【干货收藏】揭秘多智能体：如何让多个专业AI协作，解决单体大模型的痛点

原创 于 2025-12-23 21:53:48 发布 · 728 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #学习 #ai #程序员 #prompt #转行 #大模型

大家有没有发现，让ChatGPT写个简单文案很棒，但一旦任务复杂起来就不行了？

比如让它"分析20家科技公司并给出投资建议"，它要么回答太浅显，要么逻辑混乱，要么信息过时。根本原因是：一个人再厉害，也干不过专业团队。

AI也是如此。单个大模型就像"万能型员工"，什么都会一点，但什么都不精通。

那怎么办？答案是：多智能体系统 - 让多个专业AI协作，就像组建一个专家团队。

一、多智能体（Multi-Agent）

一个故事说清楚：什么是多智能体？

老板给你一个任务：“帮我分析特斯拉是否值得投资，明天要用。”

你慌了，这活儿太复杂：要查财报、分析行业、对比竞品、写报告…

（1）方案A：你一个人干晚上12点了，你还在电脑前。

  • 刚查完特斯拉财报，眼睛都花了
  • 还得分析汽车行业趋势，头都大了
  • 写报告？已经没脑子了，随便写几句
  • 检查质量？算了，没时间了

结果：累死你，报告还不一定靠谱。

（2）方案B：组建团队，你找来4个同事。

  • 小李（研究员）：专门收集数据，他对信息搜索特别在行
  • 小王（分析师）：专门分析数据，财务建模是他强项
  • 小张（写手）：专门写报告，文笔一流
  • 老刘（审核员）：专门挑毛病，质量把控严格

分工明确，各司其职，2小时搞定高质量报告。

多智能体系统就是方案B的AI版本：让多个专业AI协作，而不是让一个AI包办一切。

多智能体的三个核心秘密是什么？

听起来简单，但要真正搞懂多智能体，你需要掌握三个核心秘密。

  • 角色分工 - 让每个AI专精一个领域，越专业效果越好
  • 任务流转 - 设计清晰的信息传递流程，上一步的输出是下一步的输入
  • 协调机制 - 有统一的"项目经理"负责任务分配、进度控制和质量把关

秘密1：角色分工（Role Division）

每个AI都有专门的"人设"和技能点

传统单体AI：万金油
用户：分析特斯拉投资价值
多智能体：专业分工
研究员AI：

关键洞察：专业的人做专业的事，效果比万能选手好10倍。

秘密2：任务流转（Task Flow）

信息像流水线一样有序传递

一个完整的任务流转过程：
用户输入：分析特斯拉投资价值

关键洞察：每一步的输出都是下一步的精准输入，没有信息浪费。

秘密3：协调机制（Coordination）

有个"项目经理"统筹全局

协调机制包含三个核心功能：

1. 任务分配

项目经理AI：

2. 进度控制

第10分钟：研究员完成60%，按计划进行

3. 质量把关

每个环节完成后自动检查：

关键洞察：有人管全局，才不会乱套。协调机制是多智能体的大脑。

二、OpenManus架构

多智能体OpenManus的架构是什么？

OpenManus通过"分层继承 + 双模式执行 + 工具生态"的架构设计，实现了既简单又强大的多智能体系统，特别适合需要灵活扩展和快速部署的AI智能体应用场景。

1. 智能体层（Agent Layer）- OpenManus的分层智能体设计

OpenManus通过分层继承架构实现智能体的专业化分工，从BaseAgent到专业智能体的渐进式设计确保了每个AI"员工"都有明确的角色定位和工具调用能力，同时保持统一的接口标准便于系统集成。

  • 分层继承设计：采用分层架构设计，从基础智能体到专业智能体，确保高代码复用性、强扩展性和清晰的职责分离
  • ReAct模式集成：ReActAgent实现think-act-observe循环模式 ，每个智能体都具备思考-行动-观察的能力
  • 工具调用抽象：ToolCallAgent处理工具/函数调用的抽象，包括工具选择、参数解析、结果处理和错误处理机制。
  • 统一接口标准：所有智能体都继承自BaseAgent，保证调用接口的一致性

2. 流程控制层（Workflow Layer）- 双模式编排系统

OpenManus通过双模式执行架构和PlanningFlow实现智能化项目管理，从LLM生成结构化计划到状态机式执行跟踪，确保多智能体任务能够有序协调、容错执行并达成最终目标。

