（智能代理）概念逐渐兴起，成为 AI 技术爱好者和产业从业者共同关注的前沿方向。 LLM 驱动的 Agent在2023年随着 AutoGPT、BabyAGI 等agent早期开源项目而进入大众视野 (Introduction to LLM Agents | NVIDIA Technical Agent 关键技术能力要让 LLM 驱动的 Agent 真正拥有自主解决问题的能力，背后涉及多项关键技术和架构设计。 2025 年 Agent 发展趋势展望未来，LLM 驱动的智能代理技术在 2025 年及以后有几大值得期待的发展方向：1. 我们有理由相信，LLM 驱动的 Agent 将在未来几年释放出更大的潜能，成为数字时代不可或缺的基础设施和创新源泉，值得所有AI技术爱好者和从业者持续关注和投入。
1.1K00编辑于 2025-03-08 - 来自专栏云原生应用工坊
从 SSHSCP 到 AI 驱动的 OPS Agent：能力清单
要实现“AI 驱动的 OPS Agent”，需要从数据采集、存储建模、可观测与告警、到知识化与闭环治理逐步构建。 三、智能化与 AI 驱动层目标：将运维经验与历史案例转化为可检索、可推理的知识体系。 必备 pgvector：在 PG 中存储文档/日志/事件的向量嵌入，支持语义检索。 进阶 闭环 OPS Agent：自动基于告警触发分析，生成变更建议或 PR，走 GitOps 审核通道，实现 AI 驱动的自愈与 跨域数据融合：结合 CMDB/资产/成本信息，形成完整的“配置—运行— 进阶阶段：引入 AI（pgvector + RAG + OPS Agent），将历史知识与实时观测结合，驱动自动诊断与闭环优化。 决策与验证：SLO/错误预算驱动 必备｜SLO/SLI 定义：可用性、延迟（p95/p99）、错误率，窗口与目标。 必备｜验证门：变更前后 5–10 分钟指标对比（降幅阈值、误报抑制、回滚判据）。
34210编辑于 2025-08-23 - 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
执行摘要（Executive Summary） 愿景：将传统“脚本驱动运维”升级为“数据 + 知识 + 策略 驱动的 自适应 OPS Agent”，以最小化人工干预、最大化可审计与可回滚为原则，实现从观测 数据驱动：连续聚合/图谱/向量检索/LLM RAG 多模态协同决策。 渐进自治：Autonomy L0→L3（只建议→需要审批→条件自动→全自动）。 Orchestrator：驱动 Case 状态机、事件总线协调、审计与合规。 Gatekeeper（Policy/GRC）：策略评估（OPA/Cedar），审批编排，合规窗口（变更禁区/时间窗）。 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.
50110编辑于 2025-08-27 - 来自专栏云原生应用工坊
如何设计 AI 驱动的 OPS Agent：漫谈状态机
关键词：Walking Skeleton／状态机（FSM）／Outbox／Idempotency／事件驱动／LLM 契约化本文落地一条“最短闭环”（人工触发 → 计划 → 审批 → 执行 → 验证 → AI 的边界：LLM 负责 Planner/Analyst/Librarian 的“生成与检索”；Gatekeeper 的策略判定与 Orchestrator 的状态迁移一律不可由 LLM 直接驱动，而是通过结构化产物 Orchestrator → Planner → Gatekeeper → Executor → Verifier（打通闭环）；其后再补 Analyst、Sensor、Librarian（从命令式走向信号驱动与知识化 Analyst / Sensor / Librarian：把入口从“人工”扩展到“信号驱动”，把 Planner 从模板升级为基于证据的拟合。3. 其余模块要么被它的命令驱动，要么把“事实事件”交还它，由它来改变世界。LLM 负责提出“更好的方案”，而不是亲自“按下回车”。
49510编辑于 2025-09-02 多Agent系统驱动智慧空间运营效率全面提升
腾讯云联合生态伙伴构建多Agent智能解决方案 腾讯云联合华宇佳业、糖果科技推出基于多智能体架构的智慧空间联合解决方案。 技术底座采用腾讯混元大模型、ADP智能体平台及云原生架构，结合华宇佳业的行业智能体定制化能力，针对政策、招商、空间三大场景提供专项智能体服务： 政策撰写智能体：通过多Agent意图判断与智能切换，实现政策检索 、企业准入判断和申报书自动化撰写 个性化招商智能体：通过实时交互智能体与多轮沟通机制，提升空间需求匹配精度 改造推荐智能体：通过精准需求识别与智能方案生成，优化空间改造响应效率 量化成效验证智能驱动转型价值 实现跨场景服务质量的通用一致性 申报周期缩短：材料撰写周期缩减40%，从平均14天压缩至8天内 招商效果改善：企业空间需求与园区场地匹配精准度提升至90%（传统模式约50%），优质企业入驻转化率提升，园区空置率降低25% "多Agent
