- 博客(9)
- 收藏
- 关注
原创 (八)《那些年我们用过的Agent框架:LangChain、AutoGen、CrewAI | 主流框架横向对比 |》
摘要:本文围绕 LangChain/LangGraph、AutoGen(及 Microsoft Agent Framework)、CrewAI 三大主流 Agent 框架展开横向评测,从核心架构、易用性、多 Agent 协作、灵活性与生产稳定性等维度拆解各自优劣,并结合快速原型、复杂协作、深度定制、企业级生产、研究实验等典型场景给出选型建议,最后复盘四个高频踩坑点与规避方法。核心结论是:要快选 CrewAI;要灵活、要上生产选 LangChain + LangGraph;要对话式多 Agent 协作或微软生
2026-08-20 11:16:23
512
原创 (七)做好一个Agent,先从看懂OpenAI的Function Calling开始 | Function Calling原理与作用 |
摘要:Function Calling 让大模型从 “只会生成文本” 升级为 “能够表达结构化行动意图”,是构建 Agent 的关键能力。本文从第一性原理出发,先讲透它的定义与本质 —— 模型只输出函数调用请求、真正执行仍在开发者侧,再完整拆解 “用户输入→模型决策→输出函数调用→执行函数→结果回传→模型生成最终回答” 的六步闭环;随后通过天气查询和多工具协作两个案例演示 Schema 定义、参数提取与上下文传递,并进一步探讨 JSON Schema 设计、并行调用、错误重试以及常见坑与最佳实践,最后展望
2026-08-13 18:12:01
551
原创 Agency-Agents 多智能体协作系统落地指南
多智能体协同系统:破解企业自动化孤岛困境 传统单点自动化工具在应对跨部门复杂业务时效率低下,形成"自动化孤岛"。多智能体协同系统通过以下核心机制实现高效协作: 任务分解与动态分配 Planner智能体将高层指令拆解为原子化子任务 基于能力匹配度原则动态分配专业智能体 跨部门流程编排 总线控制器统一调度协作顺序和数据流转 状态机/工作流引擎定义业务蓝图 适配器模式封装异构系统接口 协同执行架构 通信总线实现消息路由 黑板机制共享上下文 标准化工具接口调用外部系统 实际应用中,该系统可将原本耗时两周的跨部门协作
2026-08-13 18:02:18
519
原创 (六)大模型API怎么选?从GPT、Claude到开源模型对比 | 主流大模型API特点与选型建议
《大模型API选型指南:五大场景避坑手册》 摘要:针对开发者面对GPT-4o、Claude3.5、DeepSeek等大模型API的选择困境,本文提供了一套实用选型框架。通过六大维度对比分析(核心能力/上下文窗口/多模态/成本/延迟/合规),结合典型场景给出推荐方案:1)高精度Agent用GPT-4o+Claude3.5组合;2)长文档处理首选Claude3.5;3)内容创作选GPT-4o;4)高并发客服用GPT-4mini+DeepSeek;5)私有化部署选Qwen开源模型。特别提醒开发者警惕三大常见陷阱:
2026-08-08 15:11:42
527
原创 (五)吴恩达、Anthropic都在提的“Agent循环”是什么? | 理解Observe→Think→Act基本循环
本文从吴恩达与 Anthropic 共同强调的 Agent 循环出发,围绕 Observe→Think→Act 基本循环展开白话级拆解。文章先给出极简定义与类比,再逐一剖析观察、思考、行动三个阶段的技术要点和常见误区,通过联网问答、代码调试、多 Agent 协作三个实战场景演示循环运转全貌,并梳理 ReAct、Reflexion 等高级模式与 LangGraph、AutoGPT 的映射关系,最后提供循环完整性检查清单,帮读者一把抓住所有 Agent 行为的底层密码。
2026-08-02 16:14:33
421
原创 (四)Workflow和Agent的边界在哪?什么时候不该用Agent? | 学会判断,避免过度设计 |
摘要: Agent与Workflow并非对立,而是适用场景不同的工具。本文通过智能客服、审批流程等翻车案例,提出四维判断框架:确定性(步骤是否可穷举)、容错成本(错误后果的严重性)、可解释性(审计需求)、反馈数据(是否有实时评估信号)。核心结论:Workflow适合高确定性、低容错、强监管场景(如退款审批),Agent适合开放路径、低风险任务(如竞品分析)。最佳实践是混合架构——Workflow串联流程,Agent仅处理模糊推理节点(如合同风险条款识别),并通过规则护栏约束其输出。文末附自测清单,助团队避免
2026-07-31 10:47:07
474
原创 (三)一个公式看懂Agent:Agent = LLM + 规划 + 记忆 + 工具 | 用简单公式理解Agent构成 |
本文围绕 Agent = LLM + 规划 + 记忆 + 工具 这一核心公式展开,用生活化类比和经典案例,将晦涩的智能体架构拆解为 "大脑、谋略、过往、手脚" 四个通俗维度。无论你是刚接触 Agent 的新手,还是正在设计 Agent 系统的开发者,读完这篇,你都能建立起对 Agent 核心骨架的完整认知,并能用一张自查清单快速检验你的设计是否扎实。
2026-07-29 11:17:30
591
原创 (二)别急着写代码!先搞懂Agent的“大脑”长什么样 | Agent核心组件拆解:大模型、工具、记忆、规划?
很多开发者上手做 Agent 的第一反应是打开 IDE 开始写代码,结果要么陷入无尽的状态机调试,要么发现自己的 Agent 像个“失忆的金鱼”——问一句忘一句。本文用“人脑”做类比,拆解 Agent 的四大核心组件:大模型(大脑皮层)、工具(双手和感官)、记忆(海马体)和规划(前额叶),帮你先搞懂“大脑”结构再动手实践。
2026-07-28 08:42:00
385
原创 (一)AI Agent爆火,它和Chatbot到底有什么区别?
本文从定义、技术原理和核心差异三个层面,深入对比了 Chatbot 与 AI Agent。Chatbot 聚焦被动问答和内容生成,而 AI Agent 则具备自主规划、工具调用和反思纠错能力,能像数字员工一样完成多步复杂任务。文章结合 AutoGPT、MetaGPT 等案例,梳理了 ReAct 等技术架构,并从交互模式、自主性、工具使用、记忆能力和适用任务等维度给出直观对比,最后分享了实际场景中的选型建议。
2026-07-25 15:27:08
704
空空如也
print()出错11111111111
2023-09-13
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