- 综合排序
- 最热优先
- 最新优先
- 来自专栏XINDOO的专栏
Agent设计模式——附录 D - 使用 AgentSpace 构建 Agent
该平台支持创建和部署专业化的 AI "Agent"，这些 Agent 能够执行复杂任务并实现流程自动化。它们不仅是聊天机器人，更具备自主推理、规划和执行多步骤操作的能力。 例如，一个 Agent 可研究特定主题，编纂带引用的报告，甚至生成音频摘要。 为实现此目标，AgentSpace 构建了企业知识图谱，映射人员、文档和数据间的关联关系。 如何使用 AgentSpace UI 构建 Agent 图 1 展示了如何通过 Google Cloud Console 选择 AI Applications 来访问 AgentSpace。 该系统架构将复杂后端流程（如自主推理和企业知识图谱映射）与用于 Agent 构建的图形用户界面相连接。 此方法抽象了底层技术复杂性，使得无需深厚编程知识即可构建专业化多 Agent 系统。其主要目标是将自动化分析与操作能力直接嵌入工作流，从而提升流程效率、强化数据驱动分析。
27810编辑于 2025-10-27 - 来自专栏阶梯计划
DeepFlow本地构建1——Agent
本文构建参考该文件docker-build1 构建环境OS：windows11 WSL2容器：Docker Desktop镜像：ghcr.io/deepflowio/rust-build:1.18（根据时间采用最新的 deepflow -itd ghcr.io/deepflowio/rust-build:1.18 /bin/sh3 构建Agent进入容器docker exec -it dfbuild /bin/sh设置环境变量 cargo/configRUSTFLAGS="-D warnings" && cargo build --release && cargo build --release --bin deepflow-agent-ctl 如无意外，5分钟应该就可以构建好了。 由于DeepFlow的Agent是采用Rust编写的，所以最终生成的文件中不会包含eBPF内核态的elf文件，因为字节码已经编译链接到Agent的二进制文件中，这也是Rust的优势。
1.1K30编辑于 2023-04-21 - 来自专栏计算机工具
AMD 推出的科研 AI“Agent Laboratory”； Agent Laboratory的使用步骤
包括生成**初始框架、拓展文献资料、编辑报告、模拟评审、依意见修订**等步骤，以规范格式总结研究成果。3. Agent Laboratory的使用步骤使用Agent Laboratory的步骤如下：1. 设置并激活Python虚拟环境： - `python -m venv venv_agent_lab`设置虚拟环境。 若因无sudo权限无法运行此步骤，可通过添加`--compile_latex=false`参数关闭pdf编译。5. 在使用过程中，Agent Laboratory会通过多个智能体协作完成整个科研流程，包括文献综述、实验设计和报告撰写等阶段。
62621编辑于 2025-01-14 - 来自专栏MixLab科技+设计实验室
Agent Team，从零构建 Claude Code Agent 工作流
「我想构建一个自己的 Agent。」 这些都是美好的愿望。但从「想」到「做」，中间隔着的，是如何设计一个真正可用的工作流。 今天，用三个步骤，介绍从 0 构建一个 Claude Code Agent 工作流的方法。 一、设计阶段：定义你的「AI 军团」 一个好的 Agent 工作流，始于角色定义。 官方在项目中构建了： 高质量编译器测试套件 持续集成流水线 严格的回归测试 结果是：99% 测试通过率。 3.2 实际案例：一个「文档 Agent」的诞生 让我用一个具体案例来说明这个过程。 场景：每次代码变更后，自动更新项目文档 步骤 1 - 设计： Docs Agent 负责文档维护 步骤 2 - 配置： ## Workflows 每次代码合并后： 1. 检查文档与代码的一致性 2. 提交 PR 步骤 3 - 自动化： 配置 GitHub Actions 触发 Agent 自动运行文档更新流程 人类审批后合并 这就是一个完整的 Agent 工作流：从设计到配置到自动化。
