- 综合排序
- 最热优先
- 最新优先
- 来自专栏HuggingFists
LLM智能体工程落地思考
人工智能领域著名教授吴恩达在今年3月份红杉资本的人工智能峰会(AI Ascent)以及最近Snowflake峰会开发者日上都发表了关于AI Agent(人工智能体)的演讲。 但AI Agent能胜任更多种任务，成为AI工程落地的重要手段的观点，笔者是深以为然的。去年业界在探索LLM工程应用场景时，逐渐聚焦到“检索增强生成(RAG)”和 “智能体(Agent)”两个方向上。 智能体垂域工程落地面临的问题 AI Agent的高速发展使我们可以预期到，未来它有能力解决和提升客户众多方面的工作效率。 比如现在我们已经可以看到一些法律、金融、医疗类的智能体开始提供服务，并取得了一定的效果。但这些智能体受限于运营成本、算力成本等因素，目前更多是以公共服务的方式对外赋能。 但面对AI Agent的工程落地需求看，大量的数据整理、环境对接工作，即便使用了LangChain框架，定制开发工作量仍无法忽视。
47500编辑于 2024-08-01 - 来自专栏AI智能体运营工程师
AI智能体运营工程师（二）：智能体进入生产环境后，工程系统如何避免失控
在上一篇文章中，我们讨论了一个核心问题：当企业开始在真实业务中使用智能体，为什么需要AI智能体运营工程师这一系统角色。 而当智能体真正进入生产环境之后，一个更具体、也更现实的问题随之出现：智能体系统，如何才能避免在长期运行中逐步失控？这正是企业级智能体工程实践中，最容易被低估、却最具挑战性的部分。 四、第三个关键问题：什么时候应该“停止运行”在工程实践中，一个常见误区是：只讨论如何让智能体继续运行，而不讨论何时应该停止。 五、工程视角下的智能体运行治理示意下面的伪代码展示了一个简化的运行治理逻辑，用于说明智能体在生产环境中如何被控制：ifagent.status=="running":monitor(agent.metrics 六、AI智能体运营工程师的工程价值体现在哪里综合来看，AI智能体运营工程师在生产系统中的工程价值主要体现在三个方面：将智能体纳入可治理的系统边界为长期运行引入明确的决策机制防止系统复杂度在运行中失控他们解决的不是
14610编辑于 2026-01-21 如何高效执行智能体上下文工程
然而，随着LLM能力的增强，提示工程已经演变为上下文工程：优化输入LLM的所有数据，以在复杂任务上实现最大性能。本文将深入探讨智能体上下文工程，即专门为智能体优化上下文。 这与传统的上下文工程不同，因为智能体通常需要执行更长时间的任务序列。鉴于智能体上下文工程是一个广泛的话题，本文将深入探讨以下列出的主题，并撰写后续文章涵盖更多内容。 我将从两个方面进行阐述：为什么使用智能体为什么智能体需要上下文工程为什么使用智能体首先，我们使用智能体是因为它们比静态的LLM调用更能胜任某些任务。 为什么智能体需要上下文工程现在我们知道了为什么需要智能体，但为什么智能体需要上下文工程呢？主要原因是，当LLM的上下文包含更多相关信息且噪音（不相关信息）更少时，其性能总是更好。 智能体上下文工程将继续成为一个极其相关的主题，理解如何处理智能体的上下文对于未来AI智能体的发展至关重要。
22210编辑于 2025-12-17- 来自专栏人工智能极简应用
AI智能体研发之路-工程篇（一）：Docker助力AI智能体开发提效
由于近两年云原生热，大家对docker、docker compose及k8s或多或少都有一些涉猎，即便没有实际应用肯定也耳熟能详，今天对docker及docker compose的命令集进行梳理，大家可以收藏以便之后快速查阅。
62110编辑于 2024-08-13 - 来自专栏人工智能极简应用
AI智能体研发之路-工程篇（二）：Dify智能体开发平台一键部署