  • 双执行模式：提供直接智能体执行模式（main.py）和流程编排执行模式（run_flow.py），适应不同复杂度任务。
  • 结构化计划管理：PlanningAgent负责基于用户输入创建结构化计划、记录每个步骤的执行状态、自动标记当前活动步骤并更新完成状态。
  • 状态机式执行：通过清晰的状态转换管理执行流程，确保每个步骤都能正确完成或优雅失败。
  • 智能体协调机制：ManusAgent.py负责管理整个协作流程，实现多智能体间的任务分配和结果汇聚。

3. 数据传递层（Data Flow Layer）- 工具生态与数据标准化

OpenManus通过统一工具接口和丰富工具生态构建标准化数据流水线，实现智能体间以及与外部系统间的无缝数据传递和工具调用。

  • 丰富的工具生态：内置Python执行、浏览器交互、搜索等工具，满足多样化任务需求。
  • 统一工具接口：ToolCallAgent决定使用哪些工具完成任务、处理JSON格式的工具参数、格式化工具执行结果。
  • 内存式计划存储：PlanningTool使用内存存储计划，适合简单用例但对更复杂场景可能不够可扩展。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
在这里插入图片描述

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
在这里插入图片描述

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

图片

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

图片

  • 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

  • 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

image.png

vx扫描下方二维码即可
在这里插入图片描述

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：
图片

04 视频和书籍PDF合集

图片

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

图片

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
图片

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！
图片

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）图片
在这里插入图片描述

07 deepseek部署包+技巧大全

在这里插入图片描述

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
在这里插入图片描述

【DeepSeek实战】10、模型上下文协议（MCP）全解析：从核心架构到实战应用，揭秘AI协作的“凤雏”之力
专注AI工程化与架构实战。从分布式思维到模型部署，用工程化视角为你厘清AI落地的真实路径。
07-03 1004
摘要： 模型上下文协议（MCP）是解决AI协作瓶颈的关键技术，通过标准化框架实现大型语言模型间的信息交换与上下文维护。文章从MCP的核心概念出发，剖析其作为“AI协作凤雏”的价值，指出其解决了上下文丢失、跨模型协作障碍等痛点。随后详细解析MCP的三大组件（Host、Client、Server）与七层协议栈架构，并介绍其标准化的上下文封装格式（CEF）和操作原语。最后以PostgreSQL数据库访问为例，展示MCP的实操配置与调用流程。全文通过5000+字深度解析与可视化图表，系统阐述MCP如何重塑AI协作格
【干货】AI应用架构师视角：智能客户画像系统的微服务架构设计与高可用实践
AI天才研究院
08-04 850
在当今数字化时代，企业对客户的理解至关重要。智能客户画像系统能够通过整合多源数据，深度分析客户行为、偏好等特征，为企业提供精准营销、个性化服务等方面的有力支持。随着业务规模的扩大和数据量的激增，传统的单体架构在应对复杂业务逻辑和高并发请求时显得力不从心。微服务架构因其松耦合、可独立部署等特性，成为构建智能客户画像系统的理想选择。同时，高可用性是保证系统稳定运行，持续为企业提供价值的关键。本文将从AI应用架构师的视角，深入探讨智能客户画像系统的微服务架构设计与高可用实践。
干货收藏！AI智能体创业全攻略：50个系统方法论助你快速上手
weixin_72959097的博客
10-08 903
这篇文章整理了AI智能体创业的50个系统方法论，涵盖产品定位、商业模式、流量获取、设计与转化策略，以及RAG、多智能体协同等技术应用。从PMF、MVP等产品验证方法，到订阅制、增值服务等盈利模型，再到AARRR增长模型、私域流量等获客策略，为智能体创业提供从开发到变现的全流程指导，适合创业者和技术人员参考。
保险智能体平台：从技术架构到业务落地，重塑保险服务全链路