54230编辑于 2026-03-25 - 来自专栏自然语言处理
体验智能体构建过程：从零开始构建Agent
实现 现在，让我们卷起袖子开始构建吧！ 构建智能体 2.1 前提条件 在运行代码之前，确保你的系统满足以下前提条件： 1. Python环境设置 你需要安装Python来运行AI智能体。 2.2 实现步骤 步骤1：设置环境 除了Python，我们还需要安装一些基本库。对于本教程，我们将使用requests、json和termcolor。此外，我们将使用dotenv来管理环境变量。 步骤4：构建工具箱 ToolBox类存储智能体可以使用的所有工具，并为每个工具提供描述： class ToolBox: def __init__(self): self.tools_dict 步骤5：创建智能体类 智能体需要思考、决定使用哪个工具并执行它。以下是智能体类： agent_system_prompt_template = """ 你是一个拥有特定工具访问权限的智能AI助手。 步骤6：运行智能体 最后，让我们把所有内容放在一起并运行我们的智能体。
3.6K10编辑于 2025-04-13 - 来自专栏开源物联网平台开发
构建智能IoT系统的步骤
构建一个智能IoT系统需要经过一系列精心规划和执行的步骤，以确保系统的稳定性、可靠性和高效性。下面将详细介绍构建智能IoT系统的各个主要步骤。 一、需求分析 首先，我们需要明确IoT系统的目的和需求。 这一步骤至关重要，因为它将决定整个系统的设计和构建方向。需求分析包括确定要收集哪些数据、设备需要执行哪些操作以及如何响应数据。 三、架构设计 架构设计是构建智能IoT系统的核心步骤之一。在这一步，我们需要设计系统的整体架构，包括设备连接、数据流转、边缘节点部署等方面。 总结 总之，构建一个智能IoT系统需要经过多个步骤的精心规划和执行。从需求分析到设备选择与部署、架构设计、边缘节点配置、数据处理与分析、安全措施以及测试与优化，每个步骤都至关重要。 通过遵循这些步骤并注重细节和安全性，我们可以构建一个稳定、可靠且高效的智能IoT系统，为各种应用场景提供有力支持。
50710编辑于 2024-03-20 - 来自专栏JavaEdge
使用LangGraph构建多Agent系统架构！
控制：你可以明确控制Agent之间的通信（而不是依赖于函数调用）。 2 多Agent架构 多Agent系统中有几种方式连接Agent： 网络：每个Agent都可与其他Agent通信。 任何Agent都可以决定接下来调用哪个其他Agent 监督者：每个Agent与一个监督者Agent通信。监督者Agent决定接下来应该调用哪个Agent。 层次结构：你可以定义一个有监督者的多Agent系统。这是监督者架构的概括，并允许更复杂的控制流。 自定义多Agent工作流：每个Agent只与Agent子集中的其他Agent通信。 构建多Agent系统时最重要的事情是弄清楚Agent如何通信。 区块链应用开发 大数据开发挖掘经验 推荐系统项目 目前主攻市级软件项目设计、构建服务全社会的应用系统。
1.5K20编辑于 2025-06-01 - 来自专栏腾讯开源的专栏
tRPC-Agent-Go：构建智能AI应用的Go语言Agent框架
github.com/trpc-group/trpc-agent-go)如何构建智能AI应用。 当前主流的自主多Agent框架（如AutoGen、CrewAI、ADK、Agno等）主要基于Python生态构建，为Python开发者提供了丰富的选择。 支持创建自主Agent和半自主Agent，具备推理能力、工具调用、子Agent协作和长期状态保持能力，为开发者提供构建智能应用的完整技术栈。 采用SubAgent机制构建多Agent系统，支持多个Agent协作处理复杂任务。 腾讯视频海外-翻译Agent 基于trpc-agent框架快速构建了四个专业LLMAgent（剧情提取、术语提取、术语翻译、字幕翻译）形成工作流。
