北邮刘老师-优快云博客

原创【深度】智能体互联网：一次呼啸而来的经济范式变革

与以信息传递和平台聚合为核心的传统互联网不同，智能体互联网的核心是“意图驱动协作系统”，即用户通过自然语言表达意图，由多个自治智能体进行跨平台、跨任务的自动协同完成。商业模式的演化：从流量变现走向服务激励+意图匹配+任务代理，不再依赖广告、点击与停留时间，取而代之的是“任务完成率”、“交互成功率”等新型效益指标，这将彻底改变内容平台、电商、教育、金融、社交等行业的盈利逻辑。至此，经济结构、生产关系、劳动形式、商业模式等全面迁移至智能体范式下，类似过去从农业经济向工业经济、再向信息经济的跃迁。

2025-08-03 09:04:51 752

原创从人类进化史谈一谈ACPs协议族与MCP/A2A的本质区别

在传统的智能体系统中，即使具备强大的模型能力与工具调用能力，智能体之间的协作依旧停留在“点对点”“非结构化”的阶段，缺乏身份体系、信任基础与组织管理机制。为了在野兽环伺的原始环境中生存下来，人类首先依靠的是不断提升的身体，也就是生理能力——更敏锐的观察力、更灵活的肢体协调性、更快的奔跑速度和更强的耐力，这些都是为了逃避猛兽的追捕，争取活下来的机会。同时，ACPs中的发现机制允许智能体主动“感知”并连接网络中的其他智能体，动态建立协作关系，像人类社会中的社交网络和企业组织一样形成“自组织结构”。

2025-07-23 16:29:05 460

原创基于ACPs协议的智能体互联网示例（多智能体旅游规划）

这6个智能体基于ACPs协议族进行连接，构成主从结构。旅游规划智能体为助理型主智能体，在收到用户任务请求后进行任务规划和拆解，然后更具拆解出的子任务，通过ACPs协议族中的智能体发现流程（ADP）匹配和发现相应的另外5个功能型智能体（这5个智能体都是通过ATR协议可信注册的），并使用智能体交互协议（AIP）进行通信协作，完成用户指定的任务。

2025-07-20 14:25:40 186

原创智能体互联网新闻速递及深度解析【250623】

包括Adobe、AWS、Databricks、Google Cloud、Meta、Microsoft、NVIDIA、Oracle、Salesforce、SAP、ServiceNow、Snowflake和Workday在内的企业已加入埃森哲该平台。KPMG近期发布其多智能体平台“KPMG Workbench”，该平台集成了 50 个以上的 AI 智能助手（agents），并正在开发近千个，以满足客户的多样化需求。【解析】智能体之间进行互联协作，以突破单智能体的能力瓶颈，基本已成为业界共识。

2025-06-23 10:27:57 189

原创智能体互联网新闻速递及深度分析【250620】

多智能体系统不是万能钥匙，但在“场景匹配 + 上下文可控 + 强评估”的前提下，它能显著增强解决复杂任务的能力。关键在于合理拆解任务，选择适用的架构，而非简单追求智能体数量的堆叠。Anthropic 在特定垂直任务上验证了多智能体系统的显著性能提升，尤其是在需要广泛检索、多角度探索的问题上，其技术路径值得参考。提出了一套系统性的安全设计理念，旨在为 AI agent 的发展提供可控、可信的基础设施。的价值，而是提醒多智能体技术的门槛与陷阱，特别是针对写作与代码类任务，目前更适合单。

2025-06-20 22:19:49 267

原创从AI智能体到智能体AI系统：中间只差一个智能体互联网

从AI智能体到智能体AI系统的跃迁，需要一个“智能体互联网”作为桥梁。所谓智能体互联网（Internet of Agents, IoA），是一种开放、通用的基础设施，让分布在不同平台、组织、设备上的智能体可以互相发现、通信、合作。随着多模态模型、强化学习和LLM的发展，AI智能体不仅可以完成具体任务，还能“规划任务”、“调用工具”、“与人交互”，甚至实现一定程度的自我优化。类似传统互联网连接的是信息节点，智能体互联网连接的是“能力节点”，每个节点都是一个可调用、可交互、可组合的智能体。