15610编辑于 2026-04-15- 来自专栏张善友的专栏
下一代AI Agent： EDA（事件驱动架构）与AI Agent（智能体）的融合
事件驱动架构与AI Agent结合的必然性 事件驱动架构(EDA)与AI Agent的结合绝非偶然，而是分布式系统演进与人工智能发展的必然交汇。这一融合背后有着深刻的技术逻辑和时代需求。 控制流与错误处理 将AI Agent引入事件驱动架构后，传统的控制流和错误处理模式需要重新思考和创新设计： 反应式控制流：在事件驱动的AI Agent系统中，控制流由事件动态驱动，而非预定义的静态流程。 电子设计自动化(EDA)的智能化变革 电子设计自动化领域正在经历由AI Agent驱动的深层次变革，而事件驱动架构成为支撑这一变革的关键技术基础。 高级系统甚至部署竞争性Agent，有的追求高风险高回报，有的偏好稳定收益，通过事件驱动的"竞合"机制平衡投资组合。 智慧城市与公共管理 智慧城市是事件驱动AI Agent系统的天然应用场景。 表：事件驱动AI Agent系统的行业应用对比 这些行业应用表明，事件驱动架构与AI Agent的结合不是理论构想，而是已经在多个领域产生实际价值的技术范式。
1.2K30编辑于 2025-09-06 - 来自专栏NLP/KG
AI Agent框架（LLM Agent）：LLM驱动的智能体如何引领行业变革，应用探索与未来展望
AI Agent框架（LLM Agent）：LLM驱动的智能体如何引领行业变革，应用探索与未来展望1. AI Agent（LLM Agent）介绍1.1. 2023 年 3 月， 开发人员 Significant Ggravitas 在 GitHub 上发布了开源项目 AutoGPT，它以 GPT-4 为驱动基础， 允许 AI 自主行动，完全无需用户提示每个操作 AI Agent，但相信不久一定会有病毒分析的 AI Agent、红军 AI Agent、蓝军 AI Agent 等等。 我们期待，这一技术不仅能够在效率上实现质的飞跃，为传统行业带来颠覆性的改变，更能作为创新驱动的核心力量，开启一个智能互联、高效协同的新时代。 《综述：全新大语言模型驱动的 Agent》——4.5 万字详细解读复旦 NLP 和米哈游最新 Agent Survey https://zhuanlan.zhihu.com/p/6566767176.斯坦福的
4.9K22编辑于 2024-07-05 - 来自专栏深度学习与python
Agent 驱动的智能答疑产品构建：问答、诊断与修复实践
在 InfoQ 举办的 QCon 全球软件开发大会（上海站）上，阿里巴巴技术专家黄建磊为我们带来了精彩演讲“Agent 驱动的智能答疑产品构建：问答、诊断与修复实践”，重点阐述在小喵智能答疑产品的研发实践中 根据 Gartner 发布的最新报告，一个令人担忧的指标显示，约 60% 到 70% 的用户不希望他们使用的产品背后的答疑功能是由 AI 驱动的。 甚至有超过 50% 的用户表示，如果他们所使用的产品背后的智能答疑是由 AI 驱动的，他们可能会转向其他平台。 答疑产品是依托于宿主平台的，用户在宿主平台上遇到问题后才会转向答疑平台。 基于这一思路，我们引入了智能修复 Agent 的概念。我们意识到 Agent 将成为未来智能化应用的核心基座。 我们团队将继续面向更多问题，补充更多 Agent ，并探索 Agent 之间的自主协作和沟通。我们认为，无论是答疑还是其他智能化应用，未来的底层架构一定是面向多 Agent 协作的方式演进。
34910编辑于 2025-03-19 - 来自专栏云原生应用工坊
从 SSHSCP 到 AI 驱动的 OPS Agent：落地前的思考
一旦“AI Ops Agent”成为时代口号，仅靠采购商业支撑并不能直接跃迁。 · 执行必须可控：真正的 Agent 不是“远程执行脚本”，而是受控、可审计、可回滚的变更系统（GitOps/策略门/金丝雀/流量开关）。 产出提案→PR→验证Agent+RAGPR 自动化建议覆盖≥70%S5：自治时代绿区自动化风险分级自动变更，知识闭环Agent+RAG+策略无人值守窗口≥30%强烈建议S2→S3作为分水岭：没有“验证门 ”，Agent 将不可控。 当你把“可见、可控、可证、可追”的地基打好，AI Agent 自然从“概念”变成“生产力”。
37910编辑于 2025-08-23 AI智能体（Agent）开发实战：工业级项目案例驱动课
