- 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:。
31710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。
9210编辑于 2026-03-11 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。
3.5K10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。
20801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。
28710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
目前，业界一般认为基于大模型的应用集中在两个方向上：RAG 和 Agent，无论哪一种应用，设计、实现和优化能够充分利用大模型(LLM)潜力的应用都需要大量的努力和专业知识。 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 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。
7.6K33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！
37900编辑于 2025-03-18 - 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。
99210编辑于 2024-03-26 - 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。
1.3K10编辑于 2025-08-11 - 来自专栏服务端技术杂谈
为了Agent而Agent？
主要讲的是如何选取Agent主流框架的逻辑。 讨论了两种路径，workflows和agent。 无外乎分成三个阶段： 首先拿订单元数据，比如例子中的承运商状态，发货SLA，节假日政策，是否会员，是否叠加优惠券，这些通过订单上下文是可以一口气查询出来的，直接给到大模型就可以了。 有人说，我们会在Agent上线之前，充分评估模型，确保Agent可以适配新的业务场景需求。 但是业务不会等你Agent ready之后再开量啊。 第一阶段打破了传统NLP小模型的局限，提升了意图识别和反问能力，让对话的追问更清晰。 第二阶段引入了多策略和多智能体的协作，在多轮对话中可以提供更清晰的解释与引导。 大家用Agent的目的很多时候并不是从第一性原理出发，很多时候都是为了Agent而Agent，想一想Agent真的比workflow好吗？
9910编辑于 2026-03-11 - 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
16710编辑于 2025-12-30 - 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
40300编辑于 2024-05-24 认识大模型时代AI Agent技术（文末送书）
行业需求变革： 业务复杂化：从标准化流程到个性化服务 响应实时化：毫秒级决策需求增长300%（2020-2024） 成本结构化：运维人力成本 vs 智能体训练成本交叉点已至 技术突破点： 大模型涌现的上下文理解能力 execute_action(tool, params) else: return generate_response(context) 2.2.2 记忆管理系统 设计必要性： 解决大模型
26810编辑于 2025-04-09- 来自专栏Datawhale专栏
一文带你了解基于大模型的Agent
LLM Agent 架构 一般而言，基于LLM的智能体框架包括以下核心组件： 用户请求 - 用户的问题或请求 智能体/大脑 - 充当协调者的智能体核心 规划 - 协助智能体规划未来的行动 记忆 - 管理智能体的过往行为 此外，基于自然语言的推理路径增加了模型决策过程的可解释性，使用户能够更好地理解和校验模型行为。ReAct设计亦注重模型行动的透明度与控制性，旨在确保模型执行任务时的安全性与可靠性。 函数调用（Function Calling）：这也是一种增强大型语言模型（LLM）工具使用能力的策略，它通过定义一系列工具API，并将这些API作为请求的一部分提供给模型，从而使模型能够在处理文本任务时调用外部功能或服务 具体来说，LLM在这里扮演着大脑的角色，一方面根据用户请求拆解任务，另一方面依据模型描述选择适合的模型执行任务。 Agent的挑战 构建基于大型语言模型（LLM）的智能体是一个新兴领域，面临着众多挑战和限制。
2.1K10编辑于 2024-04-24 - 来自专栏腾讯技术工程官方号的专栏
一文带你了解大模型——智能体（Agent）
作者：lucasgftang 大语言模型 vs 人类 大语言模型很强大，就像人类的大脑一样拥有思考的能力。如果人类只有大脑，没有四肢，没有工具，是没办法与世界互动的。 如果我们能给大模型配备上四肢和工具呢？大模型是不是就会打破次元壁，从数字世界走向现实世界，与现实世界实现梦幻联动呢？ 智能体是什么 智能体的英文是 Agent，AI 业界对智能体提出了各种定义。个人理解，智能体是一种通用问题解决器。 从软件工程的角度看来，智能体是一种基于大语言模型的，具备规划思考能力、记忆能力、使用工具函数的能力，能自主完成给定任务的计算机程序。 图 1. 图11 展望 随着大模型的百花齐放，LLM 会支持更长的上下文、更大的参数规模，其推理能力也会愈发强大。因此，基于大模型搭建的智能体（AI Agent）的能力边界也在不断突破。
