AI Agent 从无到有77:基础认知、核心框架与多智能体实战全景

多智能体框架怎么选?我把 5 大框架翻了个底朝天 个人感觉 AutoGen 的最佳场景还是非常明确:如果你要做的核心产品和功能是基于"多轮对话"或者"AI Agent 之间的辩论",选择 AutoGen 是没有问题的。多智能体跟"多轮对话"(Multi-Turn)的区别是:多轮是你跟 AI 的对话,多智能体是 AI 和 AI 的对话(AI 的团队之间的配合)。值得注意的是,PraisonAI 支持直接编排开源的 Claude Code / Gemini CLI 等 Agent,意味着你可以"组建跨框架"的团队,把不同的 AI 的能力集合在一起。 阅读详情

纲要

  • AI Agent 开发基础认知
    • 大模型概率预测的本质与局限
    • 提示词工程与模型编排的必要性
  • 核心框架与生态
    • LangChain:模型编排与 LCEL
    • LangGraph:工业级多智能体协作
    • CrewAI:配置化快速搭建多智能体
    • 可观测性平台 LangSmith
  • 关键技术领域
    • RAG 检索增强生成与检索策略平衡
    • 记忆管理 Memory 与多轮对话上下文优化
    • 向量数据库选型与配置
    • 模型部署:本地 vs 云端 API 成本对比
  • 实战案例方向
    • 单智能体应用(如钉钉助手)
    • 多智能体协同(数字人 + 实时语音)
    • 生成类应用(代码/提示词/游戏/营销策略)
  • 学习重点与难点
    • 重点:LCEL 轻量编排、LangGraph 生产级协作
    • 难点:检索策略调优、记忆生命周期管理、环境配置
  • 未来趋势
    • 人机协同成为标配
    • 互联网访问主体从人转向 Agent
    • 超级终端 + MCP 协议驱动下一代互联网
    • SaaS 服务被智能体重构
    • 模型成本趋近免费,数据成为新石油

技术全景回顾

在进入智能体开发之前,有必要理解大模型的概率预测本质。当前基于 Transformer 架构的模型通过统计模式生成内容,它并非真正“理解”世界,而是在给定上下文中预测最可能的下一个词。这一特性决定了两个重要结论:

  1. 大模型在垂直领域的入门级任务上表现出色,但高级推理仍需人类介入;
  2. 智能体开发的核心不是“写出完美提示词”,而是通过 编排、检索、记忆、工具调用 弥补模型自身的不足。

我们从零开始,系统梳理构建一个生产可用的 AI Agent 所需的关键技术栈,并提供可直接运行的代码示例,帮助开发者跨越从理论到实践的门槛。

核心框架:从 LangChain 到 CrewAI

LangChain 与 LCEL

LangChain 是目前应用最广泛的 AI 应用开发框架,其设计哲学是用链式调用和组件化封装,让大模型快速嵌入传统应用。其中 LCEL(LangChain Expression Language)是一种声明式的链构建方式,可视为轻量版的 LangGraph。它允许开发者使用管道符 | 串联提示词、模型调用、输出解析器等组件,简洁且易于集成。

以下示例基于 LangChain 0.1.x 版本,展示了一个任务规划智能体:接收用户输入,调用大模型并结构化输出任务列表。

# lcel_demo.py
import os
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import PydanticOutputParser
from pydantic import BaseModel, Field
from typing import List
from dotenv import load_dotenv

load_dotenv()  # 加载 .env 中的 OPENAI_API_KEY

# 定义期望的输出结构
class TaskList(BaseModel):
    tasks: List[str] = Field(description="待办任务列表")
    priority: str = Field(description="优先级: high/medium/low")

parser = PydanticOutputParser(pydantic_object=TaskList)

# 构建提示词模板,注入格式说明
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个任务规划助手。请根据用户输入生成任务列表。\n{format_instructions}"),
    ("user", "{input}")
])
prompt = prompt.partial(format_instructions=parser.get_format_instructions())

# 选择模型(适用 gpt-3.5-turbo 或兼容接口)
model = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# 构建 LCEL 链
chain = prompt | model | parser

if __name__ == "__main__":
    user_input = "我需要准备一次技术分享,关于AI Agent"
    result = chain.invoke({"input": user_input})
    print(result)

