- 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 *求职者Agent*：帮助求职者找到合适的工作机会 *招聘方Agent*：协助雇主筛选高质量候选人 其中，名为"Career Scout"的AI Agent能够为求职者提供个性化推荐，根据用户简历和偏好自动匹配职位 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 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。
33210编辑于 2025-09-17 - 来自专栏前行的CVer
大模型Agent
PanelGPT💡: 💁🏼🎤 (👾💬) (🤖💭) (🤯🗯) 受到“三个臭皮匠，赛过诸葛亮”启发，设计one-shot的例子，让多个LLM同时给出答案，然后再用一个LLM打分，做决定。他们使用的prompt：3 experts are discussing the question with a panel discussion, trying to solve it step by step, and make sure the result is correct and avoid penalty:，这个prompt的效果要优于Let's think step by step:。
32810编辑于 2024-05-15 - 来自专栏服务端技术杂谈
AI Agent：模型->工具->结果->模型
Reddit上有人说，AI Agent就是：模型->工具->结果->模型。 从程序员角度来说，就是拼接参数json，调用LLM，处理返回值json。 Agent不只是聊天机器人，还需要工具，所以要先告诉Agent，你有哪些API/工具，这些工具可以做什么。 不需要用什么复杂的框架，基本上只需要串联： 用户输入目标Prompt->将提示词传递给LLM->模型决定下一步->需要工具（API调用、爬取网页、操作API）执行->将结果反馈给模型进行下一步->直到任务完成 即：模型 → 工具 → 结果 → 模型 关于记忆，先用短期记忆，比如最近几条上下文消息。 如果需要跨会话记忆，可以从持久存储获取，比如向量数据库。
13110编辑于 2026-03-11 - 来自专栏圣杰的专栏
.NET+AI | Agent | 人机协作（9）
MAF 审批 Agent 实战 一句话简介 通过 ApprovalRequiredAIFunction 为敏感工具加上人工审批环节，快速构建符合企业合规要求的 MAF 人机协作智能体。 添加审批包装 对高风险函数使用 new ApprovalRequiredAIFunction(innerFunction)，Agent 仍像普通工具一样调用，但框架会在真正执行前抛出审批请求。 3. 将这些消息回传给 Agent，直到没有新的审批请求为止。 4. 创建 Agent var agent = chatClient.CreateAIAgent( instructions: "执行转账前必须获得用户确认", name: "BankAssistant 审批循环 var thread = agent.GetNewThread(); var response = await agent.RunAsync(userRequest, thread); var
19910编辑于 2025-12-28 - 来自专栏Python与算法之美
9，模型的评估
模块中的交叉验证相关方法可以评估模型的泛化能力，能够有效避免过度拟合。 二，分类模型的评估 模型分类效果全部信息： confusion_matrix 混淆矩阵,误差矩阵。 ? 模型整体分类效果： accuracy 正确率。通用分类评估指标。 模型对某种类别的分类效果： precision 精确率，也叫查准率。模型不把正样本标错的能力。“不冤枉一个好人”。 recall 召回率，也叫查全率。模型识别出全部正样本的能力。 三，回归模型的评估 回归模型最常用的评估指标有： r2_score(r方，拟合优度，可决系数) explained_variance_score(解释方差得分) ? ? 留出法 为了解决过拟合问题，常见的方法将数据分为训练集和测试集，用训练集去训练模型的参数，用测试集去测试训练后模型的表现。
96631发布于 2020-07-17 - 来自专栏XINDOO的专栏
Agent设计模式——第 9 章：学习和适应