2025-06-15 21:53:30 561

原创 ACPs：一种全新的智能体互联网协议体系

本文介绍了北邮智能体互联网研究小组提出并初步定义的面向智能体互联网的智能体协作协议体系（Agent Collaboration Protocols，ACPs），包括智能体注册协议（ARP）、智能体发现协议（ADP）、智能体交换协议（AIP）、智能体工具协议（ATP）的阐述，以及基于ACPs的智能体互联网应用场景示例。智能体注册协议（Agent Registration Protocol，ARP）：定义智能体能力描述语言，以及智能体能力注册方法和过程，以实现可管可控的智能体能力申明。

2025-06-08 22:25:37 1047

原创从万物互联到万体智联：论智能体互联网带来的产业革命

加之AI、大数据的引入对网络提出智能化、自动化的新要求，传统运营机制已难以胜任。(3) 数到数（数据加工）：智能体和智能体互联网通过为数据资源配置智能体，使其具备自主发现、调用、清洗、融合和分析能力，实现数据之间的自动流转与智能加工，打破数据孤岛，提升数据价值转化效率，支撑复杂的数据驱动型任务协作。(6) 物与数（泛在感知）：智能体和智能体互联网通过为设备和数据建立智能代理，实现设备对环境的实时感知与数据的自动采集、预处理与上传，推动感知数据与应用需求之间的智能对接，构建泛在感知与实时反馈的智能系统。

2025-06-02 11:46:16 1525

原创【连载22】基础智能体的进展与挑战综述-超对齐

对模型安全性和性能进行了更为详细的比较和分析，得出了以下结论：（1）如图21.1（A）和图21.1（C）所示，商业模型的安全性和性能通常呈反向关系，因为各公司在安全措施和投入上的差异。Safe-NCA方法的核心在于利用自定义对比损失函数，结合安全数据集，训练一个在生成过程中更加安全和稳健的模型，通过将生成的安全和不安全响应与参考模型的输出进行比较来实现。无法将复杂的长期目标分解为可解释和可管理的子目标，可能导致虽然在技术上安全，但在实现更广泛的人类中心目标时表现不佳的行为。基于此，Ruan等人。

2025-06-01 08:01:47 951

原创【连载21】基础智能体的进展与挑战综述-交互风险

通过语料库中毒暴露了基于RAG的LLM的漏洞，攻击者将多个精心设计的文档注入数据库，迫使系统检索对抗性内容并对目标查询生成错误响应。仅通过引入10个对抗性段落（占语料库的0.04%），便能实现98.2%的检索成功率，将GPT-4的拒绝率从0.01%提升至74.6%，负面响应率从0.22%提升至72%。这些干扰可能对时间敏感的应用产生特别严重的影响，在这些应用中，系统的可用性和响应能力至关重要。执行后门攻击，毒化RAG知识库，确保后门触发的输入在保持正常性能的情况下，检索恶意示范内容，而对无害查询表现正常。

2025-05-31 08:53:25 687

原创【连载20】基础智能体的进展与挑战综述-非大脑模块的威胁

19. 智能体内在安全性：非大脑模块的威胁AI智能体的安全性不仅仅局限于核心LLM，还包括其外围模块，如感知模块和行动模块。虽然LLM大脑提供了核心智能，但其他模块中的漏洞可能会显著削弱整个智能体的鲁棒性。这些组件充当接口，使AI智能体能够感知世界并在其中执行动作，从而成为对抗性攻击的主要目标。图19.1：智能体内在安全性：LLM非大脑模块的威胁AI智能体的感知模块对于处理和解释跨多种模态的用户输入至关重要，例如文本、图像和音频。然而，这些模态的复杂性和多样性使得感知系统在动态环境中容易出现误解[1296]

