- 综合排序
- 最热优先
- 最新优先
OpenClaw 多智能体（Multi-Agent）并行协作完全指南【架构】
它允许你创建一个主智能体（MainAgent），由它来指挥多个**子智能体（Sub-agents）**并行工作。主智能体（你/指挥官）：负责拆解任务、分配角色、统筹结果。 子智能体（专家/执行者）：每个子Agent拥有独立的人格、独立的任务目标、甚至独立的模型配置。它们互不干扰，并行运转。想象一下这个场景：你要写一份《2026年AI趋势报告》。 群体智能涌现：当多个不同视角的Agent互相辩论、协作时，往往能产生超越单个Agent的洞见，这就是群体智能的魅力。第七章：立即行动——你的第一次多Agent实验光看不练假把式。
1000编辑于 2026-04-29- 来自专栏架构驿站
基于 Rowboat 快速构建多智能体（Multi-Agent）工作流
Hello folks，我是 Luga，今天我们来聊一下人工智能应用场景 - 构建高效、灵活的计算架构的多智能体工作流。 在 AI 驱动的自动化浪潮中，多智能体（Multi-Agent）系统正成为企业实现高效协作和智能化转型的关键。 然而，构建一个多智能体工作流往往需要复杂的开发流程和高昂的成本，让许多团队望而却步。 作为一款革命性的 AI 工具，Rowboat 旨在帮助用户快速构建多智能体（Multi-Agent）工作流，轻松实现复杂的自动化任务。 Agents SDK 包含了智能代理的通信协议、任务调度机制和动态协作工具，确保 Rowboat 能够快速构建和运行多智能体工作流。
96710编辑于 2025-04-28 - 来自专栏老张的求知思考世界
构建多智能体(Multi-Agent)架构的八大原则
所谓的多智能体(Multi-Agent)架构，可以简单理解为多个Agent并行工作，他们之间通过某种通信机制进行沟通协作，以协助人类完成复杂的任务。 Google在今年2月4日的一篇研究文章中，曾提出这样一个观点：多智能体性能提升的核心，是优化提示词和拓扑结构。 无独有偶，最近Anthropic分享了他们构建多智能体(Multi-Agent)系统的最佳实践，核心是八条提示工程与评估原则。 4、Tool design and selection are critical：工具的设计与选择至关重要。 为了便于大家更好理解Anthropic构建多智能体(Multi-Agent)系统的最佳实践，我用秘塔AI搜索的新功能，将Anthropic的这篇文章转成了PPT讲解，感兴趣的可以访问这个链接查看：https
2.4K11编辑于 2025-07-08 【Multi-agent】智能科研助手实战项目
从 0 组建你的 AI 科研小队：Multi-Agent 帮你做文献调研 + 实验规划✍ 前言很多科研工作者肯定都吐槽过：「文献太多看不完、实验方案想不清楚、写总结又很痛苦。」 但反过来想：这些事情，其实都可以拆成一堆「标准化的小任务」，非常适合交给 Multi-Agent AI 科研小队 来做。 模型结构（可以简述）与关键超参数（batch size, lr, epochs 等）\n" "4. 预估训练时间（粗略即可）\n" "5. 适合在我本地跑的 baseline 方案\n" "4. 后续可能的改进方向\n" "注意：风格稍微口语一点，就像在给未来的自己写备忘录。" frozen - classifier: 2-layer MLP on top of CLIP embedding - batch size: 64 (根据 24GB 显存估算) - lr: 1e-4,
72510编辑于 2025-11-22- 来自专栏【腾讯云开发者】
Multi-Agent全面爆发！一文详解多智能体核心架构及LangGraph框架
使用多智能体的好处是： 模块化：独立的智能体使得开发、测试和维护智能体系统更加容易。 专业化：可以创建专注于特定领域的专家智能体，这有助于提高整个系统的性能。 多智能体架构： 在多智能体系统中，有几种常见的连接智能体的方式： Network（网络）：每个智能体都可以与其他任何智能体进行通信。任何智能体都可以决定下一步调用哪个其他智能体。 Supervisor（主管）：包含一个主管智能体，每个智能体都与一个主管智能体进行通信。主管智能体决定下一步应该调用哪个智能体。 单个智能体可以被表示为工具。主管智能体使用一个支持工具调用的 LLM 来决定调用哪个智能体工具，以及传递给这些智能体的参数。 3.2 Agent之间通信和状态管理 在构建多智能体应用时，需要考虑智能体与智能体之间如何进行交互，以及数据应该如何共享。
