话题AI工程 › AI Agent

AI工程:AI Agent

关联话题: 智能体

AI Agent 是通过工程化的手段,为大语言模型提供了获取外部工具、知识的能力。他是介于人类、大语言模型之间的代理。当用户向 AI Agent 输入问题时,AI Agent 可以使用大语言模型作为推理引擎,将一个复杂的任务进行分解、给出任务执行规划。之后 Agent 会调用外部工具获取结果,并将大语言的上次推理和工具调用结果返回给大语言模型,让大语言模型继续思考、规划。如此循环,直到将一个复杂的任务完成。

Web Agent大对决:你的AI浏览器理想型,会是哪一个?

2025年,浏览器正从“看客”进化成“智能助手”。Web-Agent技术革命推动互联网交互模式从“搜索-点击”转向“对话-执行”。四大产品各具特色:ChatGPT Agent技术全能,Fellou高效低价,Comet强搜索,Dia极简体验。AI原生架构深度集成,实现流程自动化与任务委托,大幅提升效率,重塑数字化生活。未来,多模态融合与垂直化发展将引领浏览器新变革。

当下智能体(Agent)的理论框架与分析

智能体(Agent)与工作流(Workflow)是AI系统中的两大范式。工作流适用于简单任务,高效且稳定;而智能体则具备自主规划能力,适合复杂场景,灵活应对变化。构建高可靠智能体系统需动态管理与静态工作流的融合,确保LLM在工具调用链中保持合适上下文。MCP和A2A协议提升了AI系统的集成与协作效率,推动智能体在现实生活中的广泛应用。

Manus、LangChain一手经验:先别给Multi Agent判死刑,是你不会管理上下文

Multi-Agent与单一Agent之争,本质是上下文管理问题。Langchain提出写入、选择、压缩、隔离四大策略,Lossfunk则强调任务拆分、长上下文和逐步验证。Manus建议利用文件系统、控制注意力和保留错误记录。上下文工程胜于微调,灵活高效,是AI智能体优化的核心。

基于大模型的领域场景开发:从单智能体到多智能体的React框架设计与实现

大模型开发逐渐转向专有AI工具,提升生产力是关键。团队通过RAG、流程编排等技术,开发了智能助手和问答平台。近期采用React框架,实现智能体自主规划和工具调用,优化了决策和上下文管理。未来将探索多智能体协作和上下文动态压缩,进一步提升系统效率和响应质量。

警惕AI智能体构建误区:生产级系统的实战经验分享

AI智能体构建需避免过度复杂化,优先采用简单方案。生产环境中,应逐步增加功能,强化安全防护和评估机制。自主智能体与受限系统结合使用,明确能力边界。关键监控指标和人工介入机制不可或缺,确保系统稳定可靠。实施时,从基础功能开始,持续优化评估体系,提升系统整体表现。

ReAct和Plan & Solve谁更强?一文讲透AI Agent工作流设计模式

大模型技术推动AI Agent系统发展,关键在于工作流设计模式。反思型模式如基础反思、Reflexion、LATS和自我发现,强调迭代优化;规划型模式如ReAct、Plan & Solve、REWOO、LLM Compiler和Storm,注重步骤拆解与执行。不同任务适用不同模式,混合使用可打造更强大的AI Agent。

如何实现 AI Agent 自主发现和使用 MCP 服务 —— Nacos MCP Router 部署最佳实践

AI Agent在使用MCP协议时面临服务选择复杂、Token消耗高及安全隐患等问题。Nacos社区推出Nacos MCP Router,通过智能路由和代理模式简化服务配置,优化Token使用,并提升安全性。Router支持协议转换,结合容器化部署,提供隔离运行环境,有效解决当前挑战,推动MCP生态发展。

