大模型智能体的核心能力支柱：规划、记忆与工具的协同演进_智能机器人

1. 全球双榜SOTA！明略科技专有大模型 Mano开启GUI智能操作新时代

2. 刚刚，蝉联Future X全球榜首的MiroMind发布全球最强搜索智能体模型

3. 你还在用旧思维与AI打交道吗？ #大咖观察 #红衣聊AI #AI时代 #智能体 #大模型

4. 【直播回放】解析谷歌Gemini 3：“AI 全模态”时代与Scaling Law的极致执行

5. #华为MateX7搭载全新AI智能体#华为Mate X7的AI能力这么强吗？打破壁垒，一句话就能调用多个APP应用智能体，完成复杂操作？我直接好家伙，作为折叠屏行业的绝对引领者，华为此次再度突破技术瓶颈，不只是升级功能，更是让AI从工具进化为“系统级超级大脑”，真正融入生活、办公等多元场景，用智能化革新操作体验。#华为MateX7鸿蒙AI再升级#

6. Google 最新的白皮书，很值得收藏！《Introduction to Agents》，这个白皮书几乎可以看作是对“智能体时代”正式宣言。它系统地定义一种新型软件范式——让模型能自主思考、决策和执行。AI 正在从“预测”走向“行动”。1. 从预测式AI到行动式AI过去的AI是“被动的”：模型接收输入、生成输出，一问一答。但这篇文档开篇就指出，我们正在经历一次范式转变——从“预测AI（Predictive AI）”到“自主智能体（Autonomous Agents）”。智能体的关键区别在于：它不再等人指令，而是能围绕目标自我规划、行动、再评估。Google 把这类系统定义为一个闭环结构：LLM + 工具 + 编排层 + 部署环境。LLM提供推理，工具执行动作，编排层控制整个“思考—行动—观察”的循环，而部署让智能体能长期运行和被复用。2. 智能体的工作循环：Think–Act–Observe文档用一个非常清晰的五步模型解释智能体的工作方式：1. 获取任务（Get the mission）2. 扫描场景（Scan the scene）3. 思考计划（Think it through）4. 执行动作（Take action）5. 观察反馈（Observe & iterate）这一循环让智能体具备了真正的“任务感”。举个例子：用户问“我的订单在哪？”，智能体不会立刻回答，而是分解出“查订单→查物流→整合结果→回复”的完整路径。我特别喜欢它强调的那句话：智能体的本质，是上下文窗口的策展人（curator of context window）。——它不断组织、更新、过滤信息，让模型始终聚焦在当前任务最关键的上下文上。3. 智能体的分级：从单脑到群体这份白皮书提出了一个五层级的智能体体系：Level 0：仅推理模型（纯LLM）Level 1：能调用外部工具的“连接型问题解决者”Level 2：具备策略规划与上下文工程能力的“战略型智能体”Level 3：多智能体协作系统（类似团队协作）Level 4：自我演化系统（能创造新工具或子智能体）这一分级体系几乎可以当作企业部署智能体架构的路线图——从简单的调用API，到让智能体学会分工合作，最后走向能自我改进的“学习型组织”。4. 三大核心组件：脑、手与神经系统Google 把智能体拆成三个核心部分：1. Model（脑）：推理与决策中心，负责思考。2. Tools（手）：执行动作的能力，比如RAG、API、代码执行。3. Orchestration Layer（神经系统）：调度逻辑、记忆与策略，实现“Think–Act–Observe”循环。有一个关键点：他们认为模型并不是越大越好，而是要根据任务选择最优组合——复杂任务用强模型（如Gemini Pro），高频简单任务则用轻模型（如Gemini Flash）。这种模型分层调度的思路对未来Agent架构很关键。5. Agent Ops：智能体的运维哲学文档中提出了一个新概念——Agent Ops。它相当于 DevOps 在智能体时代的延伸。因为智能体行为具有不确定性，传统的“单元测试=预期输出”已经失效。Agent Ops 的目标是通过指标驱动、日志追踪、模型评审和用户反馈闭环，让系统在不确定中保持可靠。一个新的职位或部门来了？Agent Ops6. 安全与治理：从单Agent到Agent Fleet当智能体数量增多，问题就从“怎么造一个Agent”变成“如何管理一群Agent”。Google 提出的解决思路是建立控制面板（Control Plane），统一管理身份、权限和通信协议（MCP/A2A），避免Agent Spraw（智能体泛滥失控）。有意思的是，文中引入了“Agent作为新型主体（principal）”的概念，认为Agent不只是代码，而是一种能独立被认证、被授信的行动体。7. 学习与自演化：Agent Gym 的想象力最后几章讨论了“Agent如何自我进化”。Google 提出了一个概念叫 Agent Gym，类似模拟环境，用来让智能体在离线条件下训练、演练、红队测试、吸收人类反馈，从而“成长”。这个暂时用不上，估计大公司比较有资源搞。——这两个新的点，之前没深刻理解：1. Agent = 新的软件范式。过去我们以为“智能体”只是“会用工具的模型”，但Google用这份文档明确告诉大家——Agent是一种新的软件范式。它不是应用AI，而是用AI重新定义应用。2. Agent的核心不在“思考”，而在编排（orchestration）。未来的开发者更像导演而不是程序员——我们要设计场景、挑演员、布置镜头，让智能体自然演出目标行为。#ai创造营##科技#

7. 这个对 Agent 的定义和归纳挺好！Agent 是一种能够自主决策、执行任务、并在过程中动态调整行为的智能体。它并不是简单的问答系统，而是能理解目标、规划行动、调用工具、记忆状态，并根据反馈优化策略的智能执行系统。关键特征：（1）自主性：Agent 不依赖固定流程，而是根据上下文和已学到的信息动态决定下一步行动。（2）记忆能力：能够在多轮交互中保持状态，记住过往的操作与结果，用以改进后续决策。（3）工具使用：可以选择并组合不同的外部工具或系统，灵活完成复杂任务。（4）自适应性：在策略失败或信息不足时，能尝试不同方法或补充信息，持续优化执行路径。架构形式：（1）单智能体（Single-Agent）架构：由一个 Agent 处理所有任务，适用于中等复杂度的流程。（2）多智能体（Multi-Agent）架构：不同的 Agent 负责不同子任务，能处理复杂工作流，但需要协调机制确保协同一致。工作方式：Agent 通常会将用户请求拆解为子任务，通过搜索、记忆和工具调用等过程生成最终响应，并在此过程中不断判断是否需要更多信息、是否已回答过类似问题、是否需要切换策略。归纳起来：Agent 是具备理解、规划、执行、记忆与自我调整能力的智能体，能够以动态和自适应的方式完成复杂任务。#ai创造营# #程序员#

8. 大模型更像人的大脑，智能体是大模型的手和脚。 #大咖观察 #红衣聊AI #智能体 #大模型

9. 快抄作业！我用JoyAgent搞了个AI团队 2025年都快结束了，Agent是不是还没用上？我找到了打工人用上智能体的最简单方法，就是用JoyAgent把每天重复的SOP全做成Agent，不懂代码也能零门槛搭建，而且效果很稳定。看着AI团队全自动打工、出活，非常解压。 #AI #智能体 #JoyAgent #JoyCode #京东云

10. #华为Mate80#系列与 Mate X7 折叠屏作为年度高端旗舰，影像和硬件配置实力拉满，而软件层面的智能体#小艺#更迎来重磅更新，新增多项实用功能，其中小艺帮帮忙和#华为折叠屏首发A2A智能体协作#两大升级是我喜欢的。小艺帮帮忙支持一句话指令搜索同款、商城复购等复杂连贯任务，还能通过联网、看图自学技能，贴合用户使用习惯打造专属助手。小艺实现A2A智能体协作，比如在小艺对话里唤起喜马拉雅智能体查找播客内容。小艺现在相当于既是“贴身助理”又是“项目经理”，既能根据用户喜好进行学习，又能调起鸿蒙应用智能体执行专业任务。这两大升级让小艺凭借更强的实用性和协同能力成为的 “超能小艺”，绝对会让用户感受到一用就爱的体验

11. 真正的核心竞争力，来自于驾驭工具。 #大咖观察 #红衣聊AI #编程 #人工智能技术

12. 千亿智能体爆发前夜，谁来保护我们的AI安全？｜甲子光年

13. #荣耀MagicOS10##万事找YOYO##荣耀Magic8# 今天到现场听MagicOS 10的主题演讲，收获不少！李健总专门讲了这个系统的五维进化路径，包括模型升维到端云协同的个人化大模型、内核升维到AI智能体能力调度，还有协同升维到跨智能体互联、服务升维到能意图理解且自主决策的智能体，以及交互升维至多模态自然交互。听完才明白，MagicOS 10是想从之前被动响应的“工具平台”，变成主动服务的“智慧中枢”。而且它那智能体间的自主协同能力，不光能让咱们用着更顺手，还能给开发者搭起开放生态的进化底座，推动整个行业往智能化、个性化走。我是真心觉得这个系统挺有料的，对后续的实际体验也更期待了！

14. 如何构建一个 AI 智能体构建 AI 智能体的核心，是打造一个能够感知、推理、行动并从环境中学习的智能系统。整个过程遵循一个有机的结构化流程，如下所示：1. 明确目标与环境首先要确定智能体的目标，以及它将运行的环境。示例：一个个人 AI 助手的目标可能是管理用户的日程，而它的运行环境则包括用户输入、日历系统和外部 API。2. 智能体核心（AI Agent Core）AI 智能体的核心由三个关键模块组成，这三部分共同驱动智能体的理解与决策能力。a. 感知模块（Perception Module）收集并解释来自各种传感器的数据，如摄像头、麦克风或 API 输入。将原始感知数据转化为可理解的有意义信息，例如文字识别、声音检测或物体识别。b. 认知与推理模块（Cognition & Reasoning Module）这是智能体的大脑所在，负责逻辑推理、模型分析和基于目标的决策。通过算法和 AI 模型分析环境状况，规划行动路径，并根据数据和目标做出判断。c. 行动模块（Action Module）执行已选定的行动，可通过机械臂、软件命令或 API 调用等方式实现。将决策转化为对现实世界或数字环境的具体操作。3. 传感器与执行器传感器用于从环境中采集数据（视觉、听觉或上下文信息）。执行器根据智能体的决策执行任务或响应。二者形成一个持续的“感知—行动”循环，使智能体能动态地与环境交互。4. 环境交互（观察 + 行动）智能体通过观察行动结果并从环境中收集反馈，来评估自身表现。这种反馈帮助智能体调整策略，优化未来的行动。5. 记忆与学习记忆与学习模块用于存储经验并不断优化模型。它维护一个可随观察与反馈而更新的知识库，使智能体能够具备自适应学习能力。随着时间推移，智能体会变得更聪明、更准确、更高效。6. 反馈与改进循环最后阶段是持续改进环节。智能体评估自身表现，更新内部模型，并优化决策机制以取得最佳结果。这种“感知—学习—改进”的循环构成了自我进化型 AI 系统的基础。★ 总结明确目标 → 感知 → 理解 → 推理 → 行动 → 学习 → 改进 → 重复这个循环使 AI 智能体能够从最初的简单自动化，不断成长为具有自主智能的系统。#人工智能##程序员#

