- 综合排序
- 最热优先
- 最新优先
数智洞察：架构师视角下商业研究多智能体atypica.AI的创新与落地
架构设计背景与核心目标 商业研究多智能体是特赞团队面向B2C领域的消费者调研智能体产品，核心目标为通过生成式智能体模拟技术重构传统调研链路，解决“高成本、慢响应、弱精准”行业痛点。 感知与交互层 多模态输入解析模块：支持文本/语音、问卷、行为日志等多源输入，基于≤1B参数量的Transformer轻量化模型完成意图识别，准确率≥92%； 智能体交互引擎：基于SSM机制维护“身份-上下文 -偏好”三元状态，支持单智能体≤50轮多轮调研，多智能体并行交互并发量≥1000路/秒； 输出适配模块：支持报告生成、API推送、可视化看板输出，延迟≤200ms。 /问题多路径语义生成，模拟真人回答一致性≥80%； 模拟层：支持30万级合成、1万级真实消费者智能体并行实例化，单智能体可模拟50+维度差异化特征。 性能优化策略 智能体“预加载+按需唤醒”，冷启动从30秒缩至5秒；分布式调度，单节点支持≥500智能体并行，集群最大支持10万级在线。 3.3. 数据安全与合规 数据脱敏+分级权限管控，敏感 4.
71320编辑于 2025-12-14- 来自专栏AgenticAI
Anthropic如何将研究效率提升 90%？打造多智能体研究系统经验分享
相比单智能体（LLM）线性流程，这种系统能够并行探索多个研究方向，更具灵活性与规模效能，在他们内部研究评测中表现超越单体方式90.2%。 1. 为什么要用多智能体？ 扩展智能边界：团队协作是人类进步的关键，同理，多智能体系统能突破单体模型局限。 2. 当用户提交查询请求时，系统会创建一个名为 LeadResearcher 的主研究智能体，它将进入一个迭代式的研究过程。 代价与适用场景 多智能体方案带来性能提升的同时，也显著消耗资源： agent 相比普通对话消耗大约4 倍 tokens； 多智能体耗费约对话的 15 倍 tokens。 checkpoint 保存中间状态，以便恢复 调试手段 全链路 tracing，便于排查搜索抽取与提示问题 部署策略 采用彩虹发布机制，避免中断运行中的 agent 下一篇，我们将解析 Anthropic 在多智能体研究中采用的
73510编辑于 2025-06-19 - 来自专栏yeedomliu
《智能商业》新定位：点——线——面——体
新定位：点——线——面——体 “点——线——面——体”的定位逻辑 战略最核心的是定位，这是业界公认的事实。定位最传统的理论框架由迈克尔 波特最先提出——成本领先、差异化和利基市场的竞争战备。 到“面”这一级，平台的形态才真正确立 再也不要简单地认为淘宝只是一个购物广场，如今它已经变成一个旺盛的生态系统 开放，连接，扩大网络 回顾淘宝的历史，它的神奇之处就在于 ，一条零售线能侧重如此多的“点” 发育，延伸出这么多的“线”，并逐渐蔓延形成“面”，向“体”的方向发展。 “面”不得不携手，一起创造未来 生态系统对供应链的升维打击 所谓升维攻击，就是在互联网技术的帮助上，新平台将不断打开过去的封闭结构，纳入越来越多的“点”，共同参与互动 企业未来的发展方向 互联网时代的商业竞争 ，往往是以“面”和“体”为单位的生态竞争。
85720发布于 2020-06-28 - 来自专栏NLP/KG
【四】多智能体强化学习（MARL）近年研究概览 ｛Learning cooperation（协作学习）、Agents modeling agents（智能体建模）｝
相关文章： 【一】最新多智能体强化学习方法【总结】 【二】最新多智能体强化学习文章如何查阅｛顶会：AAAI、 ICML ｝ 【三】多智能体强化学习（MARL）近年研究概览 ｛Analysis of emergent behaviors（行为分析)_、Learning communication（通信学习）｝ 【四】多智能体强化学习（MARL）近年研究概览 ｛Learning cooperation（协作学习）、Agents 、竞争环境以及混合环境下的多智能体问题。 ，来解决多智能体信用分配问题。 对于某个智能体的 Q-function，我们有： 而 就是导致 ER 在多智能体环境下不稳定的原因。
1.5K20编辑于 2022-12-21 - 来自专栏测试开发囤货
MetaGPT：多智能体元编程框架
MetaGPT：多智能体元编程框架 使 GPTs 组成软件公司，协作处理更复杂的任务 MetaGPT输入「一句话的老板需求」，输出「用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等