44K1423编辑于 2024-05-29 - 来自专栏喔家ArchiSelf
10个构建Agent的大模型应用框架
* 关于Autogen的更多内容，可以参考《基于大模型（LLM）的Agent 应用开发》一文。 5. 对于那些希望在云环境中构建Agent，或者倾向于零代码或低代码方式构建Agent的用户来说，AutoGPT无疑是一个理想的选择。 Agno一个轻量级框架，专门用于构建多模态Agent。 Bee Agent Framework一个开源的TypeScript库，适合构建生产级的多智能体系统。 由于目前对“Agent”这一概念的理解还不够清晰，甚至存在滥用（比如把简单的Bot当成Agent），导致市面上的Agent框架良莠不齐。如果你有其他喜欢的Agent框架，欢迎留言补充！ 此外，基于大模型的应用，尤其是通过框架构建的Agent程序，本质上都属于分布式软件系统。如果你对如何优化分布式系统的性能感兴趣，推荐你阅读《性能之道》这本书。
11.6K30编辑于 2025-03-24 - 来自专栏自然语言处理(NLP)论文速递
RU | 提出大模型Agent操作系统：AIOS，支持多Agent并行，稳定可靠！
为此，「本文创新性的提出一个基于大模型的操作系统架构：AIOS」，该架构将LLM作为操作系统的“大脑”，优化Agent请求的调度，支持上下文切换，实现并发执行，并提供工具服务和访问控制，结果表明了AIOS 大语言模型（LLM）的出现为自主Agent的开发带来了新的可能性。目前的LLMs在理解指令、知识检索、推理问答、人机交互等方面表现出了强大的能力。 为了解决上述挑战，文章提出了AIOS，这是一个LLM Agent操作系统，将大语言模型嵌入到操作系统中，作为操作系统的“大脑”，使其成为一个“有灵魂”的操作系统——这是迈向人工通用智能（AGI）的重要一步 操作系统与大模型Agent 「操作系统的发展」 包括了从批处理到多任务处理的转变，以及图形用户界面（GUI）的出现，这些都极大地提高了操作系统的交互性和易用性。 「大模型Agent」 关于LLM自主Agent的研究，这些Agent能够根据自然语言指令执行复杂任务。
1.6K11编辑于 2024-03-29 - 来自专栏用户12278826的专栏
Agent记忆模块：让大模型“记住”你，还能省Token！
Agent记忆模块：让大模型“记住”你，还能省Token！ 在人工智能飞速发展的今天，大语言模型（LLM）已经能帮我们写代码、做菜、解答问题……但你有没有想过一个问题：为什么每次和AI聊天，它好像都不记得上一句说了什么？ 于是，Agent记忆模块（Memory） 就成了智能体（Agent）的基石。一、为什么需要记忆模块？1. LLM 本身没有记忆每次调用模型，只看到当前输入的 Prompt。 但问题来了：对话越长，Token 越多，成本越高，还可能超出模型上下文窗口（比如 128K）！三、如何解决“记忆太长”的问题？ AI Agent。
4100编辑于 2026-03-18 - 来自专栏科技云报道
AI Agent：大模型的下一个高地
数据显示，过去两年间，针对AI Agent的研究投入增长幅度高达300%。大模型市场的玩家们，似乎正齐刷刷地转向AI Agent。 与MetaGPT不同的是，MetaGPT的角色模型是被定义好的，而AutoGen可以让开发者自己定义Agent，还可以让他们相互对话。 这是一个新的且富有创造性的Agent框架。 这也就不难理解，为什么AI Agent会是大模型的下一个高地——大模型聚焦于处理语言相关的任务，它并不直接与现实世界互动，而AI Agent强调解决实际问题的能力和与环境交互的全面性。 AI Agent加速落地 事实上，大模型还没有出现之前，一些企业就已在研究传统AI与Agent的结合应用。因此，AI Agent在各领域的落地比大家预想得要快很多。 AI Agent爆发的一段时间，人们普遍认为补齐了大模型短板的AI Agent更具备实用性，将是大模型重要落地方向。 但就目前而言，这一路径的商业化存在诸多问题。
79210编辑于 2024-01-17 - 来自专栏AI理论与前沿
AI大模型应用开发实战-Agent应用对话情感优化
1 使用prompt设计agent性格与行为添加系统 prompt：self.SYSTEMPL = """你是一个非常厉害的算命先生，你叫JavaEdge人称Edge大师。 更适合模拟真实对话，from_template() 更适合单一指令或查询模式化情感class Master: def __init__(self): # 初始化ChatOpenAI模型 初始化记忆存储 self.memory = "" # 初始化工具列表 tools = [test] # 创建OpenAI工具代理 agent = create_openai_tools_agent( self.chatmodel, tools=tools, prompt=self.prompt , ) # 创建代理执行器 self.agent_executor = AgentExecutor( agent=agent,
93800编辑于 2024-08-07
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