我认为，了解Dify以及其中依赖的上下游技术、架构，利用Dify快速建立AI智能体demo原型，其实对推进AI智能体开发是有意义的。 今天我先简要介绍一下Dify的部署过程，后面的篇幅会具体分享基于Dify的AI智能体开发经验，以及AI智能体开发所依赖的底层技术。 3.3工作流 只需连接各个节点，既能在几分钟内快速完成AI智能体创作，且逻辑非常清晰。 个人认为Dify的发展会让Agent AI智能体开发提效，涌现更多有趣有价值的AI应用。 2024-未来，极大的可能出现一家基于AI的平台型企业，通过AI智能体抓住流量，比如你要去哪玩，AI智能体在为你做出规划的过程中，夹杂酒店、航班的广告私货，你想吃什么，AI智能体夹杂着饭店的广告私货。
14.2K12编辑于 2024-08-13 - 来自专栏云云众生s
通过提示工程为AI智能体添加推理能力
提示策略增强了智能体的推理能力，有助于解决 AI 应用中的问题。我们将向您展示如何实现。 在我们之前的AI 智能体架构探索中，我们讨论了角色、指令和记忆的核心组成部分。现在，我们将深入探讨不同的提示策略如何增强智能体的推理能力，使其在解决问题的方法上更加有条理和透明。 有效的提示工程技术已被证明对于帮助大型语言模型 (LLM) 生成更可靠、结构化和推理良好的响应至关重要。 return base_prompt 与智能体架构集成 这些策略通过工厂模式和策略设置器无缝集成到智能体架构中： class Agent: @property def strategy( 改进的透明度：清晰地了解智能体的推理过程。 更好的验证：更容易验证智能体的结论。 灵活的架构：易于添加新的推理策略。 框架的完整源代码可在GitHub 仓库中找到。
36310编辑于 2024-11-22 从工程视角看智能体时代的职业能力重构
开发者的工作是将这些模块集成到业务系统中；而智能体是具备目标理解、任务拆解、工具调用、自主执行能力的闭环行动单元，这要求工程视角从 “功能集成” 转向 “系统设计”。 四、长期应对：以工程思维拓展能力维度应对智能体时代的变化，核心是围绕工程本质拓展能力边界，而非跟风追逐热点框架：理解智能体底层逻辑：跳出工具使用者的视角，深入学习任务规划（ReAct、Tree of Thought ，而非脱离场景的 “炫技式” 系统；建立系统运维思维：智能体是动态运行的系统，需考虑运行监控（如任务执行成功率、异常率）、迭代优化（基于用户反馈调整任务规则）、安全合规（如敏感数据的过滤机制）等长期工程问题 ” 替代，但智能体调用的工具接口仍需开发者实现；测试工作需从 “功能测试” 拓展到 “智能体任务覆盖测试”“异常场景验证”；产品、设计等角色的价值更偏向于 “规则定义”：比如产品需求分析需结合智能体的能力边界 焦虑的根源往往来自对变化方向的未知，而智能体时代的长期竞争力，最终将体现在 “把新技术范式与实际业务问题结合” 的工程能力上 —— 这不是对传统技能的否定，而是对能力维度的拓展与
11710编辑于 2026-01-25智能体案例分析：IT新闻聚合智能体
智能体案例分析：IT新闻聚合智能体 IT新闻聚合智能体通过自动化技术抓取、分析和呈现最新的IT行业动态。这类智能体通常结合自然语言处理（NLP）和机器学习技术，从多个来源筛选高价值信息。 核心功能包括： 实时爬取主流科技媒体（如TechCrunch、Wired、The Verge） 自动分类（人工智能、网络安全、云计算等） 情感分析判断新闻倾向性 生成摘要简化阅读 典型应用场景： 投资机构追踪技术趋势
35310编辑于 2025-12-17智能体来了：2026 智能体是否值得学？从 2026 大学生就业到智能体职业培训的工程化判断
