- 综合排序
- 最热优先
- 最新优先
- 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？ 在实际的软件开发过程中， 完成一个 API 开发到上线通常需要经过 10 个步骤，或者由 10 个不同的智能体来协同完成。（详细等我们下篇文章 详细介绍）。 IDE 不再只是一个被动的代码编写环境，而是一个智能体之间协同工作的平台。 集体智慧 IDE 是将开发团队的协作模式与 AI 紧密结合，使开发者与 AI 形成一种双向学习、协同合作的关系。 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。
26300编辑于 2024-11-22 多智能体协同系统
多智能体协同系统的核心概念 多智能体协同系统（Multi-Agent Systems, MAS）通过多个自主智能体的交互实现复杂任务，广泛应用于机器人协作、自动驾驶、游戏AI等领域。 多智能体游戏AI 案例：OpenAI Five在Dota 2中击败人类战队，5个智能体通过共享策略网络实现协作。 技术点：集中式训练-分布式执行（CTDE）框架。 基于PettingZoo的多智能体强化学习 from pettingzoo.mpe import simple_speaker_listener_v4 env = simple_speaker_listener_v4 action = policy(obs) # 自定义策略函数 env.step(action) 关键技术挑战与解决方案 通信优化 方法：使用图神经网络（GNN）建模智能体拓扑关系 实现要点：定义任务优先级与智能体能力匹配函数。 未来研究方向 异构智能体协同：混合不同能力的智能体（如无人机+地面机器人）。 可解释性：通过注意力机制可视化智能体决策依赖关系。
46110编辑于 2026-01-20- 来自专栏云云众生s
Python多智能体系统中的协同智能
什么是多智能体系统？ 多智能体系统 (MAS) 是一个环境，其中多个自主智能体相互交互、合作甚至竞争以解决问题。每个智能体都有自己的能力、优势和关注领域，使系统能够更有效地处理复杂的任务。 多智能体系统的用例 财务规划: 一个智能体可以专注于分析股票趋势，而另一个智能体可以预测市场的未来行为。 协作: 多个智能体共同努力，利用其独特的优势来实现最佳结果。 适应性: 智能体可以实时协商或调整策略，以适应不断变化的任务。 使用 Python 设置多智能体系统 让我们从理论转向实践。 预算智能体: calculate_budget 智能体根据用户的输入计算用户的剩余预算。 在这种情况下，每个代理都负责解决更大问题中的特定部分，并协同工作以提供全面的结果。 结论 多代理系统 (MAS) 代表了人工智能驱动解决方案发展中的一个突破性趋势。通过允许多个代理协同工作，每个代理都有自己的专业领域，MAS 极大地提高了大规模问题解决任务的效率和有效性。
75310编辑于 2024-10-20 - 来自专栏设计模式
Anthropic官方：AI智能体的 3 种工作流 和 5 种多智能体协同模式
本文结合 Anthropic 官方的两篇博客系统梳理出来了 3 类主流工作流模式与 5 种多智能体协同范式。 完全自主智能体：自主决定工具、顺序与终止条件。 工作流架构：固定整体流程，步骤内保留智能体动态能力。 多智能体协同：多专业智能体分工协作，处理单智能体无法胜任的复杂任务。 风险评估、多维度评审 评估-优化 初稿质量不达标 高质量输出 高 token、耗时 代码、合规内容、技术文档 五大多智能体协同模式 当单智能体或工作流无法覆盖专业广度、并行深度与动态协同需求时，采用多智能体协同 多智能体协同模式选型 模式 适用场景 核心优势 关键风险 生成-验证者 质量严苛、标准明确 质量可控、迭代优化 验证失效、死循环 调度器-子智能体 任务可拆解、层级清晰 专业化分工、全局可控 调度瓶颈、 多智能体：用生成-验证、调度-子、智能体团队、消息总线、共享状态实现复杂任务协同。 从最简开始、按需演进、可观测优先、量化收益，让智能体真正解决业务问题。
21210编辑于 2026-04-22 广州海珠发布首批智能体优秀案例：多模型协同如何打破AI“单点智能”的天花板？
04从“嘴替”到“手脚替”：多智能体协同的能力跃迁4.1案例解析：慧安大模型的风险识别与高端设备运维案例相呼应，次元突破科技研发的“慧安大模型AI安管智能体”入选海珠案例，利用视觉思考模型替代了传统保安的重复巡查工作 系统融合先进的视觉算法与数据分析技术，能够快速生成适用于不同场景的智能体，精准识别20多类风险，准确率高达98.6%。 4.2多智能体协作的组织范式多智能体协作系统与传统单模型系统的本质区别在于：智能体不是孤立存在的“单兵作战”，而是需要在统一框架中协同完成复杂任务。 在慧安大模型中，不同智能体分工协作：视觉巡检智能体负责全天候图像监测，风险研判智能体负责异常行为分析，预警处置智能体负责联动响应。这种角色分工让AIAgent具备了“动手干活”的能力。 这正是多模型协同和多智能体协作的共同追求。05多模型协同的企业级落地路径5.1智能体平台的枢纽作用多模型协同的高效运转离不开智能体平台的全链路支撑。
14210编辑于 2026-04-22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。
16310编辑于 2026-02-02- 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
93830编辑于 2023-08-08 - 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？
63610编辑于 2025-02-04 - 来自专栏新智元
多LLM协同作战！清华等开源多智能体框架AgentVerse：合作打造Minecraft物品，还能训练宝可梦
实验结果表明，该框架可以有效地部署多智能体群组，其性能优于单智能体，并且涌现了协作等社会行为。 然后根据不同的专家描述提示以及目标g，得到多个不同的智能体形成专家组M = Mr(g) 并且，多智能体群体的组成将根据评估阶段的反馈进行动态调整，也使得框架能够根据当前状态（收到的奖励）组建最有效的多智能体群体 协同决策 此阶段主要是聚集专家智能体进行协同决策，研究人员选择两种经典的沟通结构来提升决策效率： 横向沟通 ( Horizontal Communication) 每个智能体（表示为mi∈M）积极共享并细化其决策 实验结果 性能分析 单个智能体（Single）使用给定的提示直接生成答案，而用AgentVerse构建的多智能体群组（Multiple）以协作的方式解决问题。 从结果中可以看出，无论使用GPT-3.5-Turbo还是GPT-4，多智能体始终优于单智能体。