基于 LLM 的 Agent 的少样本/零样本学习： 利用大语言模型的 Agent 能够用最少的示例或清晰的指令快速适应新任务，实现对新命令或情况的快速响应。 LLM 的目标是生成能够从奖励模型获得最高分的响应。奖励模型在训练过程中充当"评判员"。 这个两步过程可能既复杂又不稳定。 例如，LLM 可能会找到漏洞并学会"破解"奖励模型，为质量较差的响应获得高分。 DPO 方法（直接过程）： DPO 完全跳过了奖励模型。 交易机器人 Agent： 通过基于高分辨率、实时市场数据动态调整模型参数来优化决策算法，从而最大化财务回报并降低风险因素。 欺诈检测 Agent： 通过使用新识别的欺诈模式改进预测模型来增强异常检测能力，提高系统安全性并最小化财务损失。
38910编辑于 2025-10-27 5种大模型Agent模式
大模型中的5种AI Agent模式在大模型中，AI Agent（人工智能代理）模式是一种重要的应用方式，可以从以下几个方面来理解：1. 在大模型的背景下，AI Agent 是基于大规模预训练模型（如 GPT 等）构建的智能代理，能够利用模型的语言理解和生成能力来完成复杂的任务。 智能性：它基于大模型的强大语言理解能力，能够理解自然语言指令，并生成自然语言响应。这种智能性使其能够处理复杂的语言任务，如对话、写作、翻译等。 工作原理感知与理解：AI Agent 首先通过输入（如用户指令、环境数据等）感知外部信息，然后利用大模型的语言理解能力解析这些信息，确定任务目标。 技术负责人（Tech lead agent）、开发运维（DevOps agent）、工程师（SDE agent）：各司其职，协作完成任务。
4K10编辑于 2025-05-07- 来自专栏自然语言处理
大模型 Agent 就是文字艺术吗？
最近在技术圈里有一个很有趣的争论：大模型 Agent 是不是就是各种 Prompt 的堆叠？ 像 Manus 这样看起来很智能的 Agent，本质上是不是就是用巧妙的 Prompt 约束大模型生成更好的输出？换句话说，这是不是一门文字艺术？ 这个问题引发了业内专家的激烈讨论，观点分化明显。 但关键是：Prompt 是 Agent 系统中大模型和其他各个组件的润滑油，而不是全部。 结论：既是也不是 回到最初的问题：大模型 Agent 是不是文字艺术？ 答案是：既是也不是。 从某种意义上说，所有与 LLM 的交互最终都要通过文字（Prompt）来实现，这确实是一门语言艺术。 你觉得大模型 Agent 是文字艺术吗？欢迎在评论区分享你的观点。
22001编辑于 2025-05-24 - 来自专栏技术汇总专栏
面向 LLM Agent 的组织模型设计：多 Agent 协同的新范式
面向LLMAgent的组织模型设计：多Agent协同的新范式一、引言：为什么多Agent系统需要“组织模型”随着人工智能系统从“单智能体”向“群体智能”演进，多Agent系统（Multi-AgentSystem 为了解决这些问题，组织模型（OrganizationalModel）被引入多Agent系统设计中，用于规范Agent的结构、职责与协作方式。 二、多Agent组织模型的核心要素一个完整的MAS组织模型通常包含以下三个关键维度：角色分配（RoleAssignment）权限管理（Authority&PermissionControl）任务协同策略 未来的Agent系统，不只是“更聪明”，而是“更有组织”。多Agent系统的复杂性本质上源于“多主体协作”本身，而组织模型正是将这种复杂性工程化、可控化的核心手段。 可以说，组织模型决定了多Agent系统是否具备规模化扩展与长期演进的能力，是多Agent从“概念验证”走向“工程落地”的关键基础设施。
35610编辑于 2026-01-12 - 来自专栏喔家ArchiSelf
基于大模型（LLM）的Agent 应用开发
这种流程的潜在设计空间可能是巨大而复杂的，《如何构建基于大模型的App》一文给出了一种探索中的大模型应用开发基础框架，基本可以适用于RAG 和Agent。 但是，对于面向Agent的大模型应用开发，有没有其独特之处呢？有没有聚焦于Agent的大模型应用开发框架呢？ 那么，什么又是Agent 呢？ 1. agent program 是 agent function 的真子集 1.2 大模型领域中的Agent 在大模型领域，大模型替代了传统agent 中的规则引擎以及知识库，Agent提供了并寻求推理 上个月（2023年9月），微软提出了一个Autogen 的开源框架，为开发LLM的Agent 应用提供了有价值的参考。 4. 小结 Agent 是与大模型主动交互的一种重要程序形式，而Multi-Agent则是多个Agent利用大模型完成复杂任务的系统机制。