2025-05-28 09:03:42 383

原创【连载19】基础智能体的进展与挑战综述-对智能体大脑的威胁

18. 智能体内在安全性：对AI大脑的威胁智能体的内在安全性涉及到智能体内部架构和功能的漏洞。智能体本质上由多个组件组成：一个中央“大脑”（LLM），以及用于感知和行动的辅助模块[66]。虽然这种模块化使得智能体能够进行复杂的推理和自主决策，但也扩大了潜在的攻击面，暴露了智能体内部的各种漏洞，供对手利用[1130]。对智能体大脑——特别是LLM——的威胁尤为令人担忧，因为这些威胁可能直接影响智能体的决策、推理和规划能力。这些漏洞可能来源于模型设计中的缺陷、输入的误解，甚至是训练过程中产生的弱点。有效的缓解策

2025-05-27 15:44:51 912

原创【连载18】基础智能体的进展与挑战综述-多智能体系统评估

与单智能体评估相比，单智能体评估的主要关注点是特定任务的表现，而LLM基础的多智能体系统的评估必须从整体智能体间动态的角度理解，例如协作规划和沟通有效性。接着是对MAS能力的总体评估，超越了单一任务导向的成就，涉及智能体在高级层次的互动。这些基准采用了全面的竞争性度量，如前进距离（Forward Distance）、判断准确性（Judgment Accuracy）和理性得分（Rationality scores），发现尽管先进的LLM在简单场景中表现得体，但在复杂的对抗条件下依然存在显著的局限性。

2025-05-25 08:48:07 981

原创【连载17】基础智能体的进展与挑战综述-集体智能与适应性

【翻译团队】刘军(liujun@bupt.edu.cn) 钱雨欣玥冯梓哲李正博李冠谕朱宇晗张霄天孙大壮黄若溪。

2025-05-24 09:09:56 729

原创【连载16】基础智能体的进展与挑战综述-协作

【翻译团队】刘军(liujun@bupt.edu.cn) 钱雨欣玥冯梓哲李正博李冠谕朱宇晗张霄天孙大壮黄若溪。

2025-05-20 09:32:24 639

原创【深度】Google的A2A智能体通信协议翻译和解析（2）

（注：在A2A协议中考虑了现有系统的智能体化改造，改造后的系统称为Agentic System）远程智能体基于一个HTTP端点对外提供基于A2A协议的服务能力，它接收来自客户端智能体的请求，然后执行任务，并且返回处理结果或者更新状态给客户端智能体。任务（Task）：任务是A2A 管理的基本工作单元，具有唯一的标识（ID）。智能体卡片信息包括该智能体的标识（名字、描述），服务端点URL，版本，支持的A2A能力（例如流式机制或者推送通知），提供的特定技能（skill），默认的输入/输出形式，以及身份验证要求。

2025-05-18 09:15:25 762

原创【深度】Google的A2A智能体通信协议翻译和解析（1）

Agent2Agent（A2A）协议Google退出的一个开放标准，其目的是改变目前各自独立、互相之间不透明的 AI 智能体生态现状，促进智能体之间的通信与互操作性。在一个智能体可能是由不同框架、语言或厂商构建的生态系统中，A2A 的目标是提供一种通用语言和交互模型，通过定义详细技的术规范，使智能体能够实现（注：敲黑板划重点，A2A就负责下面这几个任务，其他的一概不管，提问：其他的还应该有什么呢？）：发现彼此的能力；协商数据交互方式（包括文本、文件、结构化数据）；管理协作任务；

2025-05-17 11:34:25 887

原创【连载15】基础智能体的进展与挑战综述-通信拓扑

基础智能体的进展与挑战综述【翻译团队】刘军(liujun@bupt.edu.cn) 钱雨欣玥冯梓哲李正博李冠谕朱宇晗张霄天孙大壮黄若溪图14.1：多智能体合作的不同拓扑结构类型图14.2：合作和竞争的智能体本节探讨了基于大型语言模型（LLM）的多智能体系统（MAS）中的交互类型学及其对通信、协作和任务执行的影响。我们首先分析静态拓扑——其中连接模式由领域知识固定，然后探讨动态（自适应）拓扑，这些拓扑根据性能指标、工作负载变化或战略约束调整智能体之间的连接。最后，我们讨论了可扩展性挑战以及在平衡