4.1K62编辑于 2025-12-16 - 来自专栏NLP/KG
MetaGPT( The Multi-Agent Framework)：颠覆AI开发的革命性多智能体元编程框架
"MetaGPT( The Multi-Agent Framework)：颠覆AI开发的革命性多智能体元编程框架"一个多智能体元编程框架，给定一行需求，它可以返回产品文档、架构设计、任务列表和代码。 这个项目提供了一种创新的方式来管理和执行项目，将需求转化为具体的文档和任务列表，使项目管理变得高效而智能。 startup.py ' ' Design a RecSys like今日头条' '，你会得到很多输出，其中之一是data & api Design图片生成一个分析和设计示例的成本约为0.2美元(在GPT-4 这个项目的使命是让每个人都能使用ML编译技术在每个人的设备上开发、优化和部署人工智能模型。 项目链接：https://github.com/mlc-ai/mlc-llm图片更多优质内容请关注公号：汀丶人工智能；会提供一些相关的资源和优质文章，免费获取阅读。
2.3K21编辑于 2023-10-13 腾讯云智能体开发平台：基于Agentic RAG与Multi-Agent架构加速企业AI业务落地
数据与观点来源：腾讯云智能体开发平台主讲人夏宇、微盛企业智能体落地解决方案主讲人夏京安、腾云悦智专家梁卫星的实战分享 剖析大模型业务落地的系统性瓶颈与数据困境 在企业尝试将大模型转化为实际生产力的过程中 构建高确定性的企业级智能体开发与编排引擎 针对上述瓶颈，腾讯云提供了一套包含LLM、RAG、Workflow与Multi-Agent在内的企业级大模型应用开发框架，通过技术解耦降低开发门槛，确保系统稳定性 支持全局视野Agent，实现节点智能回退（用户修改信息可自动“倒带”修正）与异步消息队列处理。 应用Multi-Agent协同架构（任务解耦执行）： 将复杂任务拆解给多个专业Agent并行处理。 某头部医疗机构（跨国知识底座与研发提效）： 针对全球员工构建统一智能知识底座。通过集成智能体开发平台能力，实现聊天式提问与点踩纠错闭环。 借助低代码开发与多数据源统一标签处理，其智能应用研发效率提升30%+。 快递100（C端极速落地与流量承接）： 依托腾讯元器工作流能力，仅用0.5天时间即完成官方智能体创建。
26430编辑于 2026-04-25智能体的第4个阶段，到来了！
随着类似项目的越来越成熟，我能感觉到，智能体的第4个阶段，已经到来了。 智能体的前3个阶段 这里所说的智能体，主要是指基于LLM的智能体，因为Agent这个词进入大众视野，是LLM得到广泛认可后才火的，在此前的AI发展历程中，人们并不是很认可Agent技术路线，直到LLM的出现 这一阶段的智能体，实现了初级工具集成，在字节的coze平台上，智能体把官方和用户们共同提供的插件作为工具，智能体可以自主决定使用哪一个工具作为本次对话的执行。 第3阶段：多智能体架构 当开发者们发现，特定提示词配合特定工具集时，智能体能在某些方面表现的非常优异，而多加或少加工具，都会让智能体性能大打折扣，于是他们决定，由多个智能体打包成一个复合智能体来向用户提供通用性的智能体产品 MCP协议的出现，打破了这种智能体无法调用本地软件的窘境，智能体无法操作软件的情况可能会慢慢成为过去式。
28910编辑于 2025-12-29智能体案例分析：IT新闻聚合智能体