运行方式:在 .env 文件中配置 OPENAI_API_KEY,执行 python lcel_demo.py。该链式结构是 LCEL 的核心用法,掌握后可无缝嵌入任何调用大模型的场景。

LangGraph:工业级多智能体协作

当单智能体无法满足复杂商业需求时,多智能体协同成为必然。LangGraph 在 LangChain 基础上引入有状态图(StateGraph)的概念,用节点(Node)表示智能体或函数,边(Edge)定义控制流。它原生支持检查点(Checkpointer)和人机交互中断,适合生产环境。

典型的 LangGraph 工作流如下:

是

否

接收用户输入

意图识别节点

需要工具?

调用搜索工具

生成回答

输出最终结果

持久化记忆

关键实现步骤包括:

  1. 定义状态字典(如 AgentState);
  2. 创建节点函数(如 call_model, should_continue);
  3. 构建 StateGraph 并编译为可运行实例;
  4. 使用 MemorySaver 实现多轮对话记忆。

LangGraph 的学习曲线较陡,但换来的是高度可控的协作流,是生产落地的重点方向。

CrewAI:配置化多智能体快速搭建

CrewAI 则走向另一个极端:通过 YAML 配置文件定义智能体角色、目标和工具,几乎“开箱即用”。其内部封装了 LangChain 等组件,适合快速原型验证,但深度定制时不如 LangGraph 灵活。

以下示例使用 CrewAI 0.30+ 版本构建一个产品分析团队:

# crew_demo.py
from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool
import os

os.environ["OPENAI_API_KEY"] = "your-api-key"
os.environ["SERPER_API_KEY"] = "your-serper-key"  # 用于搜索工具

search_tool = SerperDevTool()

market_researcher = Agent(
    role="市场研究员",
    goal="分析{product}的市场趋势和竞争对手",
    backstory="你是一位经验丰富的市场分析专家,善于从数据中提炼洞察。",
    tools=[search_tool],
    verbose=True
)

strategist = Agent(
    role="战略分析师",
    goal="基于市场研究结果,制定{product}的上市策略",
    backstory="你曾在顶尖咨询公司任职,擅长将信息转化为行动方案。",
    verbose=True
)

task1 = Task(
    description="收集并总结{product}的市场最新动态、主要竞争对手和用户反馈。",
    expected_output="一份包含市场规模、竞品列表和关键趋势的报告。",
    agent=market_researcher
)

task2 = Task(
    description="根据市场报告,制定{product}的差异化策略和推广渠道。",
    expected_output="包含目标人群、核心卖点、推广步骤的策略文档。",
    agent=strategist
)

crew = Crew(
    agents=[market_researcher, strategist],
    tasks=[task1, task2],
    process=Process.sequential
)

if __name__ == "__main__":
    result = crew.kickoff(inputs={"product": "AI智能音箱"})
    print(result)

运行前需安装 crewai 和 crewai_tools,并申请对应的 API 密钥。CrewAI 的优点是极低的入门门槛,但它对底层模型的自定义(如使用国内代理)需要修改内部 LiteLLM 配置,这是新手容易碰壁的地方。

关键技术领域

RAG 检索增强生成

RAG 并非智能体的必需品,但能让智能体“学会”私有数据。其难点不在于搭建流程,而在于检索策略的平衡——既要保证召回准确度,又要控制上下文长度。常见优化手段包括:

  • 混合检索(向量 + 关键字)
  • 重排序(Rerank)
  • 查询改写(Query Rewriting)

以下迷你 RAG 示例使用 Chroma 作为向量库,适用于 LangChain 0.1.x 版本:

# mini_rag.py
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_community.embeddings import HuggingFaceBgeEmbeddings
from langchain_community.vectorstores import Chroma
from langchain.chains import RetrievalQA
from langchain_openai import ChatOpenAI

# 1. 加载并分割文档
loader = TextLoader("knowledge.txt", encoding="utf-8")
docs = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=200, chunk_overlap=50)
splits = text_splitter.split_documents(docs)

# 2. 创建向量库(使用轻量级 BGE 模型)
embedding = HuggingFaceBgeEmbeddings(model_name="BAAI/bge-small-zh")
vectorstore = Chroma.from_documents(documents=splits, embedding=embedding, persist_directory="./chroma_db")