4K20编辑于 2023-09-22 腾讯混元AIGC技术与应用深度分析：行业实践、多模态协同与智能体开发
腾讯混元大模型（Tencent Hunyuan）作为腾讯全面自主研发的AIGC核心技术品牌，定位为通用人工智能技术底座，作为腾讯AI战略的核心载体，混元已深度融入企业全业务生态：对内赋能微信搜索、QQ浏览器 三、混元AIGC+多模态协同应用3.1 教育培训：智能课程生成系统应用场景：初中物理"牛顿第一定律"微课制作技术实现：OCR提取教材文字→生文生成讲义→生图生成示意图→TTS合成语音。 创新点：多模态自动编排技术，将文本/图像/语音整合成标准化互动课件。效益数据：课程制作周期缩短80%，学生知识留存率提高40%。 代码示例（多模态协同流程）：pythonimport base64import requestsfrom tencentcloud.ocr.v20181119 import ocr_client, modelsfrom } }}```<foot-link>[[34](https://juejin.cn/post/7516438622980030476)]</foot-link>总结：通过模型优化、工具落地与开源协同
1.5K20编辑于 2025-10-11- 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
71810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。
49232编辑于 2026-01-20- 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。
85410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.
1.3K10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
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。 Codex智能体，它们可与GitHubCopilot在同一订阅体系下协同工作。 ，真正的挑战在于让它们协同工作。 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。
48310编辑于 2026-02-14 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。 解决方案：AI指挥层MAIW通过协调多个专用AI智能体，覆盖设备操作、人力协同、安全、预测和文档处理，实现从被动管理到主动自适应决策的转变。 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 生产级应用栈：FastAPI后端React前端Prometheus和Grafana可观测性NeMo Guardrails确保安全合规行为多智能体协同工作机制MAIW并非单一助手，而是一个由LangGraph
12710编辑于 2026-04-05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
25410编辑于 2025-09-02- 来自专栏时空探索之旅
CastClaw：基于自主决策与人机协同的时序预测智能体
/ustc-time-series/CastClaw 主页：https://agentr1.github.io/cast-claw/ TL; DR：CastClaw 是一个基于 CLI-TUI 的人机协同时序预测智能体框架 针对这一挑战，中国科学技术大学认知智能全国重点实验室团队提出了一种全新的范式——基于自主决策与人机协同的时序预测智能体 CastClaw。 二、CastClaw 是什么 CastClaw 是一个基于 CLI的人机协同时序预测 AI 智能体框架。 三、三大关键特色 特色一：多智能体协同 CastClaw 由三个职责分明的专属智能体协同工作，使用 Ctrl+1 / Ctrl+2 / Ctrl+3 在 TUI 中切换： Planner：负责任务定义与数据诊断 CastClaw： 构建了基于 CLI 的人机协同时序预测智能体框架，通过 Planner、Forecaster、Critic 三大角色的任务编排与状态协议，实现了从实验设计、模型演进到结果分析的全流程
16710编辑于 2026-04-15 - 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 多智能体协同中的权限管理怎么做？腾讯云智能体开发平台给出企业级解决方案
本文深度解析多智能体协同中的权限管理痛点，结合腾讯云智能体开发平台最新发布的权限管理体系，提供从技术架构到落地实践的完整解决方案。 正文 一、多智能体协同的权限管理挑战 在金融、医疗、政务等数据敏感型行业，多智能体协同常面临三大权限管理难题： 动态场景适配难题：同一智能体在不同任务阶段需切换权限（如询价阶段仅读元数据、交付阶段可写数据 ），传统RBAC模型难以满足动态需求 多主体协同验证：涉及供方、需方、平台等多方权限交叉验证，传统单点授权机制易产生安全漏洞 操作追溯困难：智能体自主决策导致行为轨迹复杂，传统日志系统无法满足全链路审计需求 多智能体协同验证 四要素交叉验证：主体权限+客体权属+场景合规+操作合法性 智能合约式授权：通过预设规则自动触发权限变更（如数据交付阶段自动开放写权限） 异常行为拦截：内置20+风险检测模型，实时阻断越权操作 2：金融风控协同 权限设计： 风控模型智能体：仅能访问脱敏数据 审批智能体：需同时通过合规校验与数据权限验证 审计智能体：实时记录所有决策链路 实现效果：某银行将风控决策审计耗时从小时级缩短至分钟级
80410编辑于 2025-09-10
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