没事学AI的博客
09-30 1300
本文详解保险行业智能体平台搭建实践，从架构设计到业务落地，提出“三层两域”技术架构（基础设施层、核心能力层、应用层），重点开发智能客服、销售、理赔三大模块。平台通过NLP引擎、规则引擎、知识图谱等核心技术，实现保单查询精准应答（准确率≥95%）、个性化产品推荐（转化率提升28%）、小额理赔秒批（时效从10天缩短至1.5天）。技术保障方面采用微服务改造、多模型融合OCR等方案，确保系统稳定运行。最终通过AI技术实现保险服务全链路智能化升级，未来还将探索大模型自主学习等方向。
提示工程架构师视角：大模型时代AI提示设计的3大新趋势与5大挑战
软件工程实践的博客
08-11 1044
1.0时代（2020-2022）：以GPT-3为代表，提示是“临时技巧”。用户通过试错式的自然语言输入（如“写一篇关于…的文章”）触发模型输出，缺乏系统性方法，更接近“和AI聊天”。2.0时代（2022-2024）：以ChatGPT、GPT-4为标志，提示成为“任务接口”。
AI+实物建模：从点云到模型的全自动生成技术全解析
2501_91889873的博客
06-25 2360
很多人以为“实物建模”就是用扫描仪对着东西拍几张照片，然后电脑自动生成模型。听起来很神奇，但背后的技术可没那么简单。AI+实物建模，正以前所未有的速度改变着我们的建模方式。它不再是遥不可及的前沿科技，而是越来越广泛地应用于建筑、工业、文化、教育、医疗等多个领域。点云预处理：清理数据，为AI提供高质量输入；AI特征识别与结构理解：让机器“看懂”物体；自动网格生成与纹理映射：生成可用于实际应用的模型。并通过实施路线图和注意事项，帮助读者理解如何一步步落地这套系统。
【干货】百试不爽，提高思维能力的5个数据分析模型
CDA数据分析师
01-06 2523
首先，我们需要确定业务的最小单元。在医疗器械行业，最小单元可能是一台特定的医疗设备。例如，对于生产心脏起搏器的公司来说，最小单元可以是一台心脏起搏器。
2025年GitHub革命：微软整合Anthropic AI编码助手，开发者生态迎来“智能编程”时代
like21a的博客
05-21 826
🔥「炎码工坊」技术弹药已装填！ 点击关注 → 解锁工业级干货【工具实测|项目避坑|源码燃烧指南】一、热点引爆：微软为何此时押注AI编程？2025年5月21日，微软在GitHub平台宣布整合Anthropic的人工智能编码助手，这一消息瞬间点燃全球开发者社区。看似一次常规的技术合作，实则是微软在AI编程领域的一次战略级布局——它不仅重新定义了“人机协作”的开发模式，更直击开发者长期痛点，或将引发一场软件工程的范式革命。背后的战略逻辑：二、痛点拆解：传统开发流程的三大“死亡之谷”三、技术原理：AI编码助手如何
AI应用架构师实战：虚拟会展AI智能推荐的架构优化（附案例）
小白菜的博客
09-09 1075
场景与挑战：解析虚拟会展推荐系统的独特性，总结传统架构的四大痛点；架构演进：复盘三代架构的迭代历程（单体架构→分布式架构→云原生架构），对比各阶段的技术栈与瓶颈突破；全链路优化实战：从数据层（批流一体与特征工程）、模型层（多目标模型与推理加速）、工程层（服务拆分与缓存策略）、运维层（监控与弹性伸缩）四大维度，详解优化技术与落地细节；案例解析：以某头部虚拟会展平台的“智能展位推荐”项目为例，展示架构优化的完整流程（问题诊断→方案设计→效果验证）；未来展望。
数据分析Agent白皮书：揭秘Data x AI的底层逻辑与未来关键
LyAGent的博客
12-18 981
《2025数据分析Agent白皮书》指出，数据分析Agent正成为AI落地的核心形态，实现从"人人分析"到"人人消费"的转变。白皮书系统解析了其技术架构（包括Query/Document/DeepAnalyze三大Agent能力）、行业实践（能源/制造/零售等领域）及落地路径，强调需突破数据准度、分析深度与消费广度三大挑战。未来，数据分析Agent将深度融入业务流程，推动"洞察即行动"的自动化决策模式。该技术有望彻底改变企业数据消费方式，使数据智能
多模态赋能情绪理解：Qwen3-VL+LLaMA-Factory 的人脸情绪识别实战
Lab4AI的博客
12-17 1081
本项目依托Lab4AI平台，基于LLaMA-Factory成功对Qwen3-VL进行了完整的微调流程。我们将传统的人脸情绪识别任务与多模态大语言模型（MLLM）相结合，探索了MLLM在视觉情绪理解中的应用。通过微调Qwen3-VL，我们成功将传统的分类任务转化为多模态推理任务，显著提升了模型在复杂场景下的鲁棒性和准确率。这一方案不仅在人脸情绪识别上取得了显著提升，还为其他视觉任务的多模态大模型应用提供了新的思路，具有广泛的应用前景。
全品类电商AI助手诞生，AI试衣+万饰穿戴+图生视频，覆盖全链路
Dreamshop_AI的博客
12-19 1111
DreamshopAI升级推出三大核心功能，全面革新电商视觉生产流程：AI试衣功能通过智能识别服装款式和材质，7-15天模特拍摄缩短至几分钟；万饰穿戴功能突破品类限制，精准还原珠宝、箱包等商品的材质细节；图生视频功能将静态图片转化为高质量短视频，大幅降低视频制作门槛。系统基于千万级电商数据训练，能自动适配不同市场需求，并推出AI试衣屏Dreamfit实现线上线下体验闭环。此次升级使AI成为电商运营的核心生产力工具，将传统视觉制作效率提升3倍以上，推动电商行业进入智能化新阶段。