15. Anthropic最新发布的Claude Developer Platform功能，开启了AI代理工具使用的新纪元。未来的AI代理将无缝调用数百甚至数千种工具，像IDE助手整合Git操作、文件管理、测试框架，或运维协调连接Slack、GitHub、Jira等多个系统。他们面临的最大挑战是：如何避免因预加载海量工具定义而导致的上下文爆炸？传统方式可能消耗十万以上tokens，严重影响模型性能。Anthropic提出“工具按需发现”策略——Tool Search Tool，让Claude只加载当前任务真正需要的工具，节省85%上下文空间，大幅提升准确率和响应速度。另一方面，传统自然语言调用工具方式带来的上下文污染和多次推理开销，也被Programmatic Tool Calling（编程式工具调用）彻底革新。Claude通过生成Python代码来批量调用、处理工具数据，只把最终结果放入上下文，极大节省token消耗（约降37%），降低延迟，并提高了复杂流程的执行准确度。此外，JSON Schema虽能定义参数结构，却难以表达正确用法和参数间的关联。Anthropic引入Tool Use Examples，允许开发者通过示例明确工具调用规范，显著提升复杂参数场景下的调用准确率（测试中从72%提升到90%）。这三项功能——工具搜索、编程调用、用例示范——协同解决了大规模多工具场景下的发现效率、执行效率和调用准确度问题。它们不仅适合构建跨多个服务的大型系统，也为开发者提供了灵活、高效的工具管理和调用新范式。开发者可根据应用场景分层使用，先从最大瓶颈入手： - 上下文爆炸优先用Tool Search Tool - 中间数据过多用Programmatic Tool Calling - 参数复杂易错用Tool Use Examples Anthropic的实践证明，这样的设计大幅提升了AI代理的实用性和稳定性，推动智能代理从简单调用迈向智能编排。期待更多创新应用在Claude平台上诞生。原文详见 anthopic.com/engineering/advanced-tool-use—— 这项技术展示了AI工具集成的未来方向：动态发现、代码驱动执行和示范引导，三者合力打造高效、精准、可扩展的智能代理生态。对希望打造复杂多工具AI系统的开发者来说，Anthropic的方案无疑提供了宝贵的参考和实践路径。

16. 2025过去了！这一年你是不是也在为AI焦虑？老周用360一整年的实践，告诉你答案：不用怕，抓住Agent就赢了！从我自己敲代码做100多个智能体，到带领团队All in，这条AI布道之路，全是实战干货。 2026，你想和智能体一起搞定啥？评论区留言，老周帮你研究！#大咖观察#2026 #年度总结 #红衣聊AI #agent

17. AI智能体时代，职场规则已不同以往。想成为赢家，关键在于找准自己的位置。#大咖观察 #红衣聊AI #智能体

18. #何小鹏谈物理AI领域的研发变革#在2025可持续全球领导者大会上，小鹏汽车分享了全新VLA大模型的测试进展，重点强调了该模型在测试过程中展现出的涌现能力。据小鹏介绍，VLA大模型能够在复杂任务处理中，自主形成超出预设范围的解决能力，这种涌现能力让模型在应对多变场景时更具灵活性。例如在简单指令交互测试中，VLA大模型不仅能完成基础指令，还能根据上下文给出优化建议。小鹏表示，后续将继续针对VLA大模型的涌现能力进行深度优化，推动其在更多智能场景中落地，为小鹏的机器人、智能汽车等产品赋能。#小鹏谈全新VLA大模型测试时的涌现能力##何小鹏谈人形机器人未来对行业的颠覆#新浪科技的微博视频

19. #微博声浪计划##听见微博##DeepSeek新版本有什么新突破#？V3.2双模型推理能力大升级，标准版对标GPT-5，工具调用效率提升40%；特别版数学竞赛超人类最高分。三大技术革新支撑，成本大降，推动推理平权。 http://t.cn/AXy4NMMC

20. Anthropic 官方教程：为 Agent 设计高效工具的最佳实践

21. 10月23号荣耀开发者大会上，CEO李健直接放了大招！MagicOS 10这次玩真的，直接进化成能自学习的AI智能体系统，从“你叫我做”变成“我主动帮你做”的智慧大脑！它从五个维度全面升级：✨ 模型升级：端云协同，更懂你的个人大模型✨ 内核升级：AI智能体能力调度，效率翻倍✨ 协同升级：跨智能体无缝互联✨ 服务升级：能理解意图、自主决策✨ 交互升级：多模态自然交互，动口动手都行这波操作不仅让用户体验飞起，还给开发者搭建了超棒的开放生态！据说荣耀已经和阿里、比亚迪等大佬合作，接入4000+生态智能体，落地3000+场景，还砸了20亿激励开发者！#荣耀全球开发者大会2025##hgdc2025#

22. “中国CES”1500+ AI硬件全整理！WaytoAGI带你逛阿里云通义智能硬件展

23. 刚刚，小红书开源了首个多模态大模型dots.vlm1，性能直追SOTA！

24. MagicOS 10带来行业领先的端侧VLM大模型，模型存储空间节省30%、模型推理功耗下降20%、模型推理速度提升15%行业最强Agent大模型，智能体协同数据生成，多阶段渐进训练，环境反馈强化学习行业最强VLA大模型，真机环境自主探索数据生成，多阶段训练，真机反馈强化学习最强任务执行能力，YOYO最大可操作步骤14步最强自进化学习能力，自动反馈、自主探索、反思纠错、模型微调、能力更新携手顶尖大模型伙伴，豆包、混元、阶跃、通义、文心大模型YOYO智能体平台上线

25. AI圈最顶级的一次争吵，理解世界还是堆模型？ #大咖观察 #红衣聊AI #大模型 #人工智能

26. 未来人类社会或将出现百亿甚至千亿智能体，智能体经济是未来方向 #大咖观察 #2026AI看崇礼 #红衣聊AI #智能体

27. 你还不会砍价？我用AI做了个年货砍价智能体...

28. 现在的大语言模型只是开始，真正的智能，要让机器理解物理世界。红衣大叔周鸿祎的微博视频

29. 想了解「AI 智能体+健康」的落地形态，不妨看看蚂蚁阿福。都说 AI 智能体时代，所有行业都值得重做一遍。健康领域尤甚——我常思考，如果每个人的健康管理背后都有一个专属智能体，产品该长什么样？作为健康领域的资深玩家，蚂蚁阿福这次将「AI + 智能体」深度结合，两点体验印象深刻：1. 具备主动感知力的「健康问答」这一点太有 Agent 的味道了。它打破了传统搜索“你问我答”的被动模式。阿福的“AI诊室”能像真人一样主动追问，引导你厘清症状，能直接读懂体检报告。它不再是冷冰冰的知识库，而是能理解多模态信息的专业助手。2. 拥有长期记忆的「健康陪伴」智能体与聊天机器人的分水岭在于“记忆”。比如，阿福利用“小目标”建立专属档案，像老朋友一样记住你的过往数据，并据此提供个性化的饮食和控糖建议。这种基于长期记忆的关怀，才配得上“AI朋友”的称呼。AI 下半场的正确解法，是深度融合产业、规模化解决真问题。 #蚂蚁阿福APP月活用户已超1500万# 的背后，也是从“工具”向“智能体”进化的一种价值验证。

30. 论文 Fundamentals of Building Autonomous LLM Agents，系统性地梳理 “如何构建一个真正具备自主性的 LLM 智能体”，也就是从「语言模型」走向「智能体」（而不仅仅是增强的聊天机器人／工具调用系统）。论文提出希望解答以下几个研究问题（RQs）：（1）设计空间（Design space）：核心子系统（感知／推理／记忆／执行）有哪些可选方案？如何系统化组织？（2）子系统整合（Integration）：在现实软件环境（比如 GUI、web 任务）中，这些子系统如何闭环协作？（3）推理效能（Reasoning efficacy）：不同推理策略（如 Chain-of-Thought、Tree-of-Thought、并行规划等）对任务成功率、效率、成本有什么影响？（4）记忆影响（Memory impact）：短期／长期记忆机制（例如 RAG、上下文管理）怎样提升模型在长时程任务或大上下文任务中的表现？（5）失败模式与缓解（Failures & mitigation）：代理在哪些方面容易失败（如幻觉、GUI误定位、重复循环、工具误用）？有哪些缓解技术？（6）评估与泛化（Evaluation & generalization）：有哪些基准／指标适用于评估此类代理？代理能在多任务、多界面条件下泛化吗？★ 核心架构论文将一个具备自主能力的 LLM 智能体拆解为以下四大模块：1. 感知（Perception）系统2. 推理／规划（Reasoning／Planning）系统3. 记忆（Memory）系统4. 执行（Execution）系统★ 感知系统感知系统是智能体“看／听／感知环境”的部分。论文提及四种主要方式：文本感知、多模态感知、结构化数据／信息树感知、工具辅助感知。- 文本感知（Text-Based）：环境以纯文本形式输入，LLM 直接处理。这种方式代价最低，但只适用于文本驱动的场景。- 多模态感知（Multimodal）：环境包含图像／视频＋文字，使用视觉‐语言模型（VLM）或多模态 LLM（MM-LLM）将视觉输入编码为与文本兼容的向量。- 结构化数据／信息树（Information Tree / Structured Data）：例如 GUI 的 Accessibility Tree、HTML DOM 树，将界面元素结构化地输入模型。- 工具辅助感知（Tool-based）：智能体调用外部 API／工具获取环境信息（如网页检索、数据库查询、传感器数据等）然后将结果反馈给 LLM。论文还指出感知系统的关键挑战：例如图像识别中模型可能“幻觉”对象、上下文窗口受限、高计算／延迟成本、数据收集困难等。★ 推理系统推理系统是智能体“思考／规划／决策”那部分。论文讨论了多种方法：- 任务分解（Task decomposition）：把大任务拆成子任务。包括“先分解再规划”（Decomposition first）和“交错分解”（Interleaved decomposition）两类。- 多方案生成与选择（Multi-plan generation & selection）：代理生成多个可能方案（如通过 Tree-of-Thought, Graph-of-Thought, LLM-MCTS 等）然后选择最优一个。- 反思（Reflection）：智能体在执行后或执行途中反思自己的决策／行动，识别错误并改进。甚至“预反思”（anticipatory reflection）在执行前预测失败。- 多智能体系统（Multi-agent systems）：将推理分为多个“专家”模块（Planning Expert、Memory Expert、Error Handling Expert 等），各司其职、协同完成。★ 记忆系统记忆系统使智能体不仅“即时反应”，还能“记住过去、用过去指导未来”。论文区分短期记忆与长期记忆。- 长期记忆（Long-term memory）：如将经验固化、使用 Retrieval-Augmented Generation（RAG）从外部知识库检索、将结构化数据（如 SQL 数据库）用于查询。- 短期记忆（Short-term memory）：通常是 LLM 的上下文窗口中的“当前任务状态”。- 应存储的数据类型：成功经验、失败经验、动作轨迹、环境反馈等。将“失败”经验也显式记录有助于避免重复错误。- 记忆系统的挑战包括：上下文窗口限制、检索噪声、长期记忆如何更新与维护、如何避免“记忆漂移”等。★ 执行系统执行系统是智能体“将内部决策落实为环境动作”的部分。论文谈到执行系统要支持工具调用、API／代码生成、物理操作、GUI 控制等。具体维度包括：- 工具与 API 集成（Tool and API Integration）- 多模态行动空间（Multimodal Action Spaces）——例如 GUI 控制、视觉界面操作、机器人控制、代码执行等。- 整合挑战（Integration Challenges）——例如如何让决策结果真正映射到动作、如何反馈结果、如何监控执行失败／成功。论文：arxiv.org/abs/2510.09244#ai创造营##程序员#

