Agent越多越乱！搞懂这两种分工模式就够了

AI_小站 AI_小站 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 246平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄3年
关注
原创 最新推荐文章于 2026-11-01 16:05:17 发布 246 阅读 AI 写同款· GEO 优化 ›
Agent Team 多智能体系统解析 医疗领域的临床试验系统正是典型案例：分布在各大医院的智能体在本地完成数据分析，通过加密通道共享知识而不暴露患者隐私，Team Leader则协调这些分布式智能体完成新药研发的复杂计算。与传统的单体AI不同，这种由多个专业化智能体组成的协同网络，通过分工协作和动态调整，展现出接近人类团队的决策智慧，同时具备机器特有的精准与效率。整合万亿级数据节点，结合深度语义理解能力，可动态构建业务关系网络，为智能体提供精准决策支持，如在供应链场景中自动识别断链风险并生成应急预案。 阅读详情

搞技术的朋友们好，今天聊个容易踩坑的话题。

你以为 Agent 越多越强？错了。多不等于好，关键看怎么分工。

很多人觉得，一个 Agent 搞不定的事，那就上两个、三个、五个。好像人多力量大，放在 AI 世界也成立。但实际跑起来你会发现：Agent 一多，乱的不是任务，是信息。前面定好的需求后面忘了，日志还没看完测试结果又涌进来，Review 意见一堆，原本该改什么都模糊了。

问题不在 Agent 的能力，在上下文。

new-img-0

所以业界逐渐形成了两条路：一条是派助手出去干活，另一条是组个团队一起商量。前者叫 Subagent，后者叫 Agent Team。名字不重要，重要的是它们解决问题的思路完全不同。接下来拆开说。

派助手出去：Subagent 的核心逻辑

想象一下你是项目经理。手头有个登录功能要改，改之前得搞清楚四件事：认证逻辑写在哪、测试为什么挂了、改完有没有安全风险、会不会牵连其他模块。

如果你自己一件件去查，查完回来主线早忘了。

Subagent 的思路就是：你不用亲自动手，指派专人分头去办。一个负责把认证相关的代码翻个底朝天，一个负责弄明白测试为什么红了，一个专门扫安全隐患，一个去评估改动的波及范围。各管各的，最后交回来的是四句结论，不是四千行原始日志。

这跟快递柜取件一个道理——你不用跑四个快递站，快递小哥把东西送到柜子里，你扫码拿走就行。

Subagent 最核心的价值就一件事：让主 Agent 的脑子保持清醒。

真实开发环境里，中间产物有多嘈杂？跑测试吐出来几千行 log，搜代码扫出几十个文件，分析依赖关系又带出一堆无关模块。把这些原始素材全灌进主对话，主 Agent 的注意力马上被稀释。让 Subagent 消化这些噪音，主 Agent 拿到的是浓缩后的判断：“相关的就三个文件”、“测试挂在 session 过期那段逻辑”、“这次改动可能碰到权限校验”、“建议追加一个异常登录的用例”。

干净。

什么活儿适合"外包"

不是所有任务都能扔给 Subagent。适合外包的活有个共同特征：边界清楚、结论明确、不需要来回讨论。

具体来说：

  • 代码溯源——顺着一个功能名往上摸，看它被谁调用、写在哪几个文件里
  • 测试复盘——把报红的用例列出来，逐条标注挂在哪一步
  • 文档提炼——几千字的设计文档压缩成三五句核心结论
  • 质量扫描——快速过一遍改动，看有没有低级错误或遗漏
  • 知识检索——从海量资料里捞出跟当前问题直接相关的片段

这些活的共同特征：给个指令就能独立跑完，不用中途请示。

但有些活光派出去不够。

new-img-1

举个例子：排查一个诡异的 Bug，前端渲染可能有毛病，后端接口也不太对劲，缓存和并发同样有嫌疑。分头派了三路人马去查，每路都带回一个"像是对的"的答案。但这些答案之间对不对得上？该先验证哪个方向？

