- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器之心
科研智能体「漫游指南」—助你构建领域专属科研智能体
当前基于大语言模型（LLM）的智能体构建通过推动自主科学研究推动 AI4S 迅猛发展，催生一系列科研智能体的构建与应用。 与传统综述不同，本篇综述为大家呈现了科研智能体的「漫游指南」，旨在提供构建科研智能体的「说明指南」：从科学研究的全周期出发，概述了科研智能体的分级策略，并详细阐述了对应等级的构建策略与能力边界；同时该「 漫游指南」详细阐明了如何从头构建科研智能体，以及如何对科研智能体的定向能力进行增强。 通过结合科学研究全生命周期与科研智能体构建策略，本综述深入剖析了构建策略与科研流程之间相互促进与协同的过程，揭示了科研智能体设计与应用之间的独特联系。 图 3｜不同等级科研智能体汇总 从头构建科研智能体 本综述凝练了科研智能体的构建过程，从头构建科研智能体的工作流主要为知识组织、知识注入以及工具集成三个部分构成。
41910编辑于 2025-09-02 - 来自专栏后端开发从入门到入魔
智能体应用开发：构建各类垂直领域的ai智能体应用
智能体在AI中的角色 智能体（Agent）是AI领域中一个关键的概念，它指的是能够在特定环境中自主运作并执行任务的软件实体。智能体不仅可以感知其环境，还能做出决策并采取行动以达成目标。 功能定义：列出智能体需要实现的具体功能。 场景模拟：设想智能体在不同情境下的应用案例。 性能指标：确定智能体的性能标准，如响应时间、准确性等。 智能体架构设计 智能体的架构设计是构建其内部结构和组件的过程。一个良好的架构设计能够确保智能体的灵活性、可扩展性和可维护性。架构设计的关键要素包括： 感知模块：负责收集环境信息。 这些工具和平台能够提供必要的支持，帮助开发者快速构建和测试智能体。 开发环境：选择支持智能体开发的语言和开发环境，如Python、Java等。 开源框架与库 利用开源框架和库可以减少开发工作量，同时利用社区的力量来改进和维护智能体： 机器学习框架：如TensorFlow、PyTorch等，用于构建和训练智能体的模型。
1.9K11编辑于 2024-06-13 - 来自专栏自然语言处理
体验智能体构建过程：从零开始构建Agent
工具：智能体可以根据用户请求执行的预定义函数。 工具箱：智能体可用工具的集合。 系统提示：指导智能体如何处理用户输入并选择合适工具的指令集。 2. 实现 现在，让我们卷起袖子开始构建吧！ 构建智能体 2.1 前提条件 在运行代码之前，确保你的系统满足以下前提条件： 1. Python环境设置 你需要安装Python来运行AI智能体。 步骤4：构建工具箱 ToolBox类存储智能体可以使用的所有工具，并为每个工具提供描述： class ToolBox: def __init__(self): self.tools_dict 总结 在这篇博文中，我们探索了智能体的概念，并一步步实现了它。我们设置了环境，定义了模型，创建了基本工具，并构建了一个结构化的工具箱来支持我们智能体的功能。 最后，我们通过运行智能体将所有内容整合在一起。 这种结构化方法为构建能够自动执行任务并做出明智决策的智能交互式智能体提供了坚实的基础。
3.5K10编辑于 2025-04-13 如何构建企业级智能体应用 -- 两天的“AI智能体构建工作坊”有感
5月21~22日，IBM针对合作伙伴在上海举办了“AI智能体构建工作坊”，基于watsonx平台进行了实战教学，两天亲身完整体验了企业级智能体应用的构建。 watsonx Orchestrate通过Skill Studio实现企业基于API、技能流和自动化智能决策工作流的技能构建，构建好的技能可以直接用于AI智能体或AI助手。 watsonx.ai提供了各种大小模型的训推环境，为智能体的构建提供了Langraph，CrewAI等框架，提供基于Notebook和可视化界面方式构建智能体，并封装提供AI服务的能力。 ，可以微调一个基础模型，可以可视化构建一个新模型，可以基于Python或R语言notebook构建智能体和模型等。 企业级智能体平台应该能够为构建智能体提供所有的构建积木块（能力、工具和技术），提供简便的构建方法，并提供部署运行和运营监控的载体。
