当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

多智能体协作：从“工具叠加”到“组织再造”的效率革命

源自187位全网作者

01-26 11:16

精选参考来源

《Towards a Science of Scaling Agent Systems》在多智能体系统（MAS）与单智能体系统（SAS）之间，究竟何时“多代理合作”能真正提升性能？《Towards a Science of Scaling Agent Systems》为我们揭示了首个定量科学框架，系统探索了代理数量、协调结构、模型能力与任务属性之间的复杂交互。核心发现如下：1. 工具协同的权衡博弈任务中工具种类越多，MAS的协调开销越大，反而可能拖累整体效率。例如在复杂工具环境下，单智能体因无额外通信开销，反而表现更佳。这打破了“多代理越多越好”的迷思。2. 能力饱和阈值当单智能体基线准确率超过约45%时，增加代理数反而出现负收益，协调成本超过性能增益。说明高水平模型不一定适合盲目扩展多代理协作。3. 架构相关的误差放大效应独立代理系统因缺乏交叉验证，错误传播可达单体的17倍，严重影响结果质量；而集中协调架构通过协调者检验，能将误差放大控制在4倍以内，显著提升鲁棒性。4. 任务结构决定最佳架构 - 并行可分解的任务（如金融分析）中央集权架构优势明显，性能提升高达80.9%。 - 动态环境中的高熵搜索任务（如网页浏览）去中心化架构表现最好。 - 严格的顺序依赖任务（如Minecraft规划）所有多代理架构均表现不佳，甚至退步达70%。5. 性能与成本的非线性关系多代理系统的推理轮数随代理数量呈超线性增长（幂律指数约1.7），固定预算下，单代理的有效推理能力将被稀释，限制了实际可扩展的团队规模至3-4个代理。6. 模型能力的加速回报智能指数的平方项显著正相关，表明能力越强的模型，升级带来的性能提升呈加速趋势。7. 冗余带来的边际效益有限多代理中的任务分工冗余虽有助于错误校正，但其贡献远小于协调开销带来的性能损失，强调了高效协调设计的重要性。此外，研究搭建了180种配置的严格对照实验，涵盖三大主流LLM家族（OpenAI、Google、Anthropic）与多种协调拓扑结构（独立、集中、去中心化、混合），跨四类多样化任务（金融分析、网页浏览、游戏规划、工作流执行），确保结论在任务和模型间的广泛泛化。这项工作首次提出一个可预测性能的混合效应模型（交叉验证R²=0.513），能够基于任务的工具复杂度、单体基线表现及协调效率，准确预测最优的代理架构，指导科学合理地部署多代理系统，告别经验主义。启示与展望：- 多代理系统不是“越多越强”，而是“适合的架构+匹配的任务结构”带来实质收益。- 任务的顺序依赖性、工具多样性和环境动态性是决定多代理成败的关键。- 协调设计需兼顾效率与错误控制，避免过度通信导致的性能灾难。- 未来研究应探索异构模型团队、工具访问调度及多模态环境中的协调机制，突破当前规模和效率瓶颈。这篇论文为多智能体系统的科学化设计奠定了坚实基石，为实际部署提供了首个可量化、可预测的理论指导，推动从“更多代理”走向“更优协调”的智能体发展新阶段。详细阅读请见：arxiv.org/abs/2512.08296

Multi-Agent Collaboration via Evolving Orchestration这篇论文提出了一个极具启发性的多智能体协作框架：让整个多智能体系统由一个可学习的 “木偶师（Puppeteer）” 动态调度所有智能体（Puppets）这个框架，旨在通过解决现有系统固有的静态组织结构问题，来优化大型语言模型（LLM）的多智能体协作。其核心思想是利用一个集中式协调器，像木偶师一样，根据任务的动态变化来动态指导和调度专业化代理的激活顺序。这种协调器通过强化学习进行训练，其奖励函数旨在同时最大化解决方案的质量和计算效率，例如减少令牌消耗。实验结果表明，该方法在各种任务中实现了卓越的性能，同时显著降低了计算开销，证明了其可扩展性。分析进一步揭示，经过优化的协调机制促使多智能体系统形成了更紧凑且具有循环反馈的推理拓扑结构，超越了传统的链式或树状模型。1 研究提出的问题：当前 MAS 存在的根本瓶颈1）当前大多数多智能体系统采用静态结构，例如固定流程、固定 DAG、固定角色协作方式。2）当任务复杂度提升或智能体数量增加时，静态架构会出现协调开销大、冗余调用多、效率下降等问题。3）某些智能体在任务中实际贡献有限，但静态结构依然会触发它们，导致 Token 浪费甚至干扰推理。4）在软件生成、复杂问答、开放域推理这些任务中，多智能体之间真正有效的协作模式往往因任务不同而变化，这很难靠人工预设计完成。因此，论文提出一个关键问题：能否让一个系统自动“学会”如何调度智能体，而不是用固定协作结构？2 核心思想：木偶师式动态调度（Puppeteer Paradigm）智能体是“木偶”，一个中央控制器是“木偶师”，其任务是在推理过程中动态决定谁上场、谁退场。整体架构包含三个关键点：1）让一个中央 orchestrator（木偶师）在每一步根据当前任务状态，选择一个最合适的智能体执行下一步推理。2）这个 orchestrator 会在任务执行后得到奖励（正确性 + 计算成本），并通过强化学习不断优化调度策略。3）虽然过程是序列化的（每步一个 agent），但整个推理轨迹可以折叠成一个动态生成的有向图，即“推理图谱（Graph-of-Thoughts）”。这意味着：1）系统可以随着任务自动形成树结构、图结构、循环结构等多种协作拓扑。2）协作不再依赖预定义流程，而是任务驱动、自适应、持续演化的。3 方法框架详细拆解论文的方法分成两个关键模块：3.1 动态编排（Dynamic Orchestration）1）将每个智能体表示为一个三元组（模型、推理模式、可用工具）。2）将多智能体协作建模为一个集中式决策过程：木偶师在时间 t 根据全局状态 Sₜ 选择一个 agent 执行推理。3）每个 agent 输出结果后更新全局状态，并交由木偶师继续选择下一个 agent。4）当遇到终止条件（例如 Terminator agent）时，系统停止并输出最终结果。这个决策过程严格满足马尔可夫性，天然适合强化学习：P(aₜ₊₁ | S₀, ..., Sₜ₊₁) = P(aₜ₊₁ | Sₜ₊₁)因此 orchestrator 可以真正做到基于实时状态的动态调控。3.2 自适应演化（Adaptive Evolution）论文使用 REINFORCE 算法优化 orchestrator 的策略 π：1）任务完成后一次性给出奖励 r（正确 1，错误 0，开放任务得分区间为 [0,1]）。2）每一步会设定成本 Cₜ（Token 或 FLOPs）。3）总回报为 r 减去 λ·成本，λ 是可调的效率权重。该设计促使 orchestrator 学会：1）更倾向使用高性价比的智能体2）避免冗余推理步骤3）尽快调用 Terminator 停止推理4）长期形成紧凑而高效的协作结构4 实验结果解析：性能提升 + 成本下降“双赢模式”1） Puppeteer 在几乎所有任务上都获得显著性能提升2）强化学习后的 evolved 版本比初始版本显著更强3）在 Titan 模型空间中，平均性能从 0.6893 提升到 0.77314）更重要的是 Token 开销随着训练反而下降，不是上升这与过去多智能体研究经常出现的“调用越多越好”形成鲜明对比。5 拓扑结构的演化：从链式到紧凑循环论文一个非常有趣的发现是：随着 orchestrator 训练，多智能体协作拓扑从松散 → 紧凑，从树结构 → 图结构，并出现大量循环。具体表现为：1）图密度增加2） agent 之间的循环次数增加3）反复调用少量“核心智能体”的情况越来越多4）冗余 agent 被逐步淘汰5）推理链路更短、更集中、更有效其背后的原因非常符合直觉：1）强 agent 往往值得重复调用2）循环（自我检查、跨 agent 校验）有益于复杂推理3）扩散式的树结构容易浪费 token4）强化学习会惩罚冗余推理，鼓励形成高效闭环可以认为，这是一种机器自动学习推理结构的过程，类似于“推理图谱的自组织”。#ai创造营# #科技#