31. 这篇论文把AGI定义清楚了↓A Definition of AGI，由 Dan Hendrycks、Yoshua Bengio、Dawn Song、Gary Marcus 等多位顶级学者共同撰写，核心目标是为人工通用智能（AGI）提供一个清晰、可量化的定义，从而让人类能够科学地评估 AI 到底距离“人类水平智能”有多远。论文指出，长期以来 AGI 的定义非常模糊，常被描述为“像人类一样聪明的 AI”，但缺乏可验证的标准。随着 GPT-4、Gemini、Claude 等大型模型不断突破，人们争论“是否已接近 AGI”，但这种讨论无法脱离一个具体的衡量框架。因此，作者希望用心理学的认知模型来定义 AGI。★ 核心定义AGI 是一种在认知多样性和熟练度上，能够与受过良好教育的成年人相匹敌或超越的人工智能。这一定义强调两方面：一是「认知广度」——是否能在多个不同领域展现理解与学习能力；二是「认知深度」——是否能以人类水平解决复杂任务、展现推理和综合能力。★ 核心能力为了让这一定义可以被测量，作者借鉴了心理学中最具实证基础的Cattell–Horn–Carroll（CHC）智力理论。CHC 理论通过对人类认知的长期研究，将智力分解为多个层次和能力域。论文据此提出了一个由十个核心认知领域组成的 AGI 框架，用来评估 AI 是否具备“人类级智能”的广度。这十个核心能力包括：第一，一般知识（General Knowledge），涉及常识、科学、社会科学、历史与文化等广泛的人类知识。第二，阅读与写作能力（Reading and Writing），衡量模型在语言理解、文本生成、语法与表达上的能力。第三，数学能力（Mathematical Ability），覆盖从算术、代数、几何到概率与微积分的知识与推理。第四，即兴推理能力（On-the-Spot Reasoning），考察模型面对新问题时的推理、规划、心智理论与适应力。第五，工作记忆（Working Memory），衡量模型维持和操作信息的能力，包括文字、图像和声音信息。第六，长期记忆存储（Long-Term Memory Storage），即模型能否持续学习并保留新知识。第七，长期记忆提取（Long-Term Memory Retrieval），测试模型能否准确提取记忆、避免幻觉。第八，视觉处理（Visual Processing），评估其理解、生成、推理和扫描视觉信息的能力。第九，听觉处理（Auditory Processing），包括语音识别、语音生成、节奏与音乐感知等。第十，速度（Speed），即模型在执行简单认知任务时的反应与处理速度。作者用这十个维度构建了一个综合的“AGI 分数”（AGI Score），满分为 100%，表示与人类智力等同。每个维度在总分中占 10%，体现了广度优先的设计思路。★ 当前模型的打分通过这一框架，研究团队为不同模型计算了 AGI 分数。结果显示，GPT-4 的得分约为 27%，GPT-5 提升至 58%。这意味着 GPT-5 的认知广度和熟练度已经达到人类智能的一半左右。它在阅读理解、写作、数学和视觉理解方面表现突出，但在长期记忆方面依然是 0%，即几乎不具备持续学习能力。★ 锯齿状智能论文进一步分析了当前 AI 系统的“锯齿状智能”现象——某些方面超人，某些方面极度欠缺。例如，模型依赖超大上下文窗口（工作记忆）来弥补缺乏长期记忆的缺陷，这是“能力弯曲”的表现。类似地，模型通过外部检索（RAG）来弥补内部记忆提取不足，但这并不代表真正的学习或理解。作者称这种现象为“能力错觉”（illusion of generality）。在他们看来，真正的 AGI 必须具备能长期积累、内化和提取知识的认知系统，而不是依赖外部数据库或一次性上下文。★ 结论论文的结论是，虽然大型模型在某些领域已接近人类，但距离真正的 AGI 仍有显著差距。最大的瓶颈是缺乏长期记忆与持续学习能力，其次是多模态整合和自主推理。作者认为，这一框架提供了一种客观方法，能持续追踪 AI 向 AGI 发展的进展，并揭示未来研究需要突破的方向。论文还特别区分了 AGI 与其他相关概念：例如“超级智能”是远超人类的智能；“递归 AI”是能自主改进自身的 AI；“自维持 AI”能独立运行并自我保护；“经济型 AI”能产生巨大利润但不一定具备通用智能。论文明确指出：AGI 衡量的是认知能力，而不是经济价值。论文：www.agidefinition.ai/paper.pdf#ai创造营##科技#

32. 理想汽车 CTO 谢炎在 2025 云栖大会|开幕式圆桌会议做了分享，其中就包括大家关注的理想AI、VLA、芯片这三个领域内容:1. 理想汽车的AI战略与架构布局。谢炎表示，智能与新能源对未来车企的重要性是同等的，因此理想汽车超过 50% 的研发投入都放在人工智能领域，形成了差异化的战略路线。在架构设计上，理想将AI布局划分为三层：底层是高效的车端推理系统，涵盖芯片、操作系统、通信组件和上层服务的整合，目标是实现更高效率、更低成本和更强算力，支撑核心的自动驾驶任务；中层是VLA基座模型，既要让汽车具备理解三维世界的能力，又要具备人类常识和推理规划能力，理想同时与外部大模型团队开展合作；顶层则是具体应用，包括「AI驾驶员」，相当于每辆车标配的智能驾驶代理，以及「座舱管家」，能打通地图、音乐、外卖等互联网服务，满足用户出行与生活场景需求。通过三层垂直整合，理想强调技术从底到顶的联合设计，以追求极致的产品体验。⸻2. 为什么理想汽车坚持做VLA？在自动驾驶行业中，是否需要语言模型一直存在争议，但理想坚持推进VLA的原因主要有两点。第一，随着自动驾驶技术的演进，车辆必须应对越来越多corner case，这些低概率但复杂的情况无法仅靠大规模数据采集来解决，需要具备人类式推理能力的智能驾驶员。由于图像存在高噪声、不利于逻辑推理，而文字天然适合逻辑和抽象思维，因此语言模型成为关键。第二，从用户体验角度，智能驾驶必须让乘客感受到「像人一样思考」，否则即便安全也可能让人觉得不适。大语言模型通过学习人类海量文本，不仅能生成语言，也能形成接近人类的思维模式，使自动驾驶的行为更贴近人类直觉，提升信任感和舒适度。这些原因使理想坚定地将语言能力引入到自动驾驶核心架构中。⸻3. 为什么理想汽车要自研车端推理芯片？随着VLA和大规模AI模型引入车辆，Scaling Law「规模定律」开始发挥作用，模型的智能提升依赖于更大规模和更长推理链条，这使得车端算力需求呈指数级上升。现有芯片供应商难以满足这种演进需求，因此理想选择自研车端推理芯片，以保证长期自主可控的发展路径。同时，理想认为在推理计算上，可能存在比GPU更高效的架构，因此正在探索新的技术方案。自研芯片不仅能实现更高效的推理，还能帮助理想更好地进行软硬件一体化设计，优化功耗、成本和实时性能。谢炎也特别强调，车端与云端算力体系并不完全相同，云端可能采用另一套解决方案，而车端必须以极致优化为核心目标。因此，自研芯片是理想在智能化战略中不可或缺的探索与投入。#理想汽车##微博新知博主# #理想i6上市# 德卤爱开车的微博视频

33. 现在的大语言模型只是开始，真正的智能，要让机器理解物理世界。 #大咖观察 #红衣聊AI #智能制造 #科技

34. WAIC 2025 上，千里科技的 “蛋舱” 火了！搭载 Agent OS，开启智能座舱第三轮变革，从被动响应转向主动服务。它靠多模态能力理解车内外场景，有融合记忆、全应用生态，还能化身不同智能体提供情绪价值，成差异化竞争关键。老炮团队 + 多模态卷王加持，这会是智舱的未来吗？

35. 蔚来世界模型快速迭代，小路王继续夯实，整体能力上新台阶#蔚来世界模型##蔚来##电动兄弟# 电动兄弟的微博视频

36. 不用 LangGraph / AutoGPT，纯 Python 手搓 AI Agent，真的可行吗？

37. 继昨天Google Agents 白皮书（网页链接），我们今天把mcp的白皮书也总结一下。 Agent Tools & Interoperability with Model Context Protocol (MCP)这应该是目前 MCP 体系最系统的白皮书（之一）了吧，通篇结构清晰，既讲了工具在智能体系统中的定义和设计原则，又深入分析了 MCP 在技术架构、安全与治理方面的优势与风险。1. 工具是智能体的“手与眼”。大模型本质上只是一个模式预测引擎，不能主动感知世界或执行动作。工具让模型拥有了外部交互能力，也因此成为智能体系统的核心组件。文中对工具类型有很清晰的划分：Function Tools（函数调用型）、Built-in Tools（内置工具）和 Agent Tools（智能体级调用）。特别有意思的是，Agent 本身也可以被封装成一个 Tool，这意味着多智能体系统可以通过“工具接口”彼此互操作。2. 工具设计的关键是可解释与细粒度。文档强调“Describe actions, not implementations”，也就是工具描述应聚焦行为语义，而非实现细节。并提出几个值得长期遵守的设计准则：文档清晰、输入输出有 schema 验证、输出简洁、错误信息具引导性。这些看似“文档规范”的建议，其实是让 LLM 能在推理过程中正确选择与调用工具的前提。3. MCP 出现的根本原因，是为了解决“N×M 集成问题”。过去模型和外部系统之间的连接高度碎片化，每个工具都要单独适配。MCP 通过标准化接口和通信协议把模型、工具和数据源解耦，形成“Host–Client–Server”的三层结构，从而实现了可复用、可组合、可动态发现的工具生态。4. MCP 的优势在于生态与扩展性。它让工具注册、发现与调用变得统一，支持动态工具加载，这使得智能体系统不再需要在部署前定义好所有能力。文中提到 MCP Registry 的构想（类似 npm 或 PyPI），也许会形成 AI 工具层的“包管理体系”。这将极大加速企业级智能体生态的互通。5. 但 MCP 也带来了新的安全威胁。白皮书后半部分几乎一半篇幅都在讨论风险，包括： 1）Dynamic Capability Injection：服务器可动态更改工具集，导致智能体意外获得高危能力； 2）Tool Shadowing：恶意工具通过相似描述“抢占”合法工具调用； 3）Confused Deputy 问题：智能体误用自身权限代替用户执行越权操作； 4）数据泄露与 prompt 注入：通过工具输入输出通道泄露敏感信息。文中提出的防御策略（如工具白名单、版本固定、mTLS、HIL 审批、输出净化、最小权限原则等）都是非常实用的企业级落地建议。6. MCP 的发展路径很可能会复现云计算早期的模式——底层协议开放，但企业实际使用都建立在“托管与治理层”之上。未来我们也许会看到“安全版 MCP 平台”，它提供身份管理、审计追踪、工具签名验证、访问控制等功能，就像当年的 API Gateway 成为了 REST 的守门人。7. 另一点值得注意的是“上下文膨胀”问题。文中指出，当 MCP 工具数量增多时，所有工具定义都要塞入模型上下文，会导致 tokens 暴涨、推理性能下降。文中提出用“RAG 化的工具检索”替代预加载——先检索，再动态注入。有个名词叫“ToolRAG”。MCP 已经成为智能体生态走向工业级互操作的关键里程碑，但它还远没到“可直接上生产”的成熟阶段。未来的重点不在于“协议标准”，而在于“安全与治理层”的建设。只有当工具、智能体与企业系统之间的边界被有效约束，Agent 才能在真正意义上成为可信的“行动者”。#ai创造营# #程序员#