46721编辑于 2025-05-30- 来自专栏AI前沿技术
智能体｜Workflow和Agent的区别与构建
智能体（Agent）与工作流（Workflow）已逐渐成为串联大模型、工具与实际业务场景的核心载体。业务场景的实际落地离不开标准化流程，而Agent则为标准化流程，提供了智能升级的新方法。 1.2，Agent 智能体 Agent 是具备自主决策能力的AI实体。依靠大模型的认知与推理能力，动态决定任务执行的流程、工具调用时机与方式，拥有核心决策权。 1.3，Agentic 系统 Agentic 系统是通过“智能体化”设计，将大模型、工具与流程整合，实现任务自动化或半自动化执行的系统。 其核心并非“是否自主决策”，而是“以智能体为核心串联资源，达成任务目标”，所以无论是预编排的工作流，还是具备自主决策权的Agent，都属于Agentic系统 构建Agentic系统的一个核心原则：保持工作流简洁 2.7，自主智能体Agent 核心逻辑：以用户指令或任务为起点，自主规划任务执行路径。 如果用户的指令是清晰的，智能体就可以自己规划独立的完成任务。
50310编辑于 2026-01-26 - 来自专栏AI前沿技术
智能体｜Workflow和Agent的区别与构建
智能体（Agent）与工作流（Workflow）已逐渐成为串联大模型、工具与实际业务场景的核心载体。业务场景的实际落地离不开标准化流程，而Agent则为标准化流程，提供了智能升级的新方法。 1.2，Agent 智能体 Agent 是具备自主决策能力的AI实体。依靠大模型的认知与推理能力，动态决定任务执行的流程、工具调用时机与方式，拥有核心决策权。 1.3，Agentic 系统 Agentic 系统是通过“智能体化”设计，将大模型、工具与流程整合，实现任务自动化或半自动化执行的系统。 其核心并非“是否自主决策”，而是“以智能体为核心串联资源，达成任务目标”，所以无论是预编排的工作流，还是具备自主决策权的Agent，都属于Agentic系统 构建Agentic系统的一个核心原则：保持工作流简洁 2.7，自主智能体Agent 核心逻辑：以用户指令或任务为起点，自主规划任务执行路径。 如果用户的指令是清晰的，智能体就可以自己规划独立的完成任务。
94220编辑于 2026-01-20 - 来自专栏张善友的专栏
基于 MemNet 构建智能体 Zettelkasten 认知记忆架构
绪论：大型语言模型的状态危机与记忆抽象的范式转移 在当代人工智能的发展轨迹中，构建具备长期连贯性、复杂推理能力以及自我演化特征的自主智能体（Autonomous Agents）始终面临着一个基础性的架构瓶颈 基于上述理论背景，本文将深入剖析如何利用 MemNet：https://github.com/TianqiZhang/mem.net 这一专为智能体设计的统一记忆基础设施，在其之上构建严谨的 Zettelkasten 二者的结合，为构建具备可组合性、简单性且防冲突的下一代智能体记忆系统提供了完整的蓝图。 确定性上下文组装与认知工程 在智能体利用 Zettelkasten 执行复杂任务时，最为关键的步骤是在将提示词（Prompt）送入大语言模型进行推理之前，构建高质量的上下文环境。 通过这种方式，智能体可以动态地修改每个回合之间的上下文，实施摘要、剪枝或重新构建框架的操作，从而有效地遏制认知漂移的发生。
20910编辑于 2026-03-08 - 来自专栏AI前沿技术
智能体｜Agent 自动化评测系统构建
2）业务实操，评测数据集构建和分类体系。 3）以深度研究评测为例，介绍 RACE 和 FACT 评测框架。 1，评估的必要性 辛苦上线后的Agent，用户反馈说体验变差了！团队的天都塌了。 3，深度研究 Agent 测试集准备 深度研究Agent（Deep Research Agent DRA）定义：需要智能体执行多轮网络搜索、信息收集、分析处理并生成高质量报告的复杂问题。 3.1，意图体系构建 收集目标数据集 DeepResearch Bench 收集了一个包含96万个原始用户查询的内部数据集，这些查询来源于用户与支持网络搜索功能的LLM聊天机器人的交互记录。 拔尖任务 确定各主题领域的目标任务数量后，研究重点转向构建既具有高度挑战性又基于真实研究需求的研究任务。这一过程专门用于测试深度研究智能体能力的上限。 ；用于衡量智能体引用的精确度，反映使用合适来源准确支撑陈述的能力。 • 每任务平均有效引用数(E. Cit.)；量化agent在每个任务中检索并呈现的有价值且可验证信息的平均数量。