全部
来源

内容由AI生成

1. 《Towards a Science of Scaling Agent Systems》在多智能体系统（MAS）与单智能体系统（SAS）之间，究竟何时“多代理合作”能真正提升性能？《Towards a Science of Scaling Agent Systems》为我们揭示了首个定量科学框架，系统探索了代理数量、协调结构、模型能力与任务属性之间的复杂交互。核心发现如下：1. 工具协同的权衡博弈任务中工具种类越多，MAS的协调开销越大，反而可能拖累整体效率。例如在复杂工具环境下，单智能体因无额外通信开销，反而表现更佳。这打破了“多代理越多越好”的迷思。2. 能力饱和阈值当单智能体基线准确率超过约45%时，增加代理数反而出现负收益，协调成本超过性能增益。说明高水平模型不一定适合盲目扩展多代理协作。3. 架构相关的误差放大效应独立代理系统因缺乏交叉验证，错误传播可达单体的17倍，严重影响结果质量；而集中协调架构通过协调者检验，能将误差放大控制在4倍以内，显著提升鲁棒性。4. 任务结构决定最佳架构 - 并行可分解的任务（如金融分析）中央集权架构优势明显，性能提升高达80.9%。 - 动态环境中的高熵搜索任务（如网页浏览）去中心化架构表现最好。 - 严格的顺序依赖任务（如Minecraft规划）所有多代理架构均表现不佳，甚至退步达70%。5. 性能与成本的非线性关系多代理系统的推理轮数随代理数量呈超线性增长（幂律指数约1.7），固定预算下，单代理的有效推理能力将被稀释，限制了实际可扩展的团队规模至3-4个代理。6. 模型能力的加速回报智能指数的平方项显著正相关，表明能力越强的模型，升级带来的性能提升呈加速趋势。7. 冗余带来的边际效益有限多代理中的任务分工冗余虽有助于错误校正，但其贡献远小于协调开销带来的性能损失，强调了高效协调设计的重要性。此外，研究搭建了180种配置的严格对照实验，涵盖三大主流LLM家族（OpenAI、Google、Anthropic）与多种协调拓扑结构（独立、集中、去中心化、混合），跨四类多样化任务（金融分析、网页浏览、游戏规划、工作流执行），确保结论在任务和模型间的广泛泛化。这项工作首次提出一个可预测性能的混合效应模型（交叉验证R²=0.513），能够基于任务的工具复杂度、单体基线表现及协调效率，准确预测最优的代理架构，指导科学合理地部署多代理系统，告别经验主义。启示与展望：- 多代理系统不是“越多越强”，而是“适合的架构+匹配的任务结构”带来实质收益。- 任务的顺序依赖性、工具多样性和环境动态性是决定多代理成败的关键。- 协调设计需兼顾效率与错误控制，避免过度通信导致的性能灾难。- 未来研究应探索异构模型团队、工具访问调度及多模态环境中的协调机制，突破当前规模和效率瓶颈。这篇论文为多智能体系统的科学化设计奠定了坚实基石，为实际部署提供了首个可量化、可预测的理论指导，推动从“更多代理”走向“更优协调”的智能体发展新阶段。详细阅读请见：arxiv.org/abs/2512.08296