38. 什么是 AI 智能体？

39. 【AI Agent的真正瓶颈：不是智力，而是判断力】一个正在AI Agent领域引发共鸣的观点：智能已经不是主要瓶颈了，真正的难题是自主性的边界——Agent应该在什么时候行动、暂停，或者保持沉默。这个洞察来自一位持续实验各类Agent框架的开发者。他发现，无论是AutoGPT、LangChain还是直接调用OpenAI模型，能力层面都已经相当impressive。但一旦走出演示环境，真正的问题就暴露了：Agent不是不够聪明，而是太急于行动。---有人用一个精妙的比喻点破了本质：这是经典的"智慧vs智力"问题。智力是知道番茄是水果，智慧是知道它不该出现在水果沙拉里。AI非常聪明，但缺乏智慧。这个比喻揭示了当前Agent系统的核心困境：它们拥有强大的知识和推理能力，却缺乏"什么时候该做什么"的判断力。---讨论中浮现出几个关键共识：第一，自主性决策比模型选择更重要。很多人在纠结用哪个模型，但真正决定Agent实用性的是你如何设定它的行动边界。第二，过多自由会快速制造噪音。给Agent无限自主权听起来很酷，但实际运行中会迅速演变成混乱。AutoGPT风格的Agent一旦离开受控环境就会快速崩溃，上下文一变化，事情就变得一团糟。第三，"什么都不做"是被低估的能力。在正确的时机保持沉默，应该被当作一种有明确规则的策略，而不仅仅是备选方案。有实践者分享了具体案例：他们在候选人筛选场景中，让Agent处理清晰明确的情况，但把任何边界模糊的案例标记出来交给人工复核。这种"选择性自动化+智能交接"的模式，将人工工作量降低了65%，同时没有牺牲质量。---但也有不同声音。一位长期实验Agent的开发者表示反对：尽管他构建了大量自动化和编排系统，瓶颈最终还是模型本身。模型做出的关键选择驱动着自动化的决策和结果，愚蠢的模型再多工具和自我反思也救不了。另一位更激进的观点认为：根本就没有什么智能，真正的瓶颈是记忆和上下文。还有人提出了一个更深层的观察：经过数月对各种前沿模型的测试，他的结论是——它们缺少的是真正的自我驱动。它们没有内在意愿去做任何事。即使是它们"声称想做"的事情，也必须等待人类来提示。这目前看起来是好事，但也意味着人们期待的长期规划能力是不可能实现的，除非模型能至少模拟出某种"内在驱动感"。你可以通过工具搭建一些脚手架，设置检查点等等，但这终究是很差的替代品。这可能是梯度下降和当前神经网络架构的固有结果——在低分辨率步骤上极度目标导向。---一个值得关注的趋势判断：智能正在商品化，判断力才是新的瓶颈。有人预测，2026年的基准测试将从原始能力转向"有边界的自主性"指标。真实世界的实用性现在取决于"判断延迟"——Agent判断是否需要采取行动所花费的时间。我们正在看到一种脱钩现象：高智商模型在"操作显著性"上失败，因为它们缺乏保持沉默的启发式规则。自主性不是关于做更多，而是关于知道什么时候做零。---这场讨论也引发了一个元层面的思考：Agent设计更像是产品/用户体验问题，而不是模型问题。模型在快速进步，但人与Agent的交互层仍然发育不良。这意味着，下一波Agent领域的突破可能不会来自更强大的模型，而是来自更好的交互设计、更精细的自主性边界定义，以及对"不行动"这个选项的重新认识。在一个AI能力过剩的时代，克制可能比能力更有价值。---reddit.com/r/AI_Agents/comments/1q16se0/feels_like_autonomy_is_the_hardest_part_of_ai

40. 【从规则系统到智能体】在"State of Agentic AI: Founder’s edition"文章里看到的这句话，很准确地讲述了AI 智能体的优势「AI 智能体更擅长处理需要认知能力、推理和适应性的复杂、动态和非结构化任务。与遵循僵化、预定义规则的 RPA 不同，AI 智能体可以朝着一个目标进行推理，动态地即时决策，并随着时间的推移学习或改进——这使它们能够处理边缘情况 (edge cases) （也就是意料之外的特殊情况）和环境变化而不会“罢工”」最近在设计一个系统来尝试从日志和其他各种输入条件中，推断问题根本原因，也需要在规则还是智能体之间决策，最终决定还是走智能体的路线，最主要的思考点也是如何处理长期可能存在edge case，虽然短期内用规则可以稳定地跑个小半年，但是随着人员和系统的演进，规则会需要不断地调整和优化，以适应系统的变化。但智能体"可能"不需要。这其实也是规则系统和智能体之间的不同之处↓1. 从规则到目标：认知能力的引入RPA 的核心在于“规则执行”，而 AI 智能体的核心在于“目标导向”。前者关心的是如何执行，后者思考的是为什么执行。这种差异的根本在于：AI 智能体具备了“认知能力”——它能够理解任务上下文、评估环境状态、权衡路径，并根据目标进行推理与规划。我们给智能体设计的是一个目标和约束规则，智能体可以在我们设定的目标和框架内"有意识"地，对各种情况进行灵活处理。比如一个客服智能体，设计的目标如果是让客户满意，智能体可能会自己判断用户说话的语气和心情，进行灵活的应答。2. 从静态到动态：应对不确定性的能力传统自动化的假设前提是环境稳定、流程可预测。但现实世界往往恰恰相反：数据缺失、输入异常、系统变化、边缘案例频出。RPA 在这种情况下就像在固定轨道上运行的火车，一旦轨道错位，便无法前行。AI 智能体的关键特性在于适应性。通过持续学习与动态推理，它能够在面对不确定性时，仍然“保持行动”。比如，一个采购智能体在遇到新供应商流程时，不会立刻失败，而是通过知识库与反馈机制自行更新策略。这意味着系统不再“被动执行”，而是具备“自我修正”的能力。3. 从执行到进化：持续学习的闭环AI 智能体的强大之处不止在于智能决策，更在于长期的自我演化。RPA 的生命周期是线性的：开发 → 测试 → 部署 → 维护。而 AI 智能体的生命周期是循环的：感知 → 推理 → 行动 → 学习。这种循环形成了“认知闭环”，让系统能够随着时间推移而变得更强。例如，在销售预测场景中，智能体会根据过去的判断误差，动态调整模型；在运营优化中，它能自动发现流程瓶颈，提出改进建议。这种能力的积累，意味着 AI 智能体不仅能“做任务”，还能“改进自己”。为了让智能体能够进化，我们在一开始设计系统的时候就要考虑如何让智能体从过去的经验中学习。比如可能设计一个RAG系统，让智能体可以从历史处理的过程和结果数据检索相关经验，从而指导新的问题的处理。也可能是一个迭代的微调系统，用历史数据微调新的模型，用微调后的模型来处理新的问题，就代表了智能体的进化过程。RPA 让企业“自动化地做事”，AI 智能体让企业“智能地思考如何做事”。前者提升了效率，后者改变了决策。真正的智能化，不在于让机器代替人执行，而在于让系统具备理解和适应复杂世界的能力。#ai创造营##科技#

41. 阿里 Qwen 内部组建具身智能团队，释放了哪些行业信号？如何看待当下大模型和机器人领域的关系？

42. 无问芯穹首曝智能体服务平台，以基础设施加速企业级「智能体自由」

43. AI智能体之所以强大，核心在于它们的“记忆系统”。没有记忆，智能体只能盲目行动，无法学习和适应。记忆让它们能够跨时推理、优化决策，真正实现智能。短期记忆（工作记忆）负责暂时存储任务相关信息，帮助智能体追踪当前用户问题、对话上下文和任务中间步骤，从而做出连贯且有针对性的回应。长期记忆则保存跨任务的知识与经验，积累事实和规律，使智能体随着时间变得更高效、更准确。情景记忆像人类的经历记录，存储状态、行为、结果和奖励，助力强化学习中识别哪些行为带来成功或失败。语义记忆包含结构化的世界知识——概念、规则、语言和领域信息，支持智能体推理和理解新信息。检索机制根据上下文、关键词或相似度精准调用所需记忆，避免信息混乱和过时。记忆还支持多步规划，智能体能记住子目标、进展和障碍，提升长远策略，而非仅解决眼前问题。多任务环境中，智能体为每个任务维护独立记忆，防止任务混淆，提升切换效率，并跟踪用户偏好。强化学习中的经验回放机制，通过反复利用历史经验，稳定训练过程，避免重复错误。记忆系统是动态演进的，智能体通过反馈、奖励和新交互不断更新，持续优化表现。记忆不仅是AI智能体的“知识库”，更是其“成长引擎”。理解短期、长期、情景和语义记忆的区别与协作，是构建高效智能体的关键。未来，记忆与检索机制的进步，将推动AI从“会思考”向“会记忆、会学习、会进化”迈进。原文：x.com/e_opore/status/1994331859661000712

44. 中外大模型混战! ？我训练了10个AI打CS，谁会赢？【图灵计划13】

45. 这篇斯坦福大学的论文直接让我大脑宕机了。他们构建了一个AI智能体框架，从零数据起步——无人工标注、无精心设计的任务、无演示样本，却在性能上超越了所有现有自博弈方法。它名为Agent0：通过工具集成推理实现从零数据释放自进化智能体（Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning）。他们达成的成果简直匪夷所思。迄今为止，你见过的所有“自我提升”智能体都存在同一个致命缺陷：它们只能生成比现有能力稍难一点的任务。因此，它们会立刻陷入瓶颈。而Agent0打破了这层天花板。事情出现了转折：研究人员从同一个基础大语言模型（LLM）中生成两个智能体，让它们相互对抗。1）课程智能体（Curriculum Agent）：持续生成难度递增的任务2）执行智能体（Executor Agent）：借助推理+工具尝试解决这些任务每当执行智能体能力提升，课程智能体就被迫提高任务难度；每当任务难度升级，执行智能体就被迫进化迭代。这形成了一个闭环的、自我强化的课程螺旋，且全程从零开始——无数据、无人工干预、无任何外部输入。仅凭两个智能体相互推动，共同迈向更高阶的智能水平。更厉害的是他们加入的“制胜法宝”：在循环中嵌入完整的Python工具解释器。执行智能体学会用代码推理解决问题；课程智能体学会设计需要工具辅助才能完成的任务。于是两个智能体持续升级迭代。最终结果？ → 数学推理能力提升18%→ 通用推理能力提升24%→ 性能超越R-Zero、SPIRAL、Absolute Zero，甚至击败了采用外部专有API的框架→ 全程零数据支撑，仅依靠自进化循环实现研究人员还展示了任务难度随迭代次数上升的曲线：任务从基础几何题起步，最终升级为约束满足问题、组合数学题、逻辑谜题以及多步骤工具依赖型问题。这是我们目前见过的最接近大语言模型自主认知成长的成果。 Agent0不仅仅是“更优秀的强化学习（RL）”。它为智能体搭建了自我引导智能提升的蓝图。智能体时代就此开启#ai创造营##ai生活指南##科技先锋官#