# 3. 构建检索问答链
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})
qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(model="gpt-3.5-turbo"),
    retriever=retriever,
    return_source_documents=True
)

# 4. 提问
question = "什么是AI Agent?"
result = qa_chain.invoke({"query": question})
print(result["result"])

记忆管理

Memory 的难点同样与 RAG 相通:如何在多轮对话中维护有效信息,同时防止上下文无限膨胀。常用策略包括:

  • 短期记忆:保留最近 k 轮对话;
  • 长期记忆:将关键信息摘要或存入向量库;
  • 混合策略:利用 LangGraph 的检查点机制持久化状态。

向量数据库选型

对新手而言,向量数据库的安装配置是一大障碍。推荐入门路径如下:

数据库特点适用场景
Chroma纯 Python,轻量,零配置本地开发、原型验证
FAISSMeta 出品,性能极高大规模向量检索
Milvus分布式,支持云原生企业级生产环境

从 Chroma 起步,后续按需迁移,可避开大部分环境配置陷阱。

模型部署:本地还是云端?

许多开发者首选“在自己电脑跑一个模型”。这并非不可行,但需算清经济账。下表给出简要对比:

方式硬件成本推理延迟适用场景
本地部署(如 Ollama + qwen2)16GB 内存 PC秒级离线环境、敏感数据
云端 API(如 DeepSeek)按 token 付费毫秒级高并发、快速迭代
自建 GPU 服务器数万元起毫秒级内部平台长期服务

选择策略:对大多数原型和中小规模应用,使用 API 更为经济;只有当数据安全要求极高或已具备硬件资源时,才考虑本地部署。

学习重点与难点

两大重点:

  • LCEL:轻量、无侵入,是融入现有系统的首选方案;
  • LangGraph:生产级多智能体的基石,掌握后能应对绝大多数商业需求。

三大难点:

  1. 检索策略调优:无银弹,需反复实验;
  2. 记忆管理:决定智能体是否“聪明”的关键;
  3. Python 环境配置:常卡住新手,建议使用 conda 或 pipenv 隔离环境,遇到问题优先查阅官方文档或借助 AI 辅助。

展望:Agent 时代的黎明

未来几年,几个趋势将深刻改变技术生态:

  • 人机协同成为标配:不使用 AI 编程的开发者将面临淘汰压力,如同工业革命中的手工作坊;
  • 互联网主体迁移:Agent 产生的流量将超过人类,每个 Agent 都需要搜索工具感知世界;
  • 超级终端 + MCP 协议:类似 ChatGPT Desktop、豆包 这样的入口将重塑信息获取方式,后端通过 MCP(Model Context Protocol)连接各类 Agent 服务;
  • SaaS 重构:大量表单操作将被自然语言对话取代,“会议预定”、“报表生成”只需一句话;
  • 模型成本趋近免费:竞争使推理价格持续走低,大模型将成为水电般的基础设施,而 数据将成为新石油——拥有独特数据集意味着不可替代的模型能力。

个人开发者应尽早拥抱这些变化,培养终身学习能力与独立思考的习惯。在一个 AI 泛滥的时代,甄别信息对错的能力比编写代码本身更加珍贵。

参考文档

官方文档

参考链接

总结

本文系统梳理了 AI Agent 开发从基础认知到多智能体协作的全栈技术路径,涵盖 LangChain(LCEL)、LangGraph、CrewAI 三大框架的核心用法,深入解析 RAG、记忆管理、向量数据库选型及模型部署策略,并指出学习重点与未来趋势。所有代码示例均基于主流版本(LangChain 0.1.x,CrewAI 0.30+)验证,可直接运行。

TradingAgents:革命性的多智能体LLM金融交易框架 在人工智能快速发展的今天,金融交易领域正迎来一场前所未有的技术革命。由加州大学洛杉矶分校(UCLA)和麻省理工学院(MIT)的研究团队共同开发的TradingAgents,作为一个创新的多智能体大型语言模型(LLM)金融交易框架,为我们展示了AI技术在金融领域的巨大潜力和无限可能。 阅读详情