31610编辑于 2026-02-28 构建企业智能体生态体系：腾讯云智能体开发平台如何引领AI原生转型？
摘要 在AI技术加速迭代的背景下，企业构建智能体生态已成为数字化转型的核心战略。 本文以腾讯云智能体开发平台为核心，结合行业趋势与实战案例，解析企业构建智能体生态的关键路径，并重点呈现腾讯云在模型能力、协作框架及全链路服务上的创新突破。 一、智能体生态构建的核心挑战与趋势 1.1 企业智能体落地的三大核心痛点 数据孤岛：非结构化知识难以激活，业务系统间协同效率低（如某制造企业因数据分散导致智能体决策偏差）； 技术门槛：需同时掌握大模型调优 二、腾讯云智能体开发平台：构建生态的“技术底座” 2.1 核心能力矩阵 腾讯云智能体开发平台基于混元大模型与DeepSeek系列模型，提供三大技术突破： 能力维度 技术特性 结语：智能体生态的终局价值 企业构建智能体生态的本质，是建立“数据-知识-决策”的自进化系统。
70610编辑于 2025-09-10- 来自专栏AI智能体从入门到实践
构建AI智能体：反应式智能体：基于感知-行动，AI世界的条件反射
二、什么是反应式智能体 反应式智能体的设计源于对自然界（如昆虫）高效行为的观察，一只蜜蜂不需要构建整个花园的认知地图，它只需根据光线、花朵形状和气味等即时感官输入，就能做出飞向花蜜的决定。 四、反应式智能体的构建 - 包容架构 如何将多个简单的“条件-动作”规则组合起来，形成复杂的行为？机器人学家罗德尼·布鲁克斯提出了经典的 “包容架构”。1. 完整构建步骤1. 定义任务和目标： 明确智能体需要完成什么。例如：“在房间里漫游而不撞到任何东西”。2. 识别相关情境： 列出智能体在执行任务时可能遇到的所有关键场景。 反应式智能体代表的是一种工程哲学：用简单、可靠、可验证的组件构建复杂的智能系统。它提醒我们，有时候最有效的解决方案不一定是最复杂的。 在追求更复杂AI技术的今天，理解反应式智能体的原理和价值，不仅有助于我们构建更可靠的实时系统，也为我们理解智能的本质提供了重要的视角。
41710编辑于 2025-12-14 使用GraphBit构建生产级智能体工作流
本文通过完整示例演示了如何使用GraphBit框架构建面向生产的智能体工作流程。我们将创建端到端的客户支持工单处理系统，展示图结构执行、工具调用和可选的LLM驱动智能体如何在一个系统中协同工作。 classify_ticket", c), ("route_ticket", rt), ("draft_response", dr), ] }构建有向 GraphBit工作流程，包含多个具有明确定义职责的智能体节点：SYSTEM_POLICY = "您是一个可靠的支持运营智能体。 result = executor.execute(wf) return result在单个工单上执行工作流程并捕获执行状态和输出，这最后一步说明了系统如何从离线确定性无缝过渡到完全智能体执行。 总之，我们实现了一个完整的GraphBit工作流程，涵盖运行时配置、工具注册、离线确定性执行、指标聚合，以及可选的基于智能体的外部LLM提供程序编排。
11410编辑于 2026-01-15- 来自专栏AI智能体从入门到实践
构建AI智能体：使用智能助手结合线上API 实现天气查询
智能Agent作为基于千问大模型的智能框架，支持通过工具调用扩展能力，而天气API则提供了稳定、实时的气象数据服务。 本文旨在实现QwenAgent的Assistant助手与高的天气API的无缝集成，构建一个能响应用户自然语言查询、返回精准天气信息的智能系统。 role': 'assistant', 'content': '北京今天晴，温度25°C...'}总而言之，Assistant 类是 QweAgent 框架的核心，它提供了：简化的API接口：让开发者快速构建智能助手应用强大的工具集成 四、对比 function call 的实现 在《构建AI智能体：Function Calling - 解锁大语言模型的实际行动力+案例解析》一文中我们讲过通过Function Calling 、初始化Assistant，实现自然语言到天气数据的转换测试验证功能并解决常见问题 这个项目不仅提供了实用的天气查询功能，更重要的是展示了如何将 AI 大模型与实际 API 服务相结合，构建真正有用的智能应用