1.5K10编辑于 2025-10-20 - 来自专栏AIGC新知
OpenAI 用Agent SDK重新定义Agent工作流构建方式
就在刚刚，OpenAI正式推出了第一组基础构建模块，旨在助力开发者和企业打造实用且可靠的Agent系统。 在过去一年中，OpenAI不断拓展模型能力，新增了高级推理、多模态交互以及新型安全技术等功能，这些都为模型处理复杂多步骤任务奠定了坚实基础。 集成可观测性工具：可追踪和检查 agent 工作流执行，让开发过程更加透明。 这些新工具优化了核心代理逻辑、编排和交互流程，极大地降低了开发者构建代理应用的门槛。 在未来几周乃至数月内，还将陆续推出更多工具和功能，进一步简化和加速基于我们平台构建智能体应用的开发进程。 , ) Agents SDK 适用于多种现实应用场景，包括客户支持自动化、多步骤研究、内容生成、代码审查和销售线索挖掘。
92110编辑于 2025-03-12 - 来自专栏云计算D1net
构建私有云的五个步骤
然而，到目前为止，经验告诉人们，构建内部部署云的最佳实践是采用分阶段和系统化的方法。 开始为构建共享资源池和管理移动和临时工作负载奠定基础。 企业构建云计算，其中有以下五个步骤： 步骤1 - 根据业务目标设置云计算目标 构建专为企业设计的私有云必须从业务讨论开始。 步骤2 - 采用企业基础设施的投资组合视图 并非所有工作负载都适合虚拟化环境。同样，并非所有工作负载都适合私有云。当企业采取云策略时，很可能会采用管理物理，虚拟和云计算资源的组合方案。 以不动产方面来说，构建以云计算为中心的未来数据中心将是一次改造，而不是一次拆解。 步骤5 - 基于标准架构部署概念验证 在内部部署供应商解决方案，并确定现有的基础架构实现更高级别的自动化和标准化，以及流程和技能集成如何集成。
4.5K60发布于 2018-03-27 - 来自专栏Elastic Stack专栏
使用 Elasticsearch 构建 AI Agent 工作流
为此，我们的思路是：把构建高效 Agent 所需的核心能力，直接整合进 Elasticsearch。 , "agent_id": "custom_agent"}这种声明式方式，把原本复杂的 Agent 构建转化为简单的业务逻辑定义，大幅加速智能自动化落地。 详细步骤可参考指南：Your First Elastic Agent: From a Single Query to an AI-Powered Chat。 未来，MCP 生态会覆盖几乎所有功能；Elastic 提供大规模检索，你再组合其他平台的专长，便能构建效果卓越的 Agent。 想用情感分析评估 Agent 质量？平台同样支持。由此构建完整的 AI 生命周期。Elastic 将持续提供接口，让你轻松构建基于自身数据的对话式 AI 与自动化工作流。更多技术细节和进展，敬请关注。
48121编辑于 2025-09-29 - 来自专栏DeepHub IMBA
AI Agent技术栈：10个构建生产级Agent的核心概念
本文就总结了构建AI系统时真正绕不开的10个基础概念 1、MCP：通用插件系统 假设你需要Agent读取Gmail、更新Notion、查询数据库。 推理循环才是Agent真正解题的方式。 Agent先想该做什么，然后执行，再观察结果，接着重新评估：刚才的做法管用吗？下一步试什么？如此往复，直到任务完成。 比如你让Agent查竞争对手的定价。 Agent发出去。该自动的自动，该人审的人审，你不用盯着每一条操作，但关键节点上你还是拿着方向盘。 8、上下文工程：喂给Agent对的信息 LLM够聪明工具也到位了，但Agent的决策就是很离谱。 他们会提出需要几小时甚至几天才能完成的多步骤项目。Agent必须知道自己做到哪了。 状态管理就是跟踪每个任务处于什么阶段——已规划、进行中、等待输入、已完成。 用户不信任Agent？高风险操作走人工审批，其他场景靠错误恢复兜底。透明度是信任的前提——告诉用户Agent在干什么、为什么这么干。