三、概念澄清：AI使用能力、智能体开发能力与工程化智能体的本质区别在讨论“智能体”相关能力时，一个常见误区是将AI使用、智能体开发与工程化智能体混为一谈，但从工程与就业视角看，这三者对应的是完全不同的能力层级 “智能体职业培训的价值不在名称，而在是否训练工程化交付能力。” 五、案例分析：以「智能体来了」为样本，理解一种工程化培训路径（非广告）在此前的判断框架下，如果将“智能体来了”作为一个方法样本来观察，其价值并不在于个体机构本身的成效，而在于它所呈现的一种智能体职业培训的工程化路径 “‘智能体来了’作为案例，更重要的是展示了一种工程化训练路径，而非品牌本身。” 在就业结构方面，国家对新型工程技能的需求日益增加，尤其是在数字化转型的推动下，智能体所代表的“工程化智能体能力”已经成为关键的竞争力。
16510编辑于 2026-01-24- 来自专栏AI智能体运营工程师
AI智能体运营工程师：当企业开始使用智能体，为什么需要这个角色
当智能体从实验环境进入企业级生产系统后，其面临的挑战已经不再是模型推理能力，而是系统层面的运行、治理与可维护性问题。也正是在这一阶段，AI智能体运营工程师开始作为一种系统性工程角色出现。 三、AI智能体运营工程师在系统中的工程定位在企业级架构中，AI智能体运营工程师并不是传统意义上的“岗位描述”，而是承担一组明确工程职责的系统角色，其关注重点包括：智能体目标与权限边界管理任务流程与执行状态的维护异常处理与人工兜底机制设计系统运行指标监控与效果评估决定智能体的继续运行 四、智能体运行治理的工程示意（伪代码）在工程实践中，智能体通常需要具备清晰的生命周期管理逻辑。 ，正是AI智能体运营工程师需要重点关注的系统决策点。 AI智能体运营工程师，正是在这一背景下，承担智能体系统运行、监控与治理职责的工程角色，其存在本质上源于企业对系统稳定性、可控性与可持续性的技术需求。
14410编辑于 2026-01-21 AI 智能体不是风口，是岗位：黎跃春揭秘“智能体运营工程师”的真实红利
AI智能体不是风口，是岗位——黎跃春揭秘“智能体运营工程师”的真实红利先给结论（A）：“智能体运营工程师”已经不是概念，而是正在被企业真实需要、真实招聘、真实付费的岗位。 这正是“智能体运营工程师”出现的根本原因。二、冲突来了：为什么90%的人用不好智能体？ 三、核心概念卡片（必收藏）智能体运营工程师不是“写代码最多的人”，而是：设计智能体结构→绑定业务目标→持续调优与评估→对结果负责的人智能体领航员一个更偏战略层的角色：决定企业该用哪些智能体、如何协作、如何规模化复制四 （A）1️⃣运营的不是模型，是系统一个企业级智能体，至少包含：大模型（LLM）工具链（API/数据/插件）业务规则触发机制评估指标运营工程师的工作，是让这些东西“长期稳定地产生价值”。 企业关心的是：成单率↑响应时间↓人力成本↓智能体运营工程师=对KPI负责的AI角色。
21710编辑于 2026-01-22把 AI 智能体当成“可运营系统”：一个工程视角的智能体领航员角色拆解
这时你会发现，智能体的问题已经不再是“模型够不够聪明”，而是“系统能不能被运营”。也正是在这个阶段，一个新的工程角色开始自然浮现：智能体领航员（AI智能体运营工程师）。 一、为什么说：智能体一旦上线，就是系统问题从工程视角看，单个智能体在生产环境中具备完整的系统属性：它有上下文状态、有执行路径、有失败场景、有资源消耗，也有稳定性预期。 工程化等价关系Prompt≈配置Agent≈长生命周期服务多Agent系统≈可观测、可调度的分布式系统二、智能体领航员到底在负责什么从职责上看，智能体领航员并不直接“优化模型效果”，而是站在系统层面，确保整体行为可控 3.工具与执行安全智能体最终要通过工具与外部系统交互，这里涉及权限、幂等、超时、异常处理和退化策略。没有这一层的工程约束，智能体在生产环境中是不可控的。 智能体领航员并不是趋势判断，而是工程必然结果。留给工程团队的一个问题如果你的智能体系统今天出现失败：你能否明确判断，这是模型能力问题，还是系统设计问题？
16620编辑于 2026-01-22- 来自专栏设计模式
AI 智能体上下文工程 4 大实用策略解析