92430编辑于 2023-08-08 多智能体架构的核心功法
这让我意识到：多智能体不是技术升级，而是组织升级。 多智能体不是简单叠加，而是化学反应 很多人听到"多智能体"，第一反应是"不就是多调用几个AI接口吗"。这种理解太表面了。 这些问题解决不好，多智能体就会从"提升效率"变成"增加负担"。 企业落地的三个关键门槛 经过两年的实践，我总结出企业落地多智能体的三个关键门槛： 第一个门槛：找到合适的分工边界 不是所有业务都适合用多智能体。有些场景用单体AI更高效，有些场景必须用多智能体。 如果任务相对简单且变化不大，单体AI足够；如果任务复杂且经常变化，多智能体的优势就体现出来了。 对于企业来说，关键不是要不要用多智能体，而是什么时候用、怎么用、用在什么地方。 我们的经验是：从简单场景开始，逐步复杂化；从单体AI开始，逐步多智能体化；从技术验证开始，逐步业务化。
15410编辑于 2026-02-02各大厂商OpenClaw 多智能体 中文生态分析研究报告
这些产品中，OpenClaw-zh.cn 和 ClaudeCowork 代表了技术的主流方向，其余大多是基于这两者的二次开发或垂直领域的分叉。
37110编辑于 2026-04-01- 来自专栏深度强化学习实验室
【Mava】一个分布式多智能体强化学习研究框架
Mava 是一个用于构建多智能体强化学习 (MARL) 系统的库。 系统是指完整的多智能体强化学习算法，由以下特定组件组成：执行器、训练器和数据集。 本质上，执行器是 Acme 中 Actor 类的多智能体版本，它们本身是通过向执行器提供策略网络字典来构建的。 因此，Trainers 是 Acme 中 Learner 类的多智能体版本。数据集以字典集合的形式存储了执行者收集的所有信息，用于操作、观察和奖励，并带有与各个智能体 ID 对应的键。 可以查看系统实现的几个示例 Distributed System Training Mava 出于同样的原因分享了 Acme 的大部分设计理念：为新研究（即构建新系统）提供高水平的可组合性，以及使用相同的底层多智能体
2.1K30发布于 2021-08-10 - 来自专栏张善友的专栏
OpenAI官方开源多智能体框架「Swarm」，并不是我想要的多智能体框架
这个多智能体框架确实已经把多智能体的关键，说的很透彻了，Swarm 里面定义了两个核心「Agents」和「Handoffs」，多智能体的核心是在这个Handoffs上面。 个人观点认为他的设计还没有我们的多智能体框架好用，OpenAI的[Swarm]是docker swarm，我们的多智能体框架就是k8s，我需要的是像k8s编排容器那样编排智能体，我们刚刚在9月26日对外发布了多智能体的工业设计产品 ，详见：智用研究院AI Agent Foundry赋能的首个多Agent驱动的工业设计平台圆满发布。 多智能体的核心难题其是不同智能体之间的通信问题。怎麼传递信息，传哪些信息，这些都很重要。多个智能体协作，也只需要在必要的时候被调用起来就可以了。 OpenAI的Swarm 目前还处于实验阶段，期望他发展成为k8s 这样的一个多智能体编排框架： 这个框架是python写的，大家觉得用python 写多智能体应用是好选择吗？
60610编辑于 2025-02-04 - 来自专栏NLP/KG
字节DeerFlow开源框架：多智能体深度研究框架，实现端到端自动化研究流程
内容创作 ️ 播客和演示文稿生成 AI驱动的播客脚本生成和音频合成 自动创建简单的PowerPoint演示文稿 可定制模板以满足个性化内容需求 0.2 架构 DeerFlow实现了一个模块化的多智能体系统架构 分析研究目标并创建结构化执行计划 确定是否有足够的上下文或是否需要更多研究 管理研究流程并决定何时生成最终报告 研究团队：执行计划的专业智能体集合： 研究员：使用网络搜索引擎、爬虫甚至MCP 每个智能体都可以访问针对其角色优化的特定工具，并在LangGraph框架内运行 报告员：研究输出的最终阶段处理器 汇总研究团队的发现 处理和组织收集的信息 生成全面的研究报告 1.快速开始 DeerFlow - **模型选择建议**：Haiku 是其智能等级中响应最快、性价比最高的模型。 - **虚拟团队成员角色**：Claude 可作为虚拟团队成员推动研究或产品开发进程。 #### 多领域成功应用 已有多个行业成功应用 Claude 的案例，包括鲸类保护、品牌管理、网络安全、招聘筛选、保险理赔、代码审查、客户服务和销售转化等领域。
4.7K10编辑于 2025-05-13 - 来自专栏数据科学和人工智能