相关推荐

OpenHands Software Agent SDK:构建可执行代码的AI智能体开发框架

AI智能体(Agent)作为连接大语言模型(LLM)与现实世界的关键技术,正从对话交互向具备实际执行能力的软件工程领域演进。其核心原理在于通过工具调用(Tool Calling)机制,使LLM能够感知环境、规划行动并执行具体操作,从而突破传统聊天机器人的局限。这一技术价值在于将AI的认知能力转化为可编程、可预测的生产力工具,特别适用于自动化代码生成、系统运维、CI/CD集成等软件开发场景。OpenHands Software Agent SDK正是这一趋势下的代表性框架,它通过精心设计的工具(Tools)、

weixin_33725270的博客 457

AI Agent七大核心认知框架:从思维链到多智能体协作的代码实践

大语言模型(LLM)通过概率预测生成文本,但其在复杂任务中常面临逻辑跳跃与信息不全的挑战。为解决此问题,研究者提出了多种认知框架,旨在引导模型进行结构化思考与行动。其中,思维链(Chain-of-Thought)通过将复杂问题分解为连续推理步骤,显著提升了模型在逻辑与数学任务上的可靠性。其演进范式ReAct(Reasoning and Acting)进一步将推理与工具调用结合,形成“感知-思考-行动”循环,使智能体能动态获取信息并执行操作,极大增强了处理真实世界任务的能力。这些技术为构建具备规划、决策与执行

weixin_30908103的博客 336

AI Agent Skill开发实战:从概念到实现,打造智能体核心能力

在人工智能领域,大语言模型(LLM)虽然具备强大的知识理解和生成能力,但其核心局限在于无法直接操作外部系统或执行具体任务。为了解决这一限制,AI Agent应运而生,它通过集成特定功能模块来扩展能力边界。这些功能模块通常被称为Skill(技能),其核心原理是将外部工具或API封装成可被Agent调用的标准化接口,实现从“知道”到“行动”的跨越。从技术价值看,Skill不仅突破了LLM在实时信息获取、复杂计算和软硬件控制等方面的限制,更实现了任务自动化和模块化开发,显著提升了系统的可靠性与可维护性。在应用场景

289

【图书介绍】《AI Agent智能体与MCP开发实践:基于Qwen3大模型》

随着人工智能技术的蓬勃发展,大语言模型与智能体技术正引领着新一轮的技术革新。本书聚焦于智能体技术前沿领域,系统阐述AI Agent智能体开发的技术栈及其示例,并剖析5个大型智能体项目案例,帮助读者深入掌握智能体开发方法。本书配套示例源码、PPT课件、配图PDF文件、读者微信技术交流群,所有代码经过测试,均能正确运行。

夏天又到了的专栏 1324

100 道大模型 AI Agent 应用开发技术原理与实战面试宝典(必过答案详细解析)

下面按专题整理了 100 道「大模型 AI Agent 应用开发」高频面试题,并给出偏工程实战向的参考答案与解析。可当作系统复习提纲+面试速查手册使用。1. 什么是大语言模型(LLM)驱动的 AI Agent?与传统 Chatbot 的本质区别? 参考答案:2. Transformer 的核心思想是什么?为什么适合做大模型? 参考答案:3. 什么是 token 与上下文窗口?它们对 Agent 有什么影响? 参考答案:4. 简述大模型的预训练、微调(SFT)和对齐(RLHF / DPO)流程。 参考答案:5

AI天才研究院 4003

TIBCO Spotfire 入门指南

数据分析工具 - TIBCO Spotfire 入门指南(一) 文章目录数据分析工具 - TIBCO Spotfire 入门指南(一)前言一、Sportfire 是什么?二、使用Sportfire 创建一个简单的数据分析模型1.设置分析(加载数据)2.编辑数据源3.创建图表3.1 创建交叉表3.2 创建饼图3.3 创建树形图3.4 创建散点图3.5 创建自定义筛选器总结 前言 通过对本指南的学习,你可以了解到如何开始用TIBCO Sportfire分析数据,并能详细了解您可以做什么以及怎么做 一、Spo