48410编辑于 2025-12-04 企业如何高效构建智能体生态体系？腾讯云智能体开发平台解锁AI落地新路径
随着人工智能技术加速渗透业务场景，构建覆盖全链路的智能体生态体系已成为企业数字化转型的核心竞争力。然而，智能体开发面临技术门槛高、资源整合难、成本可控性差等挑战。 本文结合行业实践，解析企业构建智能体生态的关键路径，并推荐腾讯云智能体开发平台（Tencent Cloud ADP）——一款集成了多模型能力、低代码工具与企业级安全管控的一站式解决方案。 一、智能体生态体系：从单点应用走向全局协同 智能体生态体系并非孤立AI应用的堆砌，而是通过统一平台整合数据、模型、业务流程，实现智能体之间的协同与迭代。 二、四步构建智能体生态，腾讯云ADP提供全链路支持 基于腾讯云智能体开发平台的实践，企业可分四步搭建可持续演进的智能体生态： 框架选型：选择兼容LLM+RAG、Workflow、Multi-agent 结语 构建智能体生态体系是企业拥抱AI浪潮的必由之路。腾讯云智能体开发平台以“可信、专业、开放、可靠”为核心优势，提供从开发到运维的全生命周期支持，助力企业快速落地高精准、可演进的智能应用。
20910编辑于 2026-02-05- 来自专栏AI智能体从入门到实践
构建AI智能体：LangChain智能体：打造会使用工具(Tools)、有记忆(Memory)的AI助手
它提供了一套完整的工具和组件，帮助开发者构建基于大语言的复杂应用程序，如智能对话系统、知识问答平台、内容生成工具等。 基础内容可参考《构建AI智能体：解密LangChain中的RAG架构：让AI模型突破局限学会“翻书”答题》二、LangChain的核心组件模型层Models：模型层是 LangChain 的基础，支持多种大语言模型接口 、功能丰富的LangChain多工具智能体，适合作为更复杂应用的基础框架。 <meta name="keywords" content="<em>构建</em>AI<em>智能</em><em>体</em>：十八、解密LangChain中的RAG架构：让AI模型突破局限学会“翻书”答题"> <meta name="description Final Answer: <em>构建</em>AI<em>智能</em><em>体</em>：十八、解密LangChain中的RAG架构：让AI模型突破局限学会“翻书”答题-CSDN博客2025-09-13 14:19:58,233 - LangChainAgent
96310编辑于 2025-11-24 构建基于Skills的AI智能体系统，让智能体做自举黑客
我最近在研究claude-code，并且对智能体有了更新的认识。 claude-code是一款编程工具，但是本质上它是一个AI智能体，可以完成包括编程在内的其他任务，因为它可以根据任务的进度，实时的对当前所发生的事情进行思考，并自行作出决策，因此，如果交给它的任务是类似规划旅游路线 不过，今天，我将详细讨论一下它里面的skills这个可能颠覆下一代智能体的新技术。 什么是Skills？ 智能体构建进入Skills时代 从最原始的工具调用到MCP再到Skills，智能体完成了第二次工具调用的进化。 如果在某个领域，我们知道问题所在，而手里又正好有所有的钥匙，那么我们就可以构建出一个好的针对该领域的agent。并且，构建的成本和效率都会变得令人满意。
1.4K10编辑于 2025-12-29利用AgentCore平台实现AI智能体的构建与部署
利用AgentCore平台实现AI智能体的构建与部署将智能体从原型阶段安全、可靠地扩展到生产环境某中心认为，AI智能体正处于一个关键的转折点。 企业愿意将业务托付的智能体需要一个企业级的运营基础——安全、可靠、可扩展，并且专为智能体的非确定性本质而构建。 AgentCore：快速将智能体投入生产现已正式可用的AgentCore，让每位开发人员都能快速将智能体从试点项目推向全面生产。它提供了构建、部署和运营智能体所需的完整基础。 AgentCore：一个全面的智能体平台构建智能体可能很困难——需要解决如何与身份提供商集成、如何构建记忆和可观测性，以及如何与工具集成等问题。 以下是其核心能力：按需构建：智能体领域正在快速发展，新的框架、模型和协议几乎每周都在出现。可以使用可组合的AgentCore服务按照需求进行构建，这些服务可以一起或独立使用。