DeepMind 最新教程：多智能体学习
DeepMind团队最新做的关于多智能体学习的教程 DeepMind团队最新做的关于多智能体学习的教程
71610编辑于 2022-03-31 - 来自专栏腾讯大讲堂的专栏
人工智能商业化研究报告（2019）
什么是人工智能商业化？ 商业化是相对于实验室概念产品而言，人工智能商业化即企业如何利用人工智能技术来解决实际的问题，并通过市场进行规模化变现的商业行为。 人工智能的概念诞生于1956年世界达特茅斯会议上，距今已经有半个多世纪的发展史，但人工智能真正走出实验室，走进人类生活却是近几年才有的事。 整体来说，中国人工智能技术商业化速度非常快，计算机视觉、生物识别等是相对成熟度更高、商业化更早的技术，已经在公共安全、金融、零售、广告营销等领域有了较好的应用；自然语言处理技术也在智能客服、智能语音交互等场景下服务于各行各业 可以说，商业化将是近几年维持人工智能热度的主要力量。 在本篇报告中，我们集中梳理了目前已进入商业化阶段的人工智能应用场景，并结合案例，阐述行业发展现状。 本篇报告主要内容有： 1.人工智能商业化背景； 2.人工智能商业化驱动力； 3.人工智能投融资分析： 4.人工智能基础层发展现状； 5.人工智能技术层发展现状； 6.人工智能应用层主要场景：安防、金融
83030发布于 2019-07-10 - 来自专栏机器之心
机器之心走近全球顶尖实验室：UCL多智能体强化学习研究团队
要想实现通用智能，AI智能体必须学习如何在共享环境中与「他人」进行互动，由此便产生了人工智能的一个前沿研究领域：多智能体学习。 多智能体学习的问题存在于多个领域。 汪军教授认为，目前通用人工智能（AGI）研究有两个大方向，一是单智体，其背后的经典算法是深度强化学习；另一个就是多智体（Multi-agent），也可以理解为群体智能，探索机器学习和博弈论的结合，这是人工智能的下一个大方向 月26日-7月30日连续带来4期线上分享，分享内容包括人类和人工智能代理的评估、多智能体理论、多智能体训练框架和多智能体在产业界的落地应用等。 他的研究方向涉及多智能体学习，强化学习及博弈论在其中的应用。他分别于2020年和2016年获得英国伦敦大学学院计算机系博士学位和研究型硕士学位。 嘉宾简介：杨耀东，伦敦大学学院多智能体强化学习团队机器学习研究员，主要研究方向为强化学习和多智能体系统。
1.2K30编辑于 2023-03-29 - 来自专栏决策智能与机器学习
「重磅综述」多智能体强化学习算法理论研究「AI核心算法」
关注：决策智能与机器学习，深耕AI脱水干货 ? 作者 | 刘浚嘉 报道 | DeepRL ? Image 虽然目前多智能体强化学习 MARL 在很多领域取得了不错的结果，但很少有相关的理论分析。 相反，extensive-form games 框架就可以处理信息不完备的多智能体决策问题。 3.2 Non-Stationarity 非平稳 很明显，由于多智能体动作结果的相互影响，agent 需要考虑其他 agents 的 action 并相应地适应 joint action，导致了单智能体的马尔可夫假设不适用 我们研究了FQI变体，既用于与网络代理的协作环境，也用于与两个团队的网络代理的竞争环境。在前一种设定中，所有智能体都通过将非线性最小二乘法与目标值拟合来迭代更新全局Q函数估计。 让 ? 因此，有望将这些结果扩展到多智能体设定，作为迈向对DMARL的理论理解的第一步。 Model-based MARL 文献中很少有基于模型的MARL算法。
1.7K20发布于 2020-09-14 - 来自专栏决策智能与机器学习
商业智能与智能商业 | 行业观察系列
使用功能强大的商业智能 (BusinessIntelligence 简称BI) 工具和技术来帮助客户解决上述难题。 商业智能是一种预测、跟踪、分析，并展示与业务绩效相关的量化指标的方法，通过对数据的收集、管理、分析以及转化，使数据成为可用的信息，从中获得必要的洞察力和理解力，更好地辅助决策和指导行动，以帮助企业决策者在正确的时间 商业智能系统的软件平台能支持业务部门制作复杂的合并报表，在减少业务人员工作量、提高工作效率的同时，帮助业务部门更加灵活和准确做好数据分析和信息共享。 商业智能解决方案的目标是，帮助企业充分利用其业务支撑系统产生的大量宝贵的数据资源，实现对信息的智能化加工和处理，为市场经营工作提供及时、准确、科学的决策依据，使企业适应日趋激烈的市场竞争环境，提升运营商的核心竞争力 商业智能软件强大的报表制作和展示功能能够制作/展示任何形式的报表，其纯粹的Web 界面使用方式又使得部署成本和管理成本降到最低。同时还可以同数据挖掘工具、统计分析工具配合使用，增强决策分析功能。