没人替你拍板。这时候需要另一种打法。

组团队：Agent Team 怎么运转

Agent Team 的本质是让一群 Agent 盯着同一件事干活，各管一个角度，但信息互通。

打个比方。Subagent 像外包——甲方提需求，乙方交付成果，中间不讨论。Agent Team 更像项目组——有人规划、有人开发、有人测试、有人挑刺、有人整理方案，大家能互相看到对方的产出，能互相纠错。

  • Agent 1 负责规划方向
  • Agent 2 负责动手实现
  • Agent 3 负责跑测试验证
  • Agent 4 专门挑刺和做 Review
  • Agent 5 负责整理最终方案

它们之间能交换信息，能互相补充。安全 Agent 说"这里缺权限校验"，性能 Agent 补一句"每次都查库接口会慢"，测试 Agent 再加一条"应该补个缓存失效场景"，维护性 Agent 提醒"这段逻辑最好抽成独立函数"。

多视角校验。这才是 Agent Team 真正的杀手锏。

不是把一个任务重复做几遍，是让不同分工的 Agent 互相补充盲区。一个人再强也有看不到的角落，四双眼睛盯着总比一双强。

new-img-2

什么场景需要"开会"

Agent Team 适合的任务有个共同特征：复杂、开放、需要多轮判断，不是操作一下就能出结果的。

几个典型场景：

  • 疑难 Bug 定位——多个 Agent 各带一个假设去验证，谁能自圆其说谁有发言权
  • 前后端联调——接口、页面、测试各有专人，改一处立刻同步其他人
  • 技术方案评审——有人负责出方案，有人专职挑风险，还有人估实现成本
  • 代码库大迁移——阅读旧代码、写新实现、补测试、做回归检查，四条线并行推

这些任务的共同点是：需要讨论方向、验证假设、同步信息。一个人闷头干不出来。

选型决策：一张图说清楚

选 Subagent 还是 Agent Team，其实就一个问题：

任务做完后，需不需要有人帮你综合判断？

不需要的——用 Subagent。任务边界清楚，做完只要返回结论就行。查代码、跑测试、整理日志、读文档、做单点 Review，全是这类。

需要的——用 Agent Team。任务需要多个角色持续协作、互相验证。方案设计、复杂排查、跨模块开发、大型重构，都属于这类。

所谓 Subagent，本质上就是你的专项快递员；Agent Team 本质上是你的临时项目组。快递员送完就走，项目组得开会讨论。

业界也在用这两种思路。LangChain 的 multi-agent 里，supervisor 把 Subagent 当工具调用。Claude Code 里 Subagent 处理搜索、测试、Review 这些专项任务，Agent Team 则共享任务列表、认领分工、互通消息。OpenAI Codex 能为不同开发方向启动独立 agent 并行跑。AutoGen 的 Group Chat 更接近 Agent Team——多个 Agent 共享消息线索，通过对话协作。

叫法不同，但背后的协作逻辑是一样的。

new-img-3

踩坑实录：多 Agent 的真实代价

说了这么多好处，必须泼盆冷水。

Agent 数量越多，系统不一定越稳。拆开任务是第一步，但拆开之后新问题马上来了。

Subagent 的坑：任务拆得太碎。每个 Subagent 都能给出一段结论，但这些结论可能零散甚至互相矛盾。最后还是需要主 Agent 有足够强的判断力——哪些信息有用，哪些该扔掉，哪些放回主线。

这步省了，后面主 Agent 做的决策就是在错误信息上堆积木。

Agent Team 的坑更隐蔽：协作机制本身会出幺蛾子。活谁来分？优先级谁定？结论打架了谁说了算？两个 Agent 同时动了同一个模块的代码，怎么保证不互相覆盖？