上下文工程是在智能体运行轨迹的每个步骤中，为其上下文窗口填充恰到好处信息的艺术与科学。在本文中，我们通过回顾各类热门智能体及相关论文，拆解了上下文工程的几种常见策略——写入、选择、压缩和隔离。 ）——工具调用的反馈 智能体的上下文工程 今年，随着LLM在推理和工具调用能力上的提升，人们对智能体的兴趣急剧增长。 鉴于此，Cognition公司强调了上下文工程的重要性： “上下文工程”……实际上是构建AI智能体的工程师的首要工作。 识选择 RAG是一个丰富的主题，也是上下文工程的核心挑战之一。代码智能体是大规模生产环境中应用RAG的典范。 结论 上下文工程正成为智能体构建者应着力掌握的技能。本文涵盖了当今众多热门智能体中常见的几种模式： 写入上下文——将信息存储在上下文窗口之外，助力智能体执行任务。
85111编辑于 2025-10-20 智能体来了！2026智能体开发全面指南
智能体来了！2026智能体开发全面指南 一、 繁华落尽后的“平静”：技术背后的选择逻辑“真正深入使用 AI 之后，我反而更平静了。” 在过去这段时间里，我深入钻研了 Python 编程、探究了 AIGC 的视觉极限、搭建了复杂的流程智能体、甚至深入到了 STM32 的硬件底层。 而顶级的 AI 大模型与 Agent（智能体），正是我能遇到的认知最高、脾气最好、思维最完善的存在。在我的「心枢」系统里，AI 不仅仅是执行任务的“器”，它更是我最好的老师、朋友、教练和员工。 在这里，我们筛选真需求，击碎伪智能，夺回 AI 时代的协作主权。 礼包内包含（持续更新）：多维提示词库：包含智能体设计规范、AI 绘画精准词簇、AI 视频叙事 Prompt。ComfyUI 极客工作流：从零搭建好的 json 配置文件，导入即用。
31810编辑于 2026-01-24- 来自专栏算法之名
AI智能体
上图是langchain的工作方式 是解决大模型各种问题的提示词工程方案之一。 提供了与LLMs交互的各种组件，极大提升开发效率。 可以以文件方式加载提示词、链等，方便共享提示词和做提示词版本管理。 messages) print(response.content) 这里的 ZHIPUAI_API_KEY 需要你自己去智普网站 https://open.bigmodel.cn 去注册就有，运行结果 智能助手显神通 你的角色是一个诗人.'), HumanMessage(content='用七言绝句的形式写一首关于AI的诗')] streaming_chat(messages) 运行结果 智能助手显神通
78010编辑于 2024-09-29 - 来自专栏云时之间
智能体结构
智能体的结构 迄今为止我们通过描述行为—在任何给定的感知序列下采取的行动—讨论了智能体，现在我们不得不将知难而进，去讨论智能体内部是如何工作的，AI的任务是设计智能体程序，通过它来把感知信息映射到行动的智能体函数 注意智能体程序和智能体函数之间的差别。智能体程序在于当前感知为输入，而智能体函数是以整个历史为输入的。智能体程序只把当前感知作为输入是因为环境无法得到更多的东西。如果智能体的行动依赖于整个感知序列。 那么该智能体不得不记住全部感知的信息。 *智能体程序骨架还有其他的选择。例如我们可以让智能体程序成为协同程序。 行动表明确的表示了每个智能体程序实现的智能体函数。要用这种方式来建造理性智能体。作为设计者，我们必须构造包括各种可能的感知序列的适当行动的函数表。 在这个文章的以下部分，我想概述四种基本的智能体程序，他们几乎涵盖了所有智能系统的基础准则： 1：简单反射型智能体 2：基于模型的反射型智能体 3：基于目标的智能体 4：基于效用的智能体 然后我们将概括的解释如何把这些智能体转换成学习智能体
1.4K70发布于 2018-04-11 - 来自专栏DeepHub IMBA
AI智能体开发实战：从提示工程转向上下文工程的完整指南
