活动组件AI助手落地共经历了三个阶段：

• 快速落地：采用Dify平台，验证AI与业务结合的想法，快速实现第一版；
• 优化性能：采用LangChain开发具备RAG能力的第二版；
• 丰富功能：开发具备Agent能力的第三版；

在上一篇《AIGC在活动业务中的探索与应用》中，介绍了使用Dify平台快速落地活动组件AI助手的第一版，验证了AI与业务结合的可行性。接着我使用LangChain开发了第二版，简化第一版中Dify RAG的流程，提升推荐组件的性能。有了组件推荐能力后，我们继续丰富AI助手的功能，又有了新的想法：能否根据需求，查询历史活动，快速复用同类型组件？为此我们开发了具备Agent能力的第三版，实现根据用户需求，自主规划任务和调用工具，查询所需的活动和组件数据，并实现快速复用历史活动组件的功能。

Build a GraphRAG Agent using Neo4j and Milvus. By combining the strengths of graph databases and vector search, this agent provides accurate and relevant answers to user queries.

在 PVP 多人对战类的游戏中，社恐玩家的社交和情绪价值、对战局的操控感，无法得到有效满足。因此，网易伏羲助力《永劫无间》手游率先发布了全球首创的游戏 Copilot-多模态实时交互的语音 AI 队友。它可以在战斗中自主跑图、战斗、听指令、报战况，还会和玩家进行自由对话，给玩家带来极高的情绪价值。本文将重点讲解语音 AI 队友的设计和实现，及其背后的 AOP（Agent-Oriented-Programming，面向智能体编程）框架，最后还会分享语音技术在游戏场景的一些创新应用。

本文旨在探索基于大型语言模型（LLM）的多智能体（Multi-Agents）技术在运维故障根因分析中的应用潜力，以期为企业带来更精确、更高效的运维故障诊断解决方案。

本文简要介绍六顶思考帽的概念及其优势，讲解智能体的概念和常见的智能体平台，讲解该智能体的创建过程，带领大家从想法走向实现。

在设计产业中，虽然设计师和产品经理的角色各有不同，但两者之间的界限正变得日益模糊。设计师在考虑用户体验和产品功能的同时，产品经理也被要求具备一定的设计思维。今天，我们将探讨在设计思维转型为产品开发的过程中，如何打造一款简化创意流程的灵感设计插件工具。

Java Agent这个技术，对于大多数读者来说都比较陌生，但是多多少少又接触过，实际上，我们平时用的很多工具，都是基于Java Agent实现的，例如常见的热部署JRebel，各种线上诊断工具（btrace, greys），还有阿里开源的arthas。另外我们大伙熟知的apm性能监控工具skywalking,pinpoint等都是agent的实际运用.那我们要怎么简单理解他呢 ,如果熟悉spring的读者应该知道动态代理技术,相对于agent技术,大家可以理解成一种jvm级别的aop技术. 有了它,可以在类加载前后增加相应代码,实现我们要的特性.

随着agent场景的普及,我们公司也在很多方面要用到agent带来的功能. 本文重点举例介绍3个agent场景,也是我们公司大量使用的地方.首先是apm调用链,大家应该对这个比较熟悉,业务迁移到微服务之后,服务之间的调用关系势必要借助apm工具来进行追踪的.其次是测试团队使用的覆盖率测试工具jacoco,另一个场景是我们在进行beta发布,全链路压测等场景需要对流量进行识别和传递,那么标签传递的过程中,会遇到大量的异步场景,调用走到线程池以后,标签会出现传递丢失,那么在这种情况下,目前比较流行的解决方案是接入阿里开源的transmittable-thread-local框架. 以上三个场景apm,jacoco,transmittable-thread-local等 ,都是基于agent(或者推荐使用agent方式)方式接入的,针对这么多agent,甚至以后会出现更多的类似场景,我们要怎么管理,引入了过多的agent以后会不会引入过多的风险?

本文总结了作者在盒马智能客服的落地场景下的一些思考，从工程的角度阐述对Agent应用重要的稳定性因素和一些解法。

本文侧重于能力总结和实操搭建部分，从大模型应用的多个原子能力实现出发，到最终串联搭建一个RAG+Agent架构的大模型应用，让个人对于大模型应用如何落地更加具有体感。

本文讲述了作者团队在阿里云的服务领域Agent是如何设计与实践的，以及到目前为止的一些阶段性成果，作者做出了总结和整理。​

L40S相对低成本高显存的特性下，可以充分利用推理卡资源，保证在线上的良好性能和水平扩展性。通过技术优化和部署策略，推理系统的效率和用户体验得到显著提升。

随着LLM的发展，ChatGPT能力不断增强，AI不断有新的概念提出，一种衍生类型的应用AI Agent也借着这股春风开启了一波话题热度。本文就手猫在探索Agent能力和智能助手业务结合过程、技术侧遇到的问题、想法和实践做简单总结。

斯坦福小镇项目提出了解决信息螺旋问题的方法：引入外部信息输入，使AI不仅与AI对话，还能主动与现实人聊天。作者提到了特德姜的小说《软件体的生命周期》，提出了数字宠物的概念，数字宠物在虚拟空间中与其他宠物互动，并主动与现实主人聊天，实现了内外双循环。

随着技术的快速进步，如何更高效地利用这些大模型（LLM）来解决具体问题？如何通过检索增强生成（RAG）技术提高信息的准确性和相关性？以及如何设计能够有效集成LLM、RAG和其他AI技术的智能体？

调研员智能体是一种基于大语言模型的计算机程序，具备规划、记忆和工具使用能力。它能够从网络上进行搜索，并以调研员的角色进行任务规划和拆分。使用提供的工具，完成调研过程并生成报告。其中一个注册的工具是CollectLinks，用于收集相关链接。调研员智能体的技术结合了大规模语言模型和智能体技术，具有重要的应用价值。

本文从 Codereview 场景出发，介绍了从最简单的直接调用 API 到使用 RAG 增加代码块的上下文，最终到使用 Function Calling 构建 Codereview Agent。