处理不好，“并行协作"分分钟变成"并行制造混乱”。

所以真正重要的不是 Agent 多不多。是三件事：

  • 任务边界画得清不清楚
  • 协作规则定得明不明确
  • 结果合并方式靠不靠谱

这三样没想明白就堆 Agent，跟招人不分工一样——人越多越乱。

new-img-4

最后总结一句：Subagent 解决"忙不过来"的问题，Agent Team 解决"一个视角不够"的问题。前者强调拆任务，后者强调组角色。

实操建议：先从 Subagent 开始。遇到明确的小任务就拆出去，简单直接。当任务需要多个角色讨论、验证、协同推进的时候，再上 Agent Team。

真要选，我会先让一个主 Agent 跑通全流程，哪步卡住再考虑加人——而不是一上来就组五人团队。

你们团队现在用什么方案？评论区聊聊。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇
在这里插入图片描述

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。
在这里插入图片描述

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

在这里插入图片描述

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

在这里插入图片描述

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

在这里插入图片描述

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

在这里插入图片描述

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇
在这里插入图片描述

标签
#人工智能 #java #prompt #agent #LLM
#RAG #程序员
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。
多Agent协作的Agency模式：从单Agent到组织化分工 在复杂任务处理中，单个AI Agent常因上下文窗口有限、角色混杂而顾此失彼。多Agent协作通过引入组织化分工，将任务分解为规划、执行、审计等环节，并由不同角色各司其职，形成闭环流程。这种模式不仅解决了上下文污染和验收缺失问题，还提升了系统的可控性与可排查性。本文以agency-agents项目为例，解析如何设计角色体系、任务卡机制、上下文隔离策略，并分享实践中的高频踩坑与调优方法，为企业级AI应用落地提供可参考的组织化协作方案。 阅读详情

相关推荐

Agent Team 实现方案

本文系统剖析了 Agent Team 这一 AI 协作技术新范式，厘清其与 Subagents 的本质差异：前者采用网状通信拓扑、共享任务板与独立上下文实现并行协同，突破了后者星型中心化架构分工有余、协作不足的核心瓶颈。 文章详解了其角色体系、DAG 任务管理、上下文隔离共享、多模式通信四大核心架构，梳理了 Claude Code、OpenClaw、阿里悟空三大主流平台的配置流程，总结了任务调度、冲突解决等企业级最佳实践，结合电商支付开发案例验证落地效果。

reset2021的博客 263

【不三不四的脑洞】Claude 4.6 Agent Teams：多智能体协作

摘要： Claude 4.6推出的Agent Teams功能标志着大模型从“个人助手”升级为“团队协作主管”。该功能允许用户创建多个智能体，通过角色分工、自主讨论与协作完成复杂任务（如多角色写作、软件开发、商业分析等）。与SubAgents（单层调用工具）不同，Agent Teams更像真实团队，适合结构化长任务，但存在Token消耗大、速度较慢等局限。建议控制Agent数量（3-5个）并明确指令，适用于编程、内容创作、商业分析等场景，预示未来“人类定目标-AI团队执行”的工作模式。

ShaderJoy 的兴趣技术杂货铺 1752

Agent Team初探

摘要： Agent Team是由多个具备自主决策与协同能力的AI智能体组成的分布式系统，通过角色分工（如统筹调度、专业领域、执行落地等）和标准化通信机制，实现复杂任务的高效处理。其架构包括层级式、扁平式、联邦式和动态自适应模式，适用企业自动化、软件开发、科研、内容创作等场景。相比单一Agent，团队协作可扩展能力边界、提升效率与容错性。主流框架包括CrewAI、AutoGen等开源工具及Dify、Coze等商用平台，但仍面临协同效率、成本和安全等挑战。未来趋势包括拟人化管理、自迭代优化及行业垂直化解决方案。

reset2021的博客 98

AutoGen多智能体协作、人机交互与终止条件

本文系统介绍了AutoGen框架中的AgentTeam（多智能体团队）概念及其应用。主要内容包括：AgentTeam核心概念、团队实现方法、高级控制功能、人机交互机制。