3个月,200家客户,和大家聊聊企业AI应用(AI Agent)的落地实践

AI应用正从工具向智能伙伴进化,AI Agent与LLM的双引擎模式赋予其思考与执行能力。MCP服务将企业IT资产转化为AI可调用的标准化能力。构建AI应用有全新开发与存量改造两种路径,AI网关、MSE Nacos和函数计算FC在架构中发挥关键作用,提供统一管理、高效运行和安全保障,助力企业AI转型。

基于智能体的自适应资损防控体系 - 淘工厂实践(二)

电商平台的资金安全面临严峻挑战,传统资损防控体系效率低下且覆盖不全。基于智能体的新型防控范式,通过多智能体协同,实现了从需求分析到实时监控的全链路主动防护。智能体前置风险识别,自动生成防控措施,并构建资损知识图谱,显著提升了风险防控的精准性和效率,为电商平台的资金安全保驾护航。

AI编码不是梦:手把手教你指挥Agent开发需求

AI编码实践展示了如何通过工具如通义灵码和模型如Qwen-Max、Claude-4-Sonnet,从接口定义到业务逻辑层,实现高效开发。文章详细拆解了工程结构、应用层、数据层和业务逻辑层的生成过程,并探讨了AI在编码中的实际应用与挑战,强调技术方案和Prompt设计的重要性,展望AI在编程中的未来潜力。

Context Engineering for AI Agents: Lessons from Building Manus

AI智能体系统的上下文工程是关键,通过KV缓存提升效率,避免动态增减工具,利用文件系统作为持久化内存,通过recitation机制引导注意力,保留错误信息以优化模型行为,避免少样本提示导致的模式固化,确保代理系统的稳定性和扩展性。

Unlocking Financial Insights with Finch: Uber’s Conversational AI Data Agent

Finch是优步开发的AI助手,集成于Slack,通过自然语言查询实时获取财务数据。它结合生成式AI、RAG和自查询代理,简化数据检索流程,提升效率。Finch具备上下文理解、自动SQL生成、权限控制等功能,支持数据导出至Google Sheets。其架构模块化,依赖OpenSearch索引和LangChain Langgraph,确保高精度和实时反馈。Finch优化了财务团队的数据访问体验,助力快速决策。

AI智能体全面爆发:一文吃透多Agent技术发展与进化

AI Agent的发展基于第一性原理,从基础认知到复杂协作逐步进化。图像识别借鉴人类视觉分层机制,推动深度学习突破。Agent协作经历手艺人、工作室、流水线等阶段,最终形成现代企业级智能协作网络。未来Agent将更自主、多模态、少指令,通过数据共享实现自我进化,在医疗等高价值领域潜力巨大。技术爆发往往非线性,各阶段协作形态都有其存在价值。

AI Agent 在电商内容场景的应用及演进

AI技术正推动电商内容从单一文本生成向多模态内容优化跨越。1.0时代实现文本工业化生产,2.0时代拓展至图片、视频生成,3.0时代则通过Agent技术优化内容质量,提升转化效率。未来将聚焦实时感知、智能优化、数据驱动和多模态拓展,助力商家降本增效,满足用户个性化需求。

AI Agents 提升 On-call 支持效率:探索与实践

基于大模型的智能运维对话系统通过意图识别、路由设计、Agent规划与执行等关键技术,解决了企业运维中的重复性高、响应成本高等问题。系统结合RAG、工作流、多Agent协作等技术,提升了复杂问题的处理效率。未来,系统将面临评估机制和多Agent协同等挑战,需进一步优化智能化与自动化能力。

基于OpenAPI和AI coding的上云智能体构建实践

基于OpenAPI和AI coding技术,我们实践了上云智能体的构建方案。通过加工阿里云openAPI数据,利用LLM生成代码并自主决策执行,减少幻觉,提升任务正确率。该方案在多轮迭代中逐步满足用户需求,有效解决API选择和参数推理问题,为上云场景提供智能化解决方案。

Home - Wiki
Copyright © 2011-2025 iteam. Current version is 2.144.3. UTC+08:00, 2025-08-08 06:23
浙ICP备14020137号-1 $Map of visitor$