还记得去年各大公司给提示工程师开出30万美元年薪的疯狂时期吗？现在这些招聘信息基本销声匿迹了。从技术角度看，提示工程确实有些"投机取巧"的意味——本质上就是让人们相信自己在做"工程"工作的华丽包装。 人们开始把传统软件工程的严谨方法和大语言模型的能力结合起来。这篇文章会深入探讨如何构建真正可扩展、生产环境稳定的智能体工作流。 上下文工程才是核心 虽然我从一开始就对提示工程持保留态度，但不得不承认这个领域的确积累了不少有价值的经验。没有万能的提示技巧，但针对特定数据集和场景，某些提示方法确实能带来明显的性能提升。 用户、应用、流水线和其他智能体应该能够通过简单的API启动智能体。智能体及其编排的确定性代码应该能在需要长时间运行的操作时暂停智能体。 webhook等外部触发器应该能让智能体从中断的地方恢复，而不需要与智能体编排器深度集成。
25910编辑于 2025-11-15 智能体（Agent）全面解析：什么是智能体agent
一、什么是智能体（Agent）？智能体是一个能够自主思考、决策、调用工具的智能代理系统。 它不仅仅是简单的问答机器人，而是具备以下核心能力的自主系统：思考能力：理解用户意图，分析任务需求决策能力：规划执行步骤，选择合适工具行动能力：调用外部工具，执行具体操作记忆能力：记住上下文，积累经验智能体的价值智能体的出现 智能体的核心优势大脑：LLM提供强大的理解和推理能力undefined记忆：记住对话历史，保持上下文连贯工具：灵活调用各种外部能力二、两种搭建智能体的路径根据技术门槛和应用场景，智能体的搭建主要有两种方式 四、RAG vs Agent智能体RAG（检索增强生成）和Agent是两种不同的技术路线，但可以相互配合。 随着LLM能力的不断提升和工具生态的日益丰富，智能体将在更多领域发挥重要作用，成为我们工作和生活中不可或缺的智能伙伴。您好，我是肥晨。
2.4K21编辑于 2026-03-02- 来自专栏农民工前端
智能体（Agent）全面解析：什么是智能体agent
一、什么是智能体（Agent）？ 智能体是一个能够自主思考、决策、调用工具的智能代理系统。 智能体的出现，让AI从单纯的"对话者"进化为真正的"执行者"。 智能体的核心优势 大脑：LLM提供强大的理解和推理能力 记忆：记住对话历史，保持上下文连贯 工具：灵活调用各种外部能力 二、两种搭建智能体的路径 根据技术门槛和应用场景，智能体的搭建主要有两种方式： 1️⃣ 四、RAG vs Agent智能体 RAG（检索增强生成）和Agent是两种不同的技术路线，但可以相互配合。 随着LLM能力的不断提升和工具生态的日益丰富，智能体将在更多领域发挥重要作用，成为我们工作和生活中不可或缺的智能伙伴。
92210编辑于 2026-03-03 工程技术：在智能体优先的世界中利用 Codex（转）
人类负责掌舵，智能体负责执行。 我们刻意施加这一约束，是为了逼迫自己搭建出真正必要的支撑结构，把工程速度提升数个数量级。 最终，这个项目增长到约一百万行代码，而完成这一切只用了数周。 智能体缺少实现高层目标所需的工具、抽象和内部结构，因此难以有效推进。于是，工程团队的主要职责变成了：帮助智能体具备完成有价值工作所需的条件。 怎样才能让这种能力对智能体既清晰可读，又可被强制执行？ 人类几乎完全通过提示与系统交互：工程师描述任务、运行智能体，然后让它自行创建 Pull Request。 就像你会向新同事介绍产品原则、工程规范和团队文化，甚至包括大家偏爱的表情符号一样，把这些信息提供给智能体，会显著提高输出的一致性。 这一框架也迫使我们更明确地面对取舍。 这种架构，在人类团队里往往要等到拥有数百名工程师时才会认真推进；但对于编码智能体，它是一项早期前提。没有这些约束，速度很快就会下降，架构也会开始漂移。
31310编辑于 2026-03-30
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