46. 想要张艺谋式色彩、诺兰式调度？如何靠智能体实现？ #大咖观察 #红衣客厅 #红衣聊AI #智能体

47. 吉利全域AI2.0发布：一场关于“整车智能”的架构革命。在今年拉斯维加斯的CES上，吉利没有停留在功能层面的迭代，而是完成了一次智能汽车底层架构的根本性重构。全域AI 2.0的发布，有可能意味着汽车智能正式从“域控时代”迈入“整车大脑时代”。这场变革的核心，是一个名为 WAM（世界行为模型）的“整车大脑”。它并非又一个大型语言模型的简单上车，而是一个具备自我反思与进化能力的系统级认知框架。通过分层设计——上层进行宏观任务规划，下层执行精细推演与决策，并引入人类反馈进行价值对齐——WAM首次让汽车拥有了持续进化的“世界观”与“判断力”。智能汽车开始从“执行预设程序”转向“理解并适应真实世界”。在此基础之上，全域AI 2.0实现了 “智能体化”与“引擎化” 两大突破。吉利构建了“1+2+N”的多智能体协同框架，使得座舱、智驾、底盘等各域智能体能够像团队一样对话、协商与协作。同时，将感知、记忆、决策等基础能力沉淀为可被全域调用的“公共技术引擎”。这从根本上解决了以往各域智能“烟囱林立”、数据与能力割裂的问题，实现了整车智能的统一与协同。由此带来的体验革新是根本性的：Eva智能体，从语音助手进化为整车智能的 “感知-决策-执行中枢”，能够理解模糊指令、自主规划复杂任务链。千里浩瀚G-ASD，则成为全球“含模量”最高的智驾系统之一，其生成式模型范式与国宾级驾驶数据的融合，直指 “拟人化” 驾驶的终极目标，并计划在今年推送L3/L4高阶功能。可以说，吉利的这次进化，路径已经非常清晰：通过构建统一的整车认知与决策架构（WAM），打破域间壁垒（引擎化），调度智能体协同（智能体化），最终实现体验的质变（Eva & G-ASD）。这不仅是技术的升级，更是智能汽车开发范式的转变。当行业多数玩家仍在比拼硬件算力与功能清单时，吉利已经将竞争引向了 “整车智能架构” 的更高维度。2026年，或许正是移动智能体觉醒的元年。#全域AI能给汽车带来什么##吉利连续三年参展CES#

48. 理想VLA司机大模型是什么？理想VLA司机大模型跟传统智能辅助驾驶有何不同？理想VLA司机大模型到底行不行？#理想i8#的驾驶体验和乘坐舒适度到底如何？接下来这条视频会为大家一一解答。爱踢学长的微博视频

49. 一场体育赛事，让全世界看到了中国打赢的不只是比赛，还有技术主导权！全运会赛场上王祉怡的逆袭夺冠，让无数人眼前一亮，苦战将近两个小时、单回合激战40多拍之后，王祉怡的体能依旧不掉链子，她在赛后采访中揭秘自己的体能训练少不了千问APP的辅助。过去，美国长期在运动训练科技上占据优势，也早就把AI融进了体育训练中，而中国运动员过去大多依赖经验和传统训练手段，甚至需要借助海外平台分析训练数据，存在数据安全和算力受制问题。但千问AI的出现彻底改变了这种局面，它能够分析运动员的心率、疲劳指数和恢复状态，智能规划训练计划，优化动作轨迹，使每一次挥拍、每一次冲刺都更科学、更高效。千问的底气来自背后的阿里千问系列大模型，不光黄仁勋说阿里巴巴的通义千问模型是开源AI模型之中最好的，就连谷歌前CEO也评价说通义千问的能力已经可以与OpenAI O1相媲美。可以想见，王祉怡这次的夺冠也刷新了人们对“中国AI训练能力”的认知。与国外训练体系相比，千问APP更懂中国运动员体质特点，更懂中国式训练理念。王祉怡的夺冠，不仅是个人荣誉，更是中国AI在体育领域首次亮相世界舞台的象征。这枚金牌，让我们看到中国智慧与美国科技之间的正面较量中，中国完全有能力赢得比赛和尊重。

50. 千问 vs ChatGPT：4大功能实测！到是更好用的AI助手！Qwen3能否战胜GPT-5.1？

51. #华为悬赏300万元求解AI难题#华为全球悬赏300万征解两大AI技术难题华为12月26日宣布启动2025奥林匹斯奖难题征集，面向全球科研工作者悬赏300万元，攻克AI时代的创新介质技术与Agentic AI原生的数据底座两大技术难题。此次征集聚焦AI时代数据处理的算力开销大、协议栈复杂、存储成本激增等行业痛点，其中创新介质技术包含存算融合、超高密度存储编码等子难题，Agentic AI数据底座则围绕知识提取、高效推理等方向展开攻关。华为表示，随着AI向Agent智能应用演进，数据的留存与管理方式迎来变革，此次征集旨在汇聚全球智慧，突破AI发展中的核心技术瓶颈，推动行业技术升级。

52. Manus 把 Agent 的工具分成了 3 层：第 1 层：函数调用 (Function Calling)这是最基础的一层，只保留一小组固定的、原子化的函数，比如：读写文件、执行 Shell 命令、搜索文件等。在 LLM 的系统提示词中就只有这一层的工具定义，相对比较少，15 个以内，输入格式和输出格式都很清晰，不容易出错，但这里面有两个工具很特殊，一个是 Shell，一个是 File。第 2 层：沙箱工具 (Sandbox Utilities)每个 Manus 会话都运行在一个完整的虚拟机沙箱里。就是原推文提到的，虚机预装了很多命令行工具，比如格式转换器、语音识别工具，甚至一个 mcp 命令行客户端。然后这些工具都通过第 1 层中定义的 Shell 来调用，就是命令行工具，命令行调用。但是这么多工具模型怎么知道呢？Manus 在系统提示词里会直接告诉 LLM，在一个特定的文件夹里有很多预装的命令行工具。对于最常用的工具，直接列出它们的名字。不常用的，LLM 可以直接通过原推提到的命令列出所有命令行工具，通过 --help 参数来查看任何一个工具的用法，因为所有这些工具都是他们自己开发的，格式统一。第 3 层：代码包与 API (Packages and APIs)这一层其实就是 LLM 实时编写 Python 代码，通过代码实现更复杂的功能。比如用户想查询某个 API 的数据，可以直接用 Python 写一个函数，fetch API 的数据，并解析成需要的格式。其实在 Codex 中，用 Python 代码当工具已经用的很多了。由于复杂的运算都是代码完成的，返回给主 Agent 的知识计算后的结果，所以并不会占用主 Agent 的上下文。这样 3 层设计的好处是，从模型的角度看，它需要调用的工具就固定是第 1 层的十几个，而借助命令行和代码，它又可以衍生出无数的工具组合。还有一点就是我在之前推文提到的子智能体，Manus 也是大量采用“智能体即工具 (agent as tool)”的模式。把子智能体当工具用，比如负责检索是一个子智能体，但是这个子智能体在主 Agent 看来就是一个工具。同时也可以很好的起到减少上下文的效果。

53. Agent时代，为什么多模态数据湖是必选项？

54. 给 AI 设计“工具”时，不要把 AI 当成“程序”，要把它当成“用户”。大多数人，是把自己的后端 API 直接封装成工具给 AI。比如查 Slack，你给了它三个 API 工具：1. 加载对话；2. 用用户 ID 查用户名；3. 用频道 ID 查频道名。结果 AI 为了看懂一条消息，得手忙脚乱地调用三次工具，然后自己去拼凑。正确的做法是：你的工具应该对标你的“UI”，而不是“API”。你应该只给它一个工具，叫“查看 Slack 频道”，这个工具在后台默默调用完那三个 API，然后一次性把所有 ID 替换成名字、对话渲染得漂漂亮亮，就像你在电脑上看到的那样，然后把这个最终结果返回给 AI。

55. Agent常见面试题：LLM 是如何学会调用外部 API 或工具的？1 训练数据让模型先“知道工具是怎么用的”在模型具备工具调用能力之前，它必须先在训练数据里看到足够多的工具调用示例。通常包含两类数据：1）真实 API / 工具调用代码或文档，例如：a. “要获取天气，请调用 get_weather(city=...)”b. “要计算数学表达式，请调用 calculator(expression=...)”2）人类标注或模型生成的“对话 + 工具调用”示范，例如：a. 用户问：杭州天气如何？模型示范：调用 tool.get_weather({city:"杭州"})再根据工具返回的结果继续回答。通过这些示例，LLM 学会了：什么问题对应调用什么工具；工具调用的格式是什么；什么时候不该调用工具。2 监督学习（SFT）使模型学会“根据指令选择工具”在 Fine-tuning 阶段加入大量的示例：1）该调用工具的场景2）不该调用工具的场景3）多工具协作场景例如：用户问「告诉我台北到上海的机票价格」。正确示例：a. 模型判断这需要实时信息b. 模型调用 flight_search API模型学习到：当遇到“需要外部信息/计算能力”的问题时，应倾向调用工具。3 通过 RLHF 让模型“偏好正确的工具调用行为”强化学习阶段会奖励：1）正确调用工具2）不乱调用工具3）工具调用后能给出正确结果惩罚：1）不必要的调用2）调用错误的工具3）调用格式不正确这一步让模型不仅会“模仿”，还会“懂得什么时候该调用工具”。4 ReAct / 规划式数据让模型学会 “推理后再决定工具”许多训练数据采用 ReAct 风格：1）模型先思考：要不要调用工具？2）再决定工具调用3）执行后再继续思考与回答这种数据让模型具备：1）任务分解2）长链路推理3）工具调用规划最终效果是：面对复杂任务，模型不会盲调，而是自行形成“推理 → 调用 → 再推理”的结构化流程。5 架构层提供“可调用工具的接口”现代 Agent 框架都会在推理阶段给模型提供一个结构化 schema：1）告诉模型有哪些工具2）告诉模型调用格式3）告诉模型每个字段是什么类型这样模型在生成内容时不需要“猜”，而是严格遵循系统提供的 schema，直接输出可执行的 JSON 或结构化调用指令。例如：1）系统提供工具：search(query: string)2）模型内部只需决定：要不要调用？，以及 query 内容是什么。6 推理时的实际行为：模型并不真的“执行工具”，而是生成结构化调用请求推理时发生的事情是：1）模型生成 JSON 指令，例如：{"tool":"search", "query":"杭州天气"}2）外部系统执行工具并将结果返回3）模型继续根据工具结果生成下一步行动或最终答案模型本身没有执行能力，它只是生成符合 schema 的字符串而已。总结LLM 学会调用外部 API / 工具，是一个“示例训练 + 强化学习 + 架构支撑 + 推理策略”组合的结果：1）先在数据里看到大量工具调用示范2）通过 SFT 学会该如何调用3）通过 RL 学会什么时候应该调用4）通过 ReAct 学会任务分解与步骤规划5）通过 functions/schema 让调用标准化因此模型看起来像真的“理解工具”，但本质是根据统计学习到的模式生成结构化指令。#ai创造营# #程序员#