kaiakai111的博客 1万+

从单体到编排:AI Agent 系统的多模态交互架构与工具链设计

AI Agent 系统的设计核心是在灵活性、可靠性和延迟之间寻找平衡点。ReAct 范式适合简单任务,Plan-Execute 适合可分解任务,多智能体协作适合需要专业分工的复杂任务。本文给出了包含工具注册中心、共享记忆层和 Agent 编排器的生产级框架实现,覆盖了参数校验、超时控制和错误处理等工程细节。落地路线建议:第一步,从单 Agent + 工具调用开始,验证核心链路的可行性;第二步,引入 Plan-Execute 模式,将复杂任务分解为可控的子任务序列;

weixin_43272162的博客 5298

ios快捷指令进行钉钉打卡

首先 1、打开快捷指令 2、自动化 3、创建个人自动化-特定时间 4、添加操作-搜索“随机数” 5、最小值和最大值填充 6、添加操作-搜索“等待” 7、长按“1秒钟”,选择魔法变量,选择上一步的随机数 6、添加操作-搜索“钉钉” 7、选择钉钉-随便一个聊天窗口。 8、添加操作-搜索“等待”,这次将等待时间设为10秒 9、添加操作 “搜索天气” ,选择显示天气。 注意点: 1、此操作依赖于钉钉极速打卡,只是帮忙唤起钉钉。 2、保存自动化时有个运行前询问,务必关掉。 3、手机不能设

blaze_jack 5万+

91%生产级AI Agent存在致命漏洞:2026年智能体安全危机全景报告与防御指南

AI Agent代表了人工智能发展的下一个重要阶段,它将彻底改变我们工作和生活的方式。但正如历史上每一次技术革命一样,巨大的机遇总是伴随着巨大的风险。91%的生产级AI Agent存在漏洞,这不是一个危言耸听的数字,而是一个行业警钟。它提醒我们,在追求技术进步和商业利益的同时,绝不能忽视安全问题。只有建立起完善的安全防护体系,AI Agent才能真正成为我们可靠的"数字员工",而不是潜伏在我们身边的"内鬼"。安全不是一次性的工作,而是一个持续的过程。随着AI技术的不断发展,新的安全威胁也将不断涌现。

从零开始,掌握网络安全。提供全面的网络安全教程、攻防演练技巧和行业动态。 2073

[MTK][Android P]如何去掉差分包中的preloader分区

最近碰到一个问题,在进行差分升级的时候,会因为某些原因导致preloader hash值不匹配,升级失败,所以需要在差分升级的时候不升级preloader。 解决的方法,就是在制作AB分区的差分升级包的时候,把目标zip解压出来,把ab_partitions.txt中的分区名去掉,同时把preloader.img去掉 修改如下: Project/build/tools/releasetool...

thonmin的专栏 1435

R语言绘图进阶:五大工具高效组合多图(cowplot、patchwork、layout、par、gridExtra)

本文详细介绍了R语言中五大高效组合多图的工具:cowplot、patchwork、layout、par和gridExtra。针对不同场景提供了实用指南,帮助数据分析师解决图表排版难题,提升报告专业度。特别推荐cowplot用于ggplot2图形组合,patchwork提供最简洁语法,layout则支持完全自定义布局。

weixin_42544663的博客 290

零基础入门大模型Agent:7阶段学习路线图+收藏清单,小白也能掌握核心技能!

大模型本身只会生成 token:它不会自己打开浏览器,不会调用 API,也不记得昨天的对话。让它端到端干完一件复杂任务的,是围绕模型搭起来的 Agent 系统:Agent = LLM + 工具 + 循环 + 记忆。动手这件事,得靠外面这套系统。2026 年,Agent 明显在从概念走向工程化,有三个信号:协议标准化。MCP(Model Context Protocol)已成为 Agent 连接外部工具的事实标准,主流模型、IDE 与框架全部接入;

youmaob的博客 258

SimNow模拟环境实战:用vnpy_ctp连接期货市场的5个关键配置步骤

本文提供了一份详细的量化交易实战指南,重点讲解如何使用vnpy_ctp插件连接SimNow期货模拟环境的5个关键配置步骤。内容涵盖SimNow环境选择、vnpy_ctp核心参数解析、实战连接脚本编写、深度排错技巧以及向实盘迁移的准备,旨在帮助量化交易开发者快速搭建可靠的测试环境,避免常见陷阱。

weixin_29063035的博客 1282

零基础入门大模型Agent:7阶段学习路径+实战项目清单

2026 年一晃已经过半,AI 大模型的热潮不仅没有降温,反而持续升温!金融行业用大模型做风控、医疗依靠 AI 解析影像,电商、制造、教育各行各业,都在把 AI 融入日常业务。曾经热闹的 “百模大战”,早就告别单纯比拼模型参数,正式进入落地应用时代。懂业务、懂 AI、能做出可上线项目的大模型开发工程师,岗位缺口大,薪资待遇十分可观。风口再好,不如手握高薪 offer 实在。行情火热,普通人、程序员该怎样从零入门大模型,抓住这波机会?