2025-05-13 11:55:25 821

原创【连载14】基础智能体的进展与挑战综述-多智能体系统设计

基础智能体的进展与挑战综述【翻译团队】刘军(liujun@bupt.edu.cn) 钱雨欣玥冯梓哲李正博李冠谕朱宇晗张霄天孙大壮黄若溪在基于大语言模型的多智能体系统（LLM-MAS）中，合作目标和合作规范作为基础性元素，决定了系统的行为、交互模式和整体效果。合作目标明确规定了智能体旨在实现的具体目标——无论是单独的、集体的还是竞争性的；而合作规范则定义了规范智能体在系统内交互的规则、约束和惯例。共同作用下，这些组件构建了一个强有力的框架，指导智能体之间的有效沟通、协调和合作。本节根据合作目标和

2025-05-11 10:53:00 1069

原创【连载13】基础智能体的进展与挑战综述-科学发现与智能进化

【翻译团队】刘军(liujun@bupt.edu.cn) 钱雨欣玥冯梓哲李正博李冠谕朱宇晗张霄天孙大壮黄若溪12.科学发现与智能进化在前面的章节中，我们主要从技术角度讨论了智能体系统的演变，重点介绍了如何开发能够有效执行传统上由人类完成的明确定义任务的系统。然而，仍然有一个根本且重要的问题：这些智能体能否推动一个自我维持的创新循环，从而促进智能体的演化和人类的进步？科学知识发现是智能体自我进化的一个引人注目的例子，因为它帮助智能体以可持续的方式适应世界。能够以不同自主级别并安全地发现科学知识的

2025-05-07 09:16:45 862

原创【连载12】基础智能体的进展与挑战综述-自我改进

相比之下，离线优化强调结构化的、高保真的训练方式，基于预先收集的数据集，确保在部署前具备稳健和稳定的性能。例如，若将奖励函数与提示设计分别优化，可能会产生相互冲突的结果，但通过战略性的方法可以使这些优化过程协同进行，从而保持一致性并最大化整体效果。与在线方法相比，离线方法适用于更高计算开销的技术，包括批量参数更新与微调、元优化以及系统化的奖励模型校准。与在线方法相对，离线自我改进依赖结构化的、批量式优化。框架，在任务执行过程中嵌入学习过程，从而增强实时适应性、以用户为中心的优化能力以及强大的问题解决能力。

2025-05-06 09:20:04 603

原创【连载11】基础智能体的进展与挑战综述-持续优化

幸运的是，近期的研究如 Revolve[780]已朝这一方向迈出一步，其引入了一种结构化的二阶优化方法，通过建模多轮迭代中响应模式的演化过程来实现。在“深度”维度上，LLMs 的运作方式类似于前馈神经网络，按顺序在工作流的不同模块中进行优化——大多数现有的基于LLM的优化器都遵循这一范式。虽然传统的超参数调优技术，如网格搜索和贝叶斯优化，可以应用于基于LLM的离散工作流，但由于语言模型输出具有较高的方差，其计算成本往往不可接受。在这些原则的基础上，我们重点介绍一种快速发展的基于LLM的优化范式：强化学习。

2025-05-05 08:49:15 906

原创【连载10】基础智能体的进展与挑战综述-自我进化

现有基于LLM的智能体优化可被构建为一个两层结构。在基础层是提示词优化，其重点在于增强语言模型节点的基本交互模式。在此基础之上，出现了三个并行的优化分支：(1) 工作流级别优化，聚焦于多个LLM节点之间的协调与交互模式；(2) 工具优化，即智能体通过开发与改进工具以适应新任务并利用历史数据进行演化；(3) 全面的自主智能体优化，旨在从多个维度整体提升智能体能力。类似于AutoML中的优化范式，智能体优化也可以分为单目标优化与多目标优化。

2025-05-03 08:55:36 1196

原创【连载8】基础智能体的进展与挑战综述-感知

虽然越来越多的研究工作[543, 590]致力于构建统一的多模态模型以支持多种感知能力的输入与输出，智能体感知作为自主系统的基石，在有效解释和整合多模态数据方面仍面临重大挑战。当前的方法在表示学习、对齐和融合方面存在持续性问题，阻碍了鲁棒且可泛化的感知系统的发展。一个主要问题在于所采用的表示方法，这些方法通常无法捕捉多模态数据的复杂细节。这一缺陷在需要复杂抽象来保留关键语义信息的高维感知输入场景中尤为明显。此外，表示对齐也带来了额外的难题。