若不知道要驶向哪个码头，那么任何风都不会是顺风。 2011

【Agent从入门到实践】34 多Agent协作的核心模式：主从模式、分工模式、竞争模式

各位小伙伴，上一篇咱们把单Agent的多工具集成玩明白了——一个Agent能自己选工具、跑流程，解决“查资料→写文件”“算数据→存结果”这类单链路任务。“帮我写一篇AI发展报告：查2024-2025最新趋势→做数据分析→写报告框架→润色成文→导出PDF”“开发一个小工具：需求分析→写代码→测试→生成文档”“策划一场线上活动：调研竞品→定主题→写方案→做宣传图→发推广文”这些任务需要“分工协作”，靠一个Agent忙不过来，就像一个公司需要产品、开发、测试分工一样，这时候就得用多Agent协作了！

人工智能AI技术 1281

【Agent从入门到实践】14 协作模块：多Agent如何“分工配合”

各位程序员小伙伴，咱们AI Agent系列终于讲到“团队协作”了！前面咱们搞定了单个Agent的“大脑”（决策）、“记忆”（存储）、“手脚”（工具调用），但实际工作中很多任务不是单个Agent能搞定的——比如让Agent完成“市场调研报告”，可能需要一个Agent查数据、一个Agent分析数据、一个Agent写报告，这就需要多Agent协作。

人工智能AI技术 892

Agent越多越乱？搞懂Subagent与Agent Team两种分工模式就够了

多 Agent 协作越跑越乱，根源在上下文污染与调度失控。本文用可复制的 Subagent 与 Agent Team 角色配置模板，配合 TaoToken 统一 Key 与 API 通道，给出并发验证脚本与 401、local proxy failed 等报错排查清单，帮你按任务复杂度选对分工模式。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_42588672的博客 10

优雅谈大模型：“System2”与“System 1”

研究人员探索了三种System 2方法——RaR、S2A 和 BSM，这些方法已经成功提炼到新的LLM，这个新的模型与System 1相比，产生了更好的结果，而且成本低于System 2。然而这种方法是有局限性，只能适用于特定的任务。

鲁班模锤 5171

AI Agent设计模式 Day 11：Multi-Agent协作模式：角色分工与任务协同

Multi-Agent协作模式源于分布式人工智能（Distributed Artificial Intelligence, DAI）和多智能体系统（Multi-Agent Systems, MAS）的研究传统。早在20世纪90年代，Jennings等人就在《Artificial Intelligence》期刊中提出：“智能不应局限于单个实体，而应通过多个自主、交互的代理共同涌现。

在未来等你的专栏 1987

一文看懂分布式存储架构

目录一、集中存储结构二、分布式存储1 、分布式存储的兴起2 、分布式存储的重要性3 、分布式存储的种类和比较三、分布式理论浅析1 、一致性和可用性2 、数据分布3 、复制4 、分布式协议5、跨机房部署四、分布式文件系统1、 Google 文件系统（ GFS ）2、 Taobao 文件系统（ TFS ）3、 Fackbook Haystack 文件系统4、 CDN 内容分发网络五、分布式键值系统1、 Amazon Dynamo2、 Taobao Tiar3、 ETCD4 、产品选型比较（ Etcd ， Zoo

weixin_70730532的博客 2万+

SAP传输请求全流程详解：从SE10创建到STMS跨环境部署（附常见错误排查）

本文详细解析了SAP传输请求的全流程，从SE10创建到STMS跨环境部署，并提供了常见错误排查方法。涵盖工作台请求、定制请求等类型，以及STMS传输原理和实战操作技巧，帮助用户高效管理SAP系统变更。

weixin_29214335的博客 148

多 Agent 为什么越跑越乱？从分工、交接到评审讲清楚

多 Agent 系统最容易让人兴奋，也最容易让人翻车。 一听到“20 个 Agent 并行工作”，很多人第一反应是速度会变快。现实里，Agent 数量一多，最先暴露的往往不是算力问题，而是工程问题：谁负责什么、输出交给谁、格式怎么对齐、失败后谁兜底、最后谁来验收。