34110编辑于 2026-02-27 - 来自专栏张善友的专栏
使用C# 构建AI原生Agent应用
摘要： 随着人工智能的迅猛发展，AI 原生 Agent 应用架构成为构建智能系统的核心。本文聚焦于以 C# 构建 AI 原生 Agent，并整合 k8s 与 Dapr，搭建高效可扩展平台。 在构建AI原生Agent的过程中，C# 的应用主要体现在以下几个关键方面： Agent框架搭建：C# 可以用来搭建Agent的整体框架，定义Agent的基本行为和决策逻辑。 这对于构建高可用的、响应迅速的AI原生Agent应用平台至关重要。此外，Dapr还提供了状态管理功能，通过其状态存储构建块，可以方便地实现状态数据的持久化和一致性保证。 通过k8s与Dapr的集成，我们可以构建一个高度可扩展、可观测和可维护的AI原生Agent应用平台。 在AI原生Agent应用平台的构建部分，我们着重探讨了C#语言的应用，以及Kubernetes（k8s）与Dapr的集成方法和应用成效，揭示了这些技术在构建高效、稳定的AI原生Agent平台中所发挥的关键作用
1.3K10编辑于 2024-12-24 - 来自专栏AI进修生
六位一线AI工程师总结Agent构建经验，天工SkyAgents的Agent构建实战。
这个任务涉及很多步骤，比如搜索商品、比较价格、选择合适的选项、添加到购物车、填写支付信息等。随着步骤的增加，出错的可能性也增加。 生成确定性计划的好处 1. 这比在一个没有明确步骤的任务中找问题要容易得多。 3. 生成的计划可以表示为有向无环图 (DAG)我们可以把这个购物计划画成一个图表，每个步骤都是一个节点，节点之间有箭头连接，表示步骤的顺序： 搜索商品 -> 筛选价格 -> 选择颜色和尺寸 -> 添加到购物车 天工SkyAgents的Agent构建实战 SkyAgents 依靠强大的天工大模型，将 AI 的使用门槛进一步降低。 本地知识与互联网搜索的结合Agent 我构建一个一个结合知识库和搜索引擎功能的智能代理系统Agent： 首先，大模型会在内部知识库中进行问题相关的搜索，然后利用知识库中找到的信息在互联网上进行进一步的搜索
1.2K10编辑于 2024-12-02 - 来自专栏DotNet NB && CloudNative
使用C# 构建AI原生Agent应用
摘要： 随着人工智能的迅猛发展，AI 原生 Agent 应用架构成为构建智能系统的核心。本文聚焦于以 C# 构建 AI 原生 Agent，并整合 k8s 与 Dapr，搭建高效可扩展平台。 在构建AI原生Agent的过程中，C# 的应用主要体现在以下几个关键方面： Agent框架搭建：C# 可以用来搭建Agent的整体框架，定义Agent的基本行为和决策逻辑。 这对于构建高可用的、响应迅速的AI原生Agent应用平台至关重要。此外，Dapr还提供了状态管理功能，通过其状态存储构建块，可以方便地实现状态数据的持久化和一致性保证。 通过k8s与Dapr的集成，我们可以构建一个高度可扩展、可观测和可维护的AI原生Agent应用平台。 在AI原生Agent应用平台的构建部分，我们着重探讨了C#语言的应用，以及Kubernetes（k8s）与Dapr的集成方法和应用成效，揭示了这些技术在构建高效、稳定的AI原生Agent平台中所发挥的关键作用
51320编辑于 2025-02-25 为 AI LLM Agent 构建安全基础
为 AI / LLM / Agent 构建安全基础——打造可信、可控、可持续的智能生态体系一、引言：智能化浪潮下的“安全底线”2025 年，人工智能正进入自治与智能代理（Agentic AI）时代。 构建一个安全、可信的 AI / LLM / Agent 生态，已成为数字基础设施的重要命题。 企业审计部门无法追踪 AI 决策链条来源 三、构建安全基础的总体框架（SAFE-AI 架构）为应对上述挑战，可以从 五个安全支柱 出发，搭建 “SAFE-AI” 架构体系 实践建议：为每个模型与 Agent 分配独立身份与访问密钥。构建跨域信任联盟（Federated Trust Network）实现系统互认。 构建 行为溯源日志（Trace Logs），记录每一步模型推理。建立 伦理审查机制：防止 AI 生成违规或偏见内容。典型应用：金融风控模型必须能溯源每一个信贷评分依据。