7.8K33编辑于 2023-10-23 - 来自专栏AgenticAI
给LLM Agent应用插上视觉模型的翅膀：封装ONNX加载的头部姿态评估模型作为Agent的工具
如果将视觉模型按照LLM工具调用方式嵌入到大语言模型应用中，给大语言模型插上视觉模型必定能让你的LLM应用更为有趣。 在深入探讨ONNX如何赋能LLM Agent以视觉理解能力之前，如果您渴望更全面地理解这一领域的核心理论与实践，以下这部著作将是您不可或缺的伴侣： 话不多说，我们先看看看论文全称：6D Rotation the yaw of head"] Roll: Annotated[float, "the roll of head"] 然后通过autogen的register_function将函数注册到Agent 至此，我们已共同见证了ONNX如何为LLM Agent巧妙融入头部姿态评估模型，开启了多模态交互的新篇章。 在我们探索之旅的尾声，若您意犹未尽，渴望亲自操刀，将理论付诸实践，那么黄佳老师这本《大模型应用开发：动手做AI Agent》将是您理想的选择。 关注点赞不迷路哦！
42300编辑于 2025-03-18 - 来自专栏又见苍岚
DE-9IM 空间关系模型
DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，直接翻译为 维度扩展的 9 个相交模型，本文记录相关内容。 简介 DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，DE-9IM 模型是用于描述两个 二维几何对象（点、线、面） 之间的空间关系的一种模型 维度扩展九交模型（DE-9IM）是一种拓扑模型和标准，用于描述两个区域（二维中的两个几何图形，R2）的空间关系，在几何学、点集拓扑、地理空间拓扑、以及与计算机空间分析相关的领域。 空间关系 模型主要要描述的就是二维平面下的两个几何对象之间的空间关系。 DE-9IM 模型 DE-9IM 模型把几何对象分为 内部、边界、外部 三个部分，两个几何对象这三个部分两两之间的关系，就可以组合为一个3X3大小（就是 9 个值）的矩阵，这9个值的组合，就表示两个几何对象的空间关系
89810编辑于 2024-07-04 - 来自专栏菩提树下的杨过
Agent设计模式学习(基于langchain4j实现)(9) - 人机协同
HumanInTheLoop humanValidator = AgenticServices.humanInTheLoopBuilder() 28 .description("验证模型提出的招聘决策 nextLine() 指定为终端控制台输入（也可以根据需要，换成其它方式，比如：读数据库，调用接口从其它系统获取） 67-71行，则是根据人工指令做出的响应（即前面学过过的条件工作流)，如果输入H，则执行下面的Agent 1 public class HoldOnAssist { 2 3 @Agent(description = "招聘流程暂缓") 4 public void abort() { 5 8 " 9 } 10 11 AI招聘助手建议: **招聘理由汇总：** 12 13 **优势：** 技术能力强，文化契合度良好，学习能力佳 14 15 **风险：** 缺乏React经验，薪资略超预算 /agentic_turoial_with_langchain4j 参考： Building Effective AI Agents \ Anthropic [译] AI Workflow & AI Agent
17610编辑于 2026-02-01 - 来自专栏架构驿站
Deep Agent 是如何让大模型更“聪明” ？
它为大模型配备了“规划大脑”“分身助手”“文件记忆”和“详细指令”，让 AI 不再只是回答问题，而是能像一个真正的项目执行者那样——先想全局，再分解任务，最后一步步落地完成。 本文将带你深入解析 Deep Agent 的工作原理，并看看它是如何让大模型变得更聪明、更能干的。 —01 — 什么是 Deep Agent ？ 如果说，我们熟知的大语言模型（LLM）是一位学识渊博、对答如流的“金牌咨询师”，那么传统的 AI Agent，就是我们为这位咨询师配备的第一个“助理”。 , allowed_tools=[] # 它不需要外部工具，它的工具就是大模型本身的写作能力 ) # 将所有子智能体组合成一个团队 sub_agent_team = [researcher, 基于 Deep Agent 的特性，其神奇之处在于：只需要定义好函数的签名和文档字符串（docstring），大模型就能自动理解这个工具的用途和参数，并在需要时调用它。