2. Multi-Agent Collaboration via Evolving Orchestration这篇论文提出了一个极具启发性的多智能体协作框架：让整个多智能体系统由一个可学习的 “木偶师（Puppeteer）” 动态调度所有智能体（Puppets）这个框架，旨在通过解决现有系统固有的静态组织结构问题，来优化大型语言模型（LLM）的多智能体协作。其核心思想是利用一个集中式协调器，像木偶师一样，根据任务的动态变化来动态指导和调度专业化代理的激活顺序。这种协调器通过强化学习进行训练，其奖励函数旨在同时最大化解决方案的质量和计算效率，例如减少令牌消耗。实验结果表明，该方法在各种任务中实现了卓越的性能，同时显著降低了计算开销，证明了其可扩展性。分析进一步揭示，经过优化的协调机制促使多智能体系统形成了更紧凑且具有循环反馈的推理拓扑结构，超越了传统的链式或树状模型。1 研究提出的问题：当前 MAS 存在的根本瓶颈1）当前大多数多智能体系统采用静态结构，例如固定流程、固定 DAG、固定角色协作方式。2）当任务复杂度提升或智能体数量增加时，静态架构会出现协调开销大、冗余调用多、效率下降等问题。3）某些智能体在任务中实际贡献有限，但静态结构依然会触发它们，导致 Token 浪费甚至干扰推理。4）在软件生成、复杂问答、开放域推理这些任务中，多智能体之间真正有效的协作模式往往因任务不同而变化，这很难靠人工预设计完成。因此，论文提出一个关键问题：能否让一个系统自动“学会”如何调度智能体，而不是用固定协作结构？2 核心思想：木偶师式动态调度（Puppeteer Paradigm）智能体是“木偶”，一个中央控制器是“木偶师”，其任务是在推理过程中动态决定谁上场、谁退场。整体架构包含三个关键点：1）让一个中央 orchestrator（木偶师）在每一步根据当前任务状态，选择一个最合适的智能体执行下一步推理。2）这个 orchestrator 会在任务执行后得到奖励（正确性 + 计算成本），并通过强化学习不断优化调度策略。3）虽然过程是序列化的（每步一个 agent），但整个推理轨迹可以折叠成一个动态生成的有向图，即“推理图谱（Graph-of-Thoughts）”。这意味着：1）系统可以随着任务自动形成树结构、图结构、循环结构等多种协作拓扑。2）协作不再依赖预定义流程，而是任务驱动、自适应、持续演化的。3 方法框架详细拆解论文的方法分成两个关键模块：3.1 动态编排（Dynamic Orchestration）1）将每个智能体表示为一个三元组（模型、推理模式、可用工具）。2）将多智能体协作建模为一个集中式决策过程：木偶师在时间 t 根据全局状态 Sₜ 选择一个 agent 执行推理。3）每个 agent 输出结果后更新全局状态，并交由木偶师继续选择下一个 agent。4）当遇到终止条件（例如 Terminator agent）时，系统停止并输出最终结果。这个决策过程严格满足马尔可夫性，天然适合强化学习：P(aₜ₊₁ | S₀, ..., Sₜ₊₁) = P(aₜ₊₁ | Sₜ₊₁)因此 orchestrator 可以真正做到基于实时状态的动态调控。3.2 自适应演化（Adaptive Evolution）论文使用 REINFORCE 算法优化 orchestrator 的策略 π：1）任务完成后一次性给出奖励 r（正确 1，错误 0，开放任务得分区间为 [0,1]）。2）每一步会设定成本 Cₜ（Token 或 FLOPs）。3）总回报为 r 减去 λ·成本，λ 是可调的效率权重。该设计促使 orchestrator 学会：1）更倾向使用高性价比的智能体2）避免冗余推理步骤3）尽快调用 Terminator 停止推理4）长期形成紧凑而高效的协作结构4 实验结果解析：性能提升 + 成本下降“双赢模式”1） Puppeteer 在几乎所有任务上都获得显著性能提升2）强化学习后的 evolved 版本比初始版本显著更强3）在 Titan 模型空间中，平均性能从 0.6893 提升到 0.77314）更重要的是 Token 开销随着训练反而下降，不是上升这与过去多智能体研究经常出现的“调用越多越好”形成鲜明对比。5 拓扑结构的演化：从链式到紧凑循环论文一个非常有趣的发现是：随着 orchestrator 训练，多智能体协作拓扑从松散 → 紧凑，从树结构 → 图结构，并出现大量循环。具体表现为：1）图密度增加2） agent 之间的循环次数增加3）反复调用少量“核心智能体”的情况越来越多4）冗余 agent 被逐步淘汰5）推理链路更短、更集中、更有效其背后的原因非常符合直觉：1）强 agent 往往值得重复调用2）循环（自我检查、跨 agent 校验）有益于复杂推理3）扩散式的树结构容易浪费 token4）强化学习会惩罚冗余推理，鼓励形成高效闭环可以认为，这是一种机器自动学习推理结构的过程，类似于“推理图谱的自组织”。#ai创造营# #科技#

3. MiroFlow是由MiroMind AI团队推出的一款开源高性能研究智能体框架，专注于多步互联网调研，尤其擅长未来事件预测等复杂任务。它集成了四大核心组件：MiroFlow框架本身、支持工具辅助推理的开源基础模型MiroThinker、拥有14.7万条优质训练数据的MiroVerse，以及保障训练稳定高效的MiroTrain/MiroRL训练基础设施。这一框架以模块化设计和多层次子代理协同著称，支持包括GPT、Claude、Gemini、Qwen等多种模型和丰富工具（如语音转写、Python执行、文件读取、Google搜索等），实现复杂任务的高效执行。MiroFlow在多个权威基准测试中均名列前茅：如FutureX（未来事件预测）提升了GPT-5预测准确率11%，并在GAIA、HLE、BrowserComp及xBench-DeepSearch等测试中夺冠，彰显其领先的智能推理能力和稳定的并发处理性能。值得一提的是，MiroFlow采用完全免费开源的技术栈，仅需一块RTX 4090显卡即可部署高效的研究智能体服务，极大降低了使用门槛和运营成本。同时，项目配备详细文档和快速入门指南，支持社区贡献，推动开放生态建设。MiroFlow不仅是技术创新的典范，也为未来智能体的发展提供了可复制、可扩展的实践范式，展示了开放源代码在AI研究领域的巨大潜力和价值。🔗 github.com/MiroMindAI/MiroFlow/

4. 为什么在生产环境部署多智能体系统（Multi-Agent）容易出现成本失控，有哪些常见的踩坑场景？

5. IDC：到2026年，40%的工作岗位将会与AI智能体协同工作

6. 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

7. #华为折叠屏首发A2A智能体协作#华为这场新品发布会硬核东西太多了，深切的感受到华为这次是把“折叠屏的智能化”往前推了一大步，我觉得这一刻拿出那四个字来表达一点都不过分。华为Mate X7首次把 A2A（Agent to Agent）智能体协作落到实际场景里，小艺不再只是一个语音助手，而是能直接调度东方财富、深圳航空、喜马拉雅、叮咚买菜等APP的智能体一起协作。例如你只要说一句“深圳航空，帮我选个能看到日落的位置”，系统跨应用自动给你处理完；再来一句“东方财富，看看今天涨幅最高的板块”，马上返回结果；除此之外，一些其它的场景，像买菜、听节目、查资讯都能一句话交给小艺搞定，全程不必切App，也不需要手动操作。这背后其实是鸿蒙6+ A2A（Agent to Agent）协议带来的系统级升级，让手机第一次具备了真正意义上的“多智能体协作”。折叠屏过去比的是形态、屏幕，现在Mate X7把竞争点直接拉到智能体验层面。发布会当下很明显：华为Mate X7不只是发布新功能，它是在给整个行业示范折叠屏下一阶段该怎么进化。