4.5K10编辑于 2025-10-11- 来自专栏Script Boy (CN-SIMO)
利用Docker手动构建WebLogic镜像的步骤
官方有构建Weblogic镜像的Dockerfile以及一些说明：点击查看。 这里贴一下官方的文档： ? 全英文的，写的也不算很详细吧，下面就通过这个文档来手动构建一下。 构建JAVA-8镜像 因为Weblogic基于Java，所以需要用JDK，上面文档中说使用.. 这里使用的server-jre-8u241-linux-x64.tar.gz: 下载地址 然后执行build.sh构建，一般不会出什么问题。 ，没能构建成功。 然后，尝试连接一下nc -v your-ip 8453，如果提示connected就可以了，如果不行则继续执行以下步骤。
1.6K10发布于 2020-04-01 - 来自专栏前端导学
使用vue构建企业级应用步骤
在main.js中导入babel-polyfill 以便旧版浏览器中可以使用新的js特性
90130发布于 2019-12-16 - 来自专栏AI前沿技术
智能体｜Workflow和Agent的区别与构建
Agent 和 Workflow二者既存在本质差异，又相互融合构建高效的Agentic系统。本文围绕Agentic系统的核心逻辑，说明如何基于工作流搭建稳定可落地的业务流程。 图7，智能体架构 适用场景： 开放性问题无法预知求解的步骤，没有一个固定的求解路径。 大模型需要进行多轮的迭代拆解。 以上步骤的进行，需要有容错机制。沙盒环境是自主Agent落地的关键。 其为 Agent 构建的独立、隔离的测试与运行空间，Agent 在其中调用工具、执行操作不会影响真实业务系统，既能防止误操作带来的风险，如误删数据、违规调用接口等，又能方便调试与监控 Agent 的决策流程 举例1：企业智能运营助手 用户指令为 “优化本月电商店铺转化率”，Agent 无固定步骤：先调用店铺后台工具获取流量、转化数据→ 发现详情页跳出率高，主动向运营人员确认是否可修改详情页→ 调用竞品分析工具获取竞品卖点 小结： 从 Workflow 和 Agent 相融合共同构建Agentic系统角度： N8N是“工作流为核心，AI为补充”，构建通用自动化底座； Dify是“AI为核心，工作流为载体”，提供AI应用全链路开发能力
1.2K20编辑于 2026-01-20 - 来自专栏AI前沿技术
智能体｜Workflow和Agent的区别与构建
Agent 和 Workflow二者既存在本质差异，又相互融合构建高效的Agentic系统。本文围绕Agentic系统的核心逻辑，说明如何基于工作流搭建稳定可落地的业务流程。 图7，智能体工作流 适用场景： • 开放性问题无法预知求解的步骤，没有一个固定的求解路径。 • 大模型需要进行多轮的迭代拆解。 以上步骤的进行，需要有容错机制。沙盒环境是自主Agent落地的关键。 其为 Agent 构建的独立、隔离的测试与运行空间，Agent 在其中调用工具、执行操作不会影响真实业务系统，既能防止误操作带来的风险，如误删数据、违规调用接口等，又能方便调试与监控 Agent 的决策流程 举例1：企业智能运营助手 用户指令为 “优化本月电商店铺转化率”，Agent 无固定步骤：先调用店铺后台工具获取流量、转化数据→ 发现详情页跳出率高，主动向运营人员确认是否可修改详情页→ 调用竞品分析工具获取竞品卖点 小结： 从 Workflow 和 Agent 相融合共同构建Agentic系统角度： • N8N是“工作流为核心，AI为补充”，构建通用自动化底座； • Dify是“AI为核心，工作流为载体”，提供AI
66010编辑于 2026-01-26
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