1.8K10编辑于 2025-08-11 - 来自专栏深度学习自然语言处理
每日论文速递 | Agent-FLAN: Agent指令训练让开源大模型Agent能力更进一步
基于上述发现，我们提出了 Agent-FLAN 来有效地微调代理的 LANguage 模型。 实验设置：Agent-FLAN在开源的Llama2系列模型上进行了实验，这些模型在各种代理评估基准上的表现超越了以往的工作，特别是在一般代理任务和工具使用方面。 在Llama2系列模型上的微调：在不同规模的Llama2模型上应用Agent-FLAN方法，并在多个代理评估基准上测试模型的性能，包括一般代理任务和工具使用。 Agent-H基准测试：使用自建的Agent-H基准对模型的幻觉问题进行全面评估，包括格式级别和行动级别的测试。 Agent-FLAN方法：基于这些观察，论文提出了Agent-FLAN方法，旨在有效微调语言模型以适应代理任务。
1K10编辑于 2024-03-26 - 来自专栏ceshiren0001
大模型堆到天花板，Agent 激烈竞争
2025 年，AI 行业表面上依旧喧闹： 新模型、新 Agent、新概念层出不穷。但如果你把视线从发布会、榜单和融资新闻上移开，会发现一个更重要的变化正在发生——行业评判标准正在整体迁移。 二、Agent 不再是 PPT，而是一种新软件形态如果说 2024 年的 Agent 更像演示视频， 那么 2025 年，Agent 开始真正进入生产系统。 Agent 带来的本质变化是：AI 从回答者，变成了执行者。 因为模型、框架、工具正在被快速开源， 真正值钱的，不是“会不会用 Agent”， 而是——能不能用 Agent 把事交付完。 结语：真正的洗牌，才刚刚开始回看 2025 年，一个判断越来越清晰：赢的不是最会讲故事的也不是模型最大的而是能把 AI 稳定嵌入现实系统的大模型正在退居底座， Agent 开始进入执行层， 系统工程能力决定体验与成本
20710编辑于 2025-12-30 - 来自专栏生信技能树
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
62620发布于 2021-10-12 - 来自专栏深度学习和计算机视觉
加速 PyTorch 模型训练的 9 个技巧
[1_CER3v8cok2UOBNsmnBrzPQ](9 Tips For Training Lightning-Fast Neural Networks In Pytorch.assets/1_CER3v8cok2UOBNsmnBrzPQ.gif 将模型的不同部分放在不同的GPU上，batch按顺序移动 有时你的模型可能太大不能完全放到内存中。 9. 多节点GPU训练 每台机器上的每个GPU都有一个模型的副本。每台机器获得数据的一部分，并且只在那部分上训练。每台机器都能同步梯度。 在.backward()上，所有副本都接收到所有模型的梯度副本。这是模型之间唯一一次的通信。 英文原文：https://towardsdatascience.com/9-tips-for-training-lightning-fast-neural-networks-in-pytorch-8e63a502f565
1.2K20编辑于 2022-02-09 - 来自专栏素质云笔记
大模型下的Agent、AIGC的商业案例集合
/s/YUvLHKLbJ6t6bK_1If6BNA 官方网址：https://www.tiangong.cn/chat/text_gen_image/004 可以理解多种语义，比如九宫格 完全免费 模型被养好图片大多数符合常规审美上的好看
42900编辑于 2024-05-24 - 来自专栏Ywrby
9-线程概念与多线程模型
因此内核级线程的切换必须在核心态下执行 注意 操作系统只能“看见”内核级线程，因此只有内核级线程才是处理机分配的单位 以下方的多对多模型为例，其由三个用户级线程映射到两个内核级线程上，在用户看来，进程中同时有三个线程并发执行 ，但在操作系统看来，只有两个内核级线程，所以哪怕是在4核处理机的计算机上运行，该进程也最多只能被分配到两个核心，最所只有两个用户进程并行执行 多线程模型 多对一模型 一对一模型 多对多模型
37510编辑于 2022-10-27
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