神经网络基础
m0_54291751的博客
12-17 764
归回问题用的最多的损失函数: **Smooth L1;**+ 分类问题用的最多的损失函数： ****(也可以用于二分类);```python# 1. 加载csv文件数据集.data = pd.read_csv('data/手机价格预测.csv')# print(data.head()) # 查看前五行数据# data.info() # 查看数据是否有缺失值# 2. 获取x特征列 和 y标签列.# 3. 把特征列转成浮点型.
深入NVIDIA Nemotron-3：高效准确的技术、工具与数据深度解析
专注于人工智能领域的小何尚
12-18 906
摘要：NVIDIA Nemotron-3技术解析 NVIDIA Nemotron-3系列模型为构建专业AI智能体提供了突破性解决方案。该系列采用创新的混合Mamba-Transformer MoE架构，结合状态空间模型(Mamba)的长序列处理能力、Transformer的精确推理和MoE的高效计算，支持高达100万token的上下文处理。模型通过NeMo Gym多环境强化学习框架训练，使智能体掌握复杂任务执行能力。技术亮点包括：1)混合架构实现超长上下文推理；2)开源RL训练环境支持智能体开发；3)原生支
[LLM]AIM: Adaptive Inference of Multi-Modal LLMs via Token Merging and Pruning
天下事有难易乎？为之，则难者亦易矣；不为，则易者亦难矣。人之为学有难易乎？学之，则难者亦易矣；不学，则易者亦难矣。
12-20 569
本文提出AIM框架，一种无需训练的多模态大语言模型(MLLMs)推理加速方法。通过双阶段设计：在LLM前基于相似度合并视觉Token，在LLM内基于注意力重要性剪枝Token，显著降低计算量。实验表明，该方法在视频理解任务中可减少6.8倍FLOPs，在图像任务中保持3.7倍加速的同时维持性能。关键发现包括：75%视觉Token冗余、LLM早期层侧重跨模态融合而后期侧重文本推理、跨帧合并会损害视频理解等。该方法支持动态调整压缩比例，为资源受限环境下的高效多模态推理提供了实用解决方案。
企业级 RAG 问答系统开发上线流程分析
最新发布
hello！
12-22 569
这个项目流程是一个非常典型的。
Yolov10n-ReCalibrationFPN-P3456在茶树褐斑病检测中的应用与实践
Dekesas9695的博客
12-21 873
本文提出了一种基于Yolov10n-ReCalibrationFPN-P3456的茶树褐斑病检测方法。通过引入ReCalibration模块增强特征表达能力，改进FPN结构优化多尺度特征融合，并设计P3456特征金字塔提升小目标检测能力。在自建数据集上的实验表明，该方法实现了92.6%的mAP和259FPS的推理速度，显著优于YOLOv5n/YOLOv8n等主流模型。该轻量化模型适合边缘设备部署，为茶树病害智能检测提供了高效解决方案。
界面重构与本地化实践：凤希AI伴侣的自动化演进思考 凤希AI伴侣2025年12月21日
12-21 428
昨日工作总结：完成凤希AI伴侣三项核心开发：1）重构模型选择界面，实现弹窗式分类展示；2）成功测试本地大模型的OCR功能；3）优化配置数据存储方案，采用本地存储+版本管理提升效率。同时深入探讨了AI工具自动化的本质价值——解放人类创造力。今日计划新增内容管理模块，实现H5页面文案和运营推广文案的系统化沉淀。全文由凤希AI智能生成，展现AI辅助工作的实际应用价值。
基于MATLAB的MFCC特征提取与SVM训练实现
wuk998的博客
12-19 363
MFCC（Mel频率倒谱系数）是一种模拟人耳听觉特性的特征提取方法，广泛应用于语音识别、情感分析等领域
【AI大模型实战】3步教你在智能体接入企业微信，全程干货，建议收藏！
08-06
在AI大模型智能体中接入企业微信，实现消息互通，通常可以通过企业微信提供的开放平台API和Webhook机制来完成。以下是详细步骤： ### 1. 注册并配置企业微信应用 首先需要在企业微信管理后台创建一个自建应用，用于与AI智能体进行通信。 - 登录企业微信管理后台，进入“应用管理” -> “创建自建应用”。 - 填写应用名称、应用图标等基本信息。 - 在“可见范围”中设置应用可访问的成员或部门。 - 在“接收消息”选项中启用“接收消息API”，并配置接收消息的服务器URL、Token和EncodingAESKey。这些参数将用于验证消息来源和加密解密消息内容[^2]。 ### 2. 获取企业微信API访问权限 为了能够调用企业微信API发送和接收消息，需要获取相应的权限： - 在应用详情页中找到“API权限”部分，为应用分配“消息发送”和“消息读取”等权限。 - 获取企业微信API的访问令牌（access_token），这是调用大多数企业微信API接口所必需的参数。