8. #华为首款鸿蒙6折叠屏来了#用了几代华为折叠屏了，今天看Mate X7发布会，真心感觉这次不是小升级，而是从系统底层到交互逻辑的全面进化。鸿蒙6这次真正把“智能体协作”带到了日常。小艺首次支持A2A协议，能跨应用调用多个智能体协同工作。大屏基础上-分屏也不再只是“分两个窗口”，而是左右屏数据可以实时穿越。左边看小红书攻略，右边直接让小艺生成导航路线；左边微信聊天，右边视频进度不中断。配合鸿蒙6的动态调度机制，流畅度明显提升，这才是折叠大屏该有的效率形态。还有几个细节很打动我：远程防诈提醒、AI防窥2.0自动隐藏内容、甚至能和iOS设备无损互传。华为在隐私和生态互联上，确实越做越细。作为老用户，能明显感觉到Mate X7不是在堆功能，而是在构建一套“多智能体协同+跨场景无缝流转”的下一代交互体系。这一次，折叠大屏的体验天花板，又被捅高了一截。#华为MateX7的大屏玩出花了#

9. 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#

10. 清华校友出手，8B硬刚GPT-4o！单一模型无限工具调用，终结多智能体

11. 刚刚，谷歌奥数金牌Gemini 2.5 Deep Think发布！多智能体推理碾压Grok 4、o3

12. 多智能体（multi-agent system）完整入门学习资料分享

13. 在WAIC耳朵听出茧子的「智能体」，是时候系统学一下了

14. #华为首款鸿蒙6折叠屏来了#折叠屏的下一步是啥？华为Mate X7给出了答案！首发搭载鸿蒙6，直接开启“多智能体协作”时代！小艺能和不同App的智能体“组团”干活，这才是真·智能！大屏-分屏联动不再是简单分屏，数据瞬间穿越，效率翻倍。AI防诈、远程挂断电话，贴心到没朋友！不得不说，在引领折叠屏体验这件事上，华为Mate X7再次走在了前面，大屏智能体验新时代来了！#华为MateX7的大屏玩出花了#

15. #华为折叠屏首发A2A智能体协作#华为Mate X7这次真的把智能交互玩出了新高度。看完发布会最让人印象深刻的是A2A智能体协作功能，小艺现在能直接和其他应用的智能体“对话”了。比如简单说一句“选个能看到日落的航班座位”，它就能自动调用深圳航空的智能体完成选座，完全省去了手动操作各个应用的麻烦。这种跨应用的无缝协作，确实解决了之前需要反复切换应用的痛点。目前这个功能已经覆盖了航旅、财经、音频、生活服务等多个领域，这种智能体之间的协同协作，很可能成为折叠屏设备体验的新标杆。随着更多应用接入，未来的智能交互体验确实很值得期待！

16. #华为折叠屏首发A2A智能体协作#新一代的华为Mate X7又将折叠屏体验拉满！作为行业首个实现A2A智能体协作商用的机型，小艺不再是单一助手，而是能联动多个应用智能体的"超级协作中枢"。旗舰芯片的强悍算力加持，让智能体间的任务流转、数据互通零延迟，彻底解决了折叠屏多任务适配差、操作割裂的老问题。这不仅是小艺智能体的实力爆发，更给折叠屏定下了"智能协同"的新赛道，期待实际上手体验！

17. #华为折叠屏首发A2A智能体协作# 华为Mate X7智能体验再升级，小艺智能体首次商用A2A智能体协作，小艺也变得更聪明更智慧了，它不再是简单的语音助手，而是可以帮你完成多种指令的超级助手，一句话就能帮你轻松搞定多个任务，实现了智能体间的任务流转、数据互通，彻底解决了折叠屏多任务适配差、操作割裂的问题，华为Mate X7重新定义高端折叠屏的智能体验天花板

18. 【#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。

19. 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#

20. #华为折叠屏首发A2A智能体协作#华为Mate X7智能体验迎来里程碑式升级，首次商用A2A智能体协作，小艺不再是简单的语音助手，而是能并行处理多个任务的“超级助理”，从“值机”到“买菜”甚至“理财”，一句指令，它就能为你搞定。随着越来越多的合作伙伴加入，小艺和TA的朋友们将持续为消费者提供更丰富，更个性的A2A智能体服务。

21. 华为Mate X7首发搭载鸿蒙6带来的三大黑科技体验，正在用实际表现告诉你#华为MateX7的大屏AI有多强#！首先分屏联动，边看攻略边导航，互不干扰，多任务处理效率更进一步；A2A智能体协作，又让小艺化身“手机指挥官”，一句话就能调度多个应用智能体，轻松实现“说一句话，办多件事”；而小艺慧记，支持AI实时录音转写，就可以让会议重点一目了然，并且还能跨设备提醒，堪称办公神器。不难看出这种不仅于解答，更能帮你做事的AI能力，才能真的称为智能协作者！

22. 华为Mate X7这次首发的A2A智能体协作，算是把折叠屏的智能体验拉到新高度，用着肯定会方便！#华为折叠屏首发A2A智能体协作# 简单说，A2A就是让小艺能跟其他App的智能功能“组队干活”，不用你来回切换软件。比如想规划商务行程，小艺会自动找购票、导航、订酒店的相关功能，一步帮你搞定全流程；处理工作文件时，也能直接调用编辑、转格式、存云端的能力，省了不少麻烦。这背后全靠鸿蒙的通信协议和麒麟9030芯片的强算力撑着，才能让不同功能无缝配合。本来折叠屏就适合办公、多任务处理，现在加了A2A，实用度直接翻倍。

23. #华为折叠屏首发A2A智能体协作#啊？小艺真终极进化了...这真是我想要的Ai功能，这次华为Mate X7的A2A智能体协作一句话就能串联机票预订、投资分析、健康管理等全流程服务。我只需单次指令，小艺就可以自主调用多个APP的智能体模块，实现跨应用任务自动化。举个🌰：小艺小艺，我要去xx旅游，小艺就能联动航旅APP查机票、酒店平台比价、天气应用提供预报，生成完整出行计划。省时省力，对于难得假期的朋友来说真的省了很多不必要的精力浪费。第二个我觉得Ai跟折叠屏这个大屏真的很搭，就比如我可以一边会议一边实时记录会议内容并摘要，直接让华为Mate X7的分屏记录就可以了。

24. 华为Mate X7迎来智能体验大升级！#华为折叠屏首发A2A智能体协作#首次实现A2A智能体协作商用，小艺从此进阶为“超级助理”，不再是简单语音工具，而是能并行处理多任务的生活搭档。无论是值机、买菜还是理财，一句话，它就能串联多个应用，高效完成复杂指令。A2A功能正重新定义折叠屏体验，让手机成为全场景智慧生活的中枢。新一代小艺，已来！锁定华为Mate X7发布会，开启你的智能新方式。