智能体案例分析：IT新闻聚合智能体 IT新闻聚合智能体通过自动化技术抓取、分析和呈现最新的IT行业动态。这类智能体通常结合自然语言处理（NLP）和机器学习技术，从多个来源筛选高价值信息。 核心功能包括： 实时爬取主流科技媒体（如TechCrunch、Wired、The Verge） 自动分类（人工智能、网络安全、云计算等） 情感分析判断新闻倾向性 生成摘要简化阅读 典型应用场景： 投资机构追踪技术趋势 sentiment['label'], 'confidence': sentiment['score'], 'summary': summary } 知识图谱构建 使用Neo4j AI'})-[:RELATED_TO]->(m:Company {name:'OpenAI'}) CREATE (n)-[:MENTIONED_IN]->(a:Article {title:'GPT-4
37811编辑于 2025-12-17智能体来了！2026智能体开发全面指南
智能体来了！2026智能体开发全面指南 一、 繁华落尽后的“平静”：技术背后的选择逻辑“真正深入使用 AI 之后，我反而更平静了。” 在过去这段时间里，我深入钻研了 Python 编程、探究了 AIGC 的视觉极限、搭建了复杂的流程智能体、甚至深入到了 STM32 的硬件底层。 而顶级的 AI 大模型与 Agent（智能体），正是我能遇到的认知最高、脾气最好、思维最完善的存在。在我的「心枢」系统里，AI 不仅仅是执行任务的“器”，它更是我最好的老师、朋友、教练和员工。 它的核心公式是：理解目标（Layer 1）→ 协助决策（Layer 2&3）→ 自动执行（Layer 2&5）→ 持续表达（Layer 4）。 礼包内包含（持续更新）：多维提示词库：包含智能体设计规范、AI 绘画精准词簇、AI 视频叙事 Prompt。ComfyUI 极客工作流：从零搭建好的 json 配置文件，导入即用。
35110编辑于 2026-01-24- 来自专栏算法之名
AI智能体
name__ == '__main__': os.environ['ZHIPUAI_API_KEY'] = '******' chat = ChatZhipuAI(model='glm-4' messages) print(response.content) 这里的 ZHIPUAI_API_KEY 需要你自己去智普网站 https://open.bigmodel.cn 去注册就有，运行结果 智能助手显神通 _main__': os.environ['ZHIPUAI_API_KEY'] = '******' streaming_chat = ChatZhipuAI(model='glm-4' 你的角色是一个诗人.'), HumanMessage(content='用七言绝句的形式写一首关于AI的诗')] streaming_chat(messages) 运行结果 智能助手显神通
80110编辑于 2024-09-29 - 来自专栏云时之间
智能体结构
智能体的结构 迄今为止我们通过描述行为—在任何给定的感知序列下采取的行动—讨论了智能体，现在我们不得不将知难而进，去讨论智能体内部是如何工作的，AI的任务是设计智能体程序，通过它来把感知信息映射到行动的智能体函数 注意智能体程序和智能体函数之间的差别。智能体程序在于当前感知为输入，而智能体函数是以整个历史为输入的。智能体程序只把当前感知作为输入是因为环境无法得到更多的东西。如果智能体的行动依赖于整个感知序列。 那么该智能体不得不记住全部感知的信息。 *智能体程序骨架还有其他的选择。例如我们可以让智能体程序成为协同程序。 4：既是环境足够简单，可以得到一个可行的表容量，设计者仍然得不到关于如何该条目的指导 除了这些，AI的关键挑战是如何搞清楚编写程序，在可接受的范围内，从少量的代码而不是大量的表目中产生出理性的行为，我们有很多的例子是显示出在其他的领域上述做法是可行的 在这个文章的以下部分，我想概述四种基本的智能体程序，他们几乎涵盖了所有智能系统的基础准则： 1：简单反射型智能体 2：基于模型的反射型智能体 3：基于目标的智能体 4：基于效用的智能体 然后我们将概括的解释如何把这些智能体转换成学习智能体
1.4K70发布于 2018-04-11 智能体（Agent）全面解析：什么是智能体agent