大模型研究中心 243

Unity 数字孪生实战:PiXYZ Plugin工业模型高效处理指南

本文是Unity数字孪生实战指南,重点介绍了如何使用PiXYZ Plugin高效处理工业CAD模型。针对工业模型导入Unity时面临的格式壁垒、数据爆炸和资产混乱等核心痛点,文章提供了从环境安装、基础导入到智能减面、资产清理的完整解决方案,并分享了预设自动化、运行时导入等高级技巧与性能优化策略,帮助开发者快速打通工业设计与实时交互流程。

weixin_29009501的博客 258

大模型知识边界探索:LLM设计的极限测试

最优化理论是数学中的一个分支,主要研究如何从给定的一组约束条件下找到最优解。目标函数:定义了需要优化的指标,可以是最大化或最小化。约束条件:定义了在优化过程中需要满足的限制条件。无约束优化:目标函数和约束条件都不存在。有约束优化:目标函数存在,但存在约束条件。多目标优化:同时需要优化多个目标函数。极限测试(Ultimate Test)是一种系统性的方法,用于评估大型模型(如LLM)在极端条件下的性能和稳定性。极端数据分布:与模型训练数据分布显著不同的数据集。极端计算资源。

AI天才研究院 437

Kimi K2.5与Agent Swarm技术:多智能体协同的AI革新

多智能体系统(Multi-Agent System, MAS)通过分布式智能体协同工作,解决复杂任务,是人工智能领域的重要研究方向。其核心原理在于任务分解与并行执行,每个智能体专注于特定子任务,通过协调机制实现整体目标。这种架构显著提升了系统的弹性扩展能力和任务处理效率,特别适用于需要异构计算和动态资源分配的场景。Agent Swarm作为Kimi K2.5的核心技术,通过动态子智能体创建和PARL(并行智能体强化学习)等创新,在多模态理解、软件工程等复杂任务中展现了卓越性能。该技术在自动化工作流、多模态内

weixin_33624741的博客 262

Android11车机系统海外项目资源包RRO方案优化

本文介绍了汽车设置应用如何通过Android RRO(运行时资源叠加)方案实现多车型差异化资源管理。针对不同车型(国内/海外、轿车/SUV)和配置(方向盘、轮毂等),采用产品变体(productFlavors)构建不同APK版本,并通过JSON配置文件动态启用对应资源包。系统根据车辆下线配置自动匹配适用的资源叠加包,解决了硬编码判断带来的维护问题。该方案实现了资源的高效复用,同时支持灵活配置多种车型组合,为汽车行业多车型共平台开发提供了可扩展的技术实现。

shusuanly的博客 471

零基础入门大模型Agent:7阶段学习路径+实战项目清单,助你成为AI工程师(收藏版)

2026 年一晃已经过半,AI 大模型的热潮不仅没有降温,反而持续升温!金融行业用大模型做风控、医疗依靠 AI 解析影像,电商、制造、教育各行各业,都在把 AI 融入日常业务。曾经热闹的 “百模大战”,早就告别单纯比拼模型参数,正式进入落地应用时代。懂业务、懂 AI、能做出可上线项目的大模型开发工程师,岗位缺口大,薪资待遇十分可观。风口再好,不如手握高薪 offer 实在。行情火热,普通人、程序员该怎样从零入门大模型,抓住这波机会?

python12345_的博客 469

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

基于 ADK 的分层多智能体安全运营助手:Cyber Guardian Agent 设计与实战

本文以 adk-samples 仓库中的 Cyber Guardian Agent([README](https://link.gitcode.com/i/ee9d87644f4293e10ea14fe1dfb2e240))为核心,系统讲解如何基于 Google Agent Development Kit(ADK)构建一套分层编排的多智能体网络安全应急响应(SecOps)系统。文中将深入剖析 Or

gitblog_00048的博客 125

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Microsoft Agent Framework 1.0 正式接棒,.NET AI 进入 Agent-Native 时代