25. 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

26. 360纳米AI的“多智能体蜂群引擎”如何为智能体时代铺设高速公路？

27. 号称全球首个L4智能体，MasterAgent真比Manus强吗？我替你测了

28. 上海交大团队发布首篇「搜索智能体」综述！四个维度深度剖析搜索智能体

29. 为什么说以后好好读书才能进工厂？ #美的工厂大脑 #首个智能体工厂

30. 「Github一周热点93期」多智能体舆情分析、桌面 AI 助手、自然语言画图、Rust桌面组件库、Linux服务器安全和GitHub绿墙

31. #华为折叠屏首发A2A智能体协作# 华为Mate X7率先实现A2A智能体协作商用，小艺智能体能力从单点响应升级为多智能体协同。无需切换应用，一句指令即可串联专业智能体：工作中，邮件、日程、文档智能体联动处理办公事务；生活里，出行、支付、家居智能体完成全流程服务。Mate X7打破应用生态壁垒，成为全场景智能中枢，也为折叠屏行业划定智能交互新方向。关注新品发布会，解锁全新体验。

32. TRAE中国版白送SOLO，一人指挥一支AI大军重磅消息！SOLO终于上线TRAE中国版了，Waitlist免费开放中本期视频实测TRAE的新版本，亮点很多 1、先规划再动手的 Plan 模式 2、带专家团一起干活的 Subagent 子智能体 3、DiffView 差异视图 4、多任务并行 5、上下文智能压缩长时运行不掉链子 SOLO终于把AI从“瞎干活的外包”变成了“懂协作的队友” #AI #人工智能 #TRAE #AI编程 #vibecoding

33. 华为新品发布会来了！这次折叠旗舰带来了颠覆性体验——小艺智能体首次实现商用A2A智能体协作！#华为折叠屏首发A2A智能体协作#通过Agent to Agent协议，小艺能和伙伴们协同处理工作生活需求，只需一句话指令，它就能联动多个智能体高效协同，处理工作生活需求简直一键到位。这次发布会着实让人大开眼界，个性化服务简直贴心到爆，折叠体验真的跨入新阶段。我已经迫不及待想上手体验了，华为这次对智慧生活的诠释又刷新了我的认知！新品必火！

34. #华为折叠屏首发A2A智能体协作#就我本人来说，除了最关注的Mate 80之外，最感兴趣就是华为Mate X7它首度实现A2A智能体协作商用，这标志着折叠屏手机进入智能化新纪元。华为A2A（Agent-to-Agent）智能体协作技术，突破了传统设备操作方式，实现设备间无缝互动与协作，为用户提供了更高效、智能的使用体验。这一技术的发布，不仅提升了华为Mate X7的多任务处理能力，也深度展示了小艺智能体的强大实力，进一步推动智能设备的互联互通。凭借A2A智能体协作，华为Mate X7可在多个设备间实现无缝切换，提升工作与娱乐的效率，同时使折叠屏的使用体验更加流畅、灵活。这一突破性功能，将为未来折叠屏手机的应用场景带来更大想象空间。

35. 华为鸿蒙操作系统6的发布，将移动终端智能体验提升至新高度。值得注意的是，小艺智能体还将能调动超80个鸿蒙应用智能体协同工作，预计10月底还将上线更丰富的小艺帮帮忙功能，可以自动打开第三方平台进行购物、订机票等操作。这种深度协同能力让鸿蒙6不再是单一的操作系统，而是进化为一个智能体协作平台，已经可协同处理养猫、差旅规划等复杂事务，重新定义了智能终端的交互范式。#鸿蒙上线超80个应用智能体##AI已经可以帮我养猫了#

36. Google Cloud 推出多智能体 AI 系统参考架构，助力构建高效协作的专业 AI 代理，实现复杂业务流程优化。核心思想是将大任务拆解成多个子任务，由多个专长智能体协同完成，提高效率与准确性，同时支持人机协作保障安全与可靠。架构亮点：- 用户输入由前端发送至协调者代理，自动选择合适代理流程（顺序执行或迭代优化）。- 任务子代理、质量评估器和响应生成器分工明确，支持多轮优化与人工干预。- 支持无服务器 Cloud Run，结合 Vertex AI、GKE、Model Armor 等多款 Google Cloud 产品和开放协议（A2A、MCP），确保系统安全、兼容和扩展性。应用场景广泛：- 财务顾问：实时数据检索、金融分析、个性化股票建议、自动交易执行。- 研究助理：规划、数据收集分析、报告撰写，支持迭代评估完善。- 供应链优化：库存管理、物流跟踪、供应商沟通，实现高效供应链协同。设计要点：- 安全：结合传统安全与动态防御，强调人工监督和最小权限，利用 Model Armor 防范提示注入和敏感信息泄露。- 可靠性：支持容错设计、故障模拟、日志和异常处理，确保高可用。- 运营：全面日志监控、智能体输出评估、工具共享和跟踪，提升运维效率。- 费用与性能优化：合理选型模型与资源，提示工程优化输入输出，支持上下文缓存和批量请求降低成本与延迟。后续行动：- 利用智能体开发套件（ADK）快速构建与部署。- 结合 Agent Garden 示例和代码，实践多智能体系统。- 深入理解 Google Cloud AI 和机器学习的架构原则与最佳实践，实现业务价值最大化。多智能体 AI 系统正推动智能自动化迈向新高度，将复杂任务拆解为可管理模块，提升效率与安全，适合金融、研究、供应链等多领域。推荐架构详细解读请见：cloud.google.com/architecture/multiagent-ai-system

37. Eigent，全球首个多智能体生产力平台

38. 登顶Hugging Face GAIA全球榜首！中兴超级智能体终结「AI黑盒」时代

39. 智能体框架到产品：京东JoyAgent如何打造会自我演进的智能体系统

40. 科研智能体「漫游指南」—助你构建领域专属科研智能体

41. #华为MateX7的大屏AI有多强# 华为Mate X7越用越发现，它已经不是单纯的折叠大屏，而是基于鸿蒙 6 + A2A 智能体协作做出来的一套完整 AI 体验，会给你手机突然变更聪明的感觉。像我平常剪视频、做旅行出差行程规划、回消息，经常一展开大屏就直接开 AI 分屏联动，左边资料右边回复，效率爆炸。小艺慧记更是好用，开会生成笔记自动整理、自动分类。最夸张的是 A2A 智能体协作，我只需要跟小艺说我的目的地和时间，它能跨应用完成全流程帮我查清楚。不得不说，Mate X7 这套 AI 大屏体验真的有点像私人助手了