27810编辑于 2025-12-21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 开发者社区热点话题发现 企业竞争情报监控 技术实现方案 数据采集层 使用Python的Scrapy框架构建爬虫，示例代码： import scrapy from datetime import datetime sentiment['label'], 'confidence': sentiment['score'], 'summary': summary } 知识图谱构建 部署架构 采用微服务架构： 爬虫服务：运行在AWS Lambda上的无服务器函数 处理服务：Kubernetes集群运行的NLP容器 存储层：Elasticsearch实现全文检索 前端：React构建的交互式仪表盘
30810编辑于 2025-12-17- 来自专栏机器之心
如何在TensorFlow 2.0中构建强化学习智能体
在这一教程中，我们将会使用 TensorFlow 2.0 新特性，并借助深度强化学习中的 A2C 智能体解决经典 CartPole-v0 环境任务。 TensorFlow 2.0 版的宗旨是让开发者们能够更轻松，在深度强化学习上这一理念显然也得到了发扬：在这个例子中，我们的智能体源代码不到 150 行！ Actor-Critic 的优势 这一部分主要介绍实现许多现代 DRL 算法的基础：Actor-Critic 智能体。 智能体训练循环 最后，我们需要定义一个训练循环，它会相对长一点，但同样也非常直观：采集样本、计算反馈奖励和梯度、最后训练并更新模型。 训练和结果 现在已经预备好在 CartPole-v0 上训练单工作站的 A2C 智能体了，训练过程也就需要几分钟。在训练完成后，我们应该能看到智能体成功实现了 200/200 的目标分值。
1.7K20发布于 2019-04-29 - 来自专栏程序那些事儿
AutoGen Studio：构建多智能体应用的低代码利器
AutoGen Studio 是微软研发的一款功能强大的低代码界面工具，旨在简化多智能体应用的构建流程。 快速原型设计： AutoGen Studio 可以帮助用户快速构建和原型多智能体应用，缩短开发时间。 未来，AutoGen Studio 可能会提供用于协调和管理多台 AI 代理的工具，这将使构建更复杂的多智能体应用成为可能。 更强大的自动化功能： 支持更自动化的工作流程构建和管理。 总结 AutoGen Studio 是一款功能强大且易于使用的低代码界面工具，可用于快速构建和原型多智能体应用。它为构建下一代智能应用提供了强大的平台。 随着不断发展和完善，AutoGen Studio 将成为构建多智能体应用的首选工具之一。
1.6K10编辑于 2024-07-01 使用NVIDIA Nemotron构建分析IT工单的AI智能体
ITelligence 是某机构内部IT组织构建的内部AI智能体，它结合了NVIDIA Nemotron开放模型的高级AI推理能力和图形数据库的表达能力。 该智能体的目的有两个：1) 通过有效利用LLM生成上下文洞见，揭示非结构化支持工单数据中隐藏的见解；2) 使用基于图形的查询来追踪关系、识别异常并大规模发现模式。 这篇博客文章旨在分享我们的经验，并为其他组织构建类似的、强大的AI驱动智能体提供实用指南。 了解更多这个AI智能体旨在弥补IT工单运营中的一个关键差距：从大量非结构化工单数据中获取有意义洞见的挑战。通过集成AI驱动的分析、基于图形的建模和灵活的查询，该平台将运营噪音转化为清晰、可操作的情报。 从自动化的根本原因识别和丰富的上下文增强，到实时的执行摘要和主动警报，该智能体可以赋予团队做出明智决策所需的清晰度和速度。
25110编辑于 2025-12-15
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