- 综合排序
- 最热优先
- 最新优先
- 来自专栏CodeGuide | 程序员编码指南
新项目完结，Ai Agent 智能体、拖拉拽编排！
这是一套综合前后端 + Dev-Ops，基于 Spring Ai 框架实现，Ai Agent 智能体。 耗时7个多月，38节课程（视频+文档），从 RAG 到 MCP，再实现出互联网企业级，可编排的 Ai Agent 智能体，现已全部开发完成 + 部署上线。 掌握一套可视化链路编排运用能力，通过前端页面的拖拉拽操作，完成 AI Agent 智能体的动态配置、加载和使用（非常丝滑）。 管理界面管理后台目前提供了，代理管理（拖拉拽编排方式配置智能体），资源管理（model、client、mcp、advisor、prompt）数据分析、系统设置，是样例，你可以继续扩展你所需要的内容。 页面使用5.1 对话交流5.2 场景解析5.3 监控分析配置后的智能体，可以在智能体选择里进行获取使用。之后进行提问。效果还不错，这里小傅哥验证了配置的智能体进行提问。
47310编辑于 2025-10-14 - 来自专栏CodeGuide | 程序员编码指南
新项目完结，Ai Agent 智能体、拖拉拽编排！
这是一套综合前后端 + Dev-Ops，基于 Spring Ai 框架实现，Ai Agent 智能体。 耗时7个多月，38节课程（视频+文档），从 RAG 到 MCP，再实现出互联网企业级，可编排的 Ai Agent 智能体，现已全部开发完成 + 部署上线。 掌握一套可视化链路编排运用能力，通过前端页面的拖拉拽操作，完成 AI Agent 智能体的动态配置、加载和使用（非常丝滑）。 管理界面 管理后台目前提供了，代理管理（拖拉拽编排方式配置智能体），资源管理（model、client、mcp、advisor、prompt） 数据分析、系统设置，是样例，你可以继续扩展你所需要的内容。 页面使用 5.1 对话交流 5.2 场景解析 5.3 监控分析 配置后的智能体，可以在智能体选择里进行获取使用。之后进行提问。 效果还不错，这里小傅哥验证了配置的智能体进行提问。
43311编辑于 2025-11-21 AI长篇小说写作质量保证体系：从单智能体到多智能体编排
AI长篇小说写作质量保证体系演进从单智能体到多智能体编排一个持续八天的Workflow工程复盘（3月26日 → 4月3日）一、问题的起点用AI辅助写长篇小说，最大的坑不是"写不好"，而是"写得多错得多" · 主智能体退出了创作和审核角色——只做编排和验证但v2目前还不是完整的异步团队模式。 教训3：工作流编排和智能体架构是两件事· 工作流编排：定义节点顺序、输入输出、质检规则· 智能体架构：定义谁在执行、上下文如何隔离v1把两件事混在一起，用工作流编排规则来弥补架构缺陷。 v2把它们分开：工作流由主智能体编排，质量由独立子智能体保障。更深一层：工具的底层能力和触发方式是两件事。 ：编排+创作+审核编排+验证纯编排，零创作零审核防自欺机制需要8种门控不需要（架构防自欺）不需要代码复杂度check_staging.py 573行checkpoint.py 170行待定实际效果假多智能体真独立子智能体
31210编辑于 2026-04-03- 来自专栏山行AI
crewAI—用于编排角色扮演的AI agent（超级智能体）
crewAI crewAI的标志，两个人在划船[1] 用于编排角色扮演的自治AI代理的尖端框架。通过促进协作智能，CrewAI使代理能够无缝协作，处理复杂任务。 无论您是在构建一个智能助理平台，自动化的客户服务团队，还是多代理研究团队，CrewAI都提供了复杂的多代理互动的支持。 在Autogen中，编排代理的互动需要额外的编程，随着任务规模的增长，这可能变得复杂和繁琐。 ·ChatDev：ChatDev引入了流程概念到AI代理领域，但其实现相当僵硬。
12.2K11编辑于 2024-01-12 企业智能体AI编排器的核心作用与架构
企业智能体AI的编排器架构解析根据某咨询机构的调研，近八成企业正在使用生成式AI，但仅有少数企业能从中获得实际效益。解决这一价值难题的关键在于编排功能——这正是智能体实现自主化的核心环节。 平台解决方案营销总监指出，控制平台扮演着“编排器的编排器”角色，将多种工具连接在一起。预计在未来12-24个月内，编排重点将从应用程序和接口转向智能体。 智能体经济的实践路径以某机构的数字劳动力平台为例，该平台为企业提供规模化AI智能体的可视化控制。无论是数据仓库还是客户关系管理系统，所有这些系统都将通过智能体AI实现功能自动化。 “编排器的角色将发生转变，重点是实现跨系统智能体的自动化连接，”总监强调，“在未来的‘智能体经济’中，控制平台将承担跨系统智能体编排的核心职能。” “发展速度将非常快，这意味着供应商必须在六个月内做好准备，”总监表示，“某中心正通过大胆的愿景规划推动智能体经济发展，而编排技术正是实现业务成果的核心载体。”
14810编辑于 2025-09-28- 来自专栏张善友的专栏
Lucia 智能家居自治系统：基于多智能体编排与边缘计算融合