42. 华为Mate X7 系列的售价出炉，符合预期吗？看点的是首发的A2A智能体。比如说，它支持的AI动态图书，让书动起来这功能还挺好的。看图书本来就比较枯燥，能动能跑，明显减少乏味感... #华为折叠屏首发A2A智能体协作# A2A智能体还可以串联多个应用智能体，一句话就能完成多任务执行，实用性有提高。

43. 对我来说，HUAWEI Mate X7更吸引我的在于 #小艺# 和TA那些“智能体朋友”的紧密协作。 #华为折叠屏首发A2A智能体协作#，让小艺能调度鸿蒙应用智能体来办专业事！而且小艺自己的AI能力也超强，其中小艺简报能收集全局待办、日程简报、通知摘要等内容，另外还可以围绕健康提供个性化的简要AI建议，结合用户个人偏好生成每日播客推荐等，帮助我们更高效的聚合信息和获取知识！#华为Mate80#

44. Agent 2.0时代来了，首批「工业级智能体」正在核心位置上岗

45. 告别胶水代码，5倍飚速！无问芯穹首次揭秘，Infra智能体蜂群登场

46. 智能体即开发者：论AI如何重塑编程边界与人机协同未来

47. AI Agent智能体的“超能力”之源——大模型与工具生态

48. 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

49. 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！

50. #华为折叠屏首发A2A智能体协作#华为Mate X7 真的杀疯了！直接把折叠屏的智能体验拉到新高度！它的A2A智能体协作太顶了，让小艺能联动各种APP里的助手一起干活儿——比如订机票、日程提醒无缝衔接等等，这才是真正的全场景智能啊！华为这次不只是自己秀技术，还拉着生态伙伴一起搞可进化、可联动的智能网络。无论从AI体验的突破性，还是从行业合作的示范性来看，华为Mate X7都再次引领折叠屏行业迈向智能体验新时代。别的厂商还在卷折痕和轻薄，华为已经开始用智能生态重新洗牌了！

51. #华为折叠屏首发A2A智能体协作#华为Mate X7首次实现A2A智能体协作，令大屏手机在AI层面的优势充分被释放。直板机上很多需要切换来实现的交互，华为折叠屏直接一屏搞定，而且大屏下更能实现一屏多应用操作，相对于直板机，可视范围更大。就好比在看股票的时候，折叠屏可以一边看盘，一边让小艺智能体分析，那体验超高效。

52. 工具与组织，本质分野真正的突破不是让个体更强大，而是发明了让普通人能高效协作的系统。想象一下，给你世界上最好的锤子、锯子和尺子，你依然可能造不出一座结实的小木屋，因为你不知道如何协调使用它们，更不懂得房屋的结构。但一个优秀的工头，即使工具普通，却能指挥一群工人各司其职，快速建成房屋。Cursor或Antigravity就像是那套顶级的个人工具，能极大增强你（一个开发者）的编码能力；而Manus这样的智能体平台，扮演的正是“工头”的角色，它的核心价值在于能自动协调多个“AI工人”（子智能体）去完成盖房（复杂任务）这个整体目标。在商业分析领域，一个专业人士可以用Antigravity快速编写数据抓取和图表生成的代码。但Manus能做的事，是接下一个“分析本公司上月销售下滑原因”的指令后，自动规划步骤：派遣一个智能体去数据库抓取数据，另一个智能体进行比对和趋势分析，再一个智能体将洞察生成图文并茂的报告，最后整合成一份PPT交付给你。它构建了一个分析流水线。这触及了复杂系统创造的根本：从“要素优化”到“关系优化”的范式转移。一个公司拥有顶尖的博士（强大工具），不等于拥有创新能力；社会拥有无数识字个体（基础能力），也不等于拥有文明。真正的涌现属性，来自将这些要素以正确方式连接、协调、管理的规则与结构（组织平台）。Manus类平台的核心创新，正是将大模型作为“基础劳动力”，通过顶层架构设计（多智能体协作、工作流编排），使它们能完成任何单一模型或工具无法处理的复杂、多步骤任务。可以类比为学校的值日生小组。Cursor这样的工具，好比给每个学生一把更好的扫帚（增强个体）。而Manus这样的平台，好比一份智能的值日生分工表，它能自动把扫地、擦窗、倒垃圾等任务分配给不同学生，并确保他们按正确顺序协作，最后验收成果。它的产品不是扫帚，而是那份“分工与协作方案”。从大学通识角度看，这类似于“市场”与“企业”的边界。经济学家科斯曾问：如果市场交易如此有效，为什么还需要企业？他的答案是，因为市场交易有成本（搜寻、谈判、履约）。当内部协调管理的成本低于外部市场交易成本时，企业就出现了。类似地，当通过一个智能平台（企业）内部调度多个AI模型（雇员）的成本，低于用户自己手动切换、拼接多个单一工具（市场交易）的成本时，Manus这类平台的价值就确立了。从计算机专业角度看，这揭示了“工具链”与“操作系统”的本质不同。Cursor、Antigravity是强大的工具链，优化编译、调试等具体环节。而Manus类平台提供的是“智能体操作系统”，它管理资源（模型、算力、工具）、调度进程（子智能体）、处理并发、并提供标准接口（API）。它的护城河并非某个工具的锋利度，而是整个系统的工程化编排与稳定性。这也解释了为何其算力消耗可能是普通对话的百倍以上。具体到行动上，这指引我们重新评估需求与解决方案的匹配。未来，当你面临一个复杂、多步骤、跨领域的问题时，首要思考的不再是“我需要一个多么强大的AI工具”，而是“我是否需要构建或调用一个AI协作系统来接管此流程”。对于个人，这意味着从学习操作单一工具，转向学习如何设计任务指令、定义智能体角色和审核系统产出。对于企业，投资重点可能从采购最好的“AI刀片”，转向部署或开发最适合自身业务流程的“AI发动机”（智能体平台），以实现端到端的自动化。