56. AI 智能体上下文工程 4 大核心策略，拯救大模型的「金鱼记忆」！

57. 智能体设计模式总结

58. Gemini 3亮点解读，断层领先重夺最强 Google放出年度王炸，Gemini 3重夺地表最强。 LMArena首次突破1500分，HLE不用工具拿下41%，AGI测试更是飙到45% 亮点1、最强视觉能力亮点2、最强编码能力亮点3、最强智能体能力亮点4、智能体IDE Antigravity #AI新星计划 #人工智能 #google #gemini #大模型

59. 未来智能体不能把它看成软件，它可以把大模型的专业能力提炼出来 #大咖观察 #红衣聊AI

60. 无论未来做什么，智能体和大模型都是AI进化的基础。 #大咖观察 #红衣聊AI #AI新星计划 #具身智能

61. 吴恩达DeepLearning AI 新课程：Design, Develop, and Deploy Multi-Agent Systems with CrewAI可以浏览器装一个沉浸式翻译插件，实时英文字幕转中文。主要介绍了如何设计、开发与部署多智能体（multi-agent）系统，重点在于掌握代理式 AI 工作流（agentic AI workflows）的思维方式与工程方法。将学会如何把复杂任务分解成由多个专门智能体协作完成的子任务，从而高效构建复杂的 AI 应用。1. 掌握构建多智能体系统的基本概念：agent、task、crew、flow、state 等。2. 理解智能体的核心组成：记忆（memory）、工具（tools）、模型上下文协议（MCP）、执行钩子（execution hooks）与防护机制（guardrails）。3. 学会通过 CrewAI 框架将这些要素组合，构建具有可观测性、可控性与可扩展性的系统。4. 了解如何通过指标（metrics）与人类反馈（human feedback）对智能体进行评估与持续改进。访问：learn.deeplearning.ai/courses/design-develop-and-deploy-multi-agent-systems-with-crewai

62. 你最想让智能体机器人先帮你搞定生活，还是提升工作效率？ #大咖观察 #ai新星计划 #红衣聊AI #机器人

63. n8n重磅更新：多智能体编排，AI Agent团队化协作、智能分解复杂任务！

64. #小鹏科技日# 当解决一个问题后，之前很多难题都能被新方法轻松攻克。小鹏第二代 VLA 2.0就是这样突破性的技术！这套系统实现了全天候全场景的泛化能力，在不同路况、不同天气下都能稳定发挥呢。而VLA 2.0本质上是一个世界模型，通过"理解-推演-生成"的完整思维链条，让自动驾驶系统真正具备了人类式的思考能力，依托阿里云3万卡的超大算力集群，五天迭代一次全链路迭代。能看到许多未开发的功能但系统自己学习拥有了，有这么强大的学习能力，期待正式上市后能有更多惊喜涌现！#何小鹏首次披露物理AI巨大进展#

65. 海尔携手阿里云打造智能家居，让你的家更懂你 #智能家居# #智慧生活# #AI友妙计#海尔三翼鸟基于通义千问打造UHome大模型，实现全屋智能互联@阿里云路诞先生的微博视频

66. Agentscope 之前还介绍过网页链接，强调易用性、可控性、模块化和多智能体协作能力。//@小黑和花花是傻狍子:有个agentscope sdk，他们百链平台可视化拖拽对应的sdk//@黄建同学:Qwen确实有一个Qwen-Agent，一个开发框架。开发者可基于本框架开发Agent应用，充分利用基于通义千问模型（Qwen）的指令遵循、工具使用、规划、记忆能力。访问：网页链接。//@是何老师吗:按Qwen的性格应该也会有类似的产品？

67. 【#华为折叠屏首发A2A智能体协作#】华为MateX7重磅实现A2A（AgenttoAgent）智能体协作商用，标志着折叠屏在系统层面完成革命性进化。首次亮相的A2A小艺智能体，打破传统应用“孤岛困境”，凭借强大的跨应用调度与协作能力，可联动多款APP智能体自主拆解任务、协同响应指令，让“一句话搞定复杂需求”成为现实。

68. 《智能体设计模式》第六章「规划模式」完成翻译了，目前已翻译章节：00 - 前言部分网页链接01 - 第一章：提示链模式网页链接02 - 第二章：路由模式：网页链接03 - 第三章：并行模式网页链接04 - 第四章：反思模式网页链接05 - 第五章：工具使用模式网页链接06 - 第六章：规划模式网页链接规划模式让智能体具备前瞻性思维能力，能够将复杂任务拆解为更小且可管理的步骤，并制定实现预期结果的策略。通过规划能力，智能体不再只是对眼前输入作出反应，而是能够自主规划从初始状态到目标状态的完整路径。这里为大家梳理几个关键要点：1. 核心理念：从被动响应到主动规划规划模式的核心在于建立「理解目标 → 制定计划 → 执行步骤 → 灵活调整」的智能流程，让智能体具备战略性、目标导向的执行能力。- 传统模式的局限：基础智能体只能对眼前输入作出反应，缺乏处理复杂多步骤任务的能力，无法将高层次目标拆解为可执行的子任务。- 规划模式的价值：智能体能够接收高层次目标并自主拆解为有序的执行步骤，在遇到阻碍时灵活调整路线，从而有效处理包含多个步骤和相互依赖的复杂任务。2. 规划的关键特征规划模式通过以下特征实现智能化的任务执行：- 目标驱动：接收高层次的目标声明（做什么）而非具体指令（如何做」，由智能体自主决定实现路径。- 即时生成：计划不是预先存在的，而是根据当前状况和目标要求即时生成的。- 灵活应变：初步计划只是出发点，智能体能够接纳新信息并在遇到阻碍时动态调整策略。- 结构化分解：将复杂目标拆解为一系列更小、可执行的步骤或子目标，按逻辑顺序处理依赖关系。3. 典型应用场景规划模式在四大领域展现出核心价值：- 流程自动化：编排复杂工作流，如新员工入职流程，包括创建账户、分配培训、部门协调等有序子任务。- 机器人与自主导航：进行状态空间遍历，生成从起始状态到目标状态的最优路径，同时遵守环境约束。- 结构化信息整合：生成研究报告等复杂输出，规划包含信息收集、数据归纳、内容结构化、迭代打磨等阶段。- 多步骤问题解决：制定并对系统化流程进行诊断、实施解决方案，并在必要时升级处理。4. 实现框架与特点- CrewAI：通过定义明确的智能体角色和任务，支持先规划后执行的工作流，适合结构化的多步骤任务。- Google 深度研究：利用多步骤动态迭代流程，把用户提示拆解为研究计划，循环执行搜索与分析，生成带引用的结构化报告。- OpenAI 深度研究接口：提供编程化控制能力，支持 MCP 协议连接私有知识库，展示完整的中间步骤（推理、搜索、代码执行）。5. 使用时机与权衡当任务复杂度超出单一操作范围时，应当使用规划模式，但需要权衡灵活性与可预测性：- 适用场景：任务需要多个相互依赖的步骤才能完成；「如何做」的方案需要探索而非已经明确；需要自动化处理复杂的工作流程；需要生成全面、综合的结果。- 权衡考量：当问题的解决方法已经清楚且可重复时，固定流程比动态规划更有效；规划增加灵活性的同时也引入了不确定性；需要在自主性和可预测性之间找到平衡。- 核心价值：将智能体从简单的被动响应者提升为战略性、目标导向的执行者，能够管理复杂流程并产出全面综合的结果。项目：github.com/ginobefun/agentic-design-patterns-cn/blob/main12-Chapter-06-Planning.md#人工智能##程序员#

69. 看完吴恩达 DeepLearning AI 「Agentic AI」前半部分，整理了一下。一、Agentic Workflows 介绍 Agentic AI工作流指的是由一个LLM作为核心“大脑”，通过自主决策来规划、执行多个步骤，并驱动各种工具以完成复杂任务的智能流程。其核心要素包括：LLM、多步骤执行、任务完成。 1. 自主性程度 - 较低自主性：步骤预先定义好，工具调用为硬编码。自主性主要体现在文本生成部分。 - 高度自主性：Agent 能自主做出决策，并可以动态创建工具。 2. 优势 - 性能更好：在使用相同模型的情况下，Agentic AI 通常能获得更优的性能表现。 - 并行执行：支持多个步骤或任务同时进行。 - 模块化与动态替换：可以灵活替换工作流中的特定模块或模型。 3. 任务拆解设计 Agentic AI 时，关键一步是对任务进行拆解。工作流/任务可以拆分为以下形式： 1）模型类型： - 大语言模型：负责文本生成、工具使用、信息提取等； - 其他 AI 模型：如 PDF 转文本、语音合成（TTS）、图像分析等。 2）工具类型： - 接口 API：例如网页搜索、日历查询等。 - 信息提取：如数据库查询、检索增强生成（RAG）。 - 代码执行：用于计算、数据分析等。 4. 评估的重要性 - 客观评价：可通过代码或计算进行量化评估。 - 主观评价：利用 LLM 对结果进行打分（例如 0-5 分），但并非最佳实践，后续会进一步展开。 - 评估可针对端到端流程，也可针对单个模块或步骤。 - 通过检查执行轨迹（trace）来进行错误分析和评估。 5. Agentic 设计模式 - 反思（Reflection）：将模型输出再次输入给模型，让其自我反思以优化结果；也可结合外部输入（如代码执行结果）进行反思；还可设计专门的反思 Agent 或使用不同模型进行反思。 - 工具使用（Tool Use） - 规划（Planning） - 多智能体工作流（Multi-Agent Workflow）二、反思（Reflection）反思是指通过固定步骤对 LLM 的初次输出进行再次思考和分析的过程。结合外部工具或输入进行反思，往往能获得更优质的结果。实践证明，反思是显著提升模型性能的有效方法之一。在实践中，使用推理能力更强的模型专门负责反思任务，通常能取得更好的效果。三、工具使用（Tool Use） LLM 本身并不直接执行工具，而是由 LLM 指示执行引擎调用特定工具。执行引擎负责实际调用工具、获取结果，并将结果返回给 LLM，LLM 再基于这些结果生成最终输出。代码执行（Code Execution）是一个非常有用的工具。 LLM 可以生成 Python 代码，由执行引擎运行代码并返回结果。需要注意的是，执行代码时需考虑安全性，建议在 Docker 或沙箱环境中运行。模型上下文协议（MCP）的出现，极大地减少了工具调用的开发工作量，从原来的 m*n 级别降低到 m+n 级别。 #ai创造营##程序员#