一、什么是智能体（Agent）？智能体是一个能够自主思考、决策、调用工具的智能代理系统。 它不仅仅是简单的问答机器人，而是具备以下核心能力的自主系统：思考能力：理解用户意图，分析任务需求决策能力：规划执行步骤，选择合适工具行动能力：调用外部工具，执行具体操作记忆能力：记住上下文，积累经验智能体的价值智能体的出现 智能体的核心优势大脑：LLM提供强大的理解和推理能力undefined记忆：记住对话历史，保持上下文连贯工具：灵活调用各种外部能力二、两种搭建智能体的路径根据技术门槛和应用场景，智能体的搭建主要有两种方式 四、RAG vs Agent智能体RAG（检索增强生成）和Agent是两种不同的技术路线，但可以相互配合。 随着LLM能力的不断提升和工具生态的日益丰富，智能体将在更多领域发挥重要作用，成为我们工作和生活中不可或缺的智能伙伴。您好，我是肥晨。
2.6K21编辑于 2026-03-02- 来自专栏农民工前端
智能体（Agent）全面解析：什么是智能体agent
一、什么是智能体（Agent）？ 智能体是一个能够自主思考、决策、调用工具的智能代理系统。 智能体的出现，让AI从单纯的"对话者"进化为真正的"执行者"。 智能体的核心优势 大脑：LLM提供强大的理解和推理能力 记忆：记住对话历史，保持上下文连贯 工具：灵活调用各种外部能力 二、两种搭建智能体的路径 根据技术门槛和应用场景，智能体的搭建主要有两种方式： 1️⃣ 四、RAG vs Agent智能体 RAG（检索增强生成）和Agent是两种不同的技术路线，但可以相互配合。 随着LLM能力的不断提升和工具生态的日益丰富，智能体将在更多领域发挥重要作用，成为我们工作和生活中不可或缺的智能伙伴。
1K10编辑于 2026-03-03 - 来自专栏设计模式
AI 智能体上下文工程 4 大实用策略解析
智能体也正在获得这种能力！通过“便签本”做笔记是一种在智能体执行任务时持久化信息的方法。其核心思路是将信息存储在上下文窗口之外，确保智能体可随时获取。 无论哪种方式，便签本都能让智能体保存有用信息，助力任务完成。 记忆（Memories） 便签本帮助智能体在特定会话（或线程）内解决任务，但有时智能体需要跨多个会话记住信息！ Reflexion提出了在智能体每轮交互后进行反思，并复用这些自主生成记忆的理念。生成式智能体（Generative Agents）则会从过往智能体反馈集合中定期合成记忆。 4. 隔离上下文（Isolate Context） 隔离上下文指拆分上下文，以帮助智能体执行任务。 多智能体（Multi-agent） 隔离上下文最流行的方法之一是在子智能体之间拆分上下文。 Anthropic的多智能体研究证明了这一点：具有隔离上下文的多个智能体的性能优于单个智能体，这很大程度上是因为每个子智能体的上下文窗口可专注于更具体的子任务。
89111编辑于 2025-10-20 - 来自专栏林欣哲
人工智能的智能体
今天来谈谈人工智能的研究工作中所做的一些基本的抽象。 一、智能体的概念 人工智能研究的对象称为智能体（Agent），其他的外部条件划归为环境。 智能体做出什么样的反应取决于输入和输出之间的映射关系函数，这个函数就是智能体研究的核心。 编写出智能体的程序则具体实现这个数学意义上的函数。 二、智能体的性能衡量 我们研究智能体是要他能做正确的事，因此需要有一个标准去衡量他的表现，一个合理的智能体会最大化这个期望的标准。 这里要注意一点，我们以最终期望达到的效果来做为衡量的标准，而不要以智能体的行为本身作为标准。 总结，人工智能的研究的期望是实现一个，在给定的每个可能的感知序列下，能做出让期望的性能最大化的行动的理性的智能体。
2K60发布于 2018-04-10 - 来自专栏Go语言学习专栏
7 - AI 智能体构建 - AI 超级智能体项目教程
具体内容包括： AI 智能体概念与特点 智能体实现关键技术 使用 AI 智能体的多种方式 OpenManus 实现原理 自主实现 Manus 智能体 智能体工作流编排 A2A 协议 一、什么是智能体？ 4）工具调用 工具是扩展智能体能力边界的关键，智能体通过工具调用可以访问搜索引擎、数据库、API 接口等外部服务，极大地增强了其解决实际问题的能力。当然，MCP 也可以算是工具调用的一种。 综合上面 4 类技术，并且结合 CoT、Agent Loop、ReAct 等机制（可以总称为 “规划执行机制”），我们就可以构建一个完整的、有自主规划能力的智能体系统啦。 4）Orchestrator-Workers 协调器-执行者工作流 对于复杂的任务、参与任务的智能体增多时，我们可以引入一位 “管理者”，会根据任务动态拆解出多个子任务，并将这些子任务分配给多个 思路：其实利用 Spring AI，只需要把 MCP 服务中的工具提取出来变成工具列表，就可以复用已有的 ToolCallAgent 了 4）自行开发一个特定领域的超级智能体，可以直接继承 ToolCallAgent