xx_nm98的博客 243

Python 爬虫实战：华尔街见闻精选文章爬取（反反爬 + 投资情绪分析）

Python 爬虫实战：华尔街见闻精选文章爬取（反反爬 + 投资情绪分析）

yansideyucsdn的博客 970

11.4 单Agent vs 多Agent：两种架构模式对比分析

本文对比分析了单Agent和多Agent两种架构模式的特点、优势及适用场景。单Agent架构结构简单、性能高效，适合处理简单任务和个人化应用，但存在能力瓶颈和扩展性差的问题；多Agent架构通过分工协作实现复杂任务处理，具有扩展性强、容错性好的优势，但系统复杂度高、协调难度大。选择建议指出：简单任务、资源有限时选择单Agent；复杂多样任务、企业级应用则适合多Agent。文章还介绍了混合架构模式，并提供了实际案例分析和技术发展趋势，为产品经理提供了包含业务需求、技术能力、成本效益和用户体验的决策框架。

yonggeit的博客 3114

10｜Git Diff 与增量代码识别：本次到底改了哪些代码？

本文介绍 Git Diff 和增量代码识别，帮助你理解精准测试如何先找到本次真正变化的代码。测试开发工程师。Java 后端开发工程师。质量平台 / DevOps 平台建设者。想了解精准测试落地方法的技术负责人。

专注 AI 精准测试平台实战落地，分享从代码 Diff 到回归决策的完整工程闭环。主张“先建数据链路，再上 AI 智能”，让测试从“靠经验”走向“基于风险”。 162

（2-2-2）位置控制算法：常用的位置控制算法（2）

例如下面是一个使用滑模控制算法实现机器人位置控制的例子，在该例子中，假设机器人在一维空间中移动，目标是使机器人的位置迅速、鲁棒地达到设定的目标位置。自适应控制算法通过实时地调整控制器参数，可以适应系统的变化，从而提高系统的鲁棒性和性能。模型预测控制（Model Predictive Control，MPC）是一种先进的控制策略，通常应用于动态系统，以实现对系统状态的优化控制。（6）迭代优化：随着时间推移，MPC迭代执行上述步骤，持续优化控制输入，以适应系统动态和外部扰动，实现对系统状态的稳健控制。

码农三叔 1609

Agent 与人类协作的最佳分工模式是什么

在这个人工智能飞速发展的时代，我们经常会听到一个问题：“人工智能会不会取代人类？” 其实，比"取代"更有意义的讨论是"协作"。就像一支篮球队里有不同位置的球员，每个人都有自己擅长的事情，Agent（智能体）和人类也应该各自发挥所长，默契配合。本文的目的就是要找出Agent和人类协作的最佳分工模式——什么时候该让Agent上场，什么时候该人类亲自出马，以及如何让两者配合得天衣无缝。我们会从基础概念讲起，一直到实际的代码实现和应用案例，让你彻底搞懂这个既前沿又实用的话题。

AI天才研究院 223

【系统移植】 移植主线U-Boot（v2024.01-rc3）到RK3399

[系统移植] 移植主线U-Boot（v2024.01-rc3）到RK3399

Systemcall名屋 1006

多Agent协作模式：主从、分工与竞争架构详解

多Agent系统是分布式人工智能的核心技术，通过多个智能体的协同工作解决复杂问题。其核心原理是将任务分解、分配与协调，关键技术包括任务调度算法、通信协议和容错机制。在工程实践中，主从模式适合层级任务处理，分工模式实现能力互补，竞争模式优化资源分配。这些架构在智能客服、物流调度等场景展现价值，其中负载均衡和容错设计是关键挑战。现代框架如JADE和SPADE提供了多Agent开发基础，而通信协议选择需权衡性能与可靠性。随着边缘计算发展，轻量级协作成为新趋势。

weixin_29048775的博客 245

基于 YOLOv26 的光伏板热斑检测系统：红外+可见光

本文提出了一种基于YOLOv26的光伏板热斑检测系统，采用红外+可见光双模态融合方案。系统架构包含数据预处理、热斑检测、故障诊断和维修决策等模块，结合无人机巡检与地面监控。关键技术包括YOLOv26目标检测模型、双模态数据融合、边缘计算部署等。研究构建了包含多种故障类型的光伏板专业数据集，并采用数据增强技术提升模型性能。系统实现了热斑检测、分类（轻微/中等/严重/危急）以及功率损失评估等功能，为光伏电站智能运维提供解决方案。