该框架大幅消减了构建、管理和监控自治智能体所需的样板代码，使得 Lucia 这样的开源项目能够以极低的开发成本实现企业级的多智能体编排模式。 隐私至上与数据主权：本地化推理与边缘计算的胜利 如果说底层框架和多智能体编排赋予了 Lucia 强大的智能，那么对隐私保护的极致追求则是驱动该项目诞生的灵魂。 由于 Lucia 的多智能体图论路由与 Home Assistant 的设备控制均发生在封闭的局域网内部，因此即使在外部光缆被切断的极端物理隔离状态下，Lucia 的多智能体编排、上下文理解与设备自动化逻辑依然能够完美 系统将一直处于等待状态，直到捕获到用户明确的生物识别或密码学授权指令后，编排器才会放行执行智能体完成最终的高危动作。 随着边缘计算硬件算力的按照摩尔定律持续飙升，以及.NET 10 等企业级框架对多智能体编排技术的彻底民主化，可以预见，以 Lucia 的多智能体本地化架构为蓝本的系统，必将不可逆转地成为构建安全、灵敏、
25210编辑于 2026-03-08 - 来自专栏大模型应用开发
Data Agents-Part 2 ：揭秘 AI 量产关键：多智能体编排
定制化AI系统开发全流程：多智能体编排才是量产关键在定制化AI系统的完整生命周期里，咱们一般会按三步走来：基于现成的预训练大模型（比如GPT-5、Claude这类狠角色）针对特定领域任务做微调结合真实业务场景的反馈 ，用强化学习打磨效果但要把模型的“蛮力”转化为能落地的产品，还得补上第四步——多智能体协同编排。 、以及该派哪个智能体上场专项智能体（Sub-Agents）：个个身怀绝技，但术业有专攻web_researcher（网页研究员）：负责从公开网络上扒数据chart_generator（图表生成器）：跑Python 调度器节点：整个系统的交通警察调度器的核心职责就三件事：判断当前任务是否需要重新规划决定下一步该派哪个专项智能体出马生成这个智能体要执行的具体子查询def executor_node(state: State financial regulations", "enabled_agents": ["web_researcher", "synthesizer"],}graph.invoke(state)编排层才是量产的关键这套多智能体编排层
39910编辑于 2025-12-20 - 来自专栏人工智能项目落地实战
深入解析AI Agent和智能体编排
二、核心概念：AI Agent技术演进与智能体编排革命 1. 智能体编排：从单兵作战到集团军协同 当电商平台在618大促期间，需要同时协调2000个智能体处理订单、风控、客服等任务时，单点智能的局限暴露无遗。 这正是智能体编排系统的价值所在： 技术架构的三重突破 1. 动态工作流引擎 动态工作流引擎是一种能够根据任务需求和环境变化，实时调整任务执行流程的系统。 在实际企业生产环境中，举个例子，药企部署智能体编排系统后，药物研发流程产生质变： 文献分析Agent自动提取5000篇论文的核心结论（耗时从3周→4小时） 分子模拟Agent集群并行测试1200种化合物组合 当我们理解AI Agent从"执行工具"进化为"认知实体"，智能体编排从"机械调度"升级为"元认知协调"，就能洞察DeepSeek与Manus的平台差异本质上是对未来智能形态的不同解法。
1.7K61编辑于 2025-03-10 - 来自专栏AI人工智能
CrewAI与LangGraph：下一代智能体编排平台深度测评
开篇摘要在过去的一年里，我深度研究了多种智能体编排平台的技术演进，见证了从单一智能体应用向多智能体协作系统的转变。 随着大语言模型能力的不断提升，**智能体编排(Agent Orchestration)**已成为构建复杂AI系统的核心技术。 本文将从技术架构、编排方式、工作流设计、集成方案四个维度深入分析这两个平台的技术特点，并建立量化测评体系，为开发者选择合适的智能体编排平台提供参考依据。 通过实际代码示例和性能对比，我希望能够帮助读者更好地理解下一代智能体编排技术的发展方向。️ ，我相信智能体编排平台将朝着统一标准化、低代码/无代码化和智能化自动编排的方向发展。
1.6K10编辑于 2025-07-17 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 2026-01-24AI时代MCP+上下文工程能否替代AI智能体+Workflow工作流编排
前段时间我在看了关于上下文工程的资料以后，我就一直在思考一个问题，就是我们把提示词升级到上下文工程以后，再结合MCP协议生态，能不能更好的去替代我们现在用AI智能体+Workflow做的这么一个事情。 所以说基于这个疑问，我刚好昨天也用Google的DeepResearch做了一次深度研究，我的问题很简单，就是上下文工程加上MCP能不能替代AI智能体，整个深度研究报告输出来以后，他也给我做了详细的一个梳理和分析 在深度研究报告中对两种模式进行了详细的分析和对比，并提出AI智能体在任务的规划分解，在反思、在记忆、在精确规则的处理上面仍然有巨大的一些优势。 就是每天提取当天的热点新闻，提取完了以后再形成一个文档，或者是形成一个邮件发送给大家，这个是一个很典型的多步骤处理，往往我们用AI智能体编排来实现的这么一个工程。 所以通过这个简单的验证，我仍然是坚持我的观点，就是随着MCP协议生态的成熟，我们的上下文工程加MCP工具，再加上本地生成的精确处理问题的Python的代码，这三者加起来是一定可以代替大部分当前的AI智能体加