71210编辑于 2026-03-17 认知智能体（0）
其次就是代理的通信模式，也就是[个体间的信息交互]：对话式：发挥不同智能体的风格工具调用：控制智能体行为和输出广播：智能体的自主意识我们以[注意力]为线索，来展开智能体的认知能力。 因为[海马体]会把这些信息拦在入口。最后是长期记忆，内存容量有限，所以我们很多时候会借助硬盘的内容，但是所有的计算依然发生在工作记忆当中，只不过多了一个信息检索的步骤。 所以认知智能体需要加入元认知的能力。 系列文章分成十个章节：第一章：认知AI智能体的基础主题：ai代理的定义和类型（reflex、基于目标、基于效用...）开发代理需要的技能（编程、认知架构、llm）环境配置（python、Ollama、litellm 目标：开发能够从结果中学习并自主改进策略的智能体第九章：使用RL、世界建模和RAGEN进行拓展主题：强化学习集成（RAGEN管道）用于状态和奖励预测的世界建模多智能体协作与分布式问题解决
21400编辑于 2025-06-05【AI智能体创作】
AI智能体创作思路 AI智能体的核心在于模拟人类思维和行为模式，通过算法和数据处理实现自主决策。创作思路通常包括目标定义、数据收集、模型训练、评估优化等环节。 目标定义阶段明确智能体的功能边界，比如聊天机器人、游戏NPC或自动化工具。数据收集阶段获取相关领域的语料、图像或其他输入数据。模型训练阶段选择合适的算法架构，如深度学习、强化学习或规则引擎。 GPT2Tokenizer.from_pretrained("gpt2-medium") model = GPT2LMHeadModel.from_pretrained("gpt2-medium") input_text = "AI智能体的核心功能包括 医疗问诊数据不足时提升模型鲁棒性 标准化流程 建立数据Schema（字段类型、取值范围约束） 制定标注规范（如情感分析中的5级评分标准） 实施版本控制（记录数据集的迭代变更） 完整预处理流程通常需要2-4次交叉验证调整 4. 学习率调度器 动态调整学习率可提升模型收敛速度和最终性能。常见调度策略包括： CosineAnnealing：学习率按余弦曲线衰减，适用于训练后期精细调参。
38610编辑于 2025-12-17- 来自专栏算法之名
AI智能体(五)
接AI智能体(四) MetaGPT 环境装配 metagpt下载地址：https://github.com/geekan/MetaGPT conda create -n metagpt python= model: "glm-4" # or gpt-3.5-turbo api_key: "******" 测试： 在终端命令行中进入Meta-GPT-main目录中执行 metagpt "Write a cli snake game" 单动作智能体 定义动作 import re from metagpt.actions import Action class SimpleWriteCode(Action 多动作智能体 import asyncio import sys import subprocess from metagpt.llm import LLM from metagpt.actions import ready to SimpleRunCode 2024-12-03 16:12:24.361 | INFO | __main__:run:19 - The sum of [1, 2, 3, 4,
78000编辑于 2025-02-06
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