一键难忘的博客 497

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

别让AI智能体瞎干活！多Agent分工+协作3步法，新手也会用！

最近我们团队扎在AI智能体应用开发里，Trea solo模式下的多Agent协同算是把坑踩了个遍——最痛的一次，因为把架构设计和代码实现丢给同一个智能体，直接导致项目延期两周。今天就把“智能体职责划分”的实战经验掏给大家，全是能直接抄的干货。

王中阳讲编程 2112

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

收藏这篇就够了！5大AI Agent模式终极指南，从原理到实战，一篇全搞定！

在大模型技术爆发的今天，AI Agent（人工智能代理）正成为连接技术与场景的核心枢纽。它不仅是提升效率的「智能助手」，更是解锁复杂任务的「万能钥匙」。本文结合多篇行业干货，提炼出**5 种主流 AI Agent 模式**，带您看透智能时代的底层逻辑。

m0_59235245的博客 1441

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

多 Agent 协作刷题：一个出题、一个解答、一个评测的分工模式

负责根据用户的能力画像和薄弱点，生成针对性练习题目。它的输入是用户的刷题记录（哪些题型做得好、哪些容易卡住、最近刷的频率），输出是一个结构化的题目描述（问题陈述、输入输出格式、约束条件、预期难度）。出题 Agent 的核心能力需求：理解算法题的结构和难度分层、能创建有效的变体题目（同一模式不同表述）、以及根据用户反馈动态调整题目难度。负责解答出题 Agent 生成的题目。它需要完整的算法能力——读懂题目、选择算法、编码实现、分析复杂度。

cannonjinx的博客 4717

第 3 篇：让 Agent 学会分工，LangGraph 构建多 Agent系统

本篇介绍了如何用 LangGraph 构建多 Agent 协作系统。通过 Dispatcher 进行意图分类和动态路由，将任务分发给多个专业 Agent，支持串行和并行，解决单Agent职责混乱问题。

qq_52732369的博客 450

多Agent协作模式解析：主从、分工与竞争实践

多Agent系统是分布式计算与人工智能融合的关键技术，通过多个智能体的协同工作解决复杂问题。其核心原理在于设计高效的Agent间交互机制，包括任务分配、状态同步和结果整合。在工程实践中，主从模式、分工模式和竞争模式成为三种基础协作范式，分别适用于集中调度、流程处理和资源分配等场景。随着微服务架构和云原生技术的普及，多Agent协作在智能制造、金融科技和物流优化等领域展现出巨大价值。本文深入探讨这三种模式的实现细节，结合分布式系统设计和算法优化经验，为构建高性能多Agent系统提供实用指南。

weixin_31528001的博客 195

深度解析AI Agent：从概念、原理到构建模式，一文彻底搞懂！

新的执行计划或最终答案。Agent作为大模型热潮下兴起的重要概念，通过将大模型与各种工具相结合，极大地扩展了其感知和改变外部环境的能力。无论是循环思考与行动的ReAct模式，还是先规划后动态执行的模式，都为Agent赋予了强大的自动化和问题解决能力。理解Agent的概念、运行原理以及不同构建模式，是深入掌握AI前沿技术，并将其应用于实际场景的关键。随着Agent技术的不断成熟，我们可以预见它们将在编程、信息检索、自动化办公等更多领域发挥越来越重要的作用，真正成为我们身边的智能助手。从0到1！

leah126的博客 511
上一篇： 大模型微调指南：让通用模型适配你的业务场景
下一篇： 运维工程师：做了五年运维，我转型做了LLMops
点赞 3
评论 0
书签 书签 5
AI_小站
AI_小站
博客等级 码龄3年 6255粉丝 1154原创
+ 关注
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
 
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