- 综合排序
- 最热优先
- 最新优先
- 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
85830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。
13810编辑于 2026-02-02- 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
今天早上，OpenAI实施团队的 @shyamal在Github上开源了Swarm这个OpenAI官方的多智能体框架。 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 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？
56810编辑于 2025-02-04 - 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 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。
29132编辑于 2026-01-20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
22910编辑于 2025-09-02- 来自专栏panzhixiang
大模型多智能体简单应用案例介绍
多智能体角色的说明 最近在尝试 LLM Multi Agent（多智能体）的应用场景，下面给一个最近觉得还比较好用，也不是很麻烦的案例。
79810编辑于 2025-02-11 - 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。 尽管简单易实现，但这种方法在多智能体环境中容易陷入非平稳性问题，且无法有效处理智能体之间的协作。 2.2. 注意力机制与图网络：在多智能体交互中引入注意力机制或图神经网络，能够更好地建模智能体之间的依赖关系，提升策略推理的能力。 4.
1.2K10编辑于 2024-12-03 - 来自专栏AI
VSCode 正式发布：全新多智能体开发平台
VSCode在2026年2月发布的1.109版本中，正式将多智能体开发体验提升到新高度：在单一编辑器内运行Copilot、Claude与Codex智能体，统一管理所有会话，为每个任务选择最合适的工具。 一、统一的智能体会话管理：AgentSessions视图多智能体开发的核心挑战在于会话管理。 ：研究型子智能体：只读权限+网络搜索工具实现型子智能体：完整编辑权限安全审计子智能体：专注漏洞扫描的专用提示词四、开放标准：MCPApps与AgentSkillsVSCode的多智能体战略不仅关注功能集成 标志着多智能体开发体验的重要转折点：开发者无需在不同工具间切换，也无需为每个新智能体重新学习工作流。 通过统一的会话管理、开放的标准支持与灵活的编排能力，VSCode正在成为多智能体时代的开发者首选平台。
30010编辑于 2026-02-14 - 来自专栏强化学习专栏
【MADRL】多智能体价值分解网络（VDN）算法
文章分类在强化学习专栏： 【 强化学习】（11）---《多智能体价值分解网络（VDN）算法》 多智能体价值分解网络（VDN）算法 1.算法介绍 多智能体强化学习（MARL, 论文：Value-Decomposition Networks For Cooperative Multi-Agent Learning 代码： MADRL多智能体价值分解网络（VDN）算法 1.1背景与动机 在多智能体系统中，每个智能体不仅需要根据自己的观察做出决策，还需要与其他智能体协作以实现全局目标。 2.1价值分解 在传统的单智能体强化学习中，Q值函数 表示在状态 下采取动作 的价值。对于多智能体系统，联合Q值函数 表示在状态 下所有智能体联合动作 的总价值。 分散执行：每个智能体只需根据自己的局部观察和Q值进行决策，不依赖其他智能体的具体动作，适用于具有局部观测的多智能体任务。
1.3K00编辑于 2024-12-03 - 来自专栏NLP/KG
【一】MADDPG-单智能体|多智能体总结（理论、算法）