1.9K30发布于 2020-08-04 2026 年智能体架构综述：从笨重设计到多智能体架构（MAS）
如果把 2024 年比作智能体的“前哨战”，那么 2026 年就比作真正生产级智能体的“分水岭”。 取而代之，是像微服务演进同样必然的范式：多智能体系统（Multi-Agent System, MAS）。01 笨重设计的最终路：为什么分离剂玩不动了？在早期探索中，我们习惯于构建“全能型智能体”。 设计模式在处理简单的演示时表现出色，但在真实的企业级场景（如复杂的金融审计、供应链调度）中却暴露了三个致命伤：认知的“过度过度”：当一个智能体被要求同时掌握代码编写、合规审核和风险评估时，LLM 的长上下文 专家、景观设计师、创意专家……这些子智能体实时同步进度，形成了一个“永不掉链子”的协作环。 这就是 2026 年的现实：人工智能不再是一个查询工具，正在成为企业的操作系统（Agent OS）。 随着模型上下文协议（MCP）等协议的成熟，智能体之间的协作负载已经成为冰点。 如果你还在尝试用一个庞大的提示解决所有问题，那么现在就停下来重新思考架构的时候了。
41232编辑于 2026-01-20对话智能体泛化研究在线挑战启动
某中心启动在线挑战赛推动对话智能体泛化研究为促进任务型对话智能体在新场景中的泛化能力研究，某中心语音助手团队在EvalAI平台推出了对话人工智能挑战赛。 这些技术的进步将实现对话泛化能力，即训练完成某个任务的对话智能体能够轻松适应新任务。当前扩展对话智能体功能所需的工作量通常与新增领域数量呈线性增长。 我们认为部分原因在于对话研究社区缺乏标准化的数据集和评估方法。为支持DialoGLUE，我们发布了聚合七个公开对话数据集的标准数据集，统一了数据表示格式，可用于训练和评估单一对话模型。 图示：对话智能体的职责包括槽位追踪和状态跟踪，需确定用户在对话过程中的意图变化
13610编辑于 2025-10-20多智能体一致性算法
所有智能体的某个状态量（位置、速度、成本等）通过 局部邻居通信 最终收敛到同一个值。 二、1-D 离散时间一致性（5 行 MATLAB 代码）% 一阶离散一致性N = 5; % 智能体个数A = [0 1 1 0 0; % 邻接矩阵
24510编辑于 2025-09-02多智能体仓库AI指挥层技术架构
多智能体仓库AI指挥层实现运营卓越与供应链智能仓库的“大脑”：解决碎片化运营难题尽管仓库的自动化和数据丰富程度已达历史新高，但多数站点仍然依赖一套难以跟上节奏的系统：仓库管理系统（WMS）、少量仪表盘和分散的岗位知识 主管们需要管理12类以上的设备、数千个班次任务以及持续不断的数据流，却没有任何统一的智能系统来解读全局或指导下一步行动。本文介绍多智能体智能仓库（MAIW）蓝图——一个缺失的关键层。 设计目标：展示某机构AI技术栈（包括NIM、NeMo、cuML、cuVS）如何驱动运营助手提供镜像仓库角色的多智能体架构：设备、运营、安全、预测、文档处理将检索增强生成（RAG）、预测和文档AI统一到单一工作流内置真实的安全性 编排的专用AI智能体团队，通过模型上下文协议（MCP）共享工具访问、外部系统调用和实时数据检索层。 智能体功能规划与通用路由意图、分解任务、选择合适智能体设备与资产跟踪管理叉车、AMR、传送带；检查遥测、维护和利用率运营协调管理任务、波次、人员配置和KPI；诊断瓶颈并执行修复安全与合规强制执行SOP和法规
12110编辑于 2026-04-05- 来自专栏强化学习专栏
【MADRL】多智能体深度强化学习《纲要》
文章强化学习： 强化学习（3）---《【MADRL】多智能体深度强化学习《纲要》》 【MADRL】多智能体深度强化学习《纲要》 多智能体深度强化学习（Multi-Agent Deep 多智能体深度强化学习将深度学习与多智能体强化学习结合，使得智能体能够在复杂、高维的环境中学习到有效的策略。 背景与挑战 多智能体系统中的强化学习任务包含多个智能体，每个智能体在与环境和其他智能体的交互过程中不断学习。 总结与展望 MADRL 是多智能体系统中一个前沿且活跃的研究领域。随着深度学习和强化学习技术的发展，MADRL 的算法框架和应用场景将进一步拓展。 在未来，如何提升多智能体系统的学习效率、策略泛化能力，以及应对更大规模、多样化的环境，将成为研究的重点方向。
1.2K10编辑于 2024-12-03
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