可以通过调用`https://qyapi.weixin.qq.com/cgi-bin/gettoken?corpid=ID&corpsecret=SECRET`接口，传入企业的CorpID和应用的Secret来获取[^1]。 ### 3. 配置AI智能体的消息处理逻辑 AI智能体需要能够处理来自企业微信的消息，并生成相应的回复。 - 在AI智能体的服务端，实现一个Web服务用于接收企业微信推送的消息。该服务需要能够验证消息来源（通过Token验证）、解密消息（使用EncodingAESKey），并解析消息内容。 - 根据业务需求，编写消息处理逻辑。例如，可以是简单的关键词回复，也可以是复杂的自然语言处理和对话管理。 - 智能体处理完消息后，需要构造回复消息，并通过企业微信API将回复消息发送给用户。可以使用`https://qyapi.weixin.qq.com/cgi-bin/message/send?access_token=ACCESS_TOKEN`接口发送消息。 ### 4. 实现消息的双向同步 为了实现消息的双向同步，确保AI智能体与企业微信之间的消息流通无阻： - 在企业微信应用的“消息通知”设置中，开启“消息同步”功能，确保所有消息都能被正确推送到AI智能体的服务端。 - 对于需要长期存储的消息，可以在AI智能体的服务端实现消息持久化功能，以便后续查询和分析。 - 如果需要支持消息撤回、已读回执等功能，还需要在服务端实现相应的处理逻辑，并通过企业微信API更新消息状态。 ### 5. 安全性和稳定性保障 - 为了保证消息的安全性，建议使用HTTPS协议进行通信，并在服务端实现严格的权限控制和消息验证机制。 - 为了提高系统的稳定性和可用性，建议在服务端实现消息队列和异步处理机制，以应对高并发场景下的消息处理压力。 - 同时，还需要定期监控服务的运行状态，及时发现并解决可能出现的问题，确保消息互通的稳定性和可靠性[^1]。 ### 示例代码：接收企业微信消息并回复 ```python from flask import Flask, request import json import requests app = Flask(__name__) # 企业微信应用的Secret SECRET = 'your_secret' # 企业的CorpID CORPID = 'your_corpid' # 获取access_token def get_access_token(): url = f'https://qyapi.weixin.qq.com/cgi-bin/gettoken?corpid={CORPID}&corpsecret={SECRET}' response = requests.get(url) result = response.json() return result['access_token'] # 发送消息 def send_message(user_id, content): access_token = get_access_token() url = f'https://qyapi.weixin.qq.com/cgi-bin/message/send?access_token={access_token}' data = { "touser": user_id, "msgtype": "text", "agentid": 1000001, # 应用的AgentId "text": { "content": content }, "safe": 0 } response = requests.post(url, data=json.dumps(data)) return response.json() @app.route('/wechat', methods=['GET', 'POST']) def handle_wechat(): if request.method == 'GET': # 验证回调URL echostr = request.args.get('echostr') return echostr else: # 处理接收到的消息 data = request.json user_id = data['FromUserName'] content = data['Content'] reply_content = f'您发送的消息是：{content}' send_message(user_id, reply_content) return 'success' if __name__ == '__main__': app.run(port=80, host='0.0.0.0') ``` ### 6. 测试与上线 - 在开发完成后，建议进行充分的测试，确保消息的发送、接收、处理和回复等功能都能正常工作。 - 测试通过后，可以将AI智能体的服务部署到生产环境中，并在企业微信中正式启用该应用。 - 最后，建议持续关注用户反馈和系统日志，不断优化智能体的性能和用户体验[^3]。 --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值