AI智能体开发实战：工业级项目案例驱动的核心能力构建引言：AI智能体的时代已至我们正站在人工智能发展的关键节点。 真正的产业变革力量，来自于能够深入特定场景、解决实际问题的AI智能体（Agent）。与单一功能的传统AI模型不同，AI智能体具备感知、决策、执行和学习的完整能力闭环。 通过案例驱动的实战方法，开发者能够建立起全栈式能力—从数据准备、模型选择、系统集成到持续运维。这种综合能力正是当前AI人才市场上最稀缺且价值最高的核心竞争力。
1K10编辑于 2025-09-10AI Agent系统驱动智能渗透测试：突破传统瓶颈的实战验证
部署基于LangChain的多层AI Agent系统 腾讯云安全联合云鼎实验室、腾讯安全众测，在TCN腾讯云黑宫松Tencent Cloud Hackathon智能渗透挑战赛中推出AI驱动的Agent系统 验证Agent系统在漏洞挖掘中的量化成效 系统通过“失败->反思->修正->成功”闭环提升效率，关键成果体现为： 偏差修正能力：识别“输入被转义=漏洞不可利用”的认知误差，通过错误信息定位真实限制（ 复盘SICKHACK团队XSS漏洞挖掘实战案例 客户案例：绿盟科技web扫描规则开发成员、专注渗透测试与通用AI-Agent技术的SICKHACK-年聪团队（成员含李宇欣），在复盘案例中验证Agent系统实效 （演讲人年聪观点），Agent系统通过上下文清洗与长链路唤醒避免陷入试错循环。 阐释腾讯AI Agent系统的技术架构优势 选择腾讯方案的核心原因： 技术确定性：基于LangChain中间件实现上下文信噪比提升（三层清洗+长链路唤醒），文件系统记忆层保障知识沉淀，通用工具API
36020编辑于 2026-04-05- 来自专栏架构火花
架构火花 | AI编程驱动组织变革：数据挑战与Agent落地困境
一、前言哈喽大家好，我是老周聊架构的主理人老周，今天我们来聊一聊AI编程驱动组织变革：数据挑战与Agent落地困境的话题。 尽管规范化编程是 AI 时代的必然趋势，但如何平衡严格的文档驱动与灵活的工程实践，仍是落地过程中必须跨越的障碍。 范式核心的转变：从“精确编码”到“智能体驱动”AI 开发范式正在从传统的命令式编程（以精确的逻辑代码实现功能）向 智能体中心编程（Agent-Centric Programming）转变。 核心范式二：AI 原生 / 智能体驱动（AI Native / Agent-Centric）这代表着软件架构的未来方向，旨在将自主决策和任务分解能力作为系统的核心。 ）驱动LangChain/LangGraph、多 Agent 系统自主决策、任务编排探索性任务、复杂协作、流程不确定的开放场景
49121编辑于 2025-12-19 场景感知驱动的下一代黑盒渗透Agent实战解析
跨越通用大模型与实战环境的落地鸿沟 当前AI发展已进入关注架构与评估驱动的“价值实现”下半场，核心诉求从单纯的算力与数据积累转向“更准、更稳、更可用”的垂域专用Agent构建。 明确要求Agent以XML格式返回提取的关键线索（如传入方式为header或cookie的令牌键值），禁止爆破并过滤无效静态资源（如CSS、图像）。 Agent根据历史请求推导功能点，构建API间依赖图（包括控制流如“登录->后台操作”，以及数据流如“下订单->修改订单”），生成具有特定业务场景属性的检测思路池。 驱动自动化漏洞利用的核心评估指标与并发效能 为验证渗透Agent在真实业务场景中的实战适应性，方案引入了XBOW（104题）与AutoPenBench（33题）两大专有基准，采用里程碑式评分来评估自动化完成度 CVE级漏洞后利用迁移：以Apache HTTP Server 2.4.50 RCE (CVE-2021-42013) 为例，Agent解析了基于路径规范化缺陷的POC模板，准确重构了包含 /.%%32%
34610编辑于 2026-04-04- 来自专栏ThoughtWorks
数据驱动与 LLM 微调: 打造 E2E 任务型对话 Agent
Agent，Thought Agent，其由自然语言理解（NLU）、对话管理（DM）和对话策略（DP）等模块共同协作组成。 在我们看来，端到端的对话 Agent 不仅在技术上更具优势，而且在实际应用中也展现了其独特的价值和潜力，例如能够快速构建帮助用户查询信息、调度技能的 Agent。 但是对于任务型对话 Agent 来说，用户和 Agent 之间的对话域是有限的，因为 Agent 只需要处理业务范围内的用户意图，超出处理范围的内容，只需要返回一些固定的兜底话术即可。 例如，一个理想的对话过程至少包含以下节点: Start: 对话开始 IntentAcquire: Agent 询问用户意图 UserInquiry: 用户发起新的提问 IntentConfirm: Agent Agent 额外的学习成本更小。
1.7K10编辑于 2024-05-30
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