2025-05-02 09:29:39 903

原创【连载9】基础智能体的进展与挑战综述-行动系统

【翻译团队】刘军(liujun@bupt.edu.cn) 钱雨欣玥冯梓哲李正博李冠谕朱宇晗张霄天孙大壮黄若溪8. 行动系统在哲学领域，行动被定义为智能体体在环境中为实现潜在或特定目标而执行的行为。例如，操作、移动、推理以及工具使用等都可以被视为智能智能体在现实场景中为实现目标而执行的基本行动。换句话说，行动源自智能体体在环境中的目标导向性参与，体现了其为实现目标而试图改变外部世界的意图。因此，行动系统在区分AI智能体与基础模型（如LLM）方面也发挥着至关重要的作用。通常，现有的基础模型在多种任

2025-05-02 09:28:29 1110

原创 AIC：智能体身份码定义（ACPs-spec-AIC-v01.00-draft-0001）

在智能体互联网中，可以存在多个智能体注册服务商，每个服务商应为经过共识认可（例如管理机构认证）的服务实体（智能体注册服务商的分配和管理将在后续规范中定义）。20~30位：标识智能体的序列号，智能体注册服务提供商=可自定义，11位对应一年内可以支持一个智能体注册服务商生成百亿数量级智能体（后续还可以升级为16进制编码拓展空间）如图所示，每个智能体可以根据自身需要，选择不同的智能体注册服务商（ARSP）进行注册，并获得分配的AIC。8~11位：注册服务提供商的代码，结合国家代码可具体确定服务提供商，示例的。

2025-05-01 09:15:21 568

原创【连载7】基础智能体的进展与挑战综述-情感模型

【翻译团队】刘军(liujun@bupt.edu.cn) 钱雨欣玥冯梓哲李正博李冠谕朱宇晗张霄天孙大壮黄若溪情感是人类思考、决策和与他人互动的重要组成部分。它们帮助我们理解情境、做出选择并建立关系。Antonio Damasio 在《Descartes’ Error》一书中指出，情感并非独立于逻辑，而是与我们的推理和行为深度交织在一起[25]。在开发大型语言模型（LLM）智能体时，赋予其情感能力有望使系统变得更智能、更具适应性，并更好地理解周围世界。对于LLM智能体而言，情感可以像在人类身上一

2025-04-28 10:19:50 869

原创 ACPs：面向智能体互联网的智能体协作协议体系

本文介绍了北邮智能体互联网研究小组提出并初步定义的面向智能体互联网的智能体协作协议体系（Agent Collaboration Protocols，ACPs），包括智能体注册协议（ARP）、智能体发现协议（ADP）、智能体交换协议（AIP）、智能体工具协议（ATP）的阐述，以及基于ACPs的智能体互联网应用场景示例。智能体注册协议（Agent Registration Protocol，ARP）：定义智能体能力描述语言，以及智能体能力注册方法和过程，以实现可管可控的智能体能力申明。

2025-04-26 09:41:17 1150

原创【连载6】基础智能体的进展与挑战综述-奖励

此外，经验回放或自我反思等机制（即智能体使用学习到的奖励评估器评估自己的历史输出）也可以实现记忆的选择性强化，这类似于生物系统中由多巴胺驱动的记忆巩固过程[419]。尽管像“基于人类反馈的强化学习”（RLHF）这样的框架试图通过偏好数据来塑造智能体行为[12]，但此类方法仍难以捕捉人类目标的全部复杂性，尤其是在偏好具有非传递性、循环性或强烈情境依赖的情况下[321]。奖励机制同样存在于智能体中，尤其是在强化学习的场景中。总的来说，在LLM智能体中，奖励信号不仅是被动的标量反馈，更是主动的行为塑造机制。

2025-04-22 17:04:49 1092

空空如也

空空如也