产生问题： 1–传统的多智能体RL算法中，每个智能体走势在不断学习且改进其策略。由此，从每个智能体的角度来看，环境是不稳定的，不利于收敛。 ---- 2.多智能体 （转） 1-如图所示，多智能体系统中至少有两个智能体。另外，智能体之间存在着一定的关系，如合作关系，竞争关系，或者同时存在竞争与合作的关系。 每个智能体最终所获得的回报不仅仅与自身的动作有关系，还跟对方的动作有关系。 2-多智能体强化学习的描述：马尔可夫博弈。状态转换符合马尔可夫过程，关系符合博弈。 Cooperative-Competitive Environments 论文下载：【https://download.csdn.net/download/sinat_39620217/16203960】 Multi-Agent:多智能体 Deterministic:直接输出确定性的动作 Policy Gradient: 基于策略Policy来做梯度下降从而优化模型 1.不过传统的RL方法，比如Q-Learning或者policy gradient都不适用于多智能体环境
4.9K20编辑于 2022-12-01 - 来自专栏phodal
Shire 智能体市场：IDE 一键安装多智能体，协同打造集体智慧 Copilot
太长不看版：在新版本（0.8）的 Shire 中，你可以通过 Shire 智能体市场，一键下载和安装多个智能体，并直接在你的当前项目中使用。 与此同时，你还可以 将你的 Shire 代码段或者智能体上传到 Shire 智能体市场。 详细见视频： WHY：AI 智能体应用于真实世界软件开发的挑战？ 基于团队的流程、规范，来编写生成代码、生成测试用例等智能体。 通过智能体市场，来下载、安装、使用团队的智能体。 通过将团队的知识与代码库、团队上下文等紧密结合，我们可以实现更高效的软件开发。 诸如于，用户可以选择”API 设计、生成与文档“这个智能体包， 便可以直接在 IDE 中使用这这些智能体。 其它 Shire 新功能 在新版本（0.8）的 Shire 中，你还将体会到： model 参数，用于在 Shire 代码中指定模型的名称，以支持多模型的调用。
24300编辑于 2024-11-22 - 来自专栏AgenticAI
实战OpenAI最新开源多智能体框架Swarm
所以，Swarm 是一个多智能体框架。 OpenAI 声明了这只是探索性的一个框架，并不打算完善上生产，主要目标是为了演示 OpenAI 官方教程《智能体编排：路由与交接（Orchestrating Agents: Routines and 按照我的理解多智能体为大语言模型的 Agent 系统引入了分工合作、专人专事的思路，可以用来实现工作流类型的应用。通过给不同的 Agent 设定特定的 Prompt，能够让他们更精确的完成任务。 虽然 OpenAI 的 Swarm 只是 Demo，但其简洁的实现，能够让我们快速了解多智能体。 1. 参考资料 [1] Swarm: https://github.com/openai/swarm [2] 智能体编排：路由与交接（Orchestrating Agents: Routines and Handoffs
91810编辑于 2025-03-18 - 来自专栏大数据文摘
OpenAI发布Neural MMO ：大型多智能体游戏环境
大数据文摘出品 作者：魏子敏、云舟、蒋宝尚 今日凌晨，OpenAI发布Neural MMO—一个强化学习的大型多智能体游戏环境。这一平台可以在持久性和开放式任务中支持大量可变数量的智能体。 17年7月份，OpenAI、麦吉尔大学和 UC Berkeley 联合提出了一种“用于合作-竞争混合环境的多智能体 actor-critic”，可用于多智能体环境中的中心化学习（centralized 今日凌晨，OpenAI宣称发布Neural MMO——一个强化学习的大型多智能体游戏环境。这一多智能体的环境可以探索更兼容和高效的整体环境，力求在复杂度和智能体人数上获取难得的平衡。 初步实验表明，随着多智能体相互作用的增加，智能体的能力也随之增加。增加并发智能体的最大数量将放大探索行为；增加种群的数量将放大生态位形成——也就是说，种群在地图的不同部分扩散和觅食的趋势。 初步实验表明，随着多智能体相互作用的增加，智能体的能力也随之增加。增加并发智能体的最大数量将放大探索行为；增加种群的数量将放大生态位形成——也就是说，种群在地图的不同部分扩散和觅食的趋势。
1.4K20发布于 2019-03-18 - 来自专栏大数据-BigData
自决策多轮对话智能体的初步实现
随着大模型的发展，智能体也是越来越火。看到的很多例子是通过构建DAG的形式形成Agent链，和我需要的不太一样。周末有点时间也是改造了一下之前做的个人超级中心，以初步实现自决策多轮对话智能体。 基于该智能体，可实现在多轮对话中实现多重智能体的智能选择。 本次改造涉及新组件引入，其中包括langchain4j、spring state machine以及antdesign prochat。 ，当满足条件1时，选择智能体1，同样满足条件2时，选择智能体2。 当选中智能体后，即使用该智能体回答用户问题。 总结 目前，这只是一个非常初步的自决策智能体的实现，我希望存入知识库的东西能够在日常使用中合理用起来。