53. Agentic AI：通向 AGI 应用的关键前站与智能涌现之路

54. 工信部：探索依托工业互联网平台打造“模型池”的路径，培育上线一批工业模型产品

55. 协同加速，多机器人协作不再「慢半拍」！软硬一体化框架ReCA破解具身智能落地效率瓶颈

56. 智能体正在经历一场深刻的范式转移：它不再只是我们手中的工具，而是开始成为能够独立在数字世界里为我们解决问题的代理

57. 华为最新报告：未来10年，AI智能体、算力、半导体、能源都有巨大的机会#智能世界2035 #AI智能体 #算力 #半导体 #华为

58. 给AI一个“身体”：3D数字人或是具身智能的解法？【硅谷101】

59. #天禧个人超级智能体# 大会倡导的 “智能体重塑应用新体验”，是对传统应用模式的一次颠覆性革新。它的意义在于让日常软件跳出 “被动执行” 的工具框架，通过智能体的赋能，升级为 “主动服务” 的贴心助手，无论是办公、学习还是娱乐类应用，都能实现体验的质的飞跃，为行业的应用创新指明全新方向。#2025 联想天禧生态伙伴大会##天禧个人超级智能体##酷睿Ultra##酷睿UltraAI更强谁不爱#

60. AI智能体也卷起来了？又懂业务又不用搭工作流…

61. #华为Mate80#系列与Mate X7折叠屏作为华为年度高端旗舰，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，其中小艺帮帮忙和小艺A2A智能体协作两大升级是我最喜欢的。小艺帮帮忙支持一句话指令完成订机票、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技能。#华为折叠屏首发A2A智能体协作#让小艺可召唤鸿蒙应用智能体协同工作，比如唤起喜马拉雅小雅助手推荐播客内容。小艺现在相当于既是超级助理又是项目经理，既能根据用户喜好进行学习，又能统筹其他应用智能体执行专业任务。拥有这两大升级的“超能小艺”，绝对是一用就爱的体验。#华为Mate80#

62. AI 产品范式探讨：非线性思维、多 Agent 协作才是复杂任务的更优解

63. Palantir 助力AI驱动操作系统，建立以本体论为核心的智能编排体系

64. AgentScope x RocketMQ：打造企业级高可靠 A2A 智能体通信基座

65. 新职业？AgentOps智能体运维！《谷歌智能体构建指南》解读

66. Aivis 揭秘：从领域知识到自主智能，智能体 Agent 驱动下的阿里云服务新范式

67. 关注 | Cell子刊系列综述：医疗AI智能体，从临床应用，到建立AI智能体医院

68. 首个为具身智能而生的大规模强化学习框架RLinf！清华、北京中关村学院、无问芯穹等重磅开源

69. 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

70. 当你还觉得AI只是“辅助工具”时，它早已在改写很多行业的游戏规则了。#大咖观察 #红衣聊AI #AI工具 #智能体

71. 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

72. #华为折叠屏首发A2A智能体协作# 语音助手和AI是智能手机的标配，但真正好用，又非常智能，还会自己思考的智能体非常少见。华为Mate X7折叠屏首发A2A智能体协作，这引发了又一轮升级。具体来说，小艺不再是简单的语音助手，而是能并行处理多个任务的“超级助理”，从“值机”到“买菜”甚至“理财”，一句指令，它就能为你搞定。比如，我想买机票，直接告诉小艺订票。出差前一天，小艺会提醒你设置闹钟，甚至会帮你叫车，给我提供全方位的智能服务，这才是用户需求的AI智能体。

73. AgentScope Java 1.0 发布：当领先的 Agentic 框架遇上 Java 生态，企业级智能体开发新篇章

74. 开发团队在构建智能体（AI Agent）应用、实现自主任务规划与执行时，常面临智能体决策逻辑复杂、工具调用能力弱、多任务协同难的问题，传统大模型应用难以适配自主化工作流需求。 AutoGPT 是一款开源的自主智能体框架，适配开发团队快速搭建具备自主思考、任务分解、工具调用能力的AI应用的核心场景。开源地址：github.com/Significant-Gravitas/AutoGPT 核心功能： 1. 内置任务自主分解与优先级排序机制，可将复杂目标拆分为可执行的子任务链，无需人工干预完成流程规划。2. 支持多类型工具集成，可对接搜索引擎、代码执行环境、API接口等外部资源，拓展智能体的实际应用能力。3. 提供记忆管理模块，包含短期上下文记忆与长期存储记忆，保障智能体在长周期任务中具备持续学习与状态追踪能力。4. 内置反馈迭代机制，可根据任务执行结果优化后续决策，提升复杂任务的完成质量。5. 兼容主流大模型，支持本地与云端部署模式，满足不同场景下的算力与安全需求。

75. 中控技术王宽心：打造工业AI智能体，驱动“智”造全面升级｜甲子光年

76. 360纳米AI的“多智能体蜂群引擎”如何为智能体时代铺设高速公路？

77. AgentRun Sandbox SDK 正式开源！集成 LangChain 等主流框架，一键开启智能体沙箱新体验

78. 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

79. 随着AI智能体的发展，能做好决策、持续创新的人，会拥有独特的竞争力。#大咖观察 #红衣聊AI #行业研究

80. 基于多 Agent 协作的智能营销闭环：洞察、触达与转化

81. 如何利用 RocketMQ for AI 构建高效、可靠、可扩展的多智能体系统？

82. 不被AI淘汰的重要能力就是学会当智能体的领导。 #大咖观察 #红衣聊AI #智能体

83. 容忍摸鱼、支持顾家、会用智能体！ #大咖观察 #红衣聊AI #职业技能

84. AI已经成为你的同事了吗？ #大咖观察 #红衣聊AI #人工智能 #科技趋势

85. 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

86. 99%的人都搞错了AI Agent？智能体该如何帮企业赚钱？

87. 80+巨头联名官宣，智能体国家队集结！智能体互联国家标准来了

88. 超能小艺，一用就爱！华为Mate80把拥抱AI时代的入口直接送到掌心✨今年走过十几个国家，我的行囊永远有两样东西不会少：护照，和那台陪我踏遍山河的华为手机。而今天，小艺全新升级，真的让我惊喜 —— A2A智能体协作带来和传统AI助手截然不同的体验，无处不在的智慧体验！✅ 一句话，多智能体协同响应：“用深航订巴塞罗那机票，再用喜马拉雅找西方通史播客，最后总结重点”——小艺联动多个鸿蒙应用智能体，像指挥团队一样为你服务。✅ 小艺输入法：实时识别输入的文字并转译，无障碍地享受和世界对话的快乐～✅作为旅行博主觉得最贴心的还是小艺的对话式修图，几秒就出能大片……无论是生活琐事还是办公出行，小艺都能调用各类鸿蒙应用智能体协同处理，这不是普通AI助手，而是鸿蒙生态下的 “隐形超能协作团队”。将我们的时间与精力，归还给旅行中最本真的探索与创造—— 这大概就是小艺让我 “一用就爱” 的原因。#华为折叠屏首发A2A智能体协作##小艺##华为Mate80# 梁亦同的微博视频

