- 综合排序
- 最热优先
- 最新优先
- 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:。
35710编辑于 2024-05-15 - 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。
40010编辑于 2025-09-17 - 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
29610编辑于 2025-12-28 - 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。
16810编辑于 2026-03-11 - 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。
1.1K31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。
51010编辑于 2025-10-27 - 来自专栏创作是最好的自我投资
基于 OpenCloudOS 9 × Cube Sandbox Agent 代码执行实践
本文将基于OpenCloudOS9系统，从零搭建CubeSandbox环境，并通过一个完整的Agent代码执行实践，带你体验：如何在保障安全的前提下，让Agent真正"动起来"。 ，通过执行agent测试命令来检查APIkey是否正常工作openclawagent--session-id10330044-8c98-46b6-9cfb-50c8c3ac1b97--message"你好 "2>&1|head-80验证后发现，虽然已经将auth-profiles.json配置为qwen3.7-max，但agent仍然在请求openai/gpt-5.5模型，说明openclaw的主配置中默认模型仍然是 另外一种方案是不配置APIKey，在云服务器直接部署大模型服务，大家感兴趣的可以尝试#1.安装Ollamacurl-fsSLhttps://ollama.com/install.sh|sh#2.启动模型 /qwen2.5:7b"#5.配置完成后，执行以下命令验证#测试agent是否能正常运行openclawagent--session-id10330044-8c98-46b6-9cfb-50c8c3ac1b97
76620编辑于 2026-05-22 - 来自专栏玩转Lighthouse
玩转Hermes Agent｜云上Hermes Agent配置大模型指南
一篇文章搞懂并教你快速搭建属于自己的HermesAgent>>HermesAgent一键部署指南快捷配置（推荐）Lighthouse控制台现已支持快捷配置模型，进入应用管理页签即可快速配置主流大模型手动配置步骤一 ）获取APIKey：https://openrouter.ai/keysOpenRouter是一个模型聚合平台，通过一个APIKey即可访问200+个来自不同提供商的模型。 进阶配置配置备用模型（Fallback）当主模型遇到限流或故障时，HermesAgent可以自动切换到备用模型。 配置智能路由简单问题用便宜模型，复杂任务用主力模型，节省API开销。 Q：本地模型工具调用不生效怎么办？
3.1K65编辑于 2026-04-26 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。
4.9K10编辑于 2025-05-07- 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。
57710编辑于 2026-01-12 - 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
1.2K10编辑于 2024-07-04 - 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。
27001编辑于 2025-05-24 - 来自专栏服务端技术杂谈
Agent的瓶颈从来不是模型智力
现阶段Agent的瓶颈从来不是模型智力，失败的原因大多来自于不被模型理解的上下文，如模式/规约/问题设定等。 如今，这一层被harness包裹起来。 比如上下文的存取与管理，提示词的缓存，工具的识别与调用，上下文冗余信息的最小化，会话信息的结构化，多agent等。 通用 agent 的通用性在于 harness，如文件管理/上下文读取与加载/安全校验与审计，而专有领域 agent 的上限来源于各种 skill，这些 skill 中包含了逻辑判断/业务流程/领域知识 确定性的工具层，有助于消除模型的幻觉，可以确保 agent 可控，判断力交给模型，执行力交给工具。 为了确保 Agent 在专有业务领域下跑的更好更快，应该避免给模型讲大道理或堆砌所有的 SOP，更好的方式是提炼与沉淀业务流程，固化为 skill。
12410编辑于 2026-06-02 鸡翅-大模型与Agent开发实战
鸡翅·大模型与Agent开发实战：从入门到企业级落地的腾讯云全路径2026年，AI Agent已不再是实验室里的概念验证，而是企业降本增效、重塑业务流程的核心引擎。 本文基于鸡翅大模型与Agent开发实战体系，结合腾讯云全栈AI工具链，为你拆解从零构建智能体的完整链路。 一、Agent的本质：给大模型装上"手脚"与"大脑"如果说大模型是"大脑"，那Agent就是"大脑+手脚+记忆系统"的完整智能闭环。传统大模型擅长生成文本回答，但缺乏自主执行能力。 四、开发实战：从零搭建你的第一个Agent4.1 选基座模型国内开发者优先选择DeepSeek-V3.2，其多步工具调用能力可媲美海外顶级模型，成本降低80%。 本文基于鸡翅大模型与Agent开发实战课程体系，结合腾讯云2026年最新产品能力编写。想要5分钟搭建你的第一个AI Agent？打开腾讯云AI开发套件，从零开始。
20910编辑于 2026-06-09- 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
31310编辑于 2026-02-01 - 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！
82300编辑于 2025-03-18 帮人搭建 OpenClaw多Agent，7小时踩了9个坑
结果花了7个小时，踩了9个坑。 先说结论：如果你正在使用OpenClaw，或者打算用，这篇文章能帮你省下至少7个小时的排错时间。 不吹不黑，纯记录。 坑 1：API Key 直接发出来，裸奔了。 因为朋友想要本地的OpenClaw可以控制远程的OpenClaw，这种叫做A2A，全称Agent To Agent。OpenClaw官方还不支持，只有插件支持。 坑 6：模型能不能用，除了名字还得看权限 离谱程度：⭐⭐ 到此为止，朋友的4个Agent都能跑起来了，但有一个模型怎么改都死活不回消息。 我用指令看了一下状态才破案，噢，没开这个模型的权限，模型提供商不让你用。 有时候排查方向全错，以为是自己的配置问题，其实是这个帐号被平台限制了，某些模型不让用。 坑踩到这里就结束了，后来我想了想，这7个小时、9个大坑的洗礼，其实并不是无意义的内耗，本质上是新技术普及的必然代价。
45510编辑于 2026-04-21- 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
41710编辑于 2022-10-27 winform部署yolov9的onnx模型
C# WinForms 部署 YOLOv9 ONNX 模型简介 在当今的计算机视觉领域，目标检测是不可或缺的一项技术。 ONNX是一个开放的模型表示，使得不同深度学习框架之间可以相互转换和共享模型。这使得YOLOv9模型可以在C#环境中得到高效利用。 用户可以通过界面上传图像，应用程序则利用YOLOv9模型进行目标检测，并在图像上标注出目标物体的位置和类别。 通过C# WinForms部署YOLOv9的ONNX模型，我们可以为用户提供一个功能强大的目标检测工具。 性能逆天~，YOLOv9杀疯了！最新的实时目标检测模型！代码已开源！，一款小工具，让你直连谷歌翻译！
57310编辑于 2025-07-20- 来自专栏单细胞天地
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。
99910发布于 2021-10-09
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