90110编辑于 2024-09-15 - 来自专栏媒矿工厂
CVPR 2023教程 | 多模态智能体-链接大模型
v=Wb5ZkZUNYc4&list=PLB1k029in3UhWaAsXP1DGq8qEpWxW0QyS&index=6 内容整理：王怡闻 在 Linjie Li 的演讲中，她回答了多模态智能体中的重要问题之一 ：如何用大模型将多模态智能体串联起来。 图4 受到NLP领域的启发过去几个月间，多模态智能体领域的进展十分迅速，并且涉及到了多个领域，如下图。后面将以MM-ReAct作为例子展示多模态智能体是如何工作的。 而随着大模型的不断更新，在这个新范式下建立的多模态智能体系统的能力也会随之增强。 图9 GPT + SAM -- 理解人类指令 我们可以将不同的模型结合到一起，以应对更复杂的任务。 图14 检索增强的多模式代理 第二个方向是检索增强的多模态代理。例如，如果我们有一个包含产品图像的数据库和价格列表。即使只有图像作为提示时，多模态代理也可以检索到相应的价格。
68530编辑于 2023-09-09 - 来自专栏陶士涵的菜地
多 AI 智能体系统- AI 智能体的 6 个关键要素
一个优秀的智能体具备六个要素： 1. 角色扮演： 给 LLM 设定一个角色，可以让 LLM 生成的结果和这个角色的能力更相关。 比如翻译任务，如果一个智能体一次翻译可能结果一般，但是如果分成多个智能体，先直译然后反思最后意译结果就好很多。 3. 使用工具 智能体有能力调用工具，并且能选择最适合当前任务的工具。 协作 通常对于复杂的任务，不是一个智能体在完成任务，而是多个智能体一起完成任务，那么在整个过程中，需要确保智能体之间能相互通信，比如一个智能体的输出可以作为下一个智能体的输入，比如有一个智能体专门负责调度根据中间结果调用不同的智能体 所以对于多智能体系统，还需要设计好工作流，确保智能体之间整体协作的通畅。 这种协作不仅是指智能体和智能体之间，也包含人和智能体之间的协作。 现在的智能体还不足以智能到自始至终能做出正确的决策，有时候还需要人工的干预，在中间及时给出反馈，有错误给予纠正，缺少信息补充上下文。
71011编辑于 2024-05-28 - 来自专栏机器学习算法与Python学习
开源星际争霸2多智能体挑战smac
转自：专知 SMAC是Github上的一个用于在暴雪星际争霸2上进行多智能体协同强化学习（MARL）的环境。 SMAC用了暴雪星际争霸2的机器学习API和DeepMing的PySC2为智能体与星际争霸2的交互提供了友好的接口，方便开发者观察和执行行动。 示例代码 ---- 在下面的代码中，独立的智能体在接收到观察和全局状态后会执行随机策略。
1.6K20发布于 2019-03-07 - 来自专栏强化学习专栏
【MADRL】多智能体近端策略优化（MAPPO）算法
文章分类在强化学习专栏： 强化学习（8）---《【MADRL】多智能体近端策略优化（MAPPO）算法》 【MADRL】多智能体近端策略优化（MAPPO）算法 0.前言 多智能体近端策略优化算法 MAPPO是一种基于策略梯度的多智能体强化学习算法，特别适用于混合协作和竞争的多智能体场景。 在多智能体环境中，多个智能体同时学习策略，每个智能体的行为会影响其他智能体的决策，因此需要一个鲁棒且稳定的策略优化方法。 MAPPO通过中心化的Critic和去中心化的Actor来实现多智能体的协同训练，并采用PPO的优势来提高多智能体环境下的学习效率和稳定性。 适应复杂的多智能体环境：MAPPO可以处理多智能体环境中的协作、竞争或混合型任务，非常适用于复杂的多智能体系统，如机器人集群、自动驾驶车队、多人游戏等。
4.3K10编辑于 2024-12-03 - 来自专栏技术人个人品牌训练营
手把手教你搭建自主讨论多智能体
一、项目背景 最近好多家长和老师在讨论中考的相关事项，我将「多智能体协作」技术应用于该场景——搭建多位深耕中考的学科老师智能体，通过OpenAgents构建群聊网络，借助GLM赋予其专业人设与对话逻辑 二、核心技术栈 核心依赖两大工具，确保多智能体协作流畅、角色还原度高： 1. ，支持自定义智能体角色、配置网络参数。 15年） （2）李老师（初中语文，上海中考命题研究骨干） （3）张老师（初中英语，上海中考命题研究骨干） 第五步：启动老师智能体，开始群聊 1. 真正实现「让专业的人（智能体）聊专业的事」，让AI成为教育场景的实用伙伴。 #OpenAgents #Multi-AgentHackathon2025 #多智能体 #智能体网络
24011编辑于 2026-01-20
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