89. PettingLLMs: 在verl的基础上支持通用的多智能体强化学习训练

90. 企业 AI 智能体落地三步突围

91. 多智能体架构的核心功法

92. 多智能体协作机制

93. 2026开年AI智能体技术爆发

94. 多智能体新潮流

95. Multi-Agent系统是如何协作完成复杂任务的？

96. 2026AI 元年

97. 2026AI 元年

98. 2026年AI元年

99. 从工具到团队

100. 多智能体协作（Multi-Agent）是如何工作的？

101. 多智能体协作的真实力量:复杂任务的边界与智能社会的雏形

102. 构建AI智能体

103. 智能体工作流的七种设计模式

104. 多智能体协作与企业级实战

105. Eigent

106. 多智能体协同能解决哪些实际问题？

107. 《智能体设计模式》之多智能体协作模式

108. 📚每天学习一个AI知识

109. AI下半场

110. 多智能体系统架构解析

111. 一文看懂 AI 多智能体系统

112. Coze进阶实战

113. 关注｜AI智能体发展迎来拐点

114. AI 智能体自动创建协作任务，团队分工更清晰，做事效率更高

115. 企业级AI智能体借助协同机制，有效提高企业运营效率

116. 企业级AI智能体通过协同机制提升企业运营效率

117. 多智能体协作不是工具叠加，而是软件开发流程的系统性再造

118. 如何构建高效协作智能体AI Agent

119. 多智能体系统

120. 多智能体系统的优势

121. 未来创业不需要团队？智能体协作正在重构商业规则

122. 多智能体系统与群体智能

123. 扩展多智能体系统的科学

124. Google 最新论文--情境感知多智能体系统

125. 三大AI智能体框架终极对决

126. 多智能体协作引领AI新浪潮！人机共生时代已开启

127. Day 17｜AI 多智能体协作

128. 多智能体协作驱动VOC决策进阶，富通智核行业客户之声荣获 IT168 2025创新产品奖

129. 智能实验工作台

130. 智能体（Agent）基本概念与概述

131. 模型训练-RAG-Agent-AI项目实战

132. 基于大模型的具身智能任务规划研究

133. 从ReAct到多智能体，这篇综述把Agentic Reasoning讲透了！

134. TC608会议通知 | 《云上多智能体服务能力要求协作编排》首次标准研讨会即将召开

135. 通用智能体演进

136. 一文读懂Multi-Agent System的概念、场景和实现框架

137. 视频与视觉技术国家工程研究中心

138. 震惊!LangGraph打造多智能体系统:不是写代码,是在“指挥一个小团队“!小白也能快速上手

139. Docs

140. 基于 Rowboat 快速构建多智能体(Multi-Agent)工作流

141. 智能体不是狂欢是硬仗,企业要先迈过这“三道坎”

142. 多智能体系统并非总能提高效率,谷歌与麻省理工研究揭示真相

143. 多智能体协作

144. 多智能体

145. 多智能体系统不是银弹

146. multi-agent cooperation是什么

147. 专题解读｜LLM智能体：构建交互式多智能体协作新范式

148. 多智能体如何实现协同决策与控制

149. 2025年工业智能体应用现状与趋势展望报告

150. AI行业观察：腾讯游戏重构智能NPC交互；360多智能体蜂群开启协作范式

151. Handy Multi Agent: task03 多智能体

152. 通过进化协调实现多智能体协作

153. 多智能体为什么能协作？关键不是聊天，而是闭环

154. AI进入“军团作战”时代:FlowithOS多智能体协作的9个颠覆性应用案例,告别多平台重复劳动

155. 从0到1搭建多智能体应用：ModelScopeAgent如何降低AI开发门槛？

156. 金奖智能体设计案例赏析第3期 | 本草智芯--药食同源循证研发智能体

157. 多智能体设计模式和智能体框架，你会了么？

158. 智能体通用架构及行业应用

159. AI智能体协同工作流设计：75%效率提升的秘诀大公开

160. 工业智能体应用现状、挑战及对策建议

161. 一文搞懂多智能体协同机制：五大协作框架与应用实践

162. 多智能体协作：从群体智能到人机共生

163. LLM驱动的多智能体系统：构建下一代AI协作的核心技术全解析

164. 《让AI替你打工！多智能体协同的电商客服系统实战》多智能体实战-电商客服（三）

165. 谷歌年度重磅揭秘智能体系统的缩放定律与协作陷阱

166. 智能多智能体通信协作工作流建模

167. 广东：支持广州、深圳等地市建设智能体领域创新中心

168. 协作的边界：Google揭开多智能体系统“人多力量大”的迷思

169. 数智热点丨AI的“物理觉醒”，从语言世界“跃入”真实宇宙

170. MCP智能体是什么？聚焦教育行业多智能体协作新范式

171. 多智能体军事协同系统：智能化防务体系中的关键技术框架

172. 多智能体系统实战：从架构拆解到工程挑战，超越单体的复杂任务引擎

173. 多智能体为什么能协作？真正关键不是聊天，而是闭环！

174. 从证据到决策：FinDebate 如何用协同辩论 + 领域 RAG 重塑财务分析？

175. 多智能体协作在企业场景中是否已具备落地能力？

176. 智能体降本增效：如何将token消耗降低70%的工程实践

177. ColorAgent：多智能体协作引领 OS 智能体革命，AI 系统架构进入分工时代

178. 冰洋老师：AI智能体工程-从对话工具到自主任务执行

179. 工业智能体领跑工业4.0演进：从概念到场景落地实践

180. 【人工智能】多智能体悖论：为什么更多的AI Agent反而会导致更糟糕的结果

181. 参编单位征集！《多智能体系统能力要求》标准编制工作正式启动

182. 《多智能体学习中的神经多样性研究》最新200页

183. AI-Trader：智能体实时金融决策评估框架

184. 今日策略：年化398%，回撤11%，夏普5.0 | 金融量化多智能体架构方案

185. 多智能体之间高效协作的关键：协调智能体工作流搭建

186. 多智能体协作 Multi-Agent | Agentic Design Patterns | 智能体设计模式

187. 智能教学系统高效协作的秘密：交互智能体工作流7步搭建法

扫一下，分享更方便，购买更轻松

0评论

当前文章无评论，是时候发表评论了

提示信息

取消

确认

评论举报

垃圾广告！低俗色情！人身攻击！疑似水军评论！其他有害！