29911编辑于 2025-07-24- 来自专栏算法之名
AI智能体
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 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。
92010编辑于 2026-03-03 - 来自专栏phodal
自定义 RAG 工作流：在 IDE 中结合 RAG 编排，构建可信的编码智能体
构建编码智能体并非一件容易的事。 结合我们在 AutoDev、ArchGuard Co-mate、ChocoBuilder 等智能体项目的经验，我们开始思考在 Shire 语言中提供一种新的 RAG 工作流。 结合我们先前构建的 IDE 基础设施（代码生成、代码校验、代码执行等接口），现在你可以构建出更可信的编码智能体。 TL；DR（太长不看）版 现在，你可以使用 Shire + 自定义的 RAG 流程智能体编排。 我们还尝试了不同的编码智能体的实现方式，以及不同的编码智能体的实现方式。
84410编辑于 2024-07-30 - 来自专栏ceshiren0001
2025年测试工程师的核心能力：掌握Dify工作流编排AI测试智能体
掌握用Dify这样的AI工作流平台来编排“AI测试智能体”，将成为你的新护城河。在传统的自动化测试中，我们编写脚本（如Selenium, Playwright）来模拟用户操作，验证预设结果。 Dify，作为一个领先的LLM应用开发平台，其强大的工作流（Workflow） 功能，正是我们编排这些测试智能体的绝佳舞台。核心概念：什么是“AI测试智能体”？ 极高的工作效率： 从用例生成到测试执行，再到智能分析与报告，全程自动化。一次编排，无限次执行。清晰的关注点分离： 每个智能体职责单一，易于维护和迭代。 Dify工作流为我们提供了低门槛、高可视化的编排工具，而你对测试原理、业务场景和AI能力的深刻理解，则是设计出强大测试智能体的灵魂。 现在，是时候拥抱变化，将自己从重复的脚本编写中解放出来，成为一名定义未来质量体系的“智能体编排大师”了。
57501编辑于 2025-11-25 构建拟人化攻击智能体：从模块化编排到端到端渗透的架构演进
但在实际的业务场景中，传统的 Pentest Agent 在应对复杂 Web 渗透任务时，往往面临着能力扩展受限和协同效率不足的瓶颈： 协同机制割裂： 现有的多智能体协作框架（如 AutoPT 和 VulnBot 引入具备多维技能的拟人化攻击智能体引擎 为了突破传统基于固定规则的安全测试局限，技术团队以 ReAct (Reason + Act) 架构为底层逻辑，构建了高敏捷的最小可行性产品（MVP），并横向扩展出具备拟人化操作能力的攻击智能体 构建渗透任务的模块化编排与端到端涌现链路 在底层架构落地阶段，系统提供了“模块化分工”与“端到端涌现”两条技术路线，满足从确定性任务执行到高阶模型推理的不同业务诉求： 部署模块化分布式编排 (Modularization 顶层由主编排器向核心 Agent 集群（覆盖意图理解、资产侦察、漏洞检测、验证及报告生成）分发任务；底层直连 CVE/PoC 知识库与 httpx/nuclei 等扫描引擎，有效控制了复杂任务的并发运维成本 赛事以“AI 驱动安全未来，与 XBOW 共赴智能攻防之巅”为主旨，不仅为安全从业者提供了极其贴近真实业务的检验靶场，也为下一代大模型驱动的自动化攻防引擎建立了权威的验证与孵化生态。
18520编辑于 2026-04-05生产级 Agent 编排 从单一 LLM 调用到多智能体工作流的工程设计
一、单 LLM 调用的边界在哪里先明确一件事：不是所有场景都需要 Agent 编排。 这个任务的特点是：· 有多个步骤，每步依赖上一步的输出· 需要调用外部系统（工单系统、人员系统）· 有条件分支（不同类型走不同处理路径）· 可能需要等待（人工审批）二、Agent 编排的核心概念 设计好 context schema 是整个编排稳定运行的关键。 记录节点的输入、输出、执行时间、模型调用的 token 消耗· 给每次执行生成唯一的 trace_id，方便追踪完整链路· 关键决策节点记录「为什么走了这条路」工程实践补充如果你不想从零搭一套编排引擎 开源方案里 LangGraph 的图结构设计比较完善；如果需要企业级权限控制、资产管理和可视化编排界面，ZGI（zgi.cn）提供了一套完整的工作流引擎，底层是 Golang 自研，支持私有化部署。
37010编辑于 2026-03-23
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