Microsoft Agent Framework 1.0 的 GA 标志着微软 .NET AI 技术栈完成了从"SDK 工具集"到"Agent 原生平台"的关键跃迁。这不仅仅是品牌重塑或 API 翻新,而是一次底层设计范式的根本转变维度Semantic Kernel 时代MAF 1.0 时代核心隐喻Kernel(内核)+ Plugin(插件)Agent(智能体)+ Workflow(工作流)抽象层级厂商特定的厂商中立的AIAgentvia编排方式隐式、提示词驱动的控制流显式、声明式的图编排。

LZ8SLcT6L的博客 329

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

AI Agent哪个好用?28款国产AI Agent工具盘点与解析,一次讲透

2026年AI技术转向执行领域,AIAgent成为核心载体。国产AIAgent呈现两大技术路线:模型同源派(阶跃星辰等8家)依托自研模型提升任务上限,生态卡位派(腾讯等10家)通过集成办公生态优化用户体验。两类产品均采用"规划-执行-验证"闭环架构,依赖任务拆解、工具调用、记忆存储和多智能体协作四大模块。当前行业呈现三大标准化趋势:MCP协议统一工具调用、OpenClaw框架成为主流、模型接口兼容OpenAI。选型需重点考虑数据本地化、模型兼容性和二次开发需求,同时关注权限管控和长任务稳

AIproducthub的博客 639

3 步快速开始 Product Manager Skills:在 Claude Code 等 16+ AI 工具上安装会做产品管理的 AI Agent

Product Manager Skills 是一个开源的产品管理技能框架(PM Skills),内置 **77 个经过实战检验的 PM 技能**——写 PRD、拆 Epic、做优先级排序、竞品分析、客户发现,一应俱全。只需 3 步,就能把它安装到 Claude Code、Codex、ChatGPT、Cursor 等 16+ AI 工具上,让你的 AI Agent 从"泛泛而谈"变成真正懂产品管理

gitblog_01117的博客 1033

2026 AI风云录②:算力通胀、Agent上岗与“一人公司”的崛起

模型发布只是前奏,真正的风暴正在产业深处酝酿。春节期间的模型“军备竞赛”刚刚落下帷幕,硝烟尚未散尽,更深层的产业变革已然启动。。

1134

(77页PPT)企业级AIAgent价值及应用报告甲子光年(附下载方式)

在医疗健康领域,AI Agent不仅能减轻医护负担、提高诊疗精准度,更在慢性病管理、术后康复、老年护理等全生命周期场景中发挥价值,正如斯坦福大学专家所言,“使用AI Agent的医生将取代不使用AI Agent的医生”。对于有意引入AI Agent的企业而言,成功的路径需要业务视角与技术视角的双重结合。其带来的模式创新是深远的,将驱动商业模式从订阅制向按结果付费等更灵活的形式演变,重塑人机协作的生产关系,并有望通过比特层面的技术创新,打破能源、医疗等原子层面技术创新的停滞,开启真正的AI原生时代。

2501_92808859的博客 1925

零基础入门大模型Agent:7阶段学习路线,手把手教你打造AI系统(收藏必备)

大模型本身只会生成 token:它不会自己打开浏览器,不会调用 API,也不记得昨天的对话。让它端到端干完一件复杂任务的,是围绕模型搭起来的 Agent 系统:Agent = LLM + 工具 + 循环 + 记忆。动手这件事,得靠外面这套系统。2026 年,Agent 明显在从概念走向工程化,有三个信号:协议标准化。MCP(Model Context Protocol)已成为 Agent 连接外部工具的事实标准,主流模型、IDE 与框架全部接入;

优快云_224022的博客 314
上一篇: AI Agent从无到有76:使用 CrewAI 搭建多智能体营销策略生成器
下一篇: PostgreSQL笔记1:AI时代的数据底座——从趋势到实践的全面解读
Wang's Blog
博客等级 码龄12年 7441粉丝 2427原创
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
 
 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

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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