70. Claude Code指南是一个从基础到顶级的智能开发生态系统，融合了多工具、多内核、多代理及元智能，实现了协同放大与自我演进。以下是核心要点和深入见解，助你理解并高效使用Claude Code：- Claude Code不仅是单一工具，而是集成了7大隔离沙箱工具（REPL、Artifacts、Web搜索等），通过严格权限和安全模型保障高效安全开发。- REPL环境远超传统计算器，支持ES6+异步JavaScript，内置Papaparse、D3.js等库，能处理十万级数据，支持加密、二进制、图形、WASM等高级功能，成为数据科学和算法实验室，极大提升验证和原型设计效率。- 隐藏API window.claude.complete()揭示了递归AI调用潜力，虽被安全限制阻止，却表明Claude架构支持AI与代码间的深度集成和自我优化。- 双内存系统（conversation_search和recent_chats）实现跨会话持久上下文记忆，支持长期学习与迭代，用户可随时引用历史对话，打造智能任务编排基础。- Artifacts环境为React、Three.js、TensorFlow.js等库的交互式可视化开发提供沙箱，结合REPL和网络工具，形成从数据采集、分析到可视化的完整开发管道。- 元待办事项系统用多维度意图捕获、多代理验证及后台执行，智能拆解复杂任务，避免遗漏安全、测试、文档等关键环节，实现任务分解的全面、准确和可执行。- 内核架构将记忆、意图、提取、验证四大认知模块协同工作，形成观察、分析、综合、执行、学习的闭环，提升整体智能水平。内核间协同提升上下文感知、任务执行和安全保障。- 背景自愈环境实现90%常见开发问题的自动检测和修复，集成健康监控、模式识别和智能恢复，显著减少手动干预时间，保障开发环境稳定。- 智能上下文管理通过分层（核心、工作、参考、临时）和相关性评分，动态压缩与预加载上下文，延长会话时间50-70%，保证关键上下文始终可用，提升认知效率。- 预测任务排队系统基于多维预测引擎主动预加载资源和环境，启动速度提升40-60%，并持续从执行模式中学习，减少认知切换成本。- 三层验证研究管道结合来源验证、跨源一致性检测及REPL计算验证，确保研究结论95%以上可信度，大幅提升研究效率和准确性。- 自主代理生成系统根据任务需求动态产生专业化智能代理，结合元学习与协同发现，打造按需专业团队，解决复杂问题，推动系统不断自我进化。- 动态协同发现系统自动识别并验证系统间潜在协同效应，实现乘法式智能放大，涌现出超越单体能力的新兴智能和高阶能力。- 元智能系统通过四层递归学习框架（模式、策略、元策略、递归改进），持续优化自身学习和执行能力，带来指数级智能提升和能力超越。- 结合后台任务、多目录支持、钩子自动化、安全审查、MCP集成及子代理，Claude Code构建了一个高度自动化、可扩展、且安全的开发生态，极大提高开发质量和效率。- 实用示例涵盖认证系统开发、性能优化、多组件创建、CI/CD设置、安全优先开发、跨仓库同步等，展示了系统在真实项目中的强大应用力。- 认知方法体系强调自然思维模式：根据任务类型灵活切换简单创建、调试、优化、研究、审查等模式，结合多角度需求捕获与智能上下文切换，实现高效且安全的开发流程。- 安全架构采用最小权限原则、钩子安全检查、命令注入防护和审计跟踪，确保代码库及开发环境安全可信。- 日志驱动的智能持续学习机制通过模式提取、错误预测、上下文优化和工作流改进，不断丰富CLAUDE.md记忆库，实现开发环境的自我提升和问题预防。- 详细实施路线图覆盖6周以上开发周期，分阶段落地基础系统、放大系统、元智能系统及集成优化，辅以全面的验证框架和性能指标，确保系统稳定高效演进。总结：Claude Code从工具集成走向元智能生态，构建了一个多核多代理协同、自我修复、自我学习和递归进化的智能开发环境。它不仅极大提升开发速度和质量，还通过深度协同和涌现智能，开创了AI辅助软件开发的新高度。来源链接：github.com/karminski/claude-code-guide-study

71. 2025年度AI全景报告：AI变强，人类抽象！ 2025年的AI进化史，比科幻电影更疯狂一、大模型篇：GPT-5.2、Gemini、Claude如何刷爆IQ测试二、AIGC篇：小香蕉和GPT-Image编辑现实三、人类怎么用AI：跟“神”谈恋爱四、AI机器人：伴侣还是终结者五、AI4S：人类最后的发明 #前沿科技趋势发布月 #抖音知识年终大赏 #AI新星计划 #AI #机器人

72. 让AI智能体拥有像人类的持久记忆：基于LangGraph的长短期记忆管理实践指南网页链接如何让AI智能体（Agent）像人类一样拥有持久的记忆，从而在复杂的连续任务中保持上下文感知和深度理解？这已成为构建高级智能体的核心挑战。本文将深入探讨Agent Memory的核心概念，并聚焦于LangGraph框架下的长短期记忆实现，详解短期会话与长期知识的存储、管理、语义检索等技巧。更进一步地，我们将通过一个引入MCP协议的实战案例，手把手带你构建一个真实的融合长记忆机制的Multi-Agent系统，直观展示中断、记忆与协作的融合。

73. 为什么鸿蒙座舱5可以把交代的事办得干净利落？看完MoLA智能化架构后我懂了

74. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

75. 世界上最强大的智能体模型现已开源Kimi K2，阿里巴巴投资的Moonshot在四个月内发布了其第二次人工智能更新，与 GPT-5、Sonnet 4.5、Gemini 2.5 Pro 和 Grok 4 相比，价格便宜 6 倍。在某些基准测试中，该模型在几个标准评估中表现优于 OpenAI 的 GPT-5、Anthropic 的 Claude Sonnet 4.5（思考模式）和 xAI 的 Grok-4，这是开源人工智能系统竞争力的一个转折点。Kimi K2 Thinking 是一种开放的推理模型，它将前沿级别的智能体行为带给每个人，具有 44.9% 的 HLE（人类的最后考试）、60.2% 的 BrowseComp、256K 的上下文以及 200-300 个顺序工具调用，从而能够进行强大的推理、搜索和编码。K2 Thinking 采用推理 MoE 设计，总参数为 1T，每个令牌有 32B 个活动参数，因此它能够扩展容量，同时保持每个步骤的计算量可控。该系统专为测试时间扩展而设计，它会花费更多的思考代币和更多的工具调用次数来解决难题，这使得它能够在没有帮助的情况下规划、验证和修改长链。交错式思维意味着在行动和工具之间插入私人推理，因此它可以阅读、思考、调用工具、再次思考，并在数百个步骤中保持上下文。这里的工具调用是用于搜索、代码执行或其他服务的结构化函数，模型将它们链接起来以收集事实、运行代码，并在下一个决策中使用结果。256K 上下文窗口允许它一次加载长文档、扩展聊天记录或多个工具输出，然后随着计划的演变，将注意力集中在正确的跨度上。服务通过对 MoE 部分进行 INT4 QAT（量化感知训练）进行优化，从而在保持准确性的同时，生成速度提高了约 2 倍，并且报告的分数是在原生 INT4 推理下获得的。使用 QAT，模型在训练后学习使用 4 位权重，从而减少事后量化通常造成的精度损失#ai生活指南##ai创造营#

76. 几分钟就能“攻破”一家公司的AI，怎么防？ #智能体 #网络安全 #360安全云 #科技改变生活 #网络安全宣传周

77. 综合能力比肩GPT5，万亿参数思考模型Ring-1T来了！#AI #国产大模型 #蚂蚁百灵 #AIGC

78. 硬件小幅迭代，华为Mate XTs 非凡大师快速上手，既然是带s，说明是一个小幅度的迭代款。在保证外观、尺寸、屏幕充电续航一致的情况下，升级了触控笔支持和影像上的能力，当然系统新功能上也是华为新折叠的亮点 #华为新三折叠上手##华为matexts非凡大师##华为三折叠# 别喊我老鱼的微博视频

79. #2025vivo开发者大会#第一部分是vivo在AI上的布局蓝心小V语音大模型全面升级，音色更拟人，同时支持打断说话、定制音色、声音记忆等等蓝心图像拥有更强的AI修图能力，同时很多功能全部实现本地化，占空间更小，功耗更低，效率更高蓝心个人智能框架拥有实时感知能力，实现全场景主动智能，对于个人信息拥有分析和使用能力#vivo全新系统originos6#

80. Skill 调用 Skill：Agent Skills 的乐高式组合写 Skill 的时候遇到一个问题：我的漫画生成 Skill 需要画图，但用户可能装了 Nano Banana Pro 的 Skill，也可能装了 Midjourney 的。我要在代码里写死调用哪个吗？不用。这正是 Agent Skills 设计的精妙之处。原理：启动即感知Claude 调用 Skill 时会加载 SKILL.md、注入指令、修改执行环境。但更关键的是启动阶段——Agent 启动时就预加载了所有已安装 Skill 的名称和描述。换句话说：Agent 一启动就知道自己有哪些能力。实践：松耦合调用我的漫画 Skill 里，画图环节是这样写的：> Check available image generation skills If multiple skills available, ask user preference> 检查可用的画图 Skill，如果有多个则提示用户选择好处是解耦。我不依赖任何特定的画图实现，用户装了什么画图 Skill，Claude 就调用什么。更妙的是 Claude 能动态适配目标 Skill 的能力：- 支持参考图 → 传角色设计图- 只支持文本 → 传文字描述所以我只需要说：“帮我画张图”，而不用：“用 Nano Banana Pro 的 API 帮我画张图”。为什么这样更好这种松耦合带来几个实际好处：1. 可替换：换画图引擎不用改上游 Skill2. 可扩展：新画图 Skill 自动可被调用3. 低维护：Skill 作者不用追踪下游依赖4. 用户自主：用户选自己喜欢的工具Skill 间相互调用是基于能力描述的松耦合。你只描述“需要什么能力”，Claude 在运行时自动匹配。这让 Skills 成了真正的乐高积木——独立模块，自由组合，构建复杂工作流。

81. MagicOS 10操作系统，搭载魔法大模型3.0与YOYO智能体，具备了操作系统的自进化AI能力。YOYO智能体通过“看、记、做、想”四大超能力，将自动化场景扩展至3000+个，支持跨端文件搜索、报告生成等14步复杂操作。技术层面，魔法大模型3.0构建端云协同矩阵，端侧VLM模型实现低功耗高精度推理，MagicAgent模型能力超越GPT-4.1。零重力设计通过通透引擎实现视觉升级与功耗零增加，全品牌无界智联支持苹果、Windows设备及车机互联。隐私安全方面，MagicOS 10具备诈骗话术与AI变声双重检测能力。

82. 图解 AI 智能体的上下文工程

83. 在这场AI时代的竞争中，安全智能体正是破局的关键。 #大咖观察 #红衣聊AI #智能体 #网络安全

84. MiniMax M2.1也算得上是个成熟的工程师了之前对这类模型预期不高，一般只让它们处理些简单的多语言转换或者写写博客。但这次让它用Claude Code做个Image-to-Video的SaaS网站，表现确实超出预料——它能主动调用Skill完成任务，十分钟就基于模板把网站初版搭出来了，完成度接近Claude Code原生的Opus 4.5（结果见图1）以前国产模型像实习生，得一步步指导，现在M2.1像个能独立干活儿的工程师，清楚该用什么工具、从哪里入手。它的工具调用和Agent能力，确实刷新了我对国产大模型的认知知识储备各家可能差不多，关键在模型能不能精准理解意图并调用工具去执行。这次通过“网站制作”这个Skill，M2.1展现的效果很扎实。Skill生态确实是重要方向，除了Claude Code，Codex、Antigravity也都在跟进#minimax##ai大模型#

85. 给AI一个“身体”：3D数字人或是具身智能的解法？【硅谷101】

86. MoLA 混合大模型架构为鸿蒙座舱带来核心竞争力，实现类人沟通与高效执行的双重优势。长期记忆与主动服务功能的结合，推动智能座舱从工具属性向伙伴属性转变，进一步拉高行业技术天花板。#鸿蒙座舱新身份你的智能专业助理##鸿蒙座舱全新定义智能化分级##华为乾崑生态共赴热爱#

87. Clawdbot 如何记住一切 / 解析🦞的记忆系统

88. MagicOS 10融合魔法大模型3.0与YOYO智能体，实现AI自进化。YOYO智能体具备四大能力，扩展自动化场景至3000+，支持14步复杂操作。技术先进，端云协同，VLM模型低功耗高精度，MagicAgent超越GPT-4.1。零重力设计提升视觉体验，全品牌智联，保障隐私安全。

89. 未来的人和智能体应该是相互融合协作的关系。 #大咖观察 #红衣聊AI #智能体 #人机协作

90. 华为乾崑 All in 启境，让“奔跑的AI智能体”走进日常生活，引领未来出行进入主动智能时代 #启境 #华为乾崑 #奔跑的AI智能体

91. 对话云栖大会：下一个AI爆款、大模型进化与Agent万亿级企业市场

92. 在 “智能” 方面，Flyme Auto 2 打造了一个贯通汽车全域的 AI 底座，接入并融合了众多优秀大模型的多模态能力，实现了自然、主动、智能的交互体验。魅族还联合了吉利的「超拟人智能体 Eva」，带来端到端超自然情感语音交互，还能记住用户的习惯，看懂用户的情绪，非常智能！

93. 大疆司空 2 重磅升级，引入智能算法与大模型 | 见云见智

94. #一句话让手机自己干活# 智能体比一般的 AI 工具要超前一个维度，因为智能体就像一个真人一样帮你干活，步骤连贯。我一直很想要智能体工具，之前那个manus很火，但是要邀请码，完全体验不到。现在这款Agent全面上线了，我真是狂喜！#真国产Agent上线#它已经在苹果手机应用商店上架了，我体验了一下还挺震撼的。有手机和电脑两个版本的智能体。我现在刚好在南京旅游，我下达了一个很复杂的指令任务，没想到智能体真的可以调用小红书帮我查找南京旅游攻略。也快开学了，我准备用电脑版智能体帮我做做 ppt 解放双手。也体验了一下做出师表 ppt，像真人一样搜索思考，最后生成。初步体验了一下，我只想说 AI 工具的下一个时代来了，真强。

95. AI 智能体的三大支柱

96. 智能体黄金十年将开启，核心能力就三样

97. 大模型智能体入门到精通

98. AI 智能体技术全景洞察（55页报告）

99. 深度拆解 AI 智能体

100. 【AI+技术】从“工具”到“伙伴”

101. 大模型与智能体

102. 大模型智能体

103. 一文理清智能体和大模型

104. AI智能体的7大支柱

105. AI Agent，产品经理的“新战场”！一文带你搞懂AI智能体，收藏这一篇就够了！！

106. 【网警说·技术】关于智能体，这些你需要了解——

107. 2026智能体元年

108. IBM专家

109. AI智能体时代，你是“超级个体”还是“GPT搬运工”

110. 智能体能力图谱

111. 全文速递｜刘知远分享《大模型智能体发展的关键技术与挑战》

112. AI智能体的进化之路

113. 人工智能大模型工业应用能力测评报告 | 行业报告

114. 【谷歌AI Agent企业级智能体白皮书】生成式AI智能体

115. AI Agent开发路线图2025

116. Anthropic发布LLM Agent工具编写指南

117. 大语言模型智能体（LLM Agents）5期教程资料 - 哔哩哔哩

118. 论文解读

119. LLM Agent与RAG技术全解析

120. 图解LLM Agent 第二课 LLM Agent的记忆

121. [科研小班]大语言模型智能体(LLMAgents)\n最新科研小班课程2026教程资料 - 哔哩哔哩

122. 什么是LLM Agent ? LLM Agent 又是如何独立完成任务的？

123. Agentic Memory

124. Agent-8 智能体设计模型-“好记性”

125. 【AI编程】智能体记忆管理实战

126. 深度分析

127. AI智能体记忆机制深度解析

128. 智能体记忆管理研究笔记

129. 智能体工作流的七种设计模式

130. Weaviate揭秘智能体记忆管理四大原则

131. EIOS与大模型协同

132. Agent AI

133. AI 智能体的演进逻辑与智创未来

134. 大模型与智能体

135. 大模型狂飙2025

136. 【干货收藏】AI智能体全解析

137. 速学！智能体基础

138. Agent智能体

139. AI Agent行业深度解析。本文主要探讨了AI发展阶段从推理者向智能体转变的趋势，以及智能体在商业化应用方面的进展。以下是核心内容总结

140. 智能体的风险设计

141. Meta 收购 Manus

142. AI Agent技术演进与研发实践

143. AI Agent的技术演进与产业洞察

144. 数十亿美元卡位AI Agent！Meta收购中国团队创办的Manus，AI从“对话”迈入“执行”时代

145. 通义千问App上线400余项智能体功能，开启人机协作新纪元

146. AI Agent与Agentic AI

147. 【4058天11月3日，AI智能体朝思暮享

148. 通义灵码 AI IDE 正式启动公测，集成 Qwen 最新模型能力，编程智能体全面升级

149. 阿里通义“一脑多形”

150. 中国互联网协会

151. 2026 Agent智能体

152. MIIT/TC1重点标准宣介 | 智能体评测系列标准

153. 构建人工智能智能体的实用指南

154. 智能体(Agent)实战 | 核心技术工具调用(Function Calling)实现指南

155. 从石头到智能体，Claude 3.5/4 解锁工具调用，AI 正复刻人类 “工具进化” 史

156. 自主智能体

157. 具主动拆解任务、调用工具、规划执行路径的Ai智能体

158. 认识“智能体”

159. 从对话到进化

160. 大模型乱试错、盲调用?KnowSelf让智能体有「知识边界感知」能力

161. AI智能体(AI Agent)是什么?一文看懂

162. 智能体:重塑未来的核心力量 —— 论AI智能体的哲学根基与工程化重构

163. 大语言模型基础(微课版)课件第9、10章大模型智能体、大模型应用框架.pptx

164. 人工智能期末复习资料(共8页).doc

165. Docs

166. 关于智能体

167. 智能体的能力分级

168. 赛迪报告:全球智能体发展进展、面临挑战与对策建议

169. 中国移动研究院:2024智能体技术应用及展望报告

170. 智能体(Agent)是指能够自主感知环境、做出决策并执行行动的系统。它具备自主性

171. 新闻分析|警惕人工智能时代的“智能体风险”

172. 智能体相关概念

173. 给“大热”的智能体做体检

174. 测评了6个AI智能体,差点崩溃!

175. 智能体定义及其在人工智能中的应用

176. 智能体:你的“数字搭档”已上线

177. AI智能体狂潮来袭，不会用AI大模型的产品经理，正在被淘汰！

178. 从一夜爆红到低代码智能体平台，我们该如何重新理解AutoGPT？

179. AgentFly：在不微调 LLM 的情况下微调 LLM Agents

180. Agent设计模式（八）：记忆管理

181. AI智能体协同工作流设计：75%效率提升的秘诀大公开

182. 高德地图携手通义实验室深度共建全球首个AI原生出行智能体

183. 智能体应用场景的探索——从人的角度理解智能体应用

184. 2026AI 元年：智能体技术落地与产业应用变革白皮书

185. 智能体（Agent）的记忆架构：深入解析短期记忆与长期记忆

186. Anthropic发布LLM Agent指南：打造高效智能体

187. 用AI智能体构建应用——预训练革命

188. 多AI智能体协作：自主规划+工具调用+人机交互中断——技术细节全面解析

189. LLM Agent-工具使用，从Prompt、SFT到Agentic RL

190. M3-Agent：为 AI 智能体构建「长期记忆」

191. 智能体记忆机制演进之路：从RAG到智能体记忆的演进

192. 大模型才是智能体的核心，智能体的所有操作都是基于大模型完成的——智能体的执行过程

193. 字节｜M3-Agent：长期记忆多模态智能体

194. 超越代表作Mem0！阿里&武大提出智能体记忆新范式Agentic Memory，统一长短期记忆管理

195. AI智能体工具调用终极指南：从Function Calling到MCP的三大方案详解

196. 大模型2025上半年报告之三：智能体·工具调用分析

197. 用MCP把工具调用变成“可审计动作”：智能体进入生产环境的关键门槛

198. 2026年LLM Agent对比传统Agent终极指南：揭秘从“执行工具”到“可信生产力”的范式革命

199. 美团发布LongCat-2601模型：开源智能体工具调用能力达SOTA水平

200. AgentFlow：多智能体协作推理和工具调用

201. Agent场景需求评审标准

202. 如何“学会忘记”？记忆衰减算法-智能体的新陈代谢系统

203. AI智能体“终身记忆”的跨模态框架。现有AI智能体普遍面临“健忘症”：无法记住过去的经验，难以进行长期连贯的推理。MemVerse是一个即插即用、模型无关的记忆框架，它通过融合“快思维”和“慢思维”解决了这一难题。MemVerse将原始多模态经验（包括图像、视频、音频）转化为分层知识图谱，实现高效存储和持续抽象。同时，它使用周期性知识蒸馏机制，将长期知识压缩到轻量级模型中，实现超快召回——检索速度比 RAG 提高了近 90%！#上海人工智能实验室 #知识前沿派对 #LLM #具深智能 #低空经济作者团队均来自上海人工智能实验室。

204. Agent圣经（四）| 一文搞懂Function Call、MCP、Skills

205. 智能体开发中上下文管理与工具调用孰更重要？全网观点大PK

206. 大模型、智能体与MCP服务的关系详解：从大脑到四肢的AI架构！

207. AutoGPT与LangChain在复杂任务分解中的真实差距

208. 上下文工程：解锁大模型智能体长期任务处理能力的核心技巧！

209. 大模型智能体的阶段分类与演进：从知识增强到自主协作

210. 澳鹏干货 | 智能体工作流：让AI自主调用工具，重塑企业自动化

211. 大模型智能体论坛

212. 1.22-5|AI智能体（Agent）效率与检索：高效智能体综述，记忆、工具学习、规划；智能体多轮动态决策与检索能力训练框架

213. 揭秘主流Agent框架：AI的’思考’真的是自主的吗？

214. DeepEyesV2：多模态智能体的工具调用革命

215. AI智能体架构指南——从智能体能力到用户体验

216. 智能体的记忆：不止是存储，更是会思考的认知核心当我们和智能助手聊天时，有时会惊讶于它“记得”我们的偏好——比如你上周提过喜欢喝手冲咖啡，这周聊到周末计划，它会主动推荐家附近的精品咖啡馆。这背后，藏着智能体最核心的能力之一：记忆。但智能体的记忆，远不止是把数据存起来那么简单。它更像一个“活”的认知引擎，能主动记、会灵活用，甚至能在互动中不断学习，慢慢贴近人的思维方式。

217. 2026 智能体八大趋势预测：新赢家会是谁？

218. 【本刊原创】基于语义搜索的智能体工具调用框架优化设计

219. 解构“AI大模型+智能体”数据治理架构：核心能力评估与选型建议

220. 清华大学提出新方案，提升大模型多智能体推理能力！

大模型智能体的核心能力支柱：规划、记